CN111259525B - 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 - Google Patents

一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 Download PDF

Info

Publication number
CN111259525B
CN111259525B CN202010023914.5A CN202010023914A CN111259525B CN 111259525 B CN111259525 B CN 111259525B CN 202010023914 A CN202010023914 A CN 202010023914A CN 111259525 B CN111259525 B CN 111259525B
Authority
CN
China
Prior art keywords
model
neural network
rbf neural
model mismatch
liquid crystal
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
Application number
CN202010023914.5A
Other languages
English (en)
Other versions
CN111259525A (zh
Inventor
褚晓广
孔英
李向东
蔡彬
王文轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qufu Normal University
Original Assignee
Qufu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qufu Normal University filed Critical Qufu Normal University
Priority to CN202010023914.5A priority Critical patent/CN111259525B/zh
Publication of CN111259525A publication Critical patent/CN111259525A/zh
Application granted granted Critical
Publication of CN111259525B publication Critical patent/CN111259525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本发明将非线性不稳定的风力机舱悬浮系统控制分为镇定和性能改善两部分，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及RBF神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定，采用状态反馈将非稳定的机舱悬浮系统进行镇定，基于镇定的机舱悬浮系统模型，构建离散化的模型预测模型，综合考虑气隙跟踪误差、气隙速度以及控制变量输入的多目标优化状态变量，实施预测参考电流，采用RBF神经网络的模型失配补偿器在线逼近模型失配值，并结合模型失配动态调整系数，共同完成模型失配补偿。本发明有效解决了模型失配对模型预测控制性能的影响，同时为模型预测在线优化调整，提出了一条智能补偿途径。

