CN110347044B - 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 - Google Patents
一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 Download PDFInfo
- Publication number
- CN110347044B CN110347044B CN201910637798.3A CN201910637798A CN110347044B CN 110347044 B CN110347044 B CN 110347044B CN 201910637798 A CN201910637798 A CN 201910637798A CN 110347044 B CN110347044 B CN 110347044B
- Authority
- CN
- China
- Prior art keywords
- formula
- constant
- function
- follows
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开了一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法,该方法包括步骤:1)建立PMSM系统的动力学模型;2)采用动力学模型建立自适应动态面控制器;使用RBF网络去逼近系统模型的非线性未知项和非线性项、非线性阻尼项克服来克服外界扰动,在通过系统名义动力模型名义定子转速与理想轨迹信号定义的动态面上,引入一阶低通滤波器来代替虚拟控制的导数;本发明的方法能够有效抑制参数未知、混沌振荡及外界扰动对系统的影响,同时将输出约束规定的范围内,具有良好的有效性和鲁棒性。
Description
技术领域
本发明涉及一种考虑输出约束的PMSM混沌系统神经网络动态面控制方 法,属于永磁同步电机控制方法技术领域。
背景技术
永磁同步电机作为典型的机电一体化产品,因其具有结构简单、运行可 靠、功率密度大、转矩惯量比较大以及转矩电流比高的优势,在航空航天、 机器人、数控机床、车辆工程等领域得到广泛应用,但是均未综合考虑不确 定性未知参数、外界扰动等因素对非线性永磁同步电机系统性能的影响。
发明内容
本发明要解决的技术问题是:提供一种考虑输出约束的PMSM混沌系统 神经网络动态面控制方法,以解决上述现有技术中存在的问题。
本发明采取的技术方案为:一种考虑输出约束的PMSM混沌系统神经网 络动态面控制方法,该方法包括以下步骤:
(1)建立永磁同步电机系统名义动力学模型:
表面永磁同步电机的动力学方程在d-q坐标系下表示为
式中:和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输 入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、 粘性摩擦系数、转子转动惯量和磁极对,简化公式(1),选取 np=1,x1=ω,x2=iq,x3=id,则(1)式被简化为:
式中:σ1=BL/(JR),σ2=-npψr 2/(BR)其中x1=ω,x2=iq,x3=id,uq和ud分别为名义 定子转速、q轴和d轴定子电流和电压,TL表示名义负载转矩,σ1和σ2为系统 未知参数,Δi,(i=1,2,3)表示外界扰动;
设2:存在常数σim和σiM使得0<σim≤σi≤σiM,i=1,2,其中σi是未知但有界的变量;
设4:存在一个常数δM,(δM>0)使其满足δi≤δM,i=1,2,3,δM>0,δi稍后将进行 说明;
基本的RBF神经网络:在有界紧集Π→Rn上,采用基本RBFNN逼近连续函数 f(x),其满足:f(x)=WTφ(x)+δ,其中为n维输入变量,W=[ω1,ω2,…,ωn]T∈Rl表 示权重更新向量,l>1表示神经网络的节点数,δ是逼近误差, φ(x)=[φ1(x),φ2(x),...,φ2(x)]T∈Rl表示基本函数向量,即高斯基函数;
高斯基函数表示为:
定义最优网络权值如下
(2)对步骤(1)中数学模型建立自适应动态面控制器:
针对外部扰动不确定、输出受限的混沌永磁同步电机驱动系统,提出了 自适应神经动态表面控制器的整体设计过程。跟踪信号的动态表面误差变量 定义为λ1=x1-yd,其中yd为期望的参考信号,变量为λ2=x2-β2f,λ3=x3-2,其中β2f为虚变量;
步骤一:由λ1=x1-yd得:
其中f1(x1)=-σ1x1-TL;σ1是系统的不确定参数,采用RBFNN逼近未知的非线性 函数f1,因此,对于任何特定的δ1,存在一个RBFNN W1 Tφ1,使得
f1=W1 Tφ1+δ1 (7)
将式(7)代入式(6),式中:
设Barrier李雅普诺夫函数为
从式(9)得到V的时间导数为
根据假设3和杨氏不等式,得到
其中设计常数k1>0,l1>0,r1>0,a1>0,η1>0;
将式(11)、(12)、(13)和(14)代入式(10)得到:
步骤2:定义PMSM系统的一阶子系统的过滤器如下:
其中τ2表示正时间常数;
从式(16)中,得到滤波器β2f为
其中y2=β2f-β2表示过滤误差;
计算y2的时间导数,得到
从式(18)得到以下不等式
其中B2≥0,是一个连续函数;
然后,λ2的导数表示为
其中f2=-x2-x1x3+σ2x1;
同时,存在一个RBFNN,使得
将式(21)代入式(20),得到
定义Lyapunov函数为
得到V2的时间导数
利用假设3和杨氏不等式,得到
其中设计常数k2>0,l2>0,r2>0;
利用式(25)、(26)和式(27),式(24)可重写如下
步骤3:λ3的导数为
其中f3=-x3+x1x2;
同样,为了近似f3,存在一个RBFNN,使得
将式(30)代入式(29),得
定义Lyapunov函数如下
然后,得到V3的导数,如下:
通过假设3和杨式不等式得
其中设计常数k3>0,l3>0以及r3>0;
利用式(34)、(35)和式(36),式(33)改写如下
本发明的有益效果:与现有技术相比,本发明永磁同步电机为受控对象, 使用RBF网络去逼近系统模型的非线性未知项和非线性项、非线性阻尼项克 服来克服外界扰动;在通过系统名义动力模型名义定子转速与理想轨迹信号 定义的动态面上,引入一阶低通滤波器来代替虚拟控制的导数,以消除反演 控制法中微分项的膨胀现象;设计自适应律在线调整神经网络权值;利用 Barrier Lyapunov将输出限定在约束的范围内,选取合适Lyapunov函数论证 了系统的稳定性的自适应控制器,本发明通过仿真,结果表明所设计的控制 器能够有效抑制参数未知、混沌振荡及外界扰动对系统的影响,同时将输出 约束规定的范围内,具有良好的有效性和鲁棒性。
附图说明
图1是参数为σ1=5.45和σ2=20的永磁同步电机的混沌行为,(a)奇异吸引子,(b)混沌时间序列,(c)相位图;
图2是永磁同步电机控制原理图;
图3是在参数σ1=5.45和σ2=20下f1,f2和f3的神经网络逼近图;
图4是σ1=5.45和σ2=20参数下有无外部扰动的鲁棒性分析图((·)w表示无外部干扰的永磁同步电机中的变量);
图5是系统参数摄动下的鲁棒性分析图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1:如图1-图5所示,一种考虑输出约束的PMSM混沌系统神经 网络动态面控制方法,该方法包括以下步骤:
(1)建立永磁同步电机系统名义动力学模型:
表面永磁同步电机的动力学方程在d-q坐标系下表示为
式中:和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输 入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、 粘性摩擦系数、转子转动惯量和磁极对,简化公式(1),选取 np=1,x1=ω,x2=iq,x3=id,则(1)式被简化为:
式中:σ1=BL/(JR),σ2=-npψr 2/(BR)其中x1=ω,x2=iq,x3=id,uq和ud分别为名义 定子转速、q轴和d轴定子电流和电压,TL表示名义负载转矩,σ1和σ2为系统 未知参数,Δi,(i=1,2,3)表示外界扰动;
设2:存在常数σim和σiM使得0<σim≤σi≤σiM,i=1,2,其中σi是未知但有界的变量;
设4:存在一个常数δM,(δM>0)使其满足|δi|≤δM,i=1,2,3,δM>0;
基本的RBF神经网络:在有界紧集Π→Rn上,采用基本RBFNN逼近连续函数 f(x),其满足:f(x)=WTφ(x)+δ,其中为n维输入变量,W=[ω1,ω2,…,ωn]T∈Rl表 示权重更新向量,l>1表示神经网络的节点数,δ是逼近误差, φ(x)=[φ1(x),φ2(x),...,φ2(x)]T∈Rl表示基本函数向量,即高斯基函数;
高斯基函数表示为:
定义最优网络权值如下
(2)对步骤(1)中数学模型建立自适应动态面控制器:
针对外部扰动不确定、输出受限的混沌永磁同步电机驱动系统,提出了 自适应神经动态表面控制器的整体设计过程。跟踪信号的动态表面误差变量 定义为λ1=x1-yd,其中yd为期望的参考信号,变量为λ2=x2-β2f,λ3=x3-2,其中β2f为虚变量;具体步骤如下:
步骤一:由λ1=x1-yd得:
其中f1(x1)=-σ1x1-TL;σ1是系统的不确定参数,采用RBFNN逼近未知的非线性 函数f1,因此,对于任何特定的δ1,存在一个RBFNN W1 Tφ1,使得
f1=W1 Tφ1+δ1 (7)
将式(7)代入式(6),式中:
设Barrier李雅普诺夫函数为
式中:r1>0和η1>0表示常数,常数b1=a-d>0表示关于λ1(t)的约束,即λ1(t)∈(-b1,b1);
从式(9)得到V的时间导数为
根据假设3和杨氏不等式,得到
其中设计常数k1>0,l1>0,r1>0,a1>0,η1>0;
将式(11)、(12)、(13)和(14)代入式(10)得到:
步骤2:定义PMSM系统的一阶子系统的过滤器如下:
其中τ2表示正时间常数;
从式(16)中,得到滤波器β2f为
其中y2=β2f-β2表示过滤误差;
计算y2的时间导数,得到
从式(18)得到以下不等式
其中B2≥0,是一个连续函数;
然后,λ2的导数表示为
其中f2=-x2-x1x3+σ2x1;
同时,存在一个RBFNN,使得
将式(21)代入式(20),得到
定义Lyapunov函数为
式中:r2>0表示常数;
得到V2的时间导数
利用假设3和杨氏不等式,得到
其中设计常数k2>0,l2>0,r2>0;
利用式(25)、(26)和式(27),式(24)可重写如下
步骤3:λ3的导数为
其中函数f3=-x3+x1x2;
类似,同样存在一个RBFNN,使得
将式(30)代入式(29),得
定义Lyapunov函数如下
式中r3>0表示常数;
然后,得到V3的导数,如下:
通过假设3和杨式不等式得
其中设计常数k3>0,l3>0以及r3>0;
利用式(34)、(35)和式(36),式(33)改写如下
以上两步为具有不确定外部干扰和约束输出的混沌永磁同步电机控制器 的控制方法,提出控制器的结构如方框原理图2所示。
为了说明本发明的有益效果,进行如下仿真:
永磁同步电机系统稳定性分析:
对于任何指定的常量p>0,紧集定义如下
定理1,采用自适应律(13)、(14)、(27)和(36)的动态面控制器(12)、 (26)和(35),通过选择合适的参数ki,ri,li,η1,τ2和a1,将其用于永磁同步电机系 统名义动力学模型式(2)的具有不确定外部扰动与输出约束的混沌永磁同步 电机系统。当初始条件满足Ωi和x1(0)∈(-a+d+yd(0),a-d+yd(0))时,跟踪误差λ1(t)一致 最终有界,对状态x1(t)约束在集合Π:={x1(t)∈R:|x1(t)|<a},同时动态面 λ1(t)∈(-b1,b1)。
证明:从式(37)得到
即
在[0t]上,对式(40)两边求积分得
此外,由于b1=a-d,因此,以下式成立
根据d+yd≥0和-d+yd≤0的条件,得到-a<x1(t)<a,证明已完成。
系统仿真实验分析:
利用Simulink与S-function构建系统仿真模型,通过仿真实验验证本 发明的基于RBF神经网络逼近的PMSM混沌系统自适应动态面控制器的轨迹跟 踪能力、系统参数扰动与外界扰动下的鲁棒性。
在整个系统仿真过程中,将ODE45解算器指定为仿真解算器,其类型、 最大步长和仿真时间分别选择为可变步长,0.02s和0~50s。
假设系统输出严格要求满足|x1(t)|<1.2和给定的参考信号-1.0≤yd=sin(t)≤1.0;同 时,选择设计参数b1=|x1|-|yd|=1.2-1.0=0.2。利用初始状态值 x1(0)=0.1∈(-0.2,0.2),x2(0)=0.9,x3(0)=20。对系统进行了数值模拟。控制器的参数选择 如下: l2=l3=η1=a1=0.001.外界扰动的表达式定义为Δ1=Δ2=Δ3=0.02x22sin(2t)。
仿真结果分析包括RBFNN逼近非线性函数的效果分析和轨迹追踪分析。
RBFNN逼近非线性函数的效果分析:
图3提供了PMSM系统非线性未知项或非线性项的实际值和估计值变化轨 迹的比较。结果表明,所选择的神经网络能够很好地逼近系统的非线性项。
轨迹追踪分析:
图4(a)和5(a)显示了永磁同步电机的状态轨迹。结果表明,实际信 号曲线与期望信号曲线之间的轨迹跟踪误差在2s内收敛到±0.2Rad/s。因此,可 以得出这样的结论:在输出约束条件下,系统成功地抑制了混沌振荡,实现 了对给定参考跟踪信号yd的输出变量x1的跟踪,证实了所开发的控制方案的有 效性和优越性。
鲁棒分析包括系统受外界扰动的鲁棒性分析和系统受参数摄动的鲁棒性 分析,如下:
(1)系统受外界扰动的鲁棒性分析:图4(a)-(c)表示在参数σ1=5.45和 σ2=20下有或无外部干扰的永磁同步电动机驱动系统的状态或控制变量曲线。 显然,这两种曲线的性能几乎是一致的。即所研制的控制器具有较强的抗外 部干扰能力和良好的稳定性;
(2)系统受参数摄动的鲁棒性分析:图5(a)-(d)报告了当系统参数 σ1和σ2在一定范围内变化时永磁同步电动机的控制性能。我们很容易发现参数 σ1和σ2值的增加或减小幅度不大,在给定的信号中,三条永磁同步电机曲线基 本相同。结果表明,所设计的控制器对永磁同步电机驱动系统的参数扰动具 有良好的鲁棒性。
仿真结果表明,该自适应控制器能够有效地抑制永磁同步电机的动态特 性,包括混沌振荡、不确定外部扰动和参数摄动。因此,该控制方法具有良 好的轨迹跟踪能力、有效性和鲁棒性。
针对具有参数未知、外界扰动的非线性PMSM混沌系统的控制问题,利用 神经网络自身具有的能够以任意小的误差充分逼近非线性函数的特性,逼近 PMSM系统中的不确定性的非线性未知项、非线性项及外界干扰,并与动态面 法、自适应技术相结合,提出了基于RBF神经网络PMSM动态面自适应控制方 法,并得出如下优点:
(1)利用RBF神经网络能够很好的逼近系统名义动力学模型中的不确定 性非线性未知项以及非线性项,且非线性阻尼项项能有效克服系统受到的外 界扰动;
(2)针对PMSM系统的动力学方程,在反演控制法的基础上,引入一阶 低通滤波器来代替虚拟控制的导数,可以消除反演控制法中微分项的膨胀现 象;设计自适应率对神经网络权值进行更新,利用Barrier Lyapunov将输出 限定在约束的范围内,选取合适Lyapunov函数论证了系统的稳定性,能够避 免神经网络的离线训练、保证系统的稳定性和收敛性;
(3)仿真实验结果表明所设计的控制器能够有效抑制参数未知、混沌振 荡及外界扰动对系统的影响,验证了该方法的有效性和鲁棒性。
本发明永磁同步电机为受控对象,使用RBF网络去逼近系统模型的非线 性未知项和非线性项、非线性阻尼项克服来克服外界扰动;在通过系统名义 动力模型名义定子转速与理想轨迹信号定义的动态面上,引入一阶低通滤波 器来代替虚拟控制的导数,以消除反演控制法中微分项的膨胀现象;设计自 适应律在线调整神经网络权值;利用BarrierLyapunov将输出限定在约束的 范围内,选取合适Lyapunov函数论证了系统的稳定性的自适应控制器。首先 分析与简化d-q模型,并引入扰动项,给出合理的假设;其次设计动态面控 制器,且设计虚拟控制规律以及相应的自适控制律,并利用Lyapunov稳定性 分析方法论证系统的收敛性;最后,仿真结果表明所设计的控制器能够有效抑 制参数未知、混沌振荡及外界扰动对系统的影响,同时将输出约束规定的范 围内,具有良好的有效性和鲁棒性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限 于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易 想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护 范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种考虑输出约束的PMSM混沌系统神经网络动态面控制方法,其特征在于:该方法包括以下步骤:
(1)建立永磁同步电机系统名义动力学模型:
表面永磁同步电机的动力学方程在d-q坐标系下表示为
式中:和表示d-轴和q-轴电流,和表示d-轴和q-轴电压作为系统输入,L,R,ψr,B,J和np分别表示电感、转子角速度、定子电阻、负载转矩、磁链、粘性摩擦系数、转子转动惯量和磁极对,简化公式(1),选取np=1,x1=ω,x2=iq,x3=id,则(1)式被简化为:
式中:σ1=BL/(JR),σ2=-npψr 2/(BR)其中x1=ω,x2=iq,x3=id,uq和ud分别为q轴和d轴定子电压,TL表示名义负载转矩,σ1和σ2为系统未知参数,Δi表示外界扰动,i=1,2,3;
设2:存在常数σim和σiM使得0<σim≤σi≤σiM,i=1,2,其中σi是未知但有界的变量;
设4:存在一个常数δM使其满足|δi|≤δM,i=1,2,3,δM>0;
基本的RBF神经网络:在有界紧集P→Rn上,采用基本RBFNN逼近连续函数f(x),其满足:f(x)=WTφ(x)+δ,其中为n维输入变量,W=[ω1,ω2,…,ωn]T∈Rl表示权重更新向量,l>1表示神经网络的节点数,δ是逼近误差,φ(x)=[φ1(x),φ2(x),...,φ2(x)]T∈Rl表示基本函数向量,即高斯基函数;
