下载文档原格式
编号：SY-AQ-08576( 安全管理)单位：_____________________审批：_____________________日期：_____________________WORD文档/ A4打印/ 可编辑基于模糊微分积分滑模的无速度传感器永磁同步电机运行研Research on speed sensorless permanent magnet synchronous motor based on fuzzydifferential integral sliding mode基于模糊微分积分滑模的无速度传感器永磁同步电机运行研究导语：进行安全管理的目的是预防、消灭事故，防止或消除事故伤害，保护劳动者的安全与健康。
在安全管理的四项主要内容中，虽然都是为了达到安全管理的目的，但是对生产因素状态的控制，与安全管理目的关系更直接，显得更为突出。
为研究永磁同步电机（PMSM）在无速度传感器工况下的速度跟踪估计，利用自适应模糊微分积分滑模鲁棒性强的优点，提出了在自适应模糊微分积分滑模条件下采用旋转高频电压注入法对电机转速估计的无速度传感器控制方案。
仿真结果表明，采用高频注入法的自适应模糊微分积分滑模控制系统在高、低速工况下动态响应快速，并具有较好的鲁棒性，能够实现速度跟踪估计。
内埋式PMSM因其功率因数高、功率密度高及过载能力强而应用广泛，其无速度传感器矢量控制技术已成为研究的热点。
目前已经提出多种转速估计方法，如卡尔曼滤波器法、模型参考自适应法和旋转高频电压注入法等。
高频电压注入法主要应用于凸极率较大的PMSM转子位置检测，该法易于调试和实现，兼具良好的抗干扰性和稳定性。
PMSM矢量控制系统的速度闭环通常采用常规PI控制器，其抗干扰性和抗参数摄动能力不够理想，难以获得满意的动态性能。
对此，本文设计了自适应模糊微分积分滑模控制器，同时基于旋转高频电压注入法的无速度传感技术对PMSM进行矢量控制。
风电机组的积分模糊滑模变桨距控制杨莉;黄天民;罗光伟;罗华富【期刊名称】《人民长江》【年(卷),期】2017(048)006【摘要】针对变桨距风力发电机组具有参数变化、强干扰、建模困难等特性,设计出了一种积分模糊滑模变桨距控制器.通过在传统滑模控制器中采用状态变量代替误差项的导数并引入误差项的积分来设计切换函数,消除了传统变结构控制需要已知期望输出信号导数的假设;利用模糊推理动态地调节切换增益,并采用积分的方法对切换增益上界进行估计,避免了传统滑模控制器需要选取不确定因素上界,同时采用合适的连续函数来代替切换增益中的符号函数,有效地削弱了系统的抖振.仿真结果表明:该控制器应用在风速高于额定风速以上的变桨距控制系统中,对系统参数的不确定性和外部干扰均具有很强的鲁棒性,能够有效地改善风电机组变桨距系统的控制性能.【总页数】4页(P81-84)【作者】杨莉;黄天民;罗光伟;罗华富【作者单位】西南交通大学电气工程学院,四川成都 610031;四川工程职业技术学院电气信息工程系,四川德阳 618000;西南交通大学电气工程学院,四川成都610031;四川工程职业技术学院电气信息工程系,四川德阳 618000;四川工程职业技术学院电气信息工程系,四川德阳 618000【正文语种】中文【中图分类】TV734【相关文献】1.抑制载荷的大型风电机组滑模变桨距控制 [J], 肖帅;杨耕;耿华2.风电机组变桨距系统的反推滑模控制 [J], 廖茜;邱晓燕;江润洲;王刚;李卓艺3.基于RBFNN的风电机组变桨距反推滑模控制 [J], 宋杰;王宪锐;董晓斐;张丹4.变桨距风电机组的桨距角自适应模糊滑模控制 [J], 邱亚娟5.基于最优模糊推理的风电机组变桨距二维模糊PID控制器设计 [J], 肖成;陈刚;冯登超;赵婉丽因版权原因，仅展示原文概要，查看原文内容请购买。
MATLAB是一种被广泛应用的技术计算软件，它提供了许多用于工程和科学计算的功能和工具。
模糊控制是一种基于模糊集合理论的控制方法，它可以处理非线性系统和模糊信息，因此在工程控制领域得到了广泛的应用。
滑模控制是一种鲁棒控制方法，它能够有效地应对系统参数的不确定性和外部干扰，因此在控制系统中具有重要的地位。
