基于ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。     

SMA驱动器的反步自适应NN控制

针对形状记忆合金(shape memory alloy, SMA)迟滞非线性特性下的轨迹跟踪问题，提出了一种反步自适应神经网络的控制方法。首先，根据所建立的Lyapunov函数，通过反步法设计出针对SMA驱动器的非线性控制器；然后，针对系统的非线性和参数的不确定性，采用自适应神经网络进行逼近，并且基于构造的Lyapunov函数，证明了闭环系统的稳定性。实验结果来看，所提出的控制方法成功地应用于SMA驱动器，并且几乎补偿了迟滞现象，并将实验控制结果与传统的PID控制器进行了比较。     

基于改进ESO的两相混合式步进电机反步控制

两相混合式步进电机是一个由脉冲驱动的多变量、强耦合的非线性系统，针对步进电机运行易受内外界扰动的影响从而产生失步、抖振等问题，提出了一种基于扩张状态观测器(ESO)的反步控制系统，在传统ESO的基础上，引入了径向基函数神经网络(RBF),对ESO的参数进行实时调整，同时引入粒子群算法(PSO),对反步控制器参数进行优化。研究结果表明，与传统反步控制相比，采用改进ESO的反步控制系统能在空载及负载状态下有效的提高系统的跟踪精度，并提高系统的响应速度。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。     

刚性机械臂系统的抗饱和神经网络动态面控制

针对机械臂系统轨迹跟踪控制中存在外界干扰及控制输入受限问题,提出一种抗饱和神经网络动态面控制方法。其中模型中不确定项和外界干扰由径向基函数神经网络补偿,控制输入受限部分由辅助的抗饱和函数解决,完整的系统控制律由动态面控制方法获得。该控制算法解决了反步法中可能存在的"微分爆炸"现象,避免了滑模控制中存在的"抖振"现象以及自适应控制的鲁棒性受限现象。最后,设计相应的Lyapunov函数证明整个闭环系统的半全局渐进稳定性,仿真结果证实了所设计控制算法的有效性。     

基于ESO的电液位置伺服系统自适应反步滑模控制

针对阀控电液位置伺服系统具有的不确定参数、外部干扰、系统状态不可测问题,在反步控制的基础上,同时引入滑模控制理论,提出一种带有ESO(扩展状态观测器)的自适应反步滑模控制策略。建立系统的非线性状态空间方程,基于系统模型设计出一种ESO,对速度值以及外干扰进行有效估计,同时引入自适应算法对系统不确定参数进行在线估计,设计出不确定参数的自适应律,通过Lyapunov稳定性定理证明所设计的控制器的稳定性。最后,仿真研究表明所设计的控制器能够对速度以及外干扰进行有效估计,并且具有较高品质的位置跟踪能力。     

一种新型模糊神经网络滑模控制器设计北大核心

针对基于PID算法的永磁同步电机矢量控制系统易受系统不确定性影响(负载扰动、模型参数变化)的问题,提出一种新型模糊神经网络滑模控制器。首先,在传统滑模控制的基础上,利用模糊神经网络控制器(FNN)构成滑模控制器(SMC)的切换控制项来完成对系统不确定性因素进行逼近以及对滑模控制切换增益的调节;其次,利用麻雀搜索算法来实时更新模糊神经网络滑模控制器参数,为了加快SSA的收敛速度以及防止其陷入局部最优,利用分数阶微积分对传统麻雀算法进行改进;最后,进行了仿真验证,表明所设计的新型模糊神经网络滑模控制器具有较强的鲁棒性和动态性能。     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

数控机床直线伺服系统智能反推控制的研究

针对高速高精数控机床直线伺服系统,考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计基于递归模糊神经网络( RFNN)的反推控制器,利用了递归神经网络具有捕获系统动态信息的优点,可实时补偿不确定因素对跟踪性能的影响.仿真结果表明,该控制策略明显降低了不确定因素对系统性能的影响,从而显著提高了直线伺服系统的位置跟踪精度.     

两自由度并联机器人的RBF神经网络辨识滑模控制策略研究

针对两自由度并联机器人的轨迹跟踪问题,提出一种基于RBF神经网络辨识上界的滑模控制策略。该方案利用RBF神经网络对被控对象的不确定上界进行辨识,将所得的上界值适时送到滑模控制器,既发挥了RBF神经网络具有逼近任意函数的优点,又保留了滑模变结构控制的快速性和鲁棒性,达到了理想的控制效果。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

外骨骼关节驱动神经网络滑模力控制研究

针对外骨骼机器人液压关节驱动系统具有非线性、不确定参数等特性,导致模型建立困难以及负重时具有不确定冲击扰动的问题,基于电液伺服系统特性,建立以弹性负载为外负载的数学模型。为减小负重时冲击扰动项对力控制的影响,引入径向基（RBF）神经网络对干扰项进行补偿,设计一种基于RBF神经网络的滑模力控制策略。通过系统特性进一步验证模型可行性,并进行仿真试验对比。结果表明：与PID控制相比,所设计的控制策略响应时间更短,跟踪误差缩小70.5%;变负载工况下,所设计的控制策略具有更好的跟随能力、更强的鲁棒性能,可以满足外骨骼机器人关节驱动的力控制要求。平台试验进一步验证了仿真结果的有效性与正确性。     