Description

一种非线性不稳定风力机舱悬浮系统的模型预测控制方法
技术领域
本发明公开了一种风机机舱悬浮控制方法，是一种应用于非线性不稳定风力磁悬浮偏航系统的模型预测控制方法，属于电气工程控制领域。
背景技术
风力磁悬浮偏航系统采用机舱悬浮后偏航，提升了机舱偏航稳定性，极大降低了偏航功耗。但悬浮控制策略的研究多集中在悬浮小球、悬浮列车以及悬浮轴承等领域，且多集中在PID控制、滑模控制、自适应控制等，但上述控制本质上都是有差调节，控制器是以控制器目标的偏差e为基础对系统调整，存在滞后性和不确定性。而模型预测具有超前性，已广泛应用于过程控制和工业控制领域，并取得显著控制效果，较多应用于线性系统。但风力机舱悬浮系统本质为非线性和不稳定系统，工况极其复杂多变，基于非稳定的模型进行预测未来时刻的控制输入，很难获取满意效果，特别是模型失配问题也严重影响机舱悬浮性能。发明专利2018104169712提出了含模型失配补偿的风力机舱悬浮控制，但模型失配补偿器采用自适应补偿方法实时补偿，但由于模型失配结构和参数的不确定性，使得模型失配补偿存在一定局限。
发明内容
本发明的主要目的在于：针对现有技术的不足和空白，本发明提供一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及RBF神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统,作为模型预测的控制模型；机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，构建增广的风力机舱悬浮预测离散模型，以气隙参考输入跟踪和控制输入的限定，设置模型预测控制的优化指标，设定预测的悬浮电流；基于RBF神经网络的模型失配补偿器采用RBF神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿，基于模型失配观测器，构建模型失配动态系统Lyapunov能量函数，推导获取RBF神经网络的权值更新自适应律；一种非线性不稳定风力机舱悬浮系统的模型预测控制方法的设计步骤为：
步骤1，针对风力机舱悬浮系统模型其中，fd为机舱所受轴向干扰力，m为机舱旋转体质量总和，δ为定转子之间悬浮气隙，μ0为真空导率，N为悬浮绕组匝数，S为磁极铁芯总面积，If为悬浮电流，将其基于平衡点(δ0，If0)线性化为
其中，ua＝kIIf，d＝fd/m+o(f)，o(f)为线性化忽略掉的高阶项。
步骤2，风力机舱悬浮镇定控制器设计
式(1)显见为能控系统，采用状态反馈的极点配置方法将不稳定系统(1)进行镇定控制，转化为
其中，C＝[1,0]，/>和/>分别为期望的稳定特征根，镇定控制输入为ua＝Kx，/>
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期Ts，对式(2)机舱悬浮镇定系统离散化处理，构建以x(k)＝[Δxm(k)T y(k)]T为状态变量的机舱悬浮离散系统模型
其中，Δxm(k+1)＝xm(k+1)-xm(k)；Δu(k)＝u(k)-u(k-1)；
Am＝I+AaTs；Bm＝BaTs；Cm＝C；om＝[00]；I为单位阵；
第二步，设置预测域Np＝5和控制域Nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出Y
Y＝Fx(ki)+ΦΔU (4)
其中，
Y＝[y(ki+1|ki) y(ki+2|ki) … y(ki+5|ki)]T；
ΔU＝[Δu(ki)Δu(ki+1)Δu(ki+2)]T；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数J
其中，Rs＝[1 1 1 1 1]Tr(ki)；qw为跟踪性能的指标权值，rw为控制输入的约束权值；
第四步，对式(5)目标函数J进行控制输入偏导化处理，即可得最优控制输入
其中，
步骤4，RBF神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，G为模型失配动态调整系数，/>为RBF神经网络模型失配补偿值；
由式(2)和式(7)，模型失配动态方程为
其中，A0＝A-G，G＝[k1 k2]，满足模型失配动态方程收敛；
第二步，设置RBF神经网络结构，采用em和两个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为/>xi为第i个神经网络的输入；j为隐含层第j个节点；cij为隐含层第j个神经元高斯基函数的中心坐标；bj为隐含层第j个神经元高斯基函数的宽度；
第三步，设置RBF神经网络模型失配补偿值为
其中，为神经网络权值的调整值；
第四步，设置RBF神经网络模型失配补偿误差
其中，θ*为RBF神经网络的最优权值，表示为
第五步，由式(8)，(9)和(10)可得基于RBF神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配Lyapunov函数
其中，γ为正实数，
第七步，对模型失配Lyapunov函数求导，推导RBF神经网络权值更新自适应律；
由于ey TPBaed≤|ey TPBa||ed| (15)
由于同时使RBF神经网络权值优化，满足式(17)
RBF神经网络模型失配补偿误差|ed[就会无限逼近0，可实现
第八步，RBF神经网络权值更新自适应律为
第九步基于RBF神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
本发明带来的有益效果是：
本发明提出的风力机舱悬浮的模型预测实现方法，有效提升了机舱悬浮系统的稳定性及鲁棒性；本发明提出的模型预测控制实现方法，将机舱悬浮系统的镇定和性能改善分开，首先设置镇定控制器，有效解决了非稳定系统模型预测控制的实现方法；本发明提出的基于RBF神经网络的模型失配补偿器，有效解决了模型失配对模型预测控制性能的影响，同时也为模型预测控制在线优化调整，提出了一条智能补偿途径，弱化了模型预测计算量大不易实时优化的缺陷。
