18、基于小波神经网络与单神经元自适应PID的电机及设备控制研究

基于小波神经网络与单神经元自适应PID的电机及设备控制研究

在工业控制领域，电机控制和实验设备控制一直是重要的研究方向。其中，感应伺服电机的控制面临着非线性、多变量、强耦合等复杂特性，而三轴扭转剪切仪的控制则需要应对参数时变和不确定性。本文将介绍基于小波神经网络的感应伺服电机自适应控制以及单神经元自适应PID控制器在三轴扭转剪切仪控制系统中的应用。

基于小波神经网络的感应伺服电机自适应控制

感应电机控制方法现状

感应电机是一个多变量非线性耦合系统。过去三十年中，为了在瞬态过程中获得更好的动态性能，人们提出了多种矢量控制方法，如磁场定向控制（FOC）、磁场加速法（FAM）、通用磁场定向（FUO）、直接自控制（DSC）等。然而，这些方法由于计算复杂，在实际应用中很难实现。

直接转矩控制（DTC）是矢量控制之后的一种高性能控制方法，应用广泛。它通过检测定子电压和定子电流，直接完全解耦转子磁链和转矩。此外，微分几何也被引入到电力驱动领域，但其基于微分几何的解耦控制理论需要复杂的数学知识，如微分几何、李代数等，难以推广应用。在参数变化和不确定干扰的情况下，为了保证系统的鲁棒性，滑模控制也被引入到电力驱动中，但它存在固有的抖振问题，在实际应用中存在困难。

近年来，神经网络控制在电力驱动中也得到了研究，特别是小波神经网络结合了神经网络从过程中学习的能力和小波多分辨率的能力。

感应伺服电机驱动模型

感应伺服驱动的机械方程的拉普拉斯变换如下：
[
\left[\frac{1}{Js + B + \xi}\right] \left[U\frac{K_t}{J} - \frac{T_l}{J}\