CN104483832A - 基于t-s模型的气动比例阀模糊滑模自适应控制方法 - Google Patents
基于t-s模型的气动比例阀模糊滑模自适应控制方法 Download PDFInfo
- Publication number
- CN104483832A CN104483832A CN201410386464.0A CN201410386464A CN104483832A CN 104483832 A CN104483832 A CN 104483832A CN 201410386464 A CN201410386464 A CN 201410386464A CN 104483832 A CN104483832 A CN 104483832A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- delta
- sigma
- formula
- alpha
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于T-S模型的气动比例阀模糊滑模自适应控制方法,其特征在于,步骤为:第一步、T-S模型结构辨识;第二步、采用最小二乘支持向量机辨识T-S模型参数;第三步、基于辨识出的模型T-S模型设计模糊自适应控制器,对气动伺服系统进行控制,使得被控对象压力跟踪给定的参考信号。本发明以气动伺服系统为研究对象,以其输入输出数据辨识对象的T-S模型,然后基于辨识的模型实现对气动伺服系统控制。与现有的PID控制相比,采用本发明提供的控制方式,比例阀的输出压力的振荡和过冲明显变小,实现压力的平滑控制。本控制方式可以动态地适应被控对象的不确定因素。
Description
技术领域
本发明以气动伺服系统为研究对象,以其输入输出数据辨识对象的T-S模型,然后基于辨识模型实现对气动伺服系统的自适应控制。
背景技术
自然界实际系统基本上是非线性系统,建立一个复杂非线性系统的精确数学模型是相当困难的,有时甚至不可能做到的,系统辨识是系统建模的有效途径之一。所以辨识是一个重要而又复杂的问题,特别对基于输入输出数据的黑箱辨识成为其中的研究热点,已成为自动控制理论的一个十分活跃而又重要的分支。T-S模糊模型是一个通用逼近器,它把一个非线性系统当作多个线性子系统与其权重乘积之和。
气动技术以其自身独特的传动方式和优点,如清洁、结构简单、气体来源充足和成本相对较低,在食品加工、制药、包装工业中,气动系统可非常方便地实现多点定位和调速,能够快速准确地搬运物体,生产效率高,因此气动伺服系统特别是气动伺服定位系统得到越来越广泛的应用。但由于气体本身固有的可压缩性、阀口流动的非线性、气缸摩擦力的影响和气动系统的低阻尼特性等原因,气动伺服系统本质上属于非线性系统,整个伺服装置的精确数学模型难于描述。
为了更好地对气动伺服系统进行控制,需要知道系统的模型。另外,在采用自适应控制等一些先进控制手段时,也需要在线辨识系统的模型。T-S模糊模型把线性系统看成是多个非线性系统的加权组合,能以任意精度逼近非线性系统,易于表达复杂非线性系统的动态特性,同时可以将线性控制理论应用到非线性系统控制中。
发明内容
本发明要解决的技术问题是将T-S模糊模型应用在气动伺服系统中,以实现对气动伺服系统的自适应控制。
为了解决上述技术问题,本发明的技术方案是提供了一种基于T-S模型的气动比例阀模糊滑模自适应控制方法,其特征在于,步骤为:
第一步、T-S模型结构辨识
设定时间窗宽度为l,以时间窗内第k个采集数据 作为判断模糊聚类中心的依据,每个模糊聚类代表一条模糊规则,Pk为气动比例阀的压力,为气动比例阀的压力变化率,uk为气动比例阀的控制量,xk的势能pk(xk)为:
步骤1.1、初始化
给定参数r,α,设时间窗内第一个历史数据x1为第一个模糊聚类的中心v1,其势能p1(x1)=1,模糊聚类的数量m=1,数据数量k=k+1;
步骤1.2、滚动时间窗,计算势能
计算第k个采集数据的势能pk(xk),更新时间窗内其他数据的势能,若k>l且xk-l为第i个模糊聚类的中心,则从模糊聚类中心删除xk-l,即调整类序号,vq=vq+1,q=i,…,m-1,模糊聚类的数量m=m-1;
步骤1.3、类中心的增加和替代
对于第i个采集数据xi,若有:
δmin=min{exp(-α||xi-vj||),j=1,…,m},设第j个模糊聚类的中心离xi最近,如果则xi替代vj,即有vj=xi,否则增加xi为新的模糊聚类的中心,即有m=m+1后,第m个模糊聚类的中心vm=xi;
步骤1.4、删除类中心
对于距离最近的两个模糊聚类的中心vi和vj,设pk(vi)<pk(vj),计算式中:
dmin=min{exp(-α||vi-vj||),i=1,…,m-1,j=2,…,m};
pmax=max{pk(vq),q=1,…,m};
若则删除类中心vi,即调整类序号vq=vq+1,q=i,…,m-1,类数量m=m-1,否则,进入步骤1.5;
步骤1.5、k=k+1返回步骤1.2,直至辨识结束;
第二步、采用最小二乘支持向量机辨识T-S模型参数;
第三步、基于辨识出的模型T-S模型设计模糊自适应控制器,对气动伺服系统进行控制,使得被控对象压力跟踪给定的参考信号,其步骤为:
步骤3.1、滑模面的选择
气动伺服系统全局系统状态方程为:式中,Ai及Bi为权重,u为控制量,x=[x1 … xk]是系统状态,m是规则数,hi(x)是归一化隶属度函数 μij(xi)表示xi属于Fi j的隶属度函数;
将气动伺服系统全局系统状态方程表示成不确定形式,用其它剩余权值来表示任一权值,则有:
设气动伺服系统给定参考信号xr,令zr=Txr,式中T为转换矩阵
式中,C1和C2为滑模面参数,通过极点配置求解;
步骤3.2、将步骤3.1中的以跟踪误差为状态变量的方程看成是步骤3.1中的线性标称系统与其确定扰动和不确定扰动的组合,其中,
确定扰动为
不确定扰动为
针对标称系统、确定扰动、不确定扰动进行控制器设计,分别为ul、us1、us2,则有u=ul+us1+us2,式中:
Φ=diag(φ1,…,φq),φi>0,i=1,…,q, r是一个小于1的常数,r=c/p,c和p都是奇数,并且有:
us1=-G-1H,式中:
G为可逆矩阵,
αi,i=1,…,m,采用如下的自适应律:
优选地,所述第二步包括:
步骤2.1、设气动伺服系统是2阶系统,并且令状态量为压力和压力变化率即: 其连续模型为:对于规则i,如果P为Fi 1,是Fi 2,则有 式中, 采样周期Ts=0.01秒,令状态量为n时刻的压力和压力变化率 对公式离散化有:对于规则i,如果Pn是Fi1,是Fi2,则有:
xn+1=Adixn+Bdiun+Di,式中:
式中,wi=[wi1 wi2 wi3]T,则整个系统输出为:
步骤2.2、将输入数据xj代入则有:
根据结构风险最小化原理,综合考虑函数复杂度和拟合误差,回归问题可以表示为约束优化问题:
,式中:i=1,…m,j=k-l+1,…,k,可求出d1 … dm及αk-l+1 … αk,再带入到 的第一式中,即可辨识出离散T-S模型参数,再通过 得出连续T-S模型的参数。
本发明以气动伺服系统为研究对象,以其输入输出数据辨识对象的T-S模型,然后基于辨识的模型实现对气动伺服系统控制。与现有的PID控制相比,采用本发明提供的控制方式,比例阀的输出压力的振荡和过冲明显变小,实现压力的平滑控制。本控制方式可以动态地适应被控对象的不确定因素。
附图说明
图1为气动伺服系统辨识和控制框图;
图2为输入变量隶属度函数;
图3为输出变量隶属度函数;
图4为模糊滑模自适应控制流程图;
图5为比例阀内部的进气状态示意图;
图6为比例阀内部的平衡状态示意图;
图7为比例阀内部的排气状态示意图;
图8为本发明的自适应控制的结果,图中横坐标为时间,单位s,众坐标为压力,单位psi;
图9为常规PID控制的结构,图中横坐标为时间,单位s,众坐标为压力,单位psi。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明基于T-S模型,T-S模型最早在1985年提出来的,它把一个非线性系统当作多个线性子系统与其权重乘积之和,可表示为:
规则i:如果x1为Fi 1,且…,且xk为Fi k,则
式(1)中x=[x1 … xk]是系统状态,m是规则数,若设μij(xi)表示xi属于Fi j的隶属度函数,直积运算采用求积法,则
式(2)中μi(x)表示x属于规则i的隶属度函数,模糊化采用单点模糊集合,清晰化采用加权平均法,则可得到全局系统状态方程:
式(4)中:hi(x)是归一化隶属度函数因为μi(x)≥0, 所以0≤hi(x)≤1且
