摘要 针对磁悬浮系统具有开环不稳定、非线性以及传统PID控制器由于固定参数无法达到很好的控制效果问题，本文提出一种RBF神经网络前馈逆补偿—模糊RBF神经网络反馈控制方法，将模糊控制和RBF神经网络融合到PID控制器参数调整中。该方法满足磁悬浮系统静态和动态性能要求，通过与常规PID控制的比较，结果表明，改进后的控制具有更好的适应性和鲁棒性，可以更有效地控制磁悬浮系统。

关键词：PID控制 RBF神经网络 模糊RBF神经网络
1 引言
磁悬浮系统（MLS）是利用电磁力对物体悬浮、旋转或移动，是一种非接触式操作方式。这种模式可以有效地减少机械振动，摩擦和接触操作所造成的摩擦损失。此外，它还可以延长设备的使用寿命，减少维护频率和噪音[1]。
随着控制技术领域的发展，诸多复杂多样的控制策略应用到磁悬浮，如早期的PID控制，自适应滑模控制，模糊神经网络以及线性二次型最优控制等，但磁悬浮系统本身就是一类典型的参数不确定性和非线性系统[2]，对系统的动态及静态性能要求很高，这就为磁悬浮控制系统的设计带来了挑战。本文针对设计一个响应快，精度高，稳定性能好的磁悬浮系统控制器进行了广泛和深入的研究。常规PID控制器简单、稳定，参数容易调整以及无静态误差，但当控制对象是时变系统时，控制器参数难以自动调整以适应外部环境的变化，因此很难达到理想的控制效果。模糊控制不依赖于具体的数学模型，非线性系统控制的动态性能较好，但稳态性能较差。神经网络自学习适应复杂问题的能力和径向基函数（RBF）神经网络具有更快的学习速度和良好的泛化能力，能以任意精度逼近非线性系统。综上所述，设计一个相对符合实际情况的控制器，必须结合几种控制算法的优点，更大程度的克服磁悬浮系统自身所拥有的控制难点。
本文研究了RBF神经网络前馈逆补偿—模糊RBF神经网络反馈控制方法。将模糊控制和RBF神经网络融合到PID控制器参数调整中，一方面加快系统响应速度，另一方面由于神经网络特有逼近特性，使参数的调整更准确，从而提高对磁悬浮系统的控制效果。
作者：李莹