基于递归小脑神经网络模型控制的空间机器人关节抗死区及摩擦控制

探讨了存在关节力矩输出死区、摩擦与外部干扰的载体位姿均不受控的漂浮基空间机器人系统的动力学控制问题。设计了一种递归小脑模型关节控制器（CMAC）神经网络与死区估计补偿器,使两关节铰能够跟踪期望运动轨迹。该控制器利用摩擦双观测器估计不可测的内部摩擦状态,利用死区预补偿器消除关节力矩输出死区的影响;应用递归小脑神经网络模型逼近了包含摩擦误差及外部干扰的动力学方程不确定项。仿真结果表明了该控制方法的有效性。     

四旋翼微型飞行器的区间二型模糊神经网络自适应控制

针对四旋翼微型飞行器控制系统中存在不确定性、外界干扰等影响控制精度的问题,提出了基于区间二型模糊神经网络(IT_IIFNN)的四旋翼微型飞行器自适应控制方案.首先,根据四旋翼微型飞行器的动力学模型,设计了基于IT_IIFNN的四旋翼微型飞行器自适应控制器,该控制器由两部分构成,其中IT_IIFNN用来在线逼近系统不确定性;鲁棒补偿器用来实时补偿IT_IIFNN的逼近误差以及外界干扰.其次,利用Lyapunov稳定理论证明此飞行器控制系统闭环稳定性.最后,通过四旋翼微型飞行器样机来验证IT_IIFNN自适应控制器的优越性.验证结果显示,在加入风速为1.5 m/s的外界干扰条件下,跟踪误差可近似达到10-2.结果表明,IT_IIFNN自适应控制器具有良好的跟踪精度、稳定性及鲁棒性.     

自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。     

航空遥感惯性稳定平台齿隙非线性建模与补偿

针对航空遥感惯性稳定平台框架伺服系统中齿隙非线性环节造成的系统驱动延时、换向跳变及冲击振荡等问题,对航空遥感惯性稳定平台齿隙非线性进行建模与补偿.在分析齿隙非线性环节结构和传动特点基础上,建立了齿隙非线性死区模型;利用MATLAB仿真分析了齿隙对系统性能的影响;以框架伺服系统为研究对象,应用反步积分法,通过依次选择Lyapunov函数,设计了基于状态反馈的控制器,并进行实验验证.结果表明:齿隙误差补偿可有效提高系统控制精度;与传统PID控制相比,反步积分法显著降低了齿隙非线性对伺服系统性能的影响,在给定框架期望转角情况下,反步积分法比PID控制响应速度提高78.26％、稳态精度提高23.1％.     

基于死区补偿的码垛机械臂控制算法

针对码垛机械臂系统中存在死区特性影响控制精度的问题,提出一种基于模糊自适应的死区补偿算法.首先,根据死区非线性特性设计模糊死区补偿器对系统中的非线性环节进行补偿和控制;其次,利用模糊自适应算法对变量进行实时整定,从而使得轨迹跟踪误差趋于零;最后,借助MATLAB对理论结果实施验证.结果表明所提的控制算法具有良好的稳定性,与其他算法相比具有更高的动、静态性能和轨迹跟踪精度.     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

镍电解检测机械手神经网络死区补偿控制

镍电解三段净化工序中传感器检测信号种类复杂,现场物化条件差,提出应用机械手实现镍电解净化过程中检测的自动化。建立了机械手的广义运动模型和死区描述模型,在此基础上实现了径向基神经网络(Radial Basis Function Neural Networks,RBFNN)死区补偿控制器设计,系统有系统估计和死区补偿两个RBFNN实现,给出了系统估计和死区补偿自适应率设计。仿真结果显示,该系统能实现机械手的位置跟踪和死区补偿,提高镍电解的检测自动化水平。     

X-Y定位平台自适应神经网络的摩擦补偿控制

针对X-Y定位平台中摩擦等非线性部分对控制精度的影响问题,提出了基于自适应神经网络的鲁棒控制策略。设计神经网络控制器对摩擦及干扰等不确定部分进行补偿,其网络逼近误差作为外界扰动通过鲁棒控制器消除,保证X-Y平台的定位精度;设计神经网络参数学习算法,保证权值的在线自适应实时调整。基于H∞的HJI理论证明了控制系统的稳定性,并保证了系统L2增益小于给定的指标。试验结果表明所提控制方法能够很好补偿摩擦模型,提高了定位精度,具有重要工程应用价值。     

数控机床直线同步电动机磁悬浮系统的神经网络直接自适应控制

针对数控机床可控励磁直线同步电动机磁悬浮系统的强非线性、外部扰动不确定性的问题,设计基于RBF神经网络直接自适应控制器.通过分析磁悬浮系统的运行机理,推导运动方程及悬浮力方程,进而建立系统的状态方程;用悬浮高度的跟踪误差和误差的变化量构造误差函数,设计直接自适应理想控制器并采用RBF神经网络对其进行逼近;设计自适应律来估计神经网络理想权值,对误差函数的变化率构造二次型Lyapunov函数,利用Lyapunov稳定性理论来证明系统稳定;通过Matlab对控制系统进行计算机仿真,结果表明该方法设计的控制器与自适应模糊滑模控制器和PID控制器相比,空载启动时调节时间减少了23.5％,突加负载时动态降落减少了64.7％,恢复时间减少了38.2％,具有稳态误差小,调节时间和恢复时间短,抗扰性较强的优点,能有效提高磁悬浮系统的控制性能.     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题，采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先，以水下六自由度机械臂为例，基于D-H法则对水下机械臂的运动学进行分析，通过仿真验证该方法的正确性；接着，基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图，真实反映水下机械臂的运动空间；然后，以二自由度水下机械臂为例，设计基于HJI理论的RBF神经网络自适应控制器，利用神经网络的万能逼近原理逼近不确定干扰项，考虑到神经网络逼近存在误差，将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价，评价系统对干扰项的抑制能力，并采用自适应算法在线估计网络权值，加快系统收敛；最后，通过仿真可知，该机械臂能较好地完成轨迹跟踪。     