在很多实际的工程控制问题中，系统的动态模型可能非常复杂，无法用传统的线性方程描述，而且系统的动态特性可能会受到各种不确定因素的影响。
在这种情况下，传统的控制方法可能无法很好地处理这些复杂的系统。
而模糊滑模控制算法就是为了解决这些问题而提出的。
下面将介绍MATLAB中模糊滑模控制算法的基本原理和实现方法。
一、模糊控制1.1 模糊集合模糊控制是一种基于模糊集合理论的控制方法。
在传统的控制理论中，系统的输入和输出都是确定的实数值，而在模糊控制中，输入和输出都可以是模糊的概念，比如"很小"、"中等"、"很大"等。
这样就可以更好地描述一些非精确的系统和模糊的信息。
1.2 模糊控制原理模糊控制的基本原理是通过模糊化和解模糊化的过程，将模糊的输入转换成模糊的输出。
在模糊控制中，通常需要设计一个模糊推理系统，它包括模糊化接口、模糊规则库、模糊推理引擎和解模糊化接口。
通过模糊化接口将输入转换成模糊的概念，然后通过模糊规则库和模糊推理引擎得到模糊的输出，最后再通过解模糊化接口将模糊的输出转换成确定的实数值。
1.3 模糊控制在MATLAB中的实现在MATLAB中，可以使用模糊逻辑工具箱(Fuzzy Logic Toolbox)来实现模糊控制。
用户可以通过该工具箱快速地建立模糊推理系统，定义模糊变量、模糊集合和模糊规则，并进行模糊推理和解模糊化操作。
二、滑模控制2.1 滑模面滑模控制是一种基于滑模面原理的控制方法。
在滑模控制中，通常需要设计一个滑模面，它是系统状态变量的一个线性组合，通过控制系统状态变量在滑模面上运动，实现对系统的控制。
模糊等效滑模控制模糊等效滑模控制是一种常用于非线性系统控制的方法，它通过引入非线性函数和滑模面来实现系统的稳定性和鲁棒性。
本文将介绍模糊等效滑模控制的基本原理和应用，以及其在实际工程中的优势和局限性。
一、模糊等效滑模控制的基本原理模糊等效滑模控制是将模糊控制和滑模控制相结合的一种控制方法。
模糊控制是一种基于模糊逻辑的控制方法，它使用模糊规则来描述系统的动态特性，并利用模糊推理来确定控制信号。
滑模控制是一种通过引入滑模面来实现系统稳定的控制方法，它通过选择适当的滑模面使系统状态在滑模面上快速收敛，从而实现系统的稳定。
模糊等效滑模控制的基本原理是将滑模控制中的滑模面替换为模糊控制中的模糊集合。
通过将滑模面替换为模糊集合，可以使系统在非线性范围内实现滑模控制的效果，从而提高系统的鲁棒性和稳定性。
模糊等效滑模控制在实际工程中有着广泛的应用。
例如，在机器人控制中，模糊等效滑模控制可以用于实现机器人的路径规划和运动控制。
通过引入模糊等效滑模控制，可以使机器人在复杂环境中实现精确的路径跟踪和运动控制，提高机器人的自主导航能力。
模糊等效滑模控制还可以应用于电力系统的控制。
电力系统是一个高度非线性和复杂的系统，传统的控制方法往往难以满足系统的要求。
通过引入模糊等效滑模控制，可以有效地控制电力系统的频率、电压和功率等参数，提高电力系统的稳定性和鲁棒性。
三、模糊等效滑模控制的优势和局限性模糊等效滑模控制具有以下优势：1. 鲁棒性强：模糊等效滑模控制通过引入模糊集合，可以对非线性和不确定性系统进行鲁棒控制，提高系统的稳定性和鲁棒性。
2. 可调节性好：模糊等效滑模控制可以通过调节模糊规则和滑模面参数来实现对系统的控制，具有较好的可调节性。
3. 适应性强：模糊等效滑模控制可以根据系统的动态特性和环境变化来调整控制策略，具有良好的适应性。
然而，模糊等效滑模控制也存在一些局限性：1. 计算复杂度高：模糊等效滑模控制需要对模糊规则和滑模面参数进行调节和计算，计算复杂度较高。
doi: 10.3969/j.issn.2095-4468.2022.05.203冷却水温差模糊滑模迭代学习控制算法许珂，闫秀英*（西安建筑科技大学建科学院，陕西西安 710000）[摘 要] 本文采用了模糊滑模迭代学习控制算法（FSMILC ），将其应用于具有较大不确定性的冷却水温差控制系统。
变结构控制的切换函数及其变化率作为模糊控制的输入，模糊控制的输出作为迭代学习控制的温差控制增量。
利用MATLAB 进行仿真实验，分析了在无干扰和有连续干扰两种情况下，FSMILC 算法与PID 算法应用于冷却水温差控制系统的控制效果。