气动伺服系统离散T-S模型为
设气动伺服系统是2阶系统,并且令状态量为压力和压力变化率即:
规则i:如果P为Fi 1,是Fi 2,则:
式(4)中:
采样周期Ts=0.01秒,令状态量为n时刻的压力和压力变化率:
规则i:如果Pn是Fi1,是Fi2,则:
xn+1=Adixn+Bdiun+Di (5)
式(5)中:
将状态量和控制量作为输入 模型输出为n+1时刻的压力变化率这样有规则i:
其中wi=[wi1 wi2 wi3]T,整个系统输出为:
本发明提供的一种基于T-S模型的气动比例阀模糊滑模自适应控制方法可应用在如图5至图7所示的比例阀上。结合图纸,该比例阀进气时,外部输入指令信号1,MCU根据预置量程与传感器信号11进行比较,当前压力低于目标压力时,MCU控制进气阀门2开启,气源从进气口8通过先导回路由进气阀门2导入先导压力腔4,推动活塞杆5向下运动,排气密封7关闭比例阀输出口10与排气口6之间回路,排气密封7被关闭的同时,进气密封9被开启,进气口8和输出口10连通。
该比例阀处于平衡时:
MCU根据预置量程不断地将指令信号1与传感器信号11进行比较,当前压力等于目标压力时,进气阀门2关闭,同时当前输出压力在先导压力腔4下方与先导压力腔4形成平衡,进气密封9被关闭,排气密封7同时也关闭,输出压力保持平衡。
该比例阀排气时:
MCU根据预置量程不断地将指令信号1与传感器信号11进行比较,当前压力大于目标压力时,排气阀门3打开,先导腔4压力降低,输出压力在先导压力腔4下方压力大于与先导压力腔4的压力,排气密封7被打开,输出压力于排气口6之间连通,比例阀卸压。
结合图4,本发明提供的一种基于T-S模型的气动比例阀模糊滑模自适应控制方法的输入变量为 输出变量Pn为n时刻的压力,为n时刻的压力变化率,un为控制量,选用高斯函数作为隶属度函数,其步骤如下:
第一步、T-S模型结构辨识
本发明的T-S模型结构辨识基于时间窗内数据进行辨识的,时间窗宽度为l,当有一个新数据加入时,最早的一个数据相应地从时间窗内滚动出去,这个滚动的数据区间随时间变化,故类中心点仅限于时间窗内数据,只要数据在时间窗内,其势能最大,就成为类中心,不管其是否为最近采集的数据。
时间窗内数据xk的势能作为判断模糊聚类中心的依据,其定义如下
式(9)中xk是第k个采集的数据,k是采集数据的序号,l是时间窗宽度,即辨识的数据数量。此时时间窗内其它数据的势能更新为:
结构辨识的具体步骤为:
1)初始化
给定参数r,α,设第一个数据x1为类中心v1,其势能P1(x1)=1,类数量m=1,数据数量k=k+1
2)滚动时间窗,计算势能
采集数据xk,滚动时间窗,按式(9)计算xk势能,按式(10)更新时间窗内其它数据势能。
如果k>l且xk-l为类中心,从类中心删除xk-l,即调整类序号,假设xk-l是类中心vi,vq=vq+1,q=i,…,m-1,类数量m=m-1。
3)类中心的增加和替代
对于第i个采集数据xi,若有:
,判断xi是否为某个模糊聚类的中心,若是,则进入步骤4),若不是,设:
δmin=min{exp(-α||xi-vj||),j=1,…,m} (12)
设vj是离xi最近的类中心,如果则xi替代类中心vj,即:vj=xi,否则增加xi为类中心,即:m=m+1,vm=xi
4)删除类中心
dmin=min{exp(-α||vi-vj||),i=1,…,m-1,j=2,…,m} (13)
pmax=max{pk(vq),q=1,…,m} (14)
设vi和vj是距离最近的两个类中心,并设pk(vi)<pk(vj)
如果则删除类中心vi,即调整类序号vq=vq+1,q=i,…,m-1,类数量m=m-1。
5)k=k+1返回步骤2),直至辨识结束。
第二步、采用最小二乘支持向量机辨识T-S模型参数
将输入数据xj代入到公式(8)有:
根据结构风险最小化原理,综合考虑函数复杂度和拟合误差,回归问题可以表示为约束优化问题:
为了求解上述优化问题,把约束优化问题转化成无约束的优化问题,构造拉格朗日方程:
根据KKT条件有
从式(18)方程组中消去ej,wi,可得到
其中:i=1,…m,j=k-l+1,…,k
利用公式(19)可求出d1 … dm,αk-l+1 … αk,再带入到(16)式第一式中,即可辨识出离散T-S模型参数,再通过公式(6)得出连续T-S模型(4)的参数。
