«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:

期数:

2025年02期

页码:

82-86

栏目:

出版日期:

2025-04-15

文章信息/Info

Title:

Adaptive sliding mode control method for heavy-duty gas turbine based on NLP-CNN

文章编号:

1000-0682（2025）02-0082-05

作者:

李梁永; 梅小强; 郭东霞

（1.杭州华电江东热电有限公司,浙江 杭州 310028；2.北京四方继保自动化股份有限公司仿真事业部,北京 100085）

Author(s):

LI Liangyong;  MEI Xiaoqiang;  GUO Dongxia

(1.Hangzhou Huadian Jiangdong NG Cogeneration Co.,Ltd.,ZheJiang Hangzhou 310028,China; 2. BEIJING SIFANG AUTOMATION CO.,LTD.,Beijing 100085, China)

关键词:

NLP-CNN; 重型燃气轮机; 滑模面; 滑模控制器

Keywords:

NLP-CNN;  Heavy duty gas turbine;  Sliding surface;  Sliding mode controller

分类号:

U644.131

DOI:

10.19950/j.cnki.CN61-1121/TH.2025.02.015

文献标志码:

A

摘要:

自适应滑模控制能够提高系统的鲁棒性，但在重型燃气轮机自适应滑模控制的实际应用中，由于模型不确定性和外部干扰的复杂性，系统的鲁棒性可能仍然不足。为此，引入基于NLP-CNN技术对重型燃气轮机自适应滑模控制方法进行改进，首先利用NLP对采集的燃气轮机运行数据进行转换，再利用CNN的双卷积层，结合激活函数，提取出燃气轮机的多个状态特征，再利用池化层对其进行降维，输出燃气轮机的动态特性分析结果，以提高燃气轮机的运行稳定性为控制目标，计算燃气轮机的状态函数，并确定相应的滑模面，再设计自适应律，从而完成对燃气轮机自适应滑模控制器的设计。以多虚拟同步机控制方法、RBF神经网络控制方法以及该方法进行控制实验研究。实验结果表明，该方法超调量平均值为0.44，远低于多虚拟同步机控制方法和RBF神经网络控制方法，在实际应用中的控制性能较好。

Abstract:

Adaptive sliding mode control can improve the robustness of the system, but in the practical application of adaptive sliding mode control for heavy-duty gas turbines, the robustness of the system may still be insufficient due to the complexity of model uncertainty and external interference. Therefore, NLP-CNN technology is introduced to improve the adaptive sliding mode control method for heavy-duty gas turbines. Firstly, NLP is used to convert the collected operating data of the gas turbine. Then, CNN’s double convolutional layer is used, combined with the activation function, to extract multiple state features of the gas turbine. Finally, the pooling layer is used to reduce its dimensionality and output the dynamic characteristic analysis results of the gas turbine to improve its operating stability as the control objective. The state function of the gas turbine is calculated, and the corresponding sliding surface is determined. Finally, an adaptive law is designed, Thus, the design of an adaptive sliding mode controller for gas turbines is completed. Conduct control experimental research using multi virtual synchronous machine control method, RBF neural network control method, and this method. The experimental results show that this method has a much higher qualitative performance than the other two methods, reaching 0.89, and the overshoot value is relatively low, with an average value of only 0.44, far lower than the 5.89 of the multi virtual synchronous machine control method and the 12.57 of the RBF neural network control method. Its control performance is good in practical applications.

参考文献/References:

[1] 樊帆,郑皓,史浩东,等.深水清淤机械臂阀控液压油缸的加速干扰自适应滑模控制方法[J].哈尔滨工程大学学报, 2023, 44 (10): 1849-1856.
[2] 袁敞,毕嘉亮,陈虎,等.多虚拟同步机系统的自适应滑模变结构控制方法[J].电力系统保护与控制, 2023, 51 (08): 26-36.
[3] 于世伟,鲁守银,李志鹏,等.基于RBF神经网络的上肢外骨骼康复机器人自适应控制方法[J].计算机时代, 2023, 45(10): 83-88.
[4] 王晓侃,王琼.车载超级电容系统的RBF神经网络自适应鲁棒滑模控制方法[J].中南民族大学学报(自然科学版), 2022, 41 (01): 59-63.
[5] 江浩斌,冯张棋,洪阳珂,等.应用于车辆纵向控制的无模型自适应滑模预测控制方法[J].汽车工程, 2022, 44 (03): 319-329.
[6] 张红义,呼木吉乐图.电压跌落下的双馈风力发电机网侧变流器自适应变惯量控制方法[J].微电机, 2023, 56 (10): 49-54.
[7] 丁晟,赵大兴,许万,等.基于工业机器人的焊缝参数自适应控制方法[J].湖北工业大学学报, 2023, 38 (05): 19-24.
[8] 祝文星,王立辉,田栢苓.基于有限时间观测器的四旋翼无人机积分滑模控制方法[J].中国惯性技术学报, 2023, 31 (12): 1244-1253.
[9] 李中奇,张俊豪,唐博伟.高速列车精确停车的超扭曲非奇异终端滑模控制方法[J].铁道学报, 2023, 45 (12): 83-91.
[10] 黄国凯.外部常值干扰下的永磁同步电机速度环滑模控制方法[J].重庆科技学院学报(自然科学版), 2023, 25 (06): 100-106.
[11] 赵凯辉,易金武,刘文昌,等.一种永磁同步电机无模型超螺旋快速终端滑模控制方法[J].电力系统保护与控制, 2023, 51 (22): 88-98.
[12] 王策,杨升,张磊,等.基于指数增益迭代学习的机械臂二阶滑模控制方法[J].化工自动化及仪表, 2023, 50 (05): 644-651.
[13] 马振九,夏春明,赵彤彤,等.基于非线性干扰观测器的模糊自适应滑模控制[J].自动化仪表, 2023, 44 (11): 32-39.
[14] 赵明翰,周郁,赵桂军,等.纵向双轮平衡车滑模控制设计与仿真[J].自动化技术与应用, 2022, 41 (03): 7-11+34.
[15] 刘子阳,江卫华,胡为兵.虚拟同步发电机惯量和阻尼参数模糊自适应控制策略[J].电气应用, 2022, 41 (09): 16-21.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2024-08-27第一作者：李梁永（1975—），男，浙江杭州人，本科，工程师，研究方向为发电厂机组检修及安全管理。

常用功能

更新日期/Last Update: 1900-01-01