基于神经网络的磁轴承系统辨识和控制研究

《基于神经网络的磁轴承系统辨识和控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉理工大学硕士学位论文摘要主动磁轴承(AMB，以下简称磁轴承)是一种新型高性能轴承，它是由转子、轴承及位置控制器构成的机电一体化系统，具有无摩擦、无磨损、无需润滑及寿命长等一系列优点，被公认为是极有前途的新型轴承。在磁轴承系统的研究中，控制器的设计是其中至关重要的一环，控制器性能的好坏直接影响到转子的动态性能和控制精度，直接关系到磁轴承技术能否成功应用于实践。目前，国内外对磁轴承系统的控制多采用线性控制理论，采用的数学模型也是经过了近似和线性化后得到的模型。然而，由于磁轴承具有本质不稳定性、非线性和参

2、数不确定性，如果把它近似成为一个线性模型，当转子偏离平衡位置较远时，线性化模型将无法体现实际系统本身的动态特性，也无法满足更高的控制精度的要求。本文试图采用神经网络手段直接对磁轴承非线性特性进行建模，并寻求基于神经网络和遗传算法的控制方法对磁轴承非线性系统进行控制。神经网络能以任意精度逼近任意非线性连续函数，逐渐成为处理非线性系统的重要工具，在系统辨识和控制领域中越来越受到重视。本论文尝试在磁轴承转子的机理分析的基础上，结合神经网络基本理论，设计一种反映磁轴承动态特性的神经网络作为它的数学模型，对实际的

3、磁轴承非线性特性进行建模。仿真结果表明本论文中设计的改进的Elman网络能在误差允许范围之内拟合系统的输入输出特性，并且比BP网络和Elman网络更适用于模拟实际的磁轴承模型。为磁轴承非线性特性的建模探索了一种新方法。在自动控制领域，PID控制是最早发展起来的控制策略之一，由于它具有算法简单、可靠性高等优点而得到了广泛的应用。但实践证明，传统的PID控制器对于非线性、时滞、时变系统，难以达到令人满意的性能指标。如果要考虑在实际系统中得到更好的控制效果，这时就需要采用更为先进的算法设计PID控制器。本文在

4、传统PID控制的基础上，讨论和分析了基于BP算法的PID控制器以及遗传算法整定的PID控制器。利用Matlab对这几种控制方法进行了仿真，仿真结果表明，遗传算法整定的PID控制器可以取得比传统P1D控制器及基于BP网络的PID控制器更好的控制效果。关键词：磁轴承，神经网络，遗传算法，系统辨识，PID控制武汉理工大学硕士学位论文ABSTRACTTheActiveMagneticBearing(AMB)whichisanewtypeofbeatingwithhighperformance，isanelect

5、rimechanicalsystemwhichconsistsofrotoLbearingandpositioncontroller．Ithasthevirtuesofnofriction，nofray,nolubrication,lastinglife,andisrecognizedforitsbrilliantapplicationforeground．ThemostimportantfieldofAMBresearchistheresearchoftheAMBcontroller．Theperfo

6、rmanceofthecontrolleraffectsthedynamicperformanceoftheAMBsystemandthecontrolprecisionoftherotor'whichareveryimportanttotheapplicationoftheAMB．Atpresent，thecontroltotheAMBismostlybasedonthelinearcontroltheory,anditsmathematicmodelisachievedbylinearization

7、andapproximation．ButAMBhasthecharacteristicsofinstability,non-linearityandparameterincertitude．TherewmbemuchseriousmodelerrorbetweenthelinearizationmodelandtheactualAMBwhentherotorkeepsawayfromthebalancepoint,anditwillbehardtoexpressthebehaviorofthesyste

8、mandtocontrolitinhigherprecision．ThIsthesistriestoidentifythenonlinearmodeloftheAMBbasedonneuralnetworksandtoseekacontrolwaybasedonneuralnetworksandgeneticalgorithmtocontrolthenonlinearAMBsystem．Neuralnetworkisprovedsuperi