CN113107768B - 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 - Google Patents
基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 Download PDFInfo
- Publication number
- CN113107768B CN113107768B CN202110392794.0A CN202110392794A CN113107768B CN 113107768 B CN113107768 B CN 113107768B CN 202110392794 A CN202110392794 A CN 202110392794A CN 113107768 B CN113107768 B CN 113107768B
- Authority
- CN
- China
- Prior art keywords
- suspension
- neural network
- cabin
- rbf neural
- air gap
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 158
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000006880 cross-coupling reaction Methods 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 230000005764 inhibitory process Effects 0.000 claims abstract description 4
- 238000005339 levitation Methods 0.000 claims description 19
- 238000004804 winding Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012927 reference suspension Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/0204—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
本发明公开了一种基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,如何提升机舱轴向悬浮稳定、有效抑制机舱俯仰是风力机舱悬浮稳定关键,为此构建含轴向、俯仰两自由度运动的机舱两端悬浮模型,深入分析风力机舱两端悬浮系统间存在的机械耦合、电磁力耦合以及结构参数不匹配等对机舱悬浮稳定影响,将机舱两端悬浮控制转化为单端独立的RBF神经网络自适应跟踪控制,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制,对较重悬浮物的多点悬浮控制具有较强指导意义。
Description
技术领域
本发明涉及一种基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,尤其是一种应用于水平轴风力发电系统机舱稳定悬浮后偏航对风,解决桨叶侧和尾翼侧迎风面积差异极易导致机舱俯仰,属于风力发电磁悬浮领域。
背景技术
水平轴风力发电系统是风电系统的流行机型,传统风力偏航装置采用机械耦合式偏航结构,存在摩擦功耗大、对风精度差以及故障率高等问题,为此曲阜师范大学新能源研究所提出了风力磁悬浮偏航系统,极大降低机舱偏航功耗。由于机舱悬浮工况恶劣,风速风向时变,机舱桨叶侧和尾翼侧质量存在差异,极易发生俯仰,严重影响风电机组运行安全,如何提升机舱轴向悬浮稳定、有效抑制机舱俯仰、提高悬浮系统同步性能是风力机舱悬浮稳定关键,专利202010552436采用同步控制方法虽然可以降低机舱两端的同步误差,使风力机舱具有一定的抗干扰能力,但是没有完全解决机舱桨叶侧和尾翼侧耦合的问题,对于悬浮系统的解耦控制,传统分散式PID加交叉耦合控制和线性化解耦方法要求被控系统必须采用精确的数学模型来描述,这使得多数解耦控制方法应用在风力机舱两端悬浮系统时很难达到预期的悬浮控制效果,严重制约风力机舱的悬浮稳定性以及偏航对风精确度。
发明内容
本发明目的是为克服上述现有技术的不足,提供了一种基于RBF神经网络自适应解耦的机舱悬浮控制方法,其特征在于:将机舱两端悬浮控制转化为单端独立的RBF神经网络自适应跟踪控制,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制;所述单端独立的RBF神经网络自适应跟踪控制包括基于状态反馈的主悬浮跟踪控制器以及基于RBF神经网络自适应的不确定干扰补偿控制器;所述主悬浮跟踪控制器采用基于悬浮气隙跟踪误差及其导数构建的虚拟变量E作为状态反馈控制输入;所述RBF神经网络采用5个隐含层神经元结构,基于悬浮气隙跟踪误差和跟踪误差导数设计神经网络权值自适应律,并在线进行权值的优化调整,实现机舱悬浮跟踪和悬浮同步的有效独立解耦控制,确保机舱两侧悬浮运行同步,包括以下步骤。
步骤1构建含轴向、俯仰两自由度运动方程
式中,ω为俯仰角速度,为俯仰角度,FA、FB分别为两侧独立的悬浮吸力,J为机舱俯仰转动惯量,m为风力机舱质量,g为重力加速度,δ为轴向悬浮气隙,fd为机舱轴向干扰,Ts为机舱倾覆力矩,r为机舱旋转半径。
步骤2构建机舱两端悬浮力方程
式中,μ0为真空磁导率,N为两侧悬浮绕组匝数,S为磁极面积,δA、iA为桨叶侧悬浮气隙、悬浮电流,δB、iB为尾翼侧悬浮气隙、悬浮电流。
步骤3风机机舱两端悬浮动态模型转化
第一步,采用坐标变换将式(1)两自由度运动方程,转化为以前后侧气隙运动方程为
第二步,基于(δ0,i0)将式(3)转化为机舱两端线性化动态模型:
第三步,将式(4)转化为机舱两端悬浮控制模型
步骤4采用状态反馈法设计主悬浮跟踪控制器
第二步,对式(6)进行极点配置,采用状态反馈法设计主悬浮跟踪控制器,则悬浮系统闭环特征多项式为:
其中,KE=[k1 k2]为状态反馈增益矩阵。
第三步,通过选取合适的闭环极点,得到反馈增益矩阵KE的参数值,则此时的控制输入为:
步骤5基于RBF神经网络自适应的不确定干扰补偿控制器设计
第一步,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制,则单端独立的RBF神经网络自适应跟踪控制输出为:
第二步,将式(9)代入式(6),则有
第三步,用矩阵形式表示式(10),则
第四步,定义RBF神经网络最优权值
式中,Ωi表示具有希望边界的子集,即Ωi={Wi|||f||≤Mi},Mi为设计参数。
式中,fi为可调参数;h(x)为高斯基函数向量,
第七步,通过使用式(13),式(11)可表示为
第八步,悬浮机舱能否渐近的跟踪参考输入并稳定悬浮取决于期望特征根的设定及RBF神经网络对系统不确定干扰的逼近程度,所以神经网络权值的优化程度显得尤为重要,为此设计李雅普诺夫函数为:
式中,γ为正常数,矩阵P为对称正定的且满足ΛTP+PΛ=-Q,Q≥0,Λ由式(11)定义。
基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,进行了上述五个工作步骤,所述步骤3中的坐标转换方程为:
式中,δA桨叶侧悬浮气隙,δB为尾翼侧悬浮气隙,r为悬浮机舱半径。
转换方法为对坐标转换方程(20)求二阶导数为
本发明的有益效果是:
1)提出了RBF神经网络自适应控制器用于机舱两端悬浮控制,不依赖于悬浮系统的精确数学模型,将机舱两端悬浮模型中的交叉耦合项、轴向扰动项及俯仰扰动项归结为影响系统悬浮性能的不确定项,借助于RBF神经网络无限逼近能力,对上述不确定项进行逼近补偿,极大提升风力机舱悬浮稳定性;
2)提出的风力机舱悬浮系统RBF神经网络自适应直接解耦控制方法,使机舱两端悬浮模型实现了悬浮跟踪和悬浮同步的有效独立解耦控制,可有效应对恶劣的多工况悬浮,提升机舱两端悬浮同步性能。
附图说明
图1为本发明基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法的水平轴风力偏航系统机舱悬浮结构示意图。
图2为本发明基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法的水平轴风力偏航系统机舱悬浮控制结构图。
图3为本发明基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法的控制与PID控制下的机舱气隙变气隙跟踪实验图。
图4为PID控制下的机舱施加轴向干扰力实验图。
图5为本发明基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法的控制下机舱施加轴向干扰力实验图。
图6为PID控制下的机舱施加俯仰干扰力实验图。
图7为本发明基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法的控制下机舱施加俯仰干扰力实验图。
图中:1-风机桨叶,2-风机机舱,3-偏航定子,4-前侧绕组,5-后侧绕组,6-前侧气隙传感器,7-后侧气隙传感器,8-塔架,9-桨叶侧悬浮跟踪控制器,10-桨叶侧RBF神经网络自适应控制器,11-尾翼侧RBF神经网络自适应控制器,12-尾翼侧悬浮跟踪控制器,13-桨叶侧电流跟踪控制器,14-桨叶侧悬浮变流器,15-尾翼侧电流跟踪控制器,16-尾翼侧悬浮变流器,17-机舱两端悬浮模型。
具体实施方式
基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,将机舱两端悬浮控制转化为单端独立的RBF神经网络自适应跟踪控制,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制;所述单端独立的RBF神经网络自适应跟踪控制(9、10、11、12)包括基于状态反馈的主悬浮跟踪控制器以及基于RBF神经网络自适应的不确定干扰补偿控制器;所述主悬浮跟踪控制器(9、12)采用基于悬浮气隙跟踪误差及其导数构建的虚拟变量E作为状态反馈控制输入;所述RBF神经网络(10、11)采用5个隐含层神经元结构,基于悬浮气隙跟踪误差和跟踪误差导数设计神经网络权值自适应律,并在线进行权值的优化调整,实现机舱悬浮跟踪和悬浮同步的有效独立解耦控制,确保机舱两侧悬浮运行同步,包括以下步骤。
步骤1构建含轴向、俯仰两自由度运动方程
式中,ω为俯仰角速度,为俯仰角度,FA、FB分别为两侧独立的悬浮吸力,J为机舱俯仰转动惯量,m为风力机舱质量,g为重力加速度,δ为轴向悬浮气隙,fd为机舱轴向干扰,Ts为机舱倾覆力矩,r为机舱旋转半径。
步骤2构建机舱两端悬浮力方程
式中,μ0为真空磁导率,N为两侧悬浮绕组匝数,S为磁极面积,δA、iA为桨叶侧悬浮气隙、悬浮电流,δB、iB为尾翼侧悬浮气隙、悬浮电流。
步骤3风机机舱两端悬浮动态模型转化
第一步,采用坐标变换将式(1)两自由度运动方程,转化为以前后侧气隙运动方程为
第二步,基于(δ0,i0)将式(3)转化为机舱两端线性化动态模型:
第三步,将式(4)转化为机舱两端悬浮控制模型
步骤4采用状态反馈法设计主悬浮跟踪控制器
第二步,对式(6)进行极点配置,采用状态反馈法设计主悬浮跟踪控制器,则悬浮系统闭环特征多项式为:
其中,KE=[k1 k2]为状态反馈增益矩阵。
第三步,通过选取合适的闭环极点,得到反馈增益矩阵KE的参数值,则此时的控制输入为:
步骤5基于RBF神经网络自适应的不确定干扰补偿控制器设计
第一步,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制,则单端独立的RBF神经网络自适应跟踪控制输出为:
第二步,将式(9)代入式(6),则有
第三步,用矩阵形式表示式(10),则
第四步,定义RBF神经网络最优权值
式中,Ωi表示具有希望边界的子集,即Ωi={Wi|||f||≤Mi},Mi为设计参数。
式中,fi为可调参数;h(x)为高斯基函数向量,
第七步,通过使用式(13),式(11)可表示为
第八步,悬浮机舱能否渐近的跟踪参考输入并稳定悬浮取决于期望特征根的设定及RBF神经网络对系统不确定干扰的逼近程度,所以神经网络权值的优化程度显得尤为重要,为此设计李雅普诺夫函数为:
式中,γ为正常数,矩阵P为对称正定的且满足ΛTP+PΛ=-Q,Q≥0,Λ由式(11)定义。
基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,进行了上述五个工作步骤,所述步骤3中的坐标转换方程为:
式中,δA桨叶侧悬浮气隙,δB为尾翼侧悬浮气隙,r为悬浮机舱半径。
转换方法为对坐标转换方程(20)求二阶导数为
下面结合附图以及实例,对本发明作进一步详细说明。
风力磁悬浮偏航系统机舱悬浮参数如表1所示,机舱悬浮重量484kg,悬浮绕组总匝数930匝,前后侧绕组匝数为465匝,机舱旋转半径为360mm,两悬浮变流器功率各为1kW,悬浮气隙传感器采用电涡流位移传感器,精度为0.27v/mm,分别进行了以下3个实例,分别为变气隙跟踪实验、轴向干扰力施加实验以及抗俯仰力矩实验,以说明本发明有效效果。
表1风力磁悬浮偏航系统机舱悬浮系统参数
实例一变气隙跟踪实验,如图3所示,机舱初始悬浮高度参考值设定为13mm,在t=4s时将悬浮高度参考值变为15mm,在t=15s时将悬浮高度参考值切换回13mm。观察机舱在悬浮启动及悬浮高度切换过程中的启动时间、切换时间、超调量及稳态波动值,很明显可以看出,虽然RBF神经网络自适应直接解耦控制在启动时间上只比传统控制策略快了0.02s,但是在参考悬浮高度切换时比传统控制策略快了0.13s,响应时间为0.37s,且超调量降低了0.1mm以上,说明RBF神经网络自适应直接解耦控制策略在悬浮机舱变工况时提高了悬浮系统的动态性能,有利于悬浮机舱应对多工况情况。变气隙跟踪具体参数值对比如表2所示。
表2变气隙跟踪性能
实例二轴向干扰力施加实验,如图4和图5所示,将机舱初始悬浮高度参考值设定为13mm,在t=4s时对悬浮系统单侧施加1000N的轴向下压力扰动,以模拟外界风对机舱产生的轴向干扰,在t=15s时将轴向下压力扰动撤销,观察机舱受扰动后的最大跌落值、跌落回升时间以及撤销扰动后的最大回升值、回归稳定时间,单侧机舱抗轴向扰动性能对比如表3所示。可以看出,在t=4s和t=15s悬浮机舱受到单侧扰动时,RBF神经网络自适应直接解耦控制的最大跌落值仅为0.07mm,悬浮机舱跌落后的恢复时间为0.4s,比传统控制器的最大跌落值更小、跌落恢复时间更短,可见采用RBF神经网络自适应直接解耦控制可有效提升悬浮机舱抗轴向扰动能力。
表3轴向干扰力施加性能对比
实例三抗俯仰力矩实验,如图6和图7所示,分析机舱两侧悬浮控制的同步性能;将机舱初始悬浮高度参考值设定为13mm,在t=4s时对悬浮系统单侧施加1000N的俯仰力矩扰动,以模拟外界侧风干扰,在t=15s时将俯仰力矩扰动撤销,观察机舱受扰动后的最大跌落值、跌落回升时间以及撤销扰动后的最大回升值、回归稳定时间。单侧机舱抗俯仰扰动性能对比如表4所示。可以看出,在t=4s和t=15s悬浮机舱受到单侧扰动时,传统控制器直接失控,此时悬浮机舱倾斜不能平稳回归至初始悬浮高度,而RBF神经网络自适应直接解耦控制可使悬浮机舱在1.7s后回归至初始悬浮高度,可见RBF神经网络自适应直接解耦控制器具有较好的抗扰动性能,可以快速平抑悬浮机舱两侧气隙的差异。
表4单侧干扰性能对比表
Claims (1)
1.基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,其特征在于:将机舱两端悬浮控制转化为单端独立的RBF神经网络自适应跟踪控制,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制;所述单端独立的RBF神经网络自适应跟踪控制包括基于状态反馈的主悬浮跟踪控制器以及基于RBF神经网络自适应的不确定干扰补偿控制器;所述主悬浮跟踪控制器采用基于悬浮气隙跟踪误差及其导数构建的虚拟变量E作为状态反馈控制输入;所述RBF神经网络采用5个隐含层神经元结构,基于悬浮气隙跟踪误差和跟踪误差导数设计神经网络权值自适应律,并在线进行权值的优化调整,实现机舱悬浮跟踪和悬浮同步的有效独立解耦控制,确保机舱两侧悬浮运行同步;
所述的基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法,包括以下步骤:
步骤1构建含轴向、俯仰两自由度运动方程
式中:ω为俯仰角速度,为俯仰角度,FA、FB分别为两侧独立的悬浮吸力,J为机舱俯仰转动惯量,m为风力机舱质量,g为重力加速度,δ为轴向悬浮气隙,fd为机舱轴向干扰,Ts为机舱倾覆力矩,r为机舱旋转半径;
步骤2构建机舱两端悬浮力方程
式中:μ0为真空磁导率,N为两侧悬浮绕组匝数,S为磁极面积,δA、iA为桨叶侧悬浮气隙、悬浮电流,δB、iB为尾翼侧悬浮气隙、悬浮电流;
步骤3风机机舱两端悬浮动态模型转化
第一步,采用坐标变换将式(1)两自由度运动方程,转化为以前后侧气隙运动方程为
第二步,基于(δ0,i0)将式(3)转化为机舱两端线性化动态模型:
第三步,将式(4)转化为机舱两端悬浮控制模型
步骤4采用状态反馈法设计主悬浮跟踪控制器
第二步,对式(6)进行极点配置,采用状态反馈法设计主悬浮跟踪控制器,则悬浮系统闭环特征多项式为:
其中,KE=[k1 k2]为状态反馈增益矩阵;
第三步,通过选取合适的闭环极点,得到反馈增益矩阵KE的参数值,则此时的控制输入为:
步骤5基于RBF神经网络自适应的不确定干扰补偿控制器设计
第一步,采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰,实现机舱稳定悬浮和俯仰力矩的有效抑制,则单端独立的RBF神经网络自适应跟踪控制输出为:
第二步,将式(9)代入式(6),则有
第三步,用矩阵形式表示式(10),则
第四步,定义RBF神经网络最优权值
式中:Ωi表示具有希望边界的子集,即Ωi={Wi|||f||≤Mi},Mi为设计参数;
式中:fi为可调参数;h(x)为高斯基函数向量;
第七步,通过使用式(13),式(11)可表示为
第八步,悬浮机舱能否渐近的跟踪参考输入并稳定悬浮取决于期望特征根的设定及RBF神经网络对系统不确定干扰的逼近程度,所以神经网络权值的优化程度显得尤为重要,为此设计李雅普诺夫函数为:
式中:γ为正常数,矩阵P为对称正定的且满足ΛTP+PΛ=-Q,Q≥0,Λ由式(11)定义;
所述步骤3中的坐标转换方程为
式中:δA桨叶侧悬浮气隙,δB为尾翼侧悬浮气隙,r为悬浮机舱半径;
转换方法为对坐标转换方程(20)求二阶导数为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392794.0A CN113107768B (zh) | 2021-04-13 | 2021-04-13 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392794.0A CN113107768B (zh) | 2021-04-13 | 2021-04-13 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113107768A CN113107768A (zh) | 2021-07-13 |
CN113107768B true CN113107768B (zh) | 2023-05-12 |
Family
ID=76716175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110392794.0A Active CN113107768B (zh) | 2021-04-13 | 2021-04-13 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113107768B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113775474B (zh) * | 2021-08-21 | 2023-09-29 | 曲阜师范大学 | 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法 |
CN116743019B (zh) * | 2023-04-21 | 2024-01-26 | 曲阜师范大学 | 含约束边界调整的对称障碍Lyapunov函数机舱悬浮控制方法 |
CN116880165B (zh) * | 2023-05-30 | 2024-01-30 | 济宁医学院 | 一种无接触型悬浮抓取系统的模型参考自适应有限时间控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
CN105141069A (zh) * | 2015-07-15 | 2015-12-09 | 上海稳得新能源科技有限公司 | 一种高性价比磁悬浮水平轴风力发电机组 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2881141Y (zh) * | 2006-03-06 | 2007-03-21 | 广州中科恒源能源科技有限公司 | 磁悬浮风力发电机 |
JP6091111B2 (ja) * | 2012-08-27 | 2017-03-08 | モディアクリエイト株式会社 | 風力発電用発電機 |
CN110219774B (zh) * | 2019-06-18 | 2023-08-25 | 曲阜师范大学 | 一种水平轴风力偏航系统机舱悬浮控制方法 |
CN110195686B (zh) * | 2019-06-23 | 2020-09-29 | 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 |
CN110805523B (zh) * | 2019-12-13 | 2020-08-25 | 曲阜师范大学 | 一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法 |
CN111173678B (zh) * | 2020-01-09 | 2022-02-01 | 曲阜师范大学 | 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 |
-
2021
- 2021-04-13 CN CN202110392794.0A patent/CN113107768B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
CN105141069A (zh) * | 2015-07-15 | 2015-12-09 | 上海稳得新能源科技有限公司 | 一种高性价比磁悬浮水平轴风力发电机组 |
Also Published As
Publication number | Publication date |
---|---|
CN113107768A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113107768B (zh) | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 | |
CN109976366B (zh) | 旋翼无人机吊挂负载系统非线性轨迹跟踪控制方法 | |
CN110195686B (zh) | 一种水平轴风力机舱两点悬浮式超低速偏航控制方法 | |
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 | |
CN110219774B (zh) | 一种水平轴风力偏航系统机舱悬浮控制方法 | |
CN108999745B (zh) | 风力磁悬浮机舱的主被动悬浮控制方法 | |
CN112346470A (zh) | 一种基于改进自抗扰控制的四旋翼姿态控制方法 | |
CN109113929B (zh) | 一种风力磁悬浮机舱悬浮控制方法 | |
CN113009833B (zh) | 基于模型参考的机舱悬浮系统rbf神经网络自适应同步解耦控制方法 | |
CN113062834A (zh) | 风力机舱模糊滑模自适应两端悬浮控制方法 | |
CN110805523B (zh) | 一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法 | |
CN111622899B (zh) | 一种水平轴风力机舱同步悬浮控制方法 | |
CN113051834A (zh) | 基于模型参考的机舱悬浮系统rbf神经网络自适应解耦控制方法 | |
CN112343770B (zh) | 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法 | |
CN111219293B (zh) | 基于线性自抗扰控制的变桨控制器设计方法 | |
CN112943533B (zh) | 风力磁悬浮偏航系统悬浮绕组分割和多端悬浮控制方法 | |
CN110687789B (zh) | 一种基于整型函数的抗饱和控制系统 | |
CN115473464A (zh) | 一种基于神经网络模型预测控制的磁悬浮偏航电机控制方法 | |
CN116520694B (zh) | 含ppc同步俯仰状态约束的模糊滑模自适应风力机舱悬浮控制方法 | |
CN112327900A (zh) | 旋翼无人机吊挂运输系统的指数收敛控制方法 | |
Niss et al. | A Youla-Kucera approach to gain-scheduling with application to wind turbine control | |
CN116125818B (zh) | 一种含闭环信息反馈动态指定性能的有限时间机舱悬浮控制方法 | |
CN116430733B (zh) | 含反演控制位置非对称约束的积分滑模机舱悬浮控制方法 | |
CN116743019B (zh) | 含约束边界调整的对称障碍Lyapunov函数机舱悬浮控制方法 | |
CN116447078B (zh) | 一种闭环信息非对称约束在线调整机舱悬浮暂态性能的控制方法 |
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 |