滑模神经网络对无刷直流电机混沌的控制

论文摘要

真实的自然界是非线性的，非线性系统控制一直是科学研究的热点和难点，尤其是以混沌系统为典型代表的一类特殊的非线性系统的控制。非线性控制研究目前尚不是很成熟，传统的控制理论和方法都不是很理想，近年来智能控制引入非线性控制中，成为一种非常有发展前途的方向。本文提出了一种新的针对一阶非线性系统，基于神经网络和滑模变结构相结合的控制方法，简称为滑模神经网络方法。混沌的控制分跟踪控制和镇定控制，本文研究的都是镇定问题。在系统可控的前提下，首先将系统中的线性部分和非线性部分分离开，非线性部分采用RBF神经网络逼近，以校正或补偿其非线性的影响，在消除非线性影响后系统成为一个一阶线性系统，然后采用滑模变结构镇定该线性系统，二者结合起来最终将该非线性系统镇定控制住，并提出对输出量加入校正量可以将系统镇定到任意点。其次，该滑模神经网络成功地将无刷直流电机的混沌镇定住，并在matlab下仿真验证了其控制的有效性和正确性。无刷直流电机混沌系统是一个高非线性、耦合性强的系统，控制难度大，因此在无刷直流电机的应用具有很强的代表性。随后，以无刷直流电机的混沌系统为应用实例，从五个方面研究讨论了滑模神经网络控制的鲁棒性问题。第一，仿真发现采用不同结构的RBF神经网络都能将系统很好镇定控制住，只是镇定点不同而已；第二，加入高斯白噪声外干扰，仿真表明控制具有很好的抗干扰性；第三，在混沌系统中加入满足滑动模态不变性匹配条件的摄动，仿真结果表明滑模神经网络具有很好的抗摄动性;最后分别在控制前加入阶跃信号和控制稳定后加入脉冲信号干扰验证了滑模神经网络的鲁棒性。研究表明，本文提出的滑模神经网络是一种简单易于实现的非线性系统控制方法，具有很好的抗干扰、抗摄动性，在控制领域，尤其是对一类不确定性系统的控制具有非常重要的意义。文章最后提出了一些滑模神经网络方法需要继续研究解决的问题，希望其得到更好的发展和应用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 混沌和混沌控制的发展
• 1.3 滑模神经网络方法研究现状
• 1.4 无刷直流电机混沌控制现状
• 1.5 本文所做的工作和创新点
• 1.6 本文内容安排
• 第二章 混沌、滑模变结构及神经网络基础知识
• 2.1 混沌的基础知识
• 2.1.1 混沌动力学
• 2.1.2 混沌的基本术语
• 2.1.3 混沌控制的方法
• 2.2 滑模变结构的基础知识
• 2.2.1 滑模变结构控制原理
• 2.2.2 滑模变结构控制的优点
• 2.2.3 滑模变结构控制到达条件
• 2.2.4 滑模变结构控制的鲁棒性
• 2.2.5 变结构控制器的设计
• 2.3 神经网络基础理论
• 2.3.1 神经网络原理
• 2.3.2 神经元模型
• 2.3.3 神经网络的结构
• 2.3.4 神经网络加入控制的优点
• 2.3.5 神经网络进入非线性控制
• 2.4 本章小结
• 第三章 滑模神经网络控制方法
• 3.1 一阶混沌系统的线性和非线性分离控制
• 3.2 滑模变结构对一阶线性系统的控制
• 3.2.1 线性变换
• 3.2.2 求切换函数
• 3.2.3 求控制律u
• 3.3 神经网络逼近
• 3.3.1 径向基函数网络概述
• 3.3.2 径向基函数网络结构
• 3.3.3 函数的形式
• 3.3.4 学习算法
• 3.3.5 RBF 网络的函数逼近
• 3.4 本章小结
• 第四章 无刷直流电机混沌控制
• 4.1 无刷直流电机
• 4.2 无刷直流电机混沌模型
• 4.3 神经网络逼近
• 4.4 滑模变结构控制
• 4.5 滑模神经网络控制无刷直流电机混沌
• 4.6 本章小结
• 第五章 滑模神经网络控制的鲁棒性
• 5.1 滑动模态的不变性
• 5.2 滑模神经网络的鲁棒性
• 5.2.1 采用不同结构的神经网络的鲁棒性
• 5.2.2 加入高斯白噪声控制的鲁棒性
• 5.2.3 控制系统抗摄动性
• 5.2.3.1 滑动模态不变性仿真
• 5.2.3.2 线性部分加入摄动控制的鲁棒性
• 5.2.3.3 线性和非线性部分加入摄动控制的鲁棒性
• 5.2.4加入阶跃信号控制的鲁棒性
• 5.2.5控制稳定后加入脉冲信号的鲁棒性
• 5.3 本章小结
• 第六章 总结和展望
• 6.1 内容总结
• 6.2 研究展望
• 参考文献
• 致谢
• 硕士在读期间发表的论文