基于支持向量机的磁力轴承控制算法研究

基于支持向量机的磁力轴承控制算法研究

论文摘要

主动磁力轴承作为一种优秀的机电综合体,它具有许多老式的接触式轴承所不具备的优点,比如没有摩擦,故没有磨损,无需在轴承转子和定子之间涂润滑剂,因此转子运动更快,使用寿命更长。正因为这些优点,主动磁力轴承受到工业领域比如轴承行业以及学术领域的广泛关注和热议。但由于磁力轴承本身固有的特性,如不稳定性、参数不确定性、模型存在非线性等。在过往的研究中发现,采用传统的PID控制器无法达到理想的控制要求。需将新的算法加入其中进行分析研究。本文主要针对磁力轴承中的单自由度磁力轴承进行讨论分析。在对磁力轴承电磁力和受力问题的分析后,对磁力轴承非线性特性进行建模。然后在传统PID闭环控制的基础上,加入BP神经网络算法和支持向量机算法对PID的控制参数进行调整,通过仿真实验对比两种算法的控制效果。文章介绍了神经网络的学习规则,利用神经网络的高度非线性映射能力,分析设计了BP神经网络PID控制器,仿真结果表明,BP整定PID控制可以有效地减小超调,增加转子的起浮位置。但因为神经网络存在局部极小、易出现过拟合等问题,随着隐含层节点数目的增加,控制性能反而变差。为避免神经网络的缺点,文章提出了基于支持向量机的磁力轴承PID控制。在对支持向量机的基本理论及其回归算法进行了详细介绍后,首先利用支持向量机能逼近任意非线性函数的特点,在传统PID闭环控制的前提下,对磁力轴承的非线性系统进行辨识。然后推导出基于支持向量机的PID控制器算法,结合辨识模型,利用Simulink中的M函数和SVM工具箱实现基于支持向量机PID控制的磁力轴承控制系统的仿真实验。将其与BP神经网络整定PID控制和传统PID控制相比较,仿真结果表明,基于支持向量机的自适应PID控制器的控制效果更好,不仅可以使磁力轴承在更宽范围内起浮,而且调节时间快。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 课题来源及研究的目的和意义
  • 1.1.1 课题来源
  • 1.1.2 研究的目的和意义
  • 1.2 磁悬浮技术的发展概况及磁力轴承概述
  • 1.3 磁力轴承控制技术的研究现状
  • 1.4 支持向量机的研究现状
  • 1.5 本论文研究的主要内容
  • 第2章 磁力轴承数学模型与PID控制器设计
  • 2.1 主动磁力轴承的组成原理
  • 2.2 磁力轴承的数学模型
  • 2.2.1 磁力轴承电磁力
  • 2.2.2 磁力轴承的转子运动方程
  • 2.3 磁力轴承的PID控制器设计
  • 2.3.1 磁力轴承闭环系统结构
  • 2.3.2 磁力轴承PID控制器
  • 2.3.3 PID控制参数的选择
  • 2.4 磁力轴承控制系统仿真
  • 2.4.1 MATLAB/SIMULINK介绍
  • 2.4.2 S函数编写
  • 2.4.3 磁力轴承PID控制系统仿真
  • 2.5 本章小结
  • 第3章 磁力轴承的神经网络PID控制
  • 3.1 神经网络基础
  • 3.1.1 神经网络特点
  • 3.1.2 神经元模型
  • 3.1.3 神经网络的学习方法
  • 3.2 BP神经网络
  • 3.2.1 BP网络结构
  • 3.2.2 BP网络学习规则
  • 3.2.3 BP网络设计技巧
  • 3.2.4 BP学习算法的改进
  • 3.3 磁力轴承的BP神经网络PID控制器
  • 3.3.1 基于BP神经网络的PID整定原理
  • 3.3.2 控制算法的推导
  • 3.4 仿真实验
  • 3.5 本章小结
  • 第4章 支持向量机基本原理
  • 4.1 支持向量机基本理论
  • 4.1.1 机器学习问题的表示
  • 4.1.2 经验风险最小化
  • 4.1.3 复杂性和推广能力
  • 4.2 统计学习理论
  • 4.2.1 函数集的VC维
  • 4.2.2 推广能力的界
  • 4.2.3 结构风险最小化
  • 4.3 支持向量机
  • 4.3.1 分类面及核函数
  • 4.3.2 用于函数拟合的支持向量机
  • 4.4 支持向量机算法的研究
  • 4.4.1 核函数的改进
  • 4.4.2 错误惩罚参数C的选择
  • 4.4.3 不敏感参数ε的选择
  • 4.5 本章小结
  • 第5章 磁力轴承的支持向量机整定PID控制
  • 5.1 基于支持向量机的PID控制系统结构
  • 5.2 支持向量机回归原理
  • 5.2.1 支持向量机回归函数
  • 5.2.2 支持向量机系统辨识理论
  • 5.2.3 支持向量机系统辨识
  • 5.3 支持向量机调整PID控制算法
  • 5.4 PID参数整定的改进及整定步骤
  • 5.4.1 PID参数整定的改进
  • 5.4.2 PID控制器参数整定步骤
  • 5.5 仿真实验
  • 5.6 本章小结
  • 第6章 总结与展望
  • 6.1 全文总结
  • 6.2 研究展望
  • 参考文献
  • 作者在攻读硕士学位期间发表的学术论文
  • 致谢
  • 相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签:;  ;  ;  ;  

    基于支持向量机的磁力轴承控制算法研究
    下载Doc文档

    猜你喜欢