摘要：为了实现起重机吊重系统状态变量的观测,设计起重机吊重系统鲁棒滑模状态观测器,利用便于测量的小车位置信息或小车位置与速度信息,通过合理选取滑模参数矩阵和观测器增益参数矩阵,使观测器动力学矩阵是Hurwitz矩阵,不仅可以使观测器渐近地估计出全部系统状态变量,而且观测器对系统的外界有界干扰具有较强的鲁棒性。仿真结果表明:当选择小车位置信息作为观测器的输入时,各状态变量的观测偏差在约1.5s时渐近地趋于零;当选择小车位置和速度信息作为观测器的输入时,各状态变量的观测偏差在约3.5s时渐近地趋于零;观测器不仅对系统模型中的非线性不确定项具有鲁棒性,而且对不同形式的小车驱动力具有良好的适应性。

摘要：研究起重机吊重系统稳定性控制问题,由于吊重过程产生摆动,起重机吊重系统防摇控制技术中的摆角和摆角速度信息难以准确测量,影响吊重的安全性。为此提出设计了起重机吊重系统降维状态观测器,给出了状态观测器的结构和增益矩阵,实现对摆角和摆角速度的状态信息重构。观测器能够分别在3.5s和1s内估计出系统的摆角和角速度,而且有较强的鲁棒性,实现防摇控制。由于观测器增益参数对观测器极点变化具有不同程度的敏感性,极点越大,收敛速度越快,观测时间越短。但是极点过大也会导致误差出现急剧峰值,不利于防摇实现。仿真结果表明,合理选择极点和设计降维观测器结构能够很好实现状态信息的软测量控制问题。

摘要：针对工程实际中起重机吊重摆角和摆角角速度不易直接测量的问题,利用小车位置信息设计了状态观测器,对吊重摆角和摆角角速度信息进行估计。通过引入观测器输出与小车吊重系统输出之间的差值并经过观测器的增益向量调节送至观测器的输入端,合理配置观测器的极点,实现观测器对摆角和摆角角速度稳定、快速估计。仿真研究表明:基于状态估计的吊重摆角信息获取方法可行,观测器能在2s内实现在线观测,而且具有较强的鲁棒性;随着极点的增大,观测器对吊重和绳长的变化具有更宽的适应范围,但极点过大时,估计误差会出现上冲或下冲的现象;观测器对绳长的变化始终比对吊重的变化更敏感。

摘要：通过坐标变换将起重机吊重系统转换成标准型，以唯一测量的小车位置信息为输入，设计扩张状态观测器，得到标准型系统状态变量的估计值；对估计值进行坐标反变换，重构起重机吊重系统状态空间，获取全部系统状态变量。观测器的设计不依赖于起重机吊重系统模型。通过实验合理选择观测器参数和原点附近具有线性段的连续幂次函数，实验结果表明：各状态变量的误差收敛时间不超过0．2S；当误差收敛时，经过观测器重构的小车位置小车速度、吊重摆角一摆角速度相轨迹，几乎与原系统相轨迹完全重合。

摘要：为了获取起重机吊重系统状态变量的估计信息,全维重构系统状态空间,通过坐标变换,将起重机吊重系统转换为等效的标准积分串联型系统,以惟一测量的小车位置信息作为输入,针对起重机吊重积分串联型系统设计扩张状态观测器,并将起重机吊重系统复杂的建模动态、外部干扰等因素扩张成新的状态变量.将观测器状态变量通过坐标反变换获得起重机吊重系统的估计状态向量,实现系统状态空间的重构.仿真实验表明:各状态变量误差收敛时间不超过0.2s;当连续幂次函数的线性区间长度范围为(0,0.01]时,观测器能有效地重构系统状态空间;观测器对系统参数的变化具有良好的鲁棒性.

摘要：针对工程实际中起重机吊重摆角和摆角角速度不易测量的问题,利用小车位置信息设计了状态观测器,小车吊重系统和观测器构成在线软测量系统。通过引入观测器输出与小车吊重系统输出之间的差值并经过观测器的增益向量调节送至观测器的输入端,将观测器的极点配置在负实轴的同一点上,实现对系统变量稳定、快速软测量。仿真试验表明,在线软测量系统具有较强的鲁棒性;随极点增大,软测量系统对吊重和绳长变化具有更宽的适应范围,但极点过大时,会出现测量误差上冲或下冲现象;当极点确定时,软测量效果对绳长变化比吊重变化敏感。

摘要：针对工程实际应用中桥式起重机或门式起重机吊重摆角和摆角角速度不易直接测量的问题,利用小车位置信息设计了状态观测器,对吊重摆角和摆角角速度信息进行估计.通过引入观测器输出与小车吊重系统输出之间的差值,该差值经过观测器的增益向量调节送至观测器的输入端,将观测器的极点配置在负实轴上,实现观测器对摆角和摆角角速度稳定、快速估计.仿真研究表明:基于状态估计的吊重摆角信息获取方法可行,观测器具有较强的鲁棒性;随极点增大,观测器对吊重和绳长变化具有更宽的适应范围,但极点过大时,会出现估计误差上冲或下冲现象;当极点确定时,观测器对绳长变化比吊重变化敏感.

摘要：为了解决起重机吊重系统吊重摆角速度不易直接测量的问题,利用神经网络能对任意函数逼近的原理,采用RBF神经网络针对吊重摆角子系统,以吊重摆角为可测输入量,在基本状态观测器的基础上设计了神经网络状态观测器,通过合理设计神经网络参数,实现对吊重摆角速度现场软测量.与基本观测器的观测结果进行了对比仿真,结果表明:神经网络观测器的观测时间不到1 s;当系统存在建模误差和参数摄动时,神经网络观测器能较好地适应小车驱动力输入形式;在达到观测时间之前,基本观测器存在明显的高频振荡现象,且振荡的幅值随外界干扰幅值的增大而增大,神经网络观测器具有较平稳的观测过程.

摘要：为了抵消伴随型非线性系统中的非线性项,可以设计控制器对非线性系统精确线性化.通常由于系统中存在外界不确定性因素导致系统模型的不确定,而不能直接设计控制器.利用"RBF神经网络能以任意精度逼近连续函数"的原理,对系统模型中的不确定项进行自适应辨识,并将辨识结果提供给控制器,从而实现伴随型非线性系统的神经网络自适应补偿控制.将控制器应用于起重机吊重摆角子系统,对摆角进行控制.实验结果表明:吊重摆角及其角速度约在5s后,得到了很好的控制,并且控制器对系统模型的不确定项的逼近误差约在5s时达到0;控制器对系统的不确定性因素和系统参数变化均具有很强的鲁棒性.

摘要：为了控制起重机吊重摆动幅度在最短时间内衰减到规定范围或平衡点附近，同时考虑到由于外界不确定性因素导致的系统模型的不确定性，设计了自适应径向基函数Radial Basis Function（RBF）神经网络补偿控制器。RBF神经网络对系统模型的未知函数进行辨识，并将辨识信息提供给控制器。实验结果表明：吊重摆角约在5s时跟踪给定幅度的正弦信号，并在参考信号发生突变时，摆角仍在给定的范围内；RBF神经网络约在5s后几乎以零误差辨识未知函数。所设计的控制器对不确定性因素具有较强的鲁棒性，这也验证了控制系统稳定性证明结论。