关于磁悬浮技术的研究与开发在国内外均处于迅速发展中。磁悬浮从原理上来说并不难理解，但是真正将其应用于产业却是近几年才开始的。悬浮系统在现代社会生活中有着非常多的应用场景，如磁悬浮列车和磁悬浮轴承。

但是悬浮间隙高度的不稳定状态严重影响并且抑制了磁悬浮产品的开发应用。因此，对于磁悬浮系统悬浮间隙高度的不稳定状态有必要进行控制算法上的优化。经典的磁悬浮（如单点悬浮球）系统主要由悬浮球、电磁铁、传感器和安装支架等构成。其不稳定状态主要是因为悬浮球的实际悬浮间隙高度不是一个恒定值，与设定的参考值相比较，一直处于一个不断变化的状态，如果变化得过于剧烈，系统就会很不稳定。

目前对于悬浮系统有很多种控制算法已被应用于仿真阶段，如比例积分微分（proportion integration differentiation, PID）控制算法、神经网络控制算法和滑模控制算法。

• 有学者利用神经网络的学习功能在传统PID控制器的基础上构建了一种自适应PID控制器，提高了悬浮球悬浮和抗干扰效果。
• 有学者在常规PID控制的基础上，通过模糊控制算法对PID的参数进行整定，使系统达到更好的控制效果。
• 有学者提出了一种基于模糊滑模观测器的磁悬浮高速永磁同步电机转子位置的检测方法，通过模糊控制调节滑模观测器的滑模增益，以实现低速抖振抑制。

由此可见，每种算法都各有其优点和缺点：PID控制算法结构非常简单明了，响应时间也较快，但是对于高精度控制和高稳定性控制则无法满足要求；智能控制算法控制效果不错但其收敛时间相对较长，也无法用于工程实践；滑模控制响应时间和控制效果均比较良好，但因其自身原理，在非连续切换时会引起剧烈抖震。因此很有必要将各种算法的优点结合起来，通过一种算法的优势来弥补另一种算法的不足。

江西理工大学电气工程与自动化学院的研究人员，对单点悬浮球系统采用精简和理想化的方法，通过数学推导获得一个与其相对接近的数学模型，将这个模型作为所研究控制算法的被控对象，分别使用PID算法以及基于RBF神经网络自适应滑模控制算法，对被控对象进行悬浮间隙高度的仿真实验。通过仿真实验对比，来证实基于径向基函数（radial basis function, RBF）神经网络自适应滑模算法的突出性。

图1 固高悬浮仪主要工作原理示意图

图2 控制系统结构图

研究者最后得出结论如下：

• 1）RBF神经网络自适应滑模控制结合了RBF神经网络相对较强的函数逼近能力和滑模控制对不确定对象良好的鲁棒性及系统响应快、易于实现等优点，弥补了RBF神经网络智能算法的不足之处。但滑模控制会因为不连续的开关特性而引起系统的抖震，本文通过使用等速趋近率的方法来进行抑制。通过算法设计出了将两者集合起来的RBF神经网络自适应滑模控制算法。
• 2）通过与传统经典PID控制算法初始同时给定固定参考值输入的仿真结果比较，能够明显地得出结论，固高悬浮仪设定的悬浮间隙在给定固定参考值的信号下，RBF神经网络自适应滑模控制具有更快的响应时间、更小的超调量以及更加平衡的稳定状态。
• 3）通过与传统经典PID控制算法同时给定一个阶跃干扰信号的仿真结果比较，能够明显地得出结论，固高悬浮仪设定的悬浮间隙在给定一个阶跃干扰信号后，RBF神经网络自适应滑模控制在受到干扰后产生的波动影响更小，恢复稳定状态所用的时间也更短，系统在遇到干扰时相对表现的状态更加稳定。
• 4）通过与传统经典PID控制算法同时给定一个正弦信号输入信号且对比其跟随性的仿真结果（如图6所示），能够明显地得出结论，固高悬浮仪设定的悬浮间隙在给定一个正弦信号后，经典PID算法的跟随性能大致上一般，在一定程度上有很大的超调量；而RBF神经网络自适应滑模控制算法基本能够很好地跟随正弦波信号，跟随效果也远远优于经典PID控制算法。

仿真结果表明，RBF神经网络自适应滑模控制的方法满足固高悬浮仪之类的单点悬浮系统对快速和平稳的控制要求。

目前，商业应用的磁悬浮系统普遍使用经典的PID控制，其控制效果并不理想。因此，本文针对经典PID算法超调量大、响应时间长以及抗干扰能力差的问题，基于固高悬浮仪验证平台，设计了RBF神经网络自适应滑模控制器。该控制器对固高悬浮仪悬浮效果有着明显的改进，在响应时间、超调量。抗干扰以及跟随性上比传统经典PID控制器均有明显的性能提升。

以上研究成果发表在2020年第2期《电气技术》杂志，论文标题为“径向基函数神经网络补偿的悬浮球悬浮高度自适应滑模控制”，作者为杨杰、黄晨、石恒。