结果表明，FSMILC 算法在无干扰情况下系统超调量仅为PID 算法的66.67%；在系统存在外界干扰时，该算法超调量仅为PID 算法的41.66%；FSMILC 算法相比PID 算法不仅响应速度明显提高，而且抗干扰能力大幅改善。
[关键词] 冷却水温差控制；模糊滑模；迭代学习控制；切换函数 中图分类号：TB61+1; TP391.9文献标识码：AFuzzy Sliding Mode Iterative Learning Control Algorithm for Cooling WaterTemperature DifferenceXU Ke, YAN Xiuying *(School of Building Services Science and Engineering, Xi'an University of Architecture and Technology, Xi'an 710055, Shaanxi,China)[Abstract] In this paper, a fuzzy sliding mode iterative learning control algorithm (FSMILC) is used to apply it to a cooling water temperature difference control system with greater uncertainty. The switching function of sliding mode control and the rate of change of the switching function are used as the input of fuzzy control, and the output of fuzzy control is used as the control increment of iterative learning control. Using MATLAB to carry out simulation experiments, the control effect comparison of FSMILC algorithm and PID algorithm applied to the cooling water temperature difference control system is analyzed under the condition of no interference and continuous interference. The results show that the system overshoot of the FSMILC algorithm is only 66.67% of the PID algorithm when there is no interference; when there is continuous interference, the system overshoot is only 41.66% of the PID algorithm; the FSMILC algorithm not only improves the response speed significantly compared to the PID algorithm, and the anti-interference ability is greatly improved.[Keywords] Cooling water temperature difference control; Fuzzy sliding mode; Iterative learning control; Switching function*闫秀英（1980—），女，副教授，博士。
滑模变结构理论一、引言滑模变结构控制本质上是一类特殊的非线性控制,其非线性表现为控制的不连续性,这种控制策略与其它控制的不同之处在于系统的“结构”并不固定,而是可以在动态过程中根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动。
由于滑动模态可以进行设计且与对象参数及扰动无关,这就使得变结构控制具有快速响应、对参数变化及扰动不灵敏、无需系统在线辩识,物理实现简单等优点。
该方法的缺点在于当状态轨迹到达滑模面后,难于严格地沿着滑模面向着平衡点滑动,而是在滑模面两侧来回穿越, 从而产生颤动。
滑模变结构控制出现于20世纪50年代,经历了 50余年的发展,已形成了一个相对独立的研究分支,成为自动控制系统的一种一般的设计方法。
以滑模为基础的变结构控制系统理论经历了 3个发展阶段.第1阶段为以误差及其导数为状态变量研究单输入单输出线性对象的变结构控制; 20世纪60年代末开始了变结构控制理论研究的第2阶段, 研究的对象扩大到多输入多输出系统和非线性系统;进入80年代以来, 随着计算机、大功率电子切换器件、机器人及电机等技术的迅速发展, 变结构控制的理论和应用研究开始进入了一个新的阶段, 所研究的对象已涉及到离散系统、分布参数系统、滞后系统、非线性大系统及非完整力学系统等众多复杂系统, 同时,自适应控制、神经网络、模糊控制及遗传算法等先进方法也被应用于滑模变结构控制系统的设计中。
二、基本原理带有滑动模态的变结构控制叫做滑模变结构控制(滑模控制)。
所谓滑动模态是指系统的状态被限制在某一子流形上运动。
通常情况下,系统的初始状态未必在该子流形上,变结构控制器的作用在于将系统的状态轨迹于有限时间内趋使到并维持在该子流形上,这个过程称为可达性。
系统的状态轨迹在滑动模态上运动并最终趋于原点,这个过程称为滑模运动。
滑模运动的优点在于,系统对不确定参数和匹配干扰完全不敏感。
下图简要地描述了滑模变结构控制系统的运动过程,其中S(t)为构造的切换函数(滑模函数), S(t)=0为滑模面。
模糊分数阶滑模控制的主动横向稳定杆算法模糊分数阶滑模控制的主动横向稳定杆算法，是一种新型的控制算法，它采用了模糊控制和分数阶控制的理论，并融入滑模控制的思想，实现了车辆的主动横向稳定。
本文将详细介绍模糊分数阶滑模控制的主动横向稳定杆算法的原理、特点及应用。
一、模糊分数阶滑模控制的主动横向稳定杆算法的原理模糊分数阶滑模控制的主动横向稳定杆算法的原理，其基本思想是：通过车速、角速度、侧向加速度等传感器所测量的车辆运动状态变量，建立以车辆侧向、侧倾角和横向速度为状态变量的状态空间模型，通过模糊规则库和模糊控制器控制车辆的侧向运动。
具体而言，本算法根据车辆的运动状态，设计了三个控制规则，即偏移量控制、倾角控制和滑动模式控制。
其中，偏移量控制规则用于控制车辆的前轮转角，以消除车辆的偏移量。
在这个控制规则中，模糊控制器的输入是偏移量变量，输出为前轮转角，通过连续型控制器使车辆运动状态沿着期望轨迹稳定，从而达到消除偏移量的目的。
倾角控制规则用于控制车辆的左右倾角，以防止车辆侧翻。
在这个控制规则中，模糊控制器的输入是倾角变量，输出为扭矩控制量，通过分数阶微积分控制器对扭矩控制量进行调节，使车辆侧向稳定。
滑动模式控制规则用于控制车辆的侧向运动，通过滑模控制器对车辆的侧向加速度进行控制，达到对车辆侧向运动的控制。
二、模糊分数阶滑模控制的主动横向稳定杆算法的特点1. 速度自适应性好本算法设计了速度自适应性算法，可以根据不同汽车的速度进行调整，从而更好地适应不同速度下的各种驾驶情况。
这种特点使得该算法能够适应不同车型、不同速度下的稳定性要求，提高了控制精度和效果。
2. 稳定性高由于本算法采用了分数阶微积分控制器和滑模控制器，能够从深层次上控制车辆侧向运动。
这种控制方式比传统的PID控制方式更加稳定，可以保持车辆在直行、拐弯等各种情况下的稳定性，避免了侧翻、失控等意外情况的发生。
3. 鲁棒性强本算法拥有强大的鲁棒性，可以在车辆受到外界干扰、模型不准确等情况下，依然能够保持系统的稳定性和控制精度，较好地解决了传统控制算法所具有的鲁棒性不足的问题。
模糊积分滑模变结构下EMB防抱死控制算法研究
张帅;杨攀涛;秦玉贵
【期刊名称】《制造业自动化》
【年(卷),期】2024(46)2
【摘要】由于汽车行驶环境的复杂性以及在进行防抱死制动时的时变性和不确定性,滑模控制在ABS系统中得到了较高使用,但在实际使用中又很难保证系统运动点较快到达滑模面的同时又不产生较大抖振。
为解决这个问题,提出基于电子机械制动(EMB)的ABS模糊积分滑模变结构控制算法,并利用MATLAB/Simulink和Carsim软件进行联合仿真。
结果表明,所提算法能够将滑移率精确地控制在期望值附近,并且系统响应速度快、稳定性高。
最后,基于NI设备进行SiL研究,对所提算法的有效性进行进一步验证。
【总页数】6页(P166-171)
【作者】张帅;杨攀涛;秦玉贵
【作者单位】中国船舶重工集团公司第七一三研究所
【正文语种】中文
【中图分类】U463.5
【相关文献】
1.汽车防抱死制动系统的滑模变结构控制器设计
2.防抱死制动系统的滑模变结构控制方法研究
3.防抱死制动系统的滑模变结构控制初探
4.防抱死制动系统滑模变结构控制研究
5.汽车防抱死制动系统滑模变结构控制器设计
因版权原因，仅展示原文概要，查看原文内容请购买。
1 模糊积分滑模控制器
12233112233()()x x x x x
f x gu d a x a x a x gu d
=⎧⎪
=⎨⎪=++=−−−++⎩ 其中0i i i a a a =+∆，(),i i a a t t ∆≤∀；0g g g =+∆，(),g t t β∆≤∀；(),d D t t ≤∀。
0i a 、0g 为系统的标称参数，i a ∆、g ∆为系统参数的不确定部分，()i a t 、()t β分别为i a ∆和g ∆的上界，()D t 为扰动d 的上界。
选择滑动模态为
11223110()()t
d z t c x c x x k x x dt =+++−∫
控制器为
012()()()
()l
u t u t u t u t g +∆+∆=
0122311()()()d u t c x c x k x x =−+−− 10()()f u t F D u ∆=−−
21112233()()d u t x x x x ϕϕϕ∆=−++
11()l h f l g g k u g ϕ=−
1()i l h i fi l g g c u g ϕ−=−，2,3i =
（1）()sgn()fi u ββ= （2）加入边界层控制
1
()()fi u sign else ββββ⎧≤⎪=⎨⎪⎩
（3）对()fi u β设计模糊控制器：
32
23
2
232
23
2211297310.56962370.50
633
23700.56332973
0.51696
11
fi u ββββββββββββββββββββββββββ≤−⎧⎪+++⎪−<≤−⎪++⎪+−⎪−<≤⎪++⎪=⎨−−⎪<≤⎪−+⎪−+−⎪<≤⎪−+⎪⎪−>⎩
其中i
z
β=
Φ，1,2,3,4i = 参数选择：
100a =，208873.64a =，3037.68a =，0179425g =，0.869.73d M M =+ ，0f d
M M M =+，030001000sin 2f M t π=+，500100sin 2d M t π=+，00.5sin(2)i i a a t π∆=，00.2sin(2)g g t π∆=，0()0.5i i a t a =，D =60000，2023031.5 1.5F a x a x =+，00.8l g g =，01.2h g g =
初始状态[](0)000T
x =，138175c =，2320c =，1125000k =，19000Φ=，22Φ=，330Φ=，
43000Φ=。
2 仿真结果
2.1 一般积分滑模控制结果
time/s
x 1d ,x
1
time/s
e 1
图
2-1系统跟踪特性曲线图 2-2系统跟踪误差曲线
time/s u
4
time/s
z
图 2-3控制信号u 图 2-4积分滑模z
2.2 模糊积分滑模控制结果
time/s
x 1d ,x
1
time/s
e 1
图 2-5系统跟踪特性曲线
图 2-6 系统跟踪误差曲线
time/s
u
5
time/s z
图 2-7控制信号u 图 2-8 积分滑模z
2.3 加入边界层控制结果
time/s
x 1d ,x
1
time/s
e 1
图 2-9系统跟踪特性曲线 图 2-10系统跟踪误差曲线
time/s
u
4
time/s
z
图 2-11控制信号u 图 2-12积分滑模z
3 Matlab 程序
clear clc
a10=0;
a20=8873.64; a30=37.68; g0=179425; c1=38175; c2=320; k=1125000; q1=9000; q2=2; q3=30; q4=3000;
x1=0; x2=0; x3=0;
sum_e1=0; n=1; t=0;
Dt=0.001; for i=1:2500 %指令信号 if t<0.5 x1d=2; elseif t<1 x1d=-3;
elseif t<1.5
x1d=4;
elseif t<2
x1d=-5;
elseif t<2.5
x1d=0;
end
Mf0=3000+1000*sin(2*pi*t);
DMf0=1000*2*pi*cos(2*pi*t);
Md=500+100*sin(2*pi*t);
DMd=100*2*pi*cos(2*pi*t);
M=Mf0+Md;
DM=DMf0+DMd;
d=0.86*DM+9.73*M;
da1=0.5*sin(2*pi*t)*a10;
da2=0.5*sin(2*pi*t)*a20;
da3=0.5*sin(2*pi*t)*a30;
dg=0.2*sin(2*pi*t)*g0;
f=-(a10+da1)*x1-(a20+da2)*x2-(a30+da3)*x3; g=g0+dg;
e1=x1-x1d;
sum_e1=sum_e1+e1*Dt;
z=c1*x1+c2*x2+x3+k*sum_e1;
F=abs(1.5*a20*x2+1.5*a30*x3);
D=60000;
gl=0.8*g0;
gh=1.2*g0;
%模糊积分滑模控制
uf0=uf(z,q1);
uf1=uf(z,q2);
uf2=uf(z,q3);
uf3=uf(z,q4);
u0=-(c1*x2+c2*x3)-k*e1;
% %加入边界层的积分滑模控制
% if abs(z/q1)<=1
% uf0=z/q1;
% else
% uf0=sign(z/q1);
% end
% if abs(z/q2)<=1
% uf1=z/q2;
% else
% uf1=sign(z/q2);
% end
% if abs(z/q3)<=1
% uf2=z/q3;
% else
% uf2=sign(z/q3);
% end
% if abs(z/q4)<=1
% uf3=z/q4;
% else
% uf3=sign(z/q4);
% end
%
% %一般积分滑模控制
% uf0=sign(z/q1);
% uf1=sign(z/q2);
% uf2=sign(z/q3);
% uf3=sign(z/q4)
u1=(-F-D)*uf0;
fea1=(gl-gh)*abs(k)/gl*uf1;
fea2=(gl-gh)*abs(c1)/gl*uf2; fea3=(gl-gh)*abs(c2)/gl*uf3; u2=fea1*e1+fea2*x2+fea3*x3; u=(u0+u1+u2)/gl;
Dx1=x2;
Dx2=x3;
Dx3=f+g*u+d;
x1=x1+Dx1*Dt;
x2=x2+Dx2*Dt;
x3=x3+Dx3*Dt;
x_store(:,n)=[x1d;x1];
u_store(n)=u;
e_store(n)=e1;
z_store(n)=z;
t=t+Dt;
n=n+1;
end
figure(1)
plot((1:n-1)*Dt,x_store(1,:),(1:n-1)*Dt,x_store(2,:)) legend('x1d','x1')
xlabel('time/s')
ylabel('x1d,x1')
figure(2)
plot((1:n-1)*Dt,e_store)
xlabel('time/s')
ylabel('e1')
figure(3)
plot((1:n-1)*Dt,u_store)
xlabel('time/s')
ylabel('u')
figure(4)
plot((1:n-1)*Dt,z_store)
xlabel('time/s')
ylabel('z')。