附图说明
图1为本发明风力机舱悬浮控制结构框图。
图2为本发明与状态反馈控制下的多悬浮气隙跟踪图。
图3为本发明与状态反馈控制下高频干扰时悬浮气隙变化图。
图4为本发明悬浮系统交流信号跟踪图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，如图1所示，采用机舱悬浮气隙和电流双闭环的控制策略，本发明主要为机舱悬浮气隙环的控制器设计，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及RBF神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统；机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，以气隙参考输入跟踪和控制输入的限定，基于模型预测优化指标，设定预测的悬浮电流；基于RBF神经网络的模型失配补偿器采用RBF神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿；一种非线性不稳定风力机舱悬浮系统的模型预测控制方法的设计步骤为
步骤1，针对风力机舱悬浮系统模型其中，fd为机舱所受轴向干扰力，m为机舱旋转体质量总和，δ为定转子之间悬浮气隙，μ0为真空导率，N为悬浮绕组匝数，S为磁极铁芯总面积，If为悬浮电流，将其基于平衡点(δ0，If0)线性化为
其中，ua＝kIIf，d＝fd/m+o(f)，o(f)为线性化忽略掉的高阶项。
步骤2，风力机舱悬浮镇定控制器设计
采用状态反馈的极点配置方法将不稳定系统(22)进行镇定控制，转化为
其中，C＝[1,0]，/>和/>分别为期望的稳定特征根，镇定控制输入为ua＝Kx，/>
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期Ts，对式(23)机舱悬浮镇定系统离散化处理，构建以x(k)＝[Δxm(k)T y(k)]T为状态变量的机舱悬浮离散系统模型
其中，Δxm(k+1)＝xm(k+1)-xm(k)；Δu(k)＝u(k)-u(k-1)；
Am＝I+AaTs；Bm＝BaTs；Cm＝C；om＝[00]；I为单位阵；
第二步，设置预测域Np＝5和控制域Nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出Y
Y＝Fx(ki)+ΦΔU (25)
其中，
Y＝[y(ki+1|ki) y(ki+2|ki) … y(ki+5|ki)]T；
ΔU＝[Δu(ki)Δu(ki+1)Δu(ki+2)]T；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数J
其中，Rs＝[1 1 1 1 1]Tr(ki)；qw为跟踪性能的指标权值，rw为控制输入的约束权值；
第四步，对式(26)目标函数J进行控制输入偏导化处理，即可得最优控制输入
其中，
步骤4，RBF神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，G为模型失配动态调整系数，/>为RBF神经网络模型失配补偿值；
模型失配动态方程为
其中，A0＝A-G，G＝[k1 k2]，满足模型失配动态方程收敛；
第二步，设置RBF神经网络结构，采用em和两个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为/>xi为第i个神经网络的输入；j为隐含层第j个节点；cij为隐含层第j个神经元高斯基函数的中心坐标；bj为隐含层第j个神经元高斯基函数的宽度；
第三步，设置RBF神经网络模型失配补偿值为
其中，为神经网络权值的调整值；
第四步，设置RBF神经网络模型失配补偿误差
其中，θ*为RBF神经网络的最优权值，表示为
第五步，基于RBF神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配Lyapunov函数
其中，γ为正实数，
第七步，对模型失配Lyapunov函数求导，推导RBF神经网络权值更新自适应律；
由于ey TPBaed≤|ey TPBa||ed| (36)
由于同时使RBF神经网络权值优化，满足式(38)
RBF神经网络模型失配补偿误差|ed|就会无限逼近0，可实现
第八步，RBF神经网络权值更新自适应律为
第九步基于RBF神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
下面用一个优选实施例对本发明做进一步的说明。
搭建机舱悬浮系统仿真试验平台，机舱悬浮重量484kg，悬浮绕组内阻8.4欧姆，悬浮绕组匝数为1000，铁芯面积为0.13m2，额定悬浮气隙为10mm。
图2为本发明模型预测与状态反馈控制下悬浮气隙跟踪图，机舱气隙由额定悬浮气隙0.01m启动，3秒后变化为0.012m，并在运行6.5秒后重新恢复至额定悬浮气隙0.01m。仿真结果发现，状态反馈控制与本发明的模型预测控制都能实现稳定起浮，但状态反馈稳定时间比本发明的模型预测控制滞后了1秒。图3为本发明模型预测与状态反馈控制策略在应对高频干扰时的悬浮气隙变化，施加的为高频方波干扰(幅值500N，频率为5Hz)的，本发明的悬浮气隙波动量比状态反馈波动量减小了0.5mm，此是模型失配补偿器实时调整补偿结果。图4为本发明模型预测控制对悬浮气隙交流参考信号的跟踪性能，悬浮气隙跟踪误差为仅为0.5mm。
上述结果表明，针对非线性不稳定的风力机舱悬浮系统，本发明的控制策略具有极强的鲁棒性和稳定性，确保了机舱悬浮系统的稳定运行。