第三步、基于辨识出的模型T-S模型设计模糊自适应控制器,对气动伺服系统进行控制,使得被控对象压力跟踪给定的参考信号,气动伺服系统T-S模型辨识及其自适应控制框图如图1所示。
3.1滑模面的选择
将式(3)表示成不确定形式,用其它剩余权值来表示任一权值
故有:
式(21)中:
假设系统跟踪给定参考信号xr,令zr=Txr,T为转换矩阵,跟踪误差:式中z=Tx,将(21)式非奇异线性变换,以跟踪误差为状态变量的方程为:
不确定非线性系统(22)中的线性标称系统为
系统的滑模面针对线性标称系统(23)设计的,滑模面为
式(24)中,C1和C2为滑模面参数,通过极点配置求解。
3.2基于线性标称系统的控制器设计
可以将式(22)看着是线性标称系统(23)与其确定扰动
针对标称系统、确定扰动、不确定扰动进行控制器设计,分别为ul、us1、us2,且有
u=ul+us1+us2. (25)
取指数到达律,即
式(26)中:
Φ=diag(φ1,…,φq),φi>0,i=1,…,q, r是一个小于1的常数,r=c/p,c和p都是奇数。并且有
由式(23)、(24)、(26)知
3.3基于确定扰动的控制器设计
由式(22)和式(24)知
将式(25)、(28)代入到式(29)中有
其中
假设G为可逆矩阵,us1设计为
us1=-G-1H. (33)
3.4基于不确定扰动的控制器设计
采用自适应模糊滑模控制消除不确定扰动对系统的影响。将式(33)带入到式(30)有:
假设令||C1||||fu||+||C2||||fm||≤β,令us2=G-1uf,带入式(29)得:
其中Si表示向量S的第i个变量,ufi为控制向量uf的第i个控制量
假设输入变量Si/||S||、输出变量ufi的模糊集分为负、零、正。为方便起见,其隶属度函数如图2和图3所示。
由式(35)知,为保证可推导出下列模糊规则:
规则1:如果Si/||S||是负,则ufi是正;
规则2:如果Si/||S||是零,则ufi是零;
规则3:如果Si/||S||是正,则ufi是负;
这样采用中心去模糊,ufi可表示为:
其中Fj={正,零,负}是输入隶属度函数,gij,i=1,2,m,j=1,2,3是对应的输出模糊单点值。由图2的输入变量隶属度函数可知ufi可简化为:
由于输出模糊单值相对应0是对称的,故上式还可进一步简化为:
ufi=αisgn(Si)F(Si/||S||) (38)
式(38)中F(Si/||S||)表示隶属度函数Fj(Si/||S||)中模糊集正或负为非零的值为最小化到达律,αi采用下面的自适应律:
δαi表示αi增量,ηi是学习律。当|Si|≤bi时,不调整αi,当|Si|>bi时,δαi<0。考虑不确定扰动,系统最终状态不可能一直保持在滑模面上,而是在滑模面附近波动。如果只要Si≠0,就调整αi,αi不断减小,导致系统抖动加大。
将式(38)带入到式(35)有:
如果F(Si/||S||)=1,当αi满足下列条件时,式(36)右端为负
如果F(Si/||S||)<1,sgn(Si)F(Si/||S||)=sgn(Si)Si/(γi||S||),当αi满足下列条件时,式(40)右端为负:
|αi|>βγi (42)
由式(39)的自适应律可知,αi<0,当|Si|>bi时,其值越来越小,通过自适应最后能满足式(41)和(42)。
由以上可知,模糊自适应滑模控制器能够保证系统到达滑模面,其最终的表达式为:
如图8及图9所示,为本发明提供的控制方式与一般PID控制的比较结果,其中,被控对象的不确定因素组成为:A、气源压力的差异;B、先导阀动作特性的差异;C、比例阀下游被控对象的差异;D、比例阀主阀机械响应的差异。由此,可以得出如下结论:采用本控制方式,比例阀的输出压力的振荡和过冲明显变小,实现压力的平滑控制。本控制方式可以动态地适应被控对象的不确定因素。
Claims (2)
1.一种基于T-S模型的气动比例阀模糊滑模自适应控制方法,其特征在于,步骤为:
第一步、T-S模型结构辨识
设定时间窗宽度为l,以时间窗内第k个采集数据 作为判断模糊聚类中心的依据,每个模糊聚类代表一条模糊规则,Pk为气动比例阀的压力,为气动比例阀的压力变化率,uk为气动比例阀的控制量,xk的势能pk(xk)为:
步骤1.1、初始化
给定参数r,α,设时间窗内第一个历史数据x1为第一个模糊聚类的中心v1,其势能p1(x1)=1,模糊聚类的数量m=1,数据数量k=k+1;
步骤1.2、滚动时间窗,计算势能
计算第k个采集数据的势能pk(xk),更新时间窗内其他数据的势能,若k>l且xk-l为第i个模糊聚类的中心,则从模糊聚类中心删除xk-l,即调整类序号,vq=vq+1,q=i,…,m-1,模糊聚类的数量m=m-1;
步骤1.3、类中心的增加和替代
对于第i个采集数据xi,若有:
δmin=min{exp(-α||xi-vj||),j=1,…,m},设第j个模糊聚类的中心离xi最近,如果则xi替代vj,即有vk=xi,否则增加xi为新的模糊聚类的中心,即有m=m+1后,第m个模糊聚类的中心vm=xi;
步骤1.4、删除类中心
对于距离最近的两个模糊聚类的中心vi和vj,设pk(vi)<pk(vj),计算式中:
dmin=min{exp(-α||vi-vj||),i=1,…,m-1,j=2,…,m};
pmax=max{pk(vq),q=1,…,m};
若则删除类中心vi,即调整类序号vq=vq+1,q=i,…,m-1,类数量m=m-1,否则,进入步骤1.5;
步骤1.5、k=k+1返回步骤1.2,直至辨识结束;
第二步、采用最小二乘支持向量机辨识T-S模型参数;
第三步、基于辨识出的模型T-S模型设计模糊自适应控制器,对气动伺服系统进行控制,使得被控对象压力跟踪给定的参考信号,其步骤为:
步骤3.1、滑模面的选择
气动伺服系统全局系统状态方程为:式中,Ai及Bi为权重,u为控制量,x=[x1 … xk]是系统状态,m是规则数,hi(x)是归一化隶属度函数 μij(xi)表示xi属于Fi j的隶属度函数;
将气动伺服系统全局系统状态方程表示成不确定形式,用其它剩余权值来表示任一权值,则有:
设气动伺服系统给定参考信号xr,令zr=Txr,式中,T为转换矩阵,跟踪误差式中z=Tx,将非奇异线性变换,以跟踪误差为状态变量的方程为:
式中,C1和C2为滑模面参数,通过极点配置求解;
步骤3.2、将步骤3.1中的以跟踪误差为状态变量的方程看成是步骤3.1中的线性标称系统与其确定扰动和不确定扰动的组合,其中,
确定扰动为
不确定扰动为
针对标称系统、确定扰动、不确定扰动进行控制器设计,分别为ul、us1、us2,则有u=ul+us1+us2,式中:
Φ=diag(φ1,…,φq),φi>0,i=1,…,q, r是一个小于1的常数,r=c/p,c和p都是奇数,并且有:
us1=-G-1H,式中:
G为可逆矩阵,
αi,i=1,…,m,采用如下的自适应律:
2.如权利要求1所述的一种基于T-S模型的气动比例阀模糊滑模自适应控制方法,其特征在于:所述第二步包括:
步骤2.1、设气动伺服系统是2阶系统,并且令状态量为压力和压力变化率即: 其连续模型为:对于规则i,如果P为Fi 1,是Fi 2,则有 式中, 采样周期Ts=0.01秒,令状态量为n时刻的压力和压力变化率 对公式离散化有:对于规则i,如果Pn是Fi1,是Fi2,则有:
xn+1=Adixn+Bdiun+Di,式中:
式中,wi=[wi1 wi2 wi3]T,则整个系统输出为:
步骤2.2、将输入数据xj代入则有:
根据结构风险最小化原理,综合考虑函数复杂度和拟合误差,回归问题可以表示为约束优化问题:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410386464.0A CN104483832B (zh) | 2014-08-07 | 2014-08-07 | 基于t‑s模型的气动比例阀模糊滑模自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410386464.0A CN104483832B (zh) | 2014-08-07 | 2014-08-07 | 基于t‑s模型的气动比例阀模糊滑模自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104483832A true CN104483832A (zh) | 2015-04-01 |
CN104483832B CN104483832B (zh) | 2017-04-05 |
Family
