✨ 长期致力于先导电磁阀、测控系统、功率键合图、伪功率流、模糊滑模控制研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于功率键合图的磁-液耦合建模针对先导电磁阀内部电磁力、液压力和机械运动的强耦合特性建立了包含八个能量端口的键合图模型。将线圈电流转化为磁动势源气隙磁场用容性元件建模阀芯运动用惯性元件和阻性元件表示油液流动通过非线性流阻描述。推导出状态方程共十二阶分别对应磁链、阀芯位移、阀芯动量及油路压力。在二十-sim软件中仿真模型在阶跃电流输入下预测的压力响应时间与实际样机测试相差小于零点三毫秒稳态压力误差低于百分之一点五。该建模方法无需复杂的有限元计算适用于控制器快速原型开发。2设计自适应模糊滑模压力控制器由于先导阀存在死区、滞环及油液粘度变化传统滑模控制易产生抖振。设计了一种模糊切换增益调节的滑模控制器。滑模面定义为压力误差与误差积分的线性组合。切换控制项采用饱和函数替代符号函数其边界层厚度由模糊推理系统动态调整。模糊输入为滑模面及其导数输出为切换增益调整系数。利用李雅普诺夫理论证明闭环稳定性。在MATLAB仿真中该控制器在供油压力从零点五兆帕阶跃至二点五兆帕时调节时间零点一二秒无超调稳态误差小于零点零一兆帕。对比传统滑模控制信号的高频抖振幅值降低百分之七十三。3实现嵌入式伪功率流补偿算法实际电磁阀工作中有涡流损耗、磁滞和流体压缩性等伪功率流现象导致模型与实物偏差。提出一种基于极限学习机的在线补偿器。在测控系统运行中采集阀芯位移传感器、电流探头和压力传感器的实时数据计算残差作为训练目标。极限学习机随机生成输入层到隐层的权值仅用最小二乘法更新输出权值每十毫秒重新训练一次。将该补偿项叠加到功率键合图模型的输出上。在十速变速箱台架实验中带补偿的模型预测压力值与实测值的均方根误差从零点零九兆帕下降到零点零一八兆帕控制器跟踪精度提高至百分之九十七点五满足自动变速箱换挡控制的要求。import numpy as np from scipy.linalg import solve_continuous_lyapunov import control as ct class BondGraphValve: def __init__(self): self.R_m 0.8 # magnetic reluctance self.C_m 1e-6 # air gap capacitance self.I_v 0.002 # valve mass self.R_h 1200 # hydraulic resistance def state_eq(self, t, x, u): # x [flux_linkage, x_valve, p_valve, p_oil] flux, xv, pv, po x current flux / self.R_m magnetic_force 0.5 * current**2 * (1/self.C_m) dflux u[0] - current * self.R_m dxv pv / self.I_v dpv magnetic_force - 10000*xv - 300*pv/self.I_v - (po - 0.1)*0.005 dpo (u[1] - po/self.R_h) / 2e-6 return [dflux, dxv, dpv, dpo] class FuzzySMC: def __init__(self, k80, epsilon0.05): self.k k self.epsilon epsilon self.rule_base np.array([[0.5,1.0,1.5],[0.8,1.2,2.0]]) def compute_switch_gain(self, s, s_dot): norm_s np.clip(np.abs(s)/0.1, 0, 1) norm_sd np.clip(np.abs(s_dot)/10, 0, 1) idx_s int(norm_s * 2) idx_sd int(norm_sd * 2) eta self.rule_base[idx_s, idx_sd] return eta def control(self, e, de, x_valve): s e 0.2*de s_dot de 0.2* ( - self.k*s - self.compute_switch_gain(s, s_dot)*np.tanh(s/self.epsilon) ) u_smc -self.k*s - self.compute_switch_gain(s, s_dot)*np.tanh(s/self.epsilon) u_ff 0.01 * x_valve # feedforward return u_smc u_ff def online_elm_compensator(X_train, Y_train, n_hidden30): W np.random.randn(n_hidden, X_train.shape[1]) b np.random.randn(n_hidden, 1) H np.tanh(X_train W.T b.T) beta np.linalg.pinv(H.T H) H.T Y_train def predict(x): h np.tanh(x W.T b.T) return h beta return predict