高斯基函数表示为:
定义最优网络权值如下
(2)对步骤(1)中数学模型建立自适应动态面控制器:
跟踪信号的动态表面误差变量定义为λ1=x1-yd,其中yd为期望轨迹,变量为λ2=x2-β2f,λ3=x3-2,其中β2f为虚变量;
具体步骤如下:
步骤一:由λ1=x1-yd得:
其中函数f1=-σ1x1-TL;
σ1是系统的未知参数,采用RBFNN逼近未知的非线性函数f1,因此,对于任何特定的δ1,存在一个RBFNN W1 Tφ1,使得
f1=W1 Tφ1+δ1 (7)
将式(7)代入式(6),式中:
设Barrier李雅普诺夫函数为
式中:r1>0和η1>0表示常数,常数b1=a-d>0表示关于λ1(t)的约束,即λ1(t)∈(-b1,b1);
从式(9)得到V的时间导数为
根据假设3和杨氏不等式,得到
其中设计常数k1>0,l1>0,r1>0,a1>0,η1>0;
将式(11)、(12)、(13)和(14)代入式(10)得到:
步骤2:定义PMSM系统的一阶子系统的过滤器如下:
其中t2表示正时间常数;
从式(16)中,得
其中y2=β2f-β2表示过滤误差;
计算y2的时间导数,得到
从式(18)得到以下不等式
其中B2≥0,是一个连续函数;
然后,λ2的导数表示为
其中f2=-x2-x1x3+σ2x1;
同时,存在一个RBFNN,使得
将式(21)代入式(20),得到
定义Lyapunov函数为
式中:r2>0表示常数;
得到V2的时间导数
利用假设3和杨氏不等式,得到
其中设计常数k2>0,l2>0,r2>0;
利用式(25)、(26)和式(27),式(24)重写如下
步骤3:λ3的导数为
其中函数f3=-x3+x1x2;
同时,存在一个RBFNN,使得
f3=W3 Tφ3+δ3 (30)
将式(30)代入式(29),得
定义Lyapunov函数如下
式中r3>0表示常数;
V3的导数,如下:
通过假设3和杨式不等式得
其中设计常数k3>0,l3>0以及r3>0;
利用式(34)、(35)和式(36),式(33)改写如下
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637798.3A CN110347044B (zh) | 2019-07-15 | 2019-07-15 | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637798.3A CN110347044B (zh) | 2019-07-15 | 2019-07-15 | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347044A CN110347044A (zh) | 2019-10-18 |
CN110347044B true CN110347044B (zh) | 2022-08-12 |
Family
ID=68175345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910637798.3A Active CN110347044B (zh) | 2019-07-15 | 2019-07-15 | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347044B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241749B (zh) * | 2020-01-13 | 2023-04-07 | 广西师范大学 | 一种基于储备池计算的永磁同步电动机混沌预测方法 |
CN111665721A (zh) * | 2020-06-17 | 2020-09-15 | 国网河南省电力公司经济技术研究院 | 用于脉冲功率负载调节的飞轮储能控制系统设计方法 |
CN111880413B (zh) * | 2020-08-12 | 2022-09-23 | 东南大学 | 一种针对船舶航向保持的自适应动态面算法 |
CN112836165B (zh) * | 2021-01-22 | 2022-06-07 | 国网宁夏电力有限公司 | 一种基于全纯嵌入的暂态稳定网络方程方法 |
CN113064347B (zh) * | 2021-03-15 | 2022-09-23 | 贵州大学 | 考虑非对称输入与输出约束的pmsm混沌系统自适应控制方法 |
CN113671831B (zh) * | 2021-08-12 | 2024-04-09 | 南京邮电大学 | 一种非线性互联系统的自适应跟踪控制方法 |
CN114280944B (zh) * | 2021-12-31 | 2024-02-13 | 贵州大学 | 一种具有输出约束的pmsm系统有限时间动态面控制方法 |
CN114519301B (zh) * | 2022-01-26 | 2024-03-08 | 贵州大学 | 具有时滞的非对称输出约束pmsm系统动态面跟踪控制方法 |
CN114598217B (zh) * | 2022-03-18 | 2024-03-26 | 贵州大学 | 一种自适应神经学习的全状态规定性能pmsm时延控制方法 |
CN114660946B (zh) * | 2022-05-09 | 2023-06-16 | 电子科技大学 | 一种时滞成型过程系统的模糊自适应动态面控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105450123A (zh) * | 2015-11-25 | 2016-03-30 | 浙江工业大学 | 一种基于神经网络的永磁同步电机混沌系统快速终端滑模控制方法 |
CN106208857A (zh) * | 2016-07-27 | 2016-12-07 | 浙江工业大学 | 保证瞬态性能的永磁同步电机混沌系统神经网络动态面控制方法 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN109245645A (zh) * | 2018-11-08 | 2019-01-18 | 贵州大学 | 一种永磁同步电机混沌系统自适应动态面控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6832119B2 (en) * | 2001-09-20 | 2004-12-14 | Ge Fanuc Automation North America, Inc. | Methods and systems for torque ripple compensation |
WO2015021016A1 (en) * | 2013-08-05 | 2015-02-12 | Board Of Trustees Of The University Of Alabama | Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks |
-
2019
- 2019-07-15 CN CN201910637798.3A patent/CN110347044B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105450123A (zh) * | 2015-11-25 | 2016-03-30 | 浙江工业大学 | 一种基于神经网络的永磁同步电机混沌系统快速终端滑模控制方法 |
CN106208857A (zh) * | 2016-07-27 | 2016-12-07 | 浙江工业大学 | 保证瞬态性能的永磁同步电机混沌系统神经网络动态面控制方法 |
CN108390606A (zh) * | 2018-03-28 | 2018-08-10 | 淮阴工学院 | 一种基于动态面的永磁同步电机自适应滑模控制方法 |
CN109245645A (zh) * | 2018-11-08 | 2019-01-18 | 贵州大学 | 一种永磁同步电机混沌系统自适应动态面控制方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive RBF Network Based Direct Voltage;Hicham Chaoui.etc;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20180731;第67卷(第7期);第5740-5749页 * |
基于RBF网络逼近的机器人自适应动态面控制方法研究;罗绍华;《中国优秀博士学位论文全文数据库(电子期刊)》;20141115(第11期);I140-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN110347044A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347044B (zh) | 一种考虑输出约束的pmsm混沌系统神经网络动态面控制方法 | |
CN108390606B (zh) | 一种基于动态面的永磁同步电机自适应滑模控制方法 | |
CN110333728B (zh) | 一种基于变时间间距策略的异构车队容错控制方法 | |
Fei et al. | Adaptive fuzzy super-twisting sliding mode control for microgyroscope | |
CN109245645B (zh) | 一种永磁同步电机混沌系统自适应动态面控制方法 | |
CN108303885B (zh) | 一种基于干扰观测器的电机位置伺服系统自适应控制方法 | |
CN107121932B (zh) | 电机伺服系统误差符号积分鲁棒自适应控制方法 | |
Zheng et al. | Stable adaptive PI control for permanent magnet synchronous motor drive based on improved JITL technique | |
Tyukin et al. | Adaptation and parameter estimation in systems with unstable target dynamics and nonlinear parametrization | |
CN107592048A (zh) | 分数阶无刷直流电机系统的自适应混沌控制方法 | |
Luo et al. | Chaos RBF dynamics surface control of brushless DC motor with time delay based on tangent barrier Lyapunov function | |
Zhao et al. | Parameter estimation-based time-varying sliding mode control for multimotor driving servo systems | |
CN103616818A (zh) | 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法 | |
CN103728882A (zh) | 微陀螺仪的自适应反演非奇异终端滑模控制方法 | |
CN108227497B (zh) | 一种考虑系统性能受限下网络化遥操作系统的控制方法 | |
CN104122794A (zh) | 微陀螺仪的自适应模糊神经补偿非奇异终端滑模控制方法 | |
CN111766775B (zh) | 具有未知饱和pi回滞的非线性系统动态面隐逆控制器 | |
Jeong et al. | Adaptive event-triggered tracking using nonlinear disturbance observer of arbitrarily switched uncertain nonlinear systems in pure-feedback form | |
CN114726278A (zh) | 基于机械参数辨识的永磁同步电机自适应控制方法 | |
Sharafian et al. | A novel terminal sliding mode observer with RBF neural network for a class of nonlinear systems | |
CN109995278B (zh) | 一种考虑输入受限的电机伺服系统自调节控制方法 | |
CN112068446A (zh) | 一种基于离散时间模糊模型的直流电机系统抗干扰控制方法 | |
CN112987770B (zh) | 两栖仿蟹多足机器人步行足抗饱和有限时间运动控制方法 | |
Zhang et al. | Finite-time trajectory tracking control of dynamic positioning ship based on discrete-time sliding mode with decoupled sampling period | |
Zhao et al. | Accelerated adaptive backstepping control of the chaotic PMSM via the type-2 sequential fuzzy neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |