不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点，提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准确的控制。与普通模糊控制方法相比较，仿真试验说明了系统设计的有效性。     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.     

电液伺服系统的神经网络在线学习补偿自适应控制

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想，提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制，避免控制器的输出产生振荡或进入饱和状态。工程应用表明，该方法将过程辨识和“参征器”引入神经网络的学习和控制中，可有效地提高了系统的控制品质。     

电液伺服系统的神经网络在线学习补偿自适应控制

基于反馈误差学刁法、小波分析理论并结合面向控制的辨识思想，提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息，利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制，避免控制器的输出产生振荡或进入饱和状态。工程应用表明，该方法将过程辨识和“参征器”引入神经网络的学习和控制中，可有效地提高系统的控制品质。     

航空光电稳定平台质量不平衡力矩的前馈补偿

讨论了旋翼直升机高频振动时产生的质量不平衡力矩对航空光电稳定平台性能的影响。基于传统光电稳定平台电流反馈、速度反馈、位置反馈的三闭环控制系统提出了一种基于系统模型的质量不平衡力矩前馈补偿方法。该方法通过标定平台质量偏心,利用加速度传感器获取平台加速度信号来对平台的质量不平衡力矩进行前馈补偿,实现对平台质量不平衡力矩的抑制,提高光电稳定平台的扰动抑制能力。实验结果表明:相对于传统三闭环控制系统,引入前馈补偿后系统的扰动隔离度至少提高了6.4dB;相对于利用扰动观测器对质量不平衡力矩进行补偿的传统补偿方案,引入前馈补偿的光电稳定平台系统不仅在低频段补偿效果提升约12.9dB,而且克服了扰动观测器在高频时不能补偿质量不平衡力矩带来的影响,使平台在全频段的扰动隔离度都大幅提高,视轴能更好地稳定在惯性空间内,具有较高的实用性和使用价值。     

动压缸电液伺服压力系统自适应差分进化辨识

根据轨道路基测试装置工作原理,建立了动压缸电液伺服压力系统AMESim模型,理论推导出该系统传递函数。针对标准差分进化算法早熟问题,构造了一种可以自动调节变异因子、变异算子和交叉因子的自适应差分进化算法。设计了基于该系统AMESim模型的参数辨识方案,进行了自适应差分进化算法与其他算法的对比仿真,验证了该算法具有良好的辨识精度和收敛性,给出了动压缸负载开环传递函数辨识参数,并通过自适应差分进化算法获得了伺服阀系统开环传递函数辨识参数。最后给出了动压缸电液伺服压力系统传函参数,通过与该系统AMESim模型对比仿真,验证了该辨识参数的有效性。     

自适应差分进化改进云资源调度

为了解决云制造资源调度与实际制造场景不符、易陷入局部最优和收敛速度过慢的问题,提出了一种基于自适应多目标差分进化的制造资源调度方法。该方法考虑了实际云制造平台资源调度特点,建立了一个具有时序约束及成本约束的多目标优化资源调度模型。针对云制造资源调度特点,对传统差分进化进行改进,提出自适应变异率和交叉率,实现了寻优过程中变异率与交叉率的动态调整,均衡了多目标差分进化全局搜索与局部搜索能力,提高了最优解搜索的精度与速度。实际算例证明了该方法的有效性和可行性。     

基于RBF的机械手无需模型自适应控制研究

针对机械手存在的扰动等未知模型,提出了基于RBF神经网络的自适应控制策略.采用RBF神经网络对机械手动力学模型在线自学习,并根据Lyapunov稳定性理论建立了网络权值自适应学习律,确保了网络逼近误差的收敛及系统的稳定.以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,实现了无需模型的机械手自适应控制,提高了系统的控制性能及对外部不确定扰动的鲁棒性,对实际工业机械手的自适应控制具有一定的可操作性.     

基于遗传算法和Elman神经网络的接触式探头动态特性补偿

动态特性不理想是接触式探头系统动态测量误差的重要来源,严重制约探头测量速度和精度的提升。提出一种基于遗传算法优化Elman神经网络的探头动态特性补偿方法。针对微纳米接触式探头,采用遗传算法优化Elman神经网络的方法对其动态响应输出信号进行了补偿,使用自适应递推最小二乘方法辨识出补偿前后的探头系统动态模型。探头系统的动态测量不确定度由补偿前的77.8 nm减小至12.1 nm。遗传算法具有较好的全局搜索能力,克服了Elman神经网络容易陷入局部极值的缺陷,该动态补偿方法具有较快的网络训练速度和较高的动态补偿精度。仿真分析及不确定度评定结果都验证了该方法的有效性。