自平衡机器人是验证各种控制算法的经典装置,研究传输时滞对其控制系统的影响具有重要意义。基于李雅普诺夫-克拉索夫斯基(Lyapunov-Krasovskii,L-K)泛函方法讨论了自平衡机器人的控制问题。首先,建立了直流电机的线性化模型,并应用拉...自平衡机器人是验证各种控制算法的经典装置,研究传输时滞对其控制系统的影响具有重要意义。基于李雅普诺夫-克拉索夫斯基(Lyapunov-Krasovskii,L-K)泛函方法讨论了自平衡机器人的控制问题。首先,建立了直流电机的线性化模型,并应用拉格朗日方程法建立了自平衡机器人的线性数学模型;然后,进一步考虑传输时滞环节,建立基于多闭环比例积分微分(proportional integral differential,PID)控制器的自平衡机器人控制系统的整体状态空间模型;最后,应用广义自由矩阵积分不等式,建立了低保守性的L-K稳定性判据,在此基础上通过MATLAB中的线性矩阵不等式(linear matrix inequality,LMI)工具箱去求解PID控制增益对时滞稳定裕度的影响。仿真结果表明,所提出的系统稳定性判据不仅有效,而且具有较低的保守性。展开更多
机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了...机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。展开更多
文摘自平衡机器人是验证各种控制算法的经典装置,研究传输时滞对其控制系统的影响具有重要意义。基于李雅普诺夫-克拉索夫斯基(Lyapunov-Krasovskii,L-K)泛函方法讨论了自平衡机器人的控制问题。首先,建立了直流电机的线性化模型,并应用拉格朗日方程法建立了自平衡机器人的线性数学模型;然后,进一步考虑传输时滞环节,建立基于多闭环比例积分微分(proportional integral differential,PID)控制器的自平衡机器人控制系统的整体状态空间模型;最后,应用广义自由矩阵积分不等式,建立了低保守性的L-K稳定性判据,在此基础上通过MATLAB中的线性矩阵不等式(linear matrix inequality,LMI)工具箱去求解PID控制增益对时滞稳定裕度的影响。仿真结果表明,所提出的系统稳定性判据不仅有效,而且具有较低的保守性。
文摘机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。
