基于自适应PID控制器的平面一级倒立摆的研究

倒立摆是一个强耦合、严重不稳定的系统,其背景来源于火箭发射等课题.在该系统中,PID控制器常常被采用.由于该系统在建立数学模型时次要的因素被忽略了,实际上是一个非线性系统;为了提高系统的控制性能,根据计算智能逼近非线性系统的功能,设计一个RBF神经网络控制系统,实现对常规PID控制器的参数进行自适应整定.最后使用BC++编写系统的控制程序,通过实物控制验证基于RBF神经网络的PID控制器参数的自适应整定的系统具有较好的瞬态性和鲁棒性.     

基于RBF神经网络的非线性系统智能控制

针对工业控制领域中复杂非线性时变系统，采用传统的控制方法不能达到满意的控制效果，提出了基于神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，从而实现系统的智能控制。仿真结果表明该方法对于复杂非线性系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

基于RBF在线辨识的AGV转向单神经元PID控制

针对自动引导车(AGV)转向系统的复杂、非线性和时变性,提出了基于RBF神经网络在线辨识的单神经元PID控制来改进常规的PID控制性能.在该控制系统结构中,采用RBF神经网络辨识器实现对转向系统的Jacobian矩阵信息的在线辨识,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制.实验结果表明,与常规的PID控制方法相比.该方法具有较高的控制精度、较强的自适应性和鲁棒性,完全可适用于AGV转向系统的控制.     

基于神经网络PID控制的系统非线性校正的研究

在对BP神经网络PID控制器系统研究的基础上，提出了单神经元的自适应PSD算法。该算法兼有单神经元和自适应PSD算法的特点，简单、实时性好、自适应能力强，可用于控制过程时变、有大滞后的较复杂的对象，是一种实用价值较高的自适应控制算法。文中采用BP神经网络PID控制与单神经元PSD自适应控制两种方法对压电式微位移系统进行非线性控制，并取得了良好的效果。     

针对纯滞后系统的RBF神经网络智能控制的研究

针对工业控制过程中普遍存在的大惯性、纯滞后、时变性、非线性对象的控制问题,采用传统的控制方法不能达到满意的控制效果,提出了基于RBF神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,从而实现系统的智能控制。仿真结果表明：该方法对于纯滞后控制系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

平面二级倒立摆的保性能控制

摆系统是一个强耦合、非线性、高阶次的不稳定系统,常规控制方法如PID算法、最优控制算法等。由于摆系统的数学模型是在忽略了次要因素的基础上得出来的,当系统受到外部的干扰时,这些次要因素的影响比较突出,控制系统采用基于线性矩阵不等式的方法设计一系统性能上界最小的最优保性能控制律,以改善系统的瞬态性与鲁棒性。然后采用Matlab的工具箱设计该控制律,并对系统进行仿真。最后采用VC++6.0编写控制程序,实现对平面二级摆系统的实时控制。     

模糊自适应PID控制器的设计及应用研究

为实现多输入多输出、高度非线性、不稳定的倒立摆系统平衡稳定控制,将倒立摆系统的非线性模型进行近似线性化处理,获得系统在平衡点附近的线性化模型,利用牛顿一欧拉方法建立直线型一级倒立摆系统的数学模型.利用模糊控制技术对直线型一级倒立摆系统设计模糊自适应PID控制器,此整定方法有效地把专家经验应用于PID参致调节中,控制器集模糊控制器和PID控制器的优点于一身.仿真表明设计的控制器是有效的,该整定策略是实现自动工业控制器的一种简单、实用的方法.     

神经网络在气动机械手控制器中的应用

气动机械手控制系统是一个非线性系统,采用常规的PID控制方法难以获得较好的控制效果.将具有自学习和自适应能力的单神经元模型与常规的PID控制算法相结合,设计了单神经元自适应PID控制器,并将其应用于机械手气动压力伺服系统中,控制器采用DSP实现.运行结果表明,该控制器能够适应被控对象在较大范围内的变化,具有较强的鲁棒性,其控制品质优于常规PID控制器.     

重载大惯性液压驱动系统的神经网络近似逆控制

针对重载大惯性液压驱动系统,考虑系统的强非线性、模型不确定性和工作点的变化,设计了系统的神经网络近似逆控制器.该系统逆控制器可以直接从辨识所得的神经网络模型中得到,因而只需要训练一个神经网络.对大惯性重载非线性液压驱动系统的控制仿真研究表明,与传统PID控制器相比,神经网络近似逆控制器具有更好的动态控制性能,对模型不确...     

一种微操作平台的自适应运动跟踪控制

针对微操作平台的迟滞非线性和时变性,提出单神经元PID控制策略来对其进行运动跟踪控制,从而提高平台的运动精确性和响应快速性。采用RBF神经网络辨识器对微操作平台的梯度信息进行在线辨识,利用单神经元网络学习算法完成PID参数的在线自整定,实现微操作平台的自适应运动跟踪控制。为说明所提出控制方法的可行性,将其与普通PID控制方法进行了比较分析,实验结果表明,单神经元PID与普通PID控制的位移误差范围分别为-0.5~0.5μm、-2.5~2.5μm,调整时间分别为0.1s、0.4s,所提出控制方法具有更好的控制精度和响应快速性,并具有较强的自适应性。     

Development of an adaptive radial basis function neural network estimator-based continuous sliding mode control for uncertain nonlinear systems

In this paper an adaptive neural network (NN)-based nonlinear controller is proposed for trajectory tracking of uncertain nonlinear systems. The adopted control algorithm combines a continuous second-order sliding mode control (CSOSMC), the radial basis function neural network (RBFNN) and the adaptive control methodology. First, a second-order sliding mode control scheme (SOSMC), which is published recently in literature for linear uncertain systems, is extended for nonlinear uncertain systems. Second, an adaptive radial basis function neural network estimator-based continuous second order sliding mode control algorithm (CSOSMC-ANNE) is adopted. In CSOSMC-ANNE control methodology, a radial basis function neural network with adaptive parameters is exploited to approximate the unknown system parameters and improve performance against perturbations. Also, the discontinuous switching control of SOSMC is supplanted with a smooth continuous control action to completely eliminate the chattering phenomenon. The convergence and global stability of the closed-loop system are proved using Lyapunov stability method. Numerical computer simulations, with dynamical model of the nonlinear inverted pendulum system, are presented to demonstrate the effectiveness and advantages of the presented control scheme.     

微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。     

Diagonal recurrent neural network based adaptive control of nonlinear dynamical systems using lyapunov stability criterion

In this paper adaptive control of nonlinear dynamical systems using diagonal recurrent neural network (DRNN) is proposed. The structure of DRNN is a modification of fully connected recurrent neural network (FCRNN). Presence of self-recurrent neurons in the hidden layer of DRNN gives it an ability to capture the dynamic behaviour of the nonlinear plant under consideration (to be controlled). To ensure stability, update rules are developed using lyapunov stability criterion. These rules are then used for adjusting the various parameters of DRNN. The responses of plants obtained with DRNN are compared with those obtained when multi-layer feed forward neural network (MLFFNN) is used as a controller. Also, in example 4, FCRNN is also investigated and compared with DRNN and MLFFNN. Robustness of the proposed control scheme is also tested against parameter variations and disturbance signals. Four simulation examples including one-link robotic manipulator and inverted pendulum are considered on which the proposed controller is applied. The results so obtained show the superiority of DRNN over MLFFNN as a controller.     

Identification of nonlinear hysteretic systems by artificial neural network

An identification method is developed for nonlinear hysteretic systems by use of artificial neural network in the paper. Employing the Bouc–Wen differential model widely used for memory-type nonlinear hysteretic systems, the approach sets up a Bouc–Wen model-based neural network. The weights of the designed specifically network correspond to the Bouc–Wen model parameters and are thus physical ones. Taking advantage of powerful function approximation capability of neural network, the nonlinear hysteretic systems can be identified with the proposed approach by network training. The identification scheme is validated by a simulated case and thereafter applied to modeling of a wire cable vibration isolation experimental system. The results show that the presented identification method can identify the nonlinear hysteretic systems with high accuracy.     

基于神经网络的主动隔振控制技术研究

针对主动隔振系统存在非线性的情况,提出一种神经网络控制方法.控制器采用CMAC(cerebellar model articulation control)网络,参数调整基于梯度下降法.为消除系统次通道对控制器参数调整的影响,利用BP(back propagation)网络离线辨识得到次通道模型.系统的输出误差信号与次通道模型参数相结合,共同调整控制器参数.仿真结果表明,该控制方法对于存在非线性的主动隔振系统具有良好的控制效果,隔振能力超过常用的滤波LMS(least mean square)方法.     

基于信息融合技术的火灾监控系统

将信息融合技术应用在火灾监控系统中,利用ART-2(自适应共振理论模型)和三层前馈网络对多传感器信息进行两级融合,综合多种火灾参数来进行监测、报警,提高了系统的可靠性和通用性,减少了误报警的发生.着重介绍了神经网络的选择、设计及训练过程.实验证明系统准确且可靠.     

基于神经网络的空间7R机器人模型辨识及其实验研究

针对空间冗余机器人建模中不确定因素的影响 ,采用神经网络辨识空间 7R机器人输入输出间的非线性关系 ,建立机器人的运动学模型。对Elman动态递归网络结构作了改进 ,提出一种状态延迟输入动态递归神经网络 ,提高了网络的学习速度。将该网络应用到机器人系统模型的辨识问题上 ,以德国PowerCubeTM模块化机器人为研究对象 ,根据机器人返回的关节位置信息及利用OPTOTRAK 30 2 0三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本 ,对包含各种影响因素的机器人运动模型进行了辨识 ,得到了满意的结果 ,说明了神经网络在此类问题中应用的优越性     

用FCGA优化的四辊冷轧机恒张力模糊控制系统

为了保证冷轧机轧制中带钢恒张这一特点，设计了四辊冷轧机恒张力模糊控制系统。该系统含有电压、电流和速度三个内环，最外环为张力环；电压环和电流环采用一维模糊控制器控制，速度环和张力环采用二维模糊控制器控制。为了加强模糊控制的自适应性，采用了一种模糊控制的遗传算法将外张力模糊控制器的隶属参数进行优化。理论分析和仿真结果都表明该系统对带钢恒张控制具有很强的鲁棒性和实时性，即使在变工况下（大范围变负荷下）也保持了良好的控制性能。