ID=52758390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410386464.0A Active CN104483832B (zh) | 2014-08-07 | 2014-08-07 | 基于t‑s模型的气动比例阀模糊滑模自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104483832B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573123A (zh) * | 2016-01-19 | 2016-05-11 | 东南大学 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
CN106227042A (zh) * | 2016-08-31 | 2016-12-14 | 马占久 | 基于模糊神经网络的溶解氧控制方法 |
CN107924176A (zh) * | 2015-07-28 | 2018-04-17 | 密执安州立大学董事会 | 使用滤波的基样条来补偿伺服引起的运动误差 |
CN108303893A (zh) * | 2018-02-12 | 2018-07-20 | 南京航空航天大学 | 一种用于高速开关阀精确位置控制的模糊控制系统及模糊控制方法 |
CN108828946A (zh) * | 2018-07-06 | 2018-11-16 | 合肥工业大学 | 一种用于火箭整流罩减震降噪的自适应控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1275108C (zh) * | 2001-04-20 | 2006-09-13 | 本田技研工业株式会社 | 设备控制系统 |
CN101364277B (zh) * | 2008-08-21 | 2010-07-21 | 上海交通大学 | 基于区间ⅱ型模糊集的t-s模糊模型的建模系统 |
CN102681439A (zh) * | 2012-05-23 | 2012-09-19 | 昆明理工大学 | 一种用于横机的模糊自适应气动伺服控制系统 |
-
2014
- 2014-08-07 CN CN201410386464.0A patent/CN104483832B/zh active Active
Non-Patent Citations (3)
Title |
---|
李卫等: "基于核模糊聚类的多模型LSSVM回归建模", 《控制与决策》 * |
杨俊等: "阀控非对称缸系统鲁棒反馈线性化控制", 《华中科技大学学报(自然科学版)》 * |
白寒等: "电液比例系统变论域自适应模糊滑模控制", 《电机与控制学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924176A (zh) * | 2015-07-28 | 2018-04-17 | 密执安州立大学董事会 | 使用滤波的基样条来补偿伺服引起的运动误差 |
CN107924176B (zh) * | 2015-07-28 | 2021-01-12 | 密歇根大学董事会 | 使用滤波的基样条来补偿伺服引起的运动误差 |
CN105573123A (zh) * | 2016-01-19 | 2016-05-11 | 东南大学 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
CN106227042A (zh) * | 2016-08-31 | 2016-12-14 | 马占久 | 基于模糊神经网络的溶解氧控制方法 |
CN108303893A (zh) * | 2018-02-12 | 2018-07-20 | 南京航空航天大学 | 一种用于高速开关阀精确位置控制的模糊控制系统及模糊控制方法 |
CN108828946A (zh) * | 2018-07-06 | 2018-11-16 | 合肥工业大学 | 一种用于火箭整流罩减震降噪的自适应控制方法 |
CN108828946B (zh) * | 2018-07-06 | 2021-04-27 | 合肥工业大学 | 一种用于火箭整流罩减震降噪的自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104483832B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104483832A (zh) | 基于t-s模型的气动比例阀模糊滑模自适应控制方法 | |
CN106402089B (zh) | 一种基于耦合干扰观测器的级联电液伺服系统控制方法及系统 | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN105867133B (zh) | 一种电液力矩伺服系统自调节误差符号积分鲁棒控制方法 | |
CN103171150A (zh) | 低温沉积制造中自动消除欠搭接/过堆积现象的装置方法 | |
CN203396032U (zh) | 基于模糊自适应pid的室温控制装置 | |
CN101950156A (zh) | 一种自适应串级pid控制方法 | |
Czajkowski et al. | Application of the state space neural network to the fault tolerant control system of the PLC-controlled laboratory stand | |
Priya et al. | Particle swarm optimisation applied to real time control of spherical tank system | |
CN104123348B (zh) | 一种基于arx的供水管网在线建模方法 | |
CN108579929B (zh) | 一种基于rbf神经网络预测控制的双进双出球磨机控制系统及控制方法 | |
Cui et al. | Adaptive tracking control of uncertain MIMO nonlinear systems based on generalized fuzzy hyperbolic model | |
Afshari et al. | Dynamic analysis of a nonlinear pressure regulator using bondgraph simulation technique | |
CN104949283A (zh) | 一种控制风量的风阀调节方法及系统 | |
CN112346333B (zh) | 一种基于bp神经网络调节的压缩机转速控制方法 | |
CN105259754A (zh) | 一种基于主动学习的板厚智能控制方法 | |
CN113126488A (zh) | 一种物质混合智能系统 | |
Ahmad et al. | Design of neural network and PLC-based water flow controller | |
CN110531615A (zh) | 一种水下机器人翻滚角控制方法 | |
CN106015692A (zh) | 插卡式颤振信号自适应比例阀放大器 | |
Shi et al. | Kalman filtering on greenhouse climate control | |
Belikov et al. | Application of neural networks based SANARX model for identification and control liquid level tank system | |
Reddy et al. | Lqr based pi plus pd controller to control the non-linear process | |
Sunori et al. | ANN controller design for Lime Kiln process | |
Chen et al. | Implementation of an integral sliding mode controller for a pneumatic cylinder position servo control system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |