Stability and Convergence Analysis of Direct Adaptive Inverse Control

Shafiq, Muhammad; Yousef, Hassan

doi:10.1155/2017/7834358

Cited by 18 publications

(13 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O sinal de distúrbio n(k) foi adicionado ao sinal de controle u(k). O modelo da planta P (q −1 ), o sinal de referência r(k) e o sinal de distúrbio n(k) foram obtidos em [7]. A equação de diferença da planta é dada por:…”

Section: Resultados Computacionaisunclassified

“…Plantas com atraso puro de tempo não podem responder instantaneamente a uma ação de controle. Para solucionar esse problema, é incorporada à estrutura do IAIC um bloco de atraso q −L , tal que L ∼ = (M +d+m)/2 [7]. Considerando-se que o IAIC seja representado por um filtro Finite Impuse Response (FIR) adaptativo de ordem M .…”

Section: Controle Inverso Adaptativo Indiretounclassified

“…Para as técnicas de AIC, o vetor de pesos da função de transferência inversa da planta é atualizado em função da minimização de um índice de performance por um algoritmo de otimização baseado, por exemplo, no método do gradiente descendente estocástico. Na literatura, para o projeto de AIC, já foram utilizados os seguintes algoritmos adaptativos baseados no método do gradiente descendente estocástico: Least Mean Square (LMS) [11], Normalized Least Mean Square (NLMS) [7] e Affine Projection (AP) [3]. O algoritmo NLMS ao contrário do LMS, soluciona o problema de sensibilidade à dimensão do vetor de entrada pela normalização com a potência desse sinal.…”

Section: Introductionunclassified

See 2 more Smart Citations

Metodologia de Controle Inverso Adaptativo Indireto via Algoritmo FASS-NLMS

Noronha

2021

Proceeding Series of the Brazilian Society of Computational and Applied Mathematics

View full text Add to dashboard Cite

Resumo. Uma questão fundamental em aplicações envolvendo filtros adaptativos é que durante a atualização da estimativa do vetor de pesos por um algoritmo de otimização seja obtido um bom trade-off entre a velocidade de convergência e o erro médio quadrático no regime estacionário. Nesse sentido, visando desenvolver um algoritmo de otimização baseado em gradiente descendente estocástico com uma rápida velocidade de convergência e um pequeno erro médio quadrático no regime estacionário, é proposta uma nova versão do Normalized Least Mean Square (NLMS) com o tamanho de passo adaptado por um Sistema de Inferência Fuzzy Mamdani. Para validação do algoritmo proposto foi realizado o projeto de Controle Inverso Adaptativo Indireto (do inglês, IAIC -Indirect Adaptive Inverse Control ) para uma planta de fase não mínima na presença de um sinal de distúrbio adicionado ao sinal de controle.

show abstract

Section: Resultados Computacionaisunclassified

Section: Controle Inverso Adaptativo Indiretounclassified

Section: Introductionunclassified

See 1 more Smart Citation

Metodologia de Controle Inverso Adaptativo Indireto via Algoritmo FASS-NLMS

Noronha

2021

Proceeding Series of the Brazilian Society of Computational and Applied Mathematics

View full text Add to dashboard Cite

show abstract

“…Through the driver's driving behavior obtained by the big data platform, this paper analyzes how the motor braking force matches the driver's driving behavior characteristics and energy recovery efficiency and provides a reference for the follow-up system of electric vehicle braking energy recovery based on big data calculation. The results of this paper provide a reference to the braking capacity feedback intelligent control for future new energy vehicles based on big data analysis [54][55][56][57].…”

Section: Discussionmentioning

confidence: 99%

Energy Recovery Strategy Numerical Simulation for Dual Axle Drive Pure Electric Vehicle Based on Motor Loss Model and Big Data Calculation

2018

View full text Add to dashboard Cite

Aiming at the braking energy feedback control in the optimal energy recovery of the two-motor dual-axis drive electric vehicle (EV), the efficiency numerical simulation model based on the permanent magnet synchronous motor loss was established. At the same time, under different speed and braking conditions, based on maximum recovery efficiency and data calculation of motor system, the optimization motor braking torque distribution model was established. Thus, the distribution rule of the power optimization for the front and rear electric mechanism was obtained. This paper takes the Economic Commission of Europe (ECE) braking safety regulation as the constraint condition, and finally, a new regenerative braking torque distribution strategy numerical simulation was developed. The simulation model of Simulink and CarSim was established based on the simulation object. The numerical simulation results show that under the proposed strategy, the average utilization efficiency of the motor system is increased by 3.24% compared with the I based braking force distribution strategy. Moreover, it is 9.95% higher than the maximum braking energy recovery strategy of the front axle. Finally, through the driving behavior of the driver obtained from the big data platform, we analyze how the automobile braking force matches with the driver’s driving behavior. It also analyzes how the automobile braking force matches the energy recovery efficiency. The research results in this paper provide a reference for the future calculation of braking force feedback control system based on big data of new energy vehicles. It also provides a reference for the modeling of brake feedback control system.

show abstract

“…On the other hand, this method presents a strong overshoot at the first moment. Stability and convergence of the controller are separately covered by authors in a subsequent article [144]. The convergence of the error to zero and the boundedness of the controller parameters are provided with the Schur stability verification of polynomial theorem.…”

Section: Neural Feed-forward Controlmentioning

confidence: 99%