含齿隙转台伺服系统的RBF神经网络反步控制

针对工业机器人转台伺服系统中齿轮齿隙导致的驱动延时和响应迟滞,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的反步控制方法.首先,建立工业机器人转台伺服系统的状态空间方程,运用死区函数描述了齿隙非线性;其次,设计了速度观测器,对速度信息进行估计,解决了工业机器人转台伺服系统负载的速度信息难以测量的问题,同时应用反步法,引入虚拟控制量,选择Lyapunov函数反步递推,RBF神经网络用于逼近系统中的非线性部分,设计出RBF神经网络反步控制器,并通过李雅普诺夫稳定性原理证明了系统的稳定性;最后,搭建了仿真系统和实验平台,并且和单一反步控制策略仿真结果进行了对比,从系统对不同信号的跟踪精度、系统的鲁棒性以及自适应能力三方面验证了所提控制策略的优越性,在系统受到干扰时,对正弦信号的跟踪误差约为单一反步控制策略的50％;在方波信号跟踪下,响应时间降低了约40％,跟踪精度提升了50％.     

一种新型基于齿隙补偿方法的低价位机械手设计

提出了一种基于新的齿隙补偿方法的廉价的检测机械手的设计方案,利用低精度廉价的减速器,根据实验齿隙误差数据,采用BP神经网络法建立相应回差数学模型,利用混合补偿技术使系统达到较高的精度。除此之外,本系统可用计算机实现从数据采集及模型建立到齿隙补偿的自动化操作,非常适用于实际工业生产的需要。     

模糊控制在移动机器人路径跟踪控制中的应用

对含不确定性的移动机器人系统设计了自适应模糊路径跟踪控制方法,此方法采用模糊逻辑系统逼近控制器中的不确定函数,基于时变死区函数对模糊逻辑系统中的未知参数进行自适应调节,并对时变死区设计了自适应律。文中证明了此方法可使跟踪误差收敛到原点的小邻域内。仿真算例验证了此方法的有效性。     

可重构机械臂构型自适应控制研究

针对可重构机械臂系统存在的不确定性及不同构型下的轨迹跟踪问题,提出了径向基函数(Radial Basis Function,RBF)神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器自适应逼近补偿系统存在的未知项;为减小控制器逼近误差及适应构型变化时的鲁棒性,在控制律中引入了鲁棒项;基于李雅普诺夫(Lyapunov)稳定性理论设计了构型自适应调节律和鲁棒项并证明了闭环控制系统的稳定性。最后,以两种典型的可重构机械臂构型进行研究,结果表明所提算法能够适应系统构型的改变,同时有效地补偿系统存在的不确定性。     

电动静液作动器的高精度力反馈估计研究

静摩擦、齿隙和漏油会降低电动静液作动器反向驱动的性能,针对这一问题,对EHA模型进行了研究,提出了一种基于3种控制器组合的高精度力反馈估计方法。首先,通过使用反馈调制器来补偿静摩擦,并使用齿隙和漏油补偿器(不需要任何模型)来抑制电机侧和负载侧的相对速度;然后,提出了一种由压力传感器和编码器组成的力反馈观测器;最后,在由液压作动器和1自由度机械臂组成的实验装置上进行了实际测试。研究结果表明:相比于传统压力传感器,所提力反馈观测器获得的反作用扭矩均方根误差可降低3.34 N·m,可以十分精确地估计力反馈。     

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LMI和扰动观测器的电动伺服系统RBF神经网络控制

为了提高电动伺服系统的加载力跟踪精度,基于线性矩阵不等式(LMI)设计扰动观测器和控制器。针对系统中的非线性因素,采用RBF神经网络逼近系统的数学模型;在建立系统跟踪目标模型的基础上,根据LMI设计扰动观测器对控制器进行多余力的补偿,利用李雅普诺夫函数证明扰动观测器和控制器的收敛;在MATLAB/Simulink中搭建仿真模型,分析扰动观测器和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PID控制相比较,证明所提控制策略的控制性能更优。     

基于神经网络观测器的机械臂力/位置控制

针对机械臂末端运动受约束的力/位置控制中无法精确建模、模型具有外界干扰和关节角速度不可测等问题，设计一种基于神经网络观测器的补偿控制系统。首先，通过解耦力和位置控制，得到降阶动态模型。然后，利用神经网络速度观测器对关节速度在线估计，并用神经网络对降阶动力学模型中的不确定项进行逼近补偿滑模控制器。最后，基于Lyapunov稳定性理论证明系统稳定性，并对二连杆机械臂进行仿真。仿真结果表明所设计的控制系统的有效性。     

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.     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.