Unsicherheitsbewusste RBF-verbesserte Gleitmodusregelung für ein magnetisches Schwebesystem

Magnetische Schwebesysteme (MLS) zeigen starke nichtlineare elektromagnetische Dynamiken und große Modellvariationen an Betriebspunkten, was es schwierig macht, mit modellenabhängigen Reglern wie PID oder klassischer Gleitmodusregelung (SMC) eine hochpräzise Leistung zu erzielen. Um die signifikante Modellunsicherheit, die MLS eigen ist, anzugehen, schlägt diese Studie ein unsicherheitsbewusstes Regelungsframework vor, das die Robustheit und Effizienz der SMC durch ein radial basis function Neuronales Netzwerk (RBF NN) verbessert. Das RBF NN lernt und passt sich in Echtzeit an Nichtlinearitäten, betriebspunktabhängige Variationen und gebündelte Störungen an, wodurch die Last auf den robusten Term der SMC reduziert und das Chattering gemindert wird. Experimentelle Ergebnisse an einem Labor-MLS zeigen, dass die vorgeschlagene RBF-verbesserte SMC die maximale Regelkreisempfindlichkeit um 21,1 % reduziert und den sinusoidalen Nachlauffehler um 80,2 % im Vergleich zu einem herkömmlichen PID-Regler verringert. Diese Ergebnisse bestätigen, dass die unsicherheitsbewusste adaptive Regelung die Robustheit, Genauigkeit und Stabilität in der magnetischen Levitation erheblich verbessert.