Claims (1)

1.一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，其特征在于：将非线性不稳定的风力机舱悬浮系统控制分为镇定和性能改善两部分，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及RBF神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；所述机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统,作为模型预测的控制模型；所述机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，构建增广的风力机舱悬浮预测离散模型，以气隙参考输入跟踪和控制输入的限定，设置模型预测控制的优化指标，设定预测的悬浮电流；所述RBF神经网络的模型失配补偿器采用RBF神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿，基于模型失配观测器，构建模型失配动态系统Lyapunov能量函数，推导获取RBF神经网络的权值更新自适应律；设计步骤如下：
步骤1，针对风力机舱悬浮系统模型其中，fd为机舱所受轴向干扰力，m为机舱旋转体质量总和，δ为定转子之间悬浮气隙，μ0为真空导率，N为悬浮绕组匝数，S为磁极铁芯总面积，If为悬浮电流，将其基于平衡点(δ0,If0)线性化为
其中，ua＝kIIf，d＝fd/m+o(f)，o(f)为线性化忽略掉的高阶项；
步骤2，风力机舱悬浮镇定控制器设计
式(1)显见为能控系统，采用状态反馈的极点配置方法将不稳定系统(1)进行镇定控制，转化为
其中，C＝[1,0]，/>和/>分别为期望的稳定特征根，镇定控制输入为u＝Kx，/>
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期Ts，对式(2)机舱悬浮镇定系统离散化处理，构建以x(k)＝[Δxm(k)T y(k)]T为状态变量的机舱悬浮离散系统模型
其中，Δxm(k+1)＝xm(k+1)-xm(k)，Δu(k)＝u(k)-u(k-1)，
Am＝I+AaTs，Bm＝BaTs，Cm＝C，om＝[00]，I为单位阵；
第二步，设置预测域Np＝5和控制域Nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出Y
Y＝Fx(ki)+ΦΔU (4)
其中，
Y＝[y(ki+1|ki) y(ki+2|ki)…y(ki+5|ki)]T，
ΔU＝[Δu(ki) Δu(ki+1) Δu(ki+2)]T；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数J
其中，Rs＝[1 1 1 1 1]Tr(ki)，qw为跟踪性能的指标权值，rw为控制输入的约束权值；
第四步，对式(5)目标函数J进行控制输入的偏导处理，即可得最优控制输入
其中，
步骤4，RBF神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，G为模型失配动态调整系数，/>为RBF神经网络模型失配补偿值；
由式(2)和式(7)，模型失配动态方程为
其中，A0＝A-G，G＝[k1 k2]，满足模型失配动态方程收敛；
第二步，设置RBF神经网络结构，采用em和两个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为/>xi为第i个神经网络的输入，j为隐含层第j个节点，cij为隐含层第j个神经元高斯基函数的中心坐标，bj为隐含层第j个神经元高斯基函数的宽度；
第三步，设置RBF神经网络模型失配补偿值为
其中，为神经网络权值的调整值；
第四步，设置RBF神经网络模型失配补偿误差
其中，θ*为RBF神经网络的最优权值，表示为
第五步，由式(8)，(9)和(10)可得基于RBF神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配Lyapunov函数
其中，γ为正实数，
第七步，对模型失配Lyapunov函数求导，推导RBF神经网络权值更新自适应律；
由于ey TPBaed≤|ey TPBa||ed| (15)
由于同时使RBF神经网络权值优化，满足式(17)
RBF神经网络模型失配补偿误差|ed|就会无限逼近0，可实现
第八步，RBF神经网络权值更新自适应律为
第九步，基于RBF神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
。
CN202010023914.5A 2020-01-09 2020-01-09 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 Active CN111259525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023914.5A CN111259525B (zh) 2020-01-09 2020-01-09 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023914.5A CN111259525B (zh) 2020-01-09 2020-01-09 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法

Publications (2)

Publication Number Publication Date
CN111259525A CN111259525A (zh) 2020-06-09
CN111259525B true CN111259525B (zh) 2023-07-25

Family

ID=70950359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023914.5A Active CN111259525B (zh) 2020-01-09 2020-01-09 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法

Country Status (1)

Country Link
CN (1) CN111259525B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694277B (zh) * 2020-06-12 2021-09-10 华北电力大学 一种基于多步状态反馈的非线性随机模型预测控制方法
CN111682815B (zh) * 2020-06-17 2023-04-14 曲阜师范大学 一种含高频干扰重构的风力机舱偏航控制方法
CN112731805B (zh) * 2020-12-01 2022-04-08 南京航空航天大学 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法
TWI812382B (zh) * 2022-08-04 2023-08-11 正修學校財團法人正修科技大學 波浪發電控制方法及系統

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131573A (zh) * 2007-10-19 2008-02-27 北京航空航天大学 一种应用于磁悬浮反作用飞轮的自适应神经网络控制方法
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN109113929A (zh) * 2018-09-04 2019-01-01 曲阜师范大学 一种风力磁悬浮机舱悬浮控制方法
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110195686A (zh) * 2019-06-23 2019-09-03 曲阜师范大学 一种水平轴风力机舱两点悬浮式超低速偏航控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131573A (zh) * 2007-10-19 2008-02-27 北京航空航天大学 一种应用于磁悬浮反作用飞轮的自适应神经网络控制方法
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN109113929A (zh) * 2018-09-04 2019-01-01 曲阜师范大学 一种风力磁悬浮机舱悬浮控制方法
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110195686A (zh) * 2019-06-23 2019-09-03 曲阜师范大学 一种水平轴风力机舱两点悬浮式超低速偏航控制方法

Also Published As

Publication number Publication date
CN111259525A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111259525B (zh) 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法
CN111459051B (zh) 一种带扰动观测器的离散终端滑模无模型控制方法
CN111173678B (zh) 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法
CN111413872B (zh) 基于扩张状态观测器的空气容腔压力快速主动抗扰方法
Lian Intelligent controller for robotic motion control
Yu et al. Multilayer neural networks-based direct adaptive control for switched nonlinear systems
Tavakoli et al. Adaptive self-tuning PID fuzzy sliding mode control for mitigating power system oscillations
Farahani et al. An online trained fuzzy neural network controller to improve stability of power systems
CN111413865A (zh) 一种扰动补偿的单回路过热汽温自抗扰控制方法
CN110701187B (zh) 一种五自由度磁轴承的智能双积分滑模控制方法及设备
CN109062030A (zh) 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法
Soukkou et al. Controlling and synchronizing of fractional-order chaotic systems via simple and optimal fractional-order feedback controller
Mahmoodabadi et al. Adaptive robust PID sliding control of a liquid level system based on multi-objective genetic algorithm optimization
Lavretsky et al. Adaptive dynamic inversion for nonaffine-in-control uncertain systems via time-scale separation. Part II
Wang et al. A SMC-based accurate and robust load speed control method for elastic servo system
Qi et al. Observer-based finite-time adaptive prescribed performance control for nonlinear systems with input delay
Hsu Adaptive growing-and-pruning neural network control for a linear piezoelectric ceramic motor
Eissa Novel fuzzy-based self-adaptive single neuron PID load frequency controller for power system
Nguyen et al. ANFIS and Fuzzy tuning of PID controller for STATCOM to enhance power quality in multi-machine system under large disturbance
Sun et al. Output Feedback Recursive Dynamic Surface Control with Antiwindup Compensation
Li et al. Adaptive control of a piezo-positioning mechanism with hysteresis and input saturation using time delay estimation
Sun et al. Command-filtered-based adaptive neural control for nonlinear systems with actuator saturation
Gao et al. Active disturbance rejection control for optoelectronic stabilized platform based on model-assisted double extended state observers
Zaeri et al. Design of integral augmented sliding mode control for pitch angle of a 3-DOF bench-top helicopter
Bin et al. Pitch angle control based on renforcement learning

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