基于神经网络的机械手轨迹跟踪控制器优化设计

针对机械手运行时存在外界干扰、难以高精度控制等问题,设计了一种基于RBF神经网络的机械手轨迹跟踪鲁棒控制器。在该控制器中,根据机械手动力学模型中的确定项建立控制率,用神经网络逼近系统中的不确定项,用鲁棒控制处理外部干扰的能力抑制神经网络的逼近误差,在Matlab Simulink平台上搭建控制框图,对二自由度机械手进行轨迹跟踪控制仿真,最后优化控制器中的参数,寻求更优的控制效果。结果表明,该控制器能够完成轨迹跟踪控制任务,经过参数优化后的控制器控制效果更佳。研究结果可为今后的机械手轨迹跟踪控制的深入研究奠定基础。     

基于反演法的电液位置伺服系统的自适应鲁棒控制

本文研究了高性能电液位置伺服系统的鲁棒控制设计。这类系统，除了液压伺服系统的非线性动力学特性外，还包含大范围变化的不确定参数，其中既有不确定常数，也存在不确定的非线性干扰。为解决这一类非线性系统的控制问题，提出了基于反演控制设计和非连续自适应修正算法的自适应鲁棒控制器(ARC)设计方法，给出了基于Lyapunov稳定性理论的系统稳定性证明。跟踪误差可以通过控制器的设计参数加以调整。数字仿真结果表明，控制系统对给定位置的跟踪具有良好的动态特性，对系统的不确定性，具有较强的鲁棒性。     

带有输出约束机械臂系统的固定时间控制

针对具有未知非线性特性和输出约束机械臂的轨迹跟踪控制问题，提出了一种基于径向基神经网络(radial basis function neural network, RBFNN)的事件触发式固定时间控制算法。首先，将障碍Lyapunov函数引入到了反步控制框架中，并利用RBFNN处理系统中的未知非线性特性；其次，为了缓解系统通信压力，设计了事件触发机制以减小控制信号的更新频率。在上述基础上，基于固定时间稳定理论，构建了事件触发式固定时间稳定控制器。从理论上证明了系统可以在一个与初始系统状态无关的时间内实现稳定，且大幅地节约了系统的通信资源；最后，仿真实验验证了方法的可行性。     

基于PIO-RBF神经网络斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，但其设定值精度不高的问题，提出了基于鸽群算法改进RBF神经网络斜轧穿孔机调整参数预测模型。首先，综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数，其次，建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的RBF神经网络预测模型，并提出鸽群算法优化RBF神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的304L管的生产数据，对提出的预测模型进行了训练和验证。通过与基于聚类分析的RBF神经网络模型对比，将经PIO-RBF神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较，其相对误差均可控制在9%以内。结果表明，由PIO-RBF神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。     

数控机床专用永磁同步电机分数阶滑模控制

数控机床专用伺服电机要求很高的精度,尤其是在负载扰动和外部干扰情况下,也不能影响电机的精度。滑模控制方法无疑是一种比较适合伺服电机的控制算法,但存在抖震问题。针对传统整数阶滑模控制系统中存在的抖震问题,提出分数阶滑模控制策略。采用滑模分数阶导数面代替传统整数阶切换流形面,不但能增加系统调节自由度,而且利用分数阶算子随时间的衰减特性分散系统的能量,有效地削减抖震。并采用模糊逻辑推理算法,实现软开关切换增益的自整定。仿真结果证明:提出的基于参数模糊自整定的分数阶滑模控制系统不但能有效地削减抖震,而且能保持滑模控制器对系统参数变化的强鲁棒特性。     

流量控制式ECHPS系统的自适应动态面控制策略

针对商用车普遍采用的液压动力转向系统(HPS)助力特性不可变的缺点,提出了一种旁通流量控制式电控液压转向系统。设计了这种转向系统的助力控制策略,研究其核心部件电液比例阀的结构原理和数学模型,采用动态面控制方法设计了一个鲁棒自适应动态面控制器。理论推导证明所设计的控制器不仅能够保证闭环系统半全局渐近稳定,输出渐近跟踪期望轨迹,而且对于系统不确定参数和外界干扰具有较强的鲁棒性。仿真结果表明,所设计的自适应动态面控制器不仅响应快、跟踪效果好、控制精度高,而且能够实现汽车低速时的转向轻便性和高速时的良好路感要求。     

一种基于广义模糊RBF网络的预测控制

提出了基于广义模糊RBF网络的非线性系统一步超前预测控制策略.该方法只使用了一个神经网络,直接采用优化性能指标对控制量求导数.对电液位置伺服系统的仿真和实验表明,该方法易于实现,实时性好,与传统的PID控制方法相比较,跟踪精度明显提高.