三级倒立摆的自动摆起与稳定控制

采用非线性逆系统轨迹控制实现三级倒立摆的自动摆起,并设计了变增益LQR控制器将其稳定在竖直倒立位置.首先,三级倒立摆从静止下垂状态摆起到竖直倒立位置的过程,从数学角度看是一个两点边值问题,通过求解该两点边值问题获得摆起的标称轨迹,利用逆系统方法设计前馈控制,同时结合增益调度反馈控制使摆起过程稳定;其次,在稳定控制阶段,...     

基于分段遗传算法的倒立摆摆起控制研究

针对倒立摆摆起这类复杂非线性系统的优化控制问题,提出了一种基于遗传算法的近似全局最优化的控制方法.在导轨长度和控制力受限的情况下,从倒立摆的物理特性出发,以摆杆进入上半平面前的最后一次角速度为零的时刻为分界时刻,将摆起过程分成两个阶段,分别使用自适应交叉、变异算子的遗传算法搜索每个阶段的最优控制决策,实现了1.9 s内一级倒立摆的成功摆起.这种方法可以简化控制规则,优化摆起时间,并使摆杆更加平稳地进入稳摆控制.仿真和实时控制实验,说明该方法是可行的.     

小车二级摆摆起控制器设计

研究了小车二级并行摆系统及小车二级串行摆系统的摆起控制器设计问题,并给出了这两种系统的实验结果.首先,针对上述两种系统,设计了两步控制器,即1)摆起双摆达到倒立稳摆位置的控制器,2)进行稳摆控制的控制器.其次,由于小车二级摆位移受轨道长度限制,又考虑了小车位移的控制问题.上述两种实际系统的摆起及稳摆成功,验证了所提出设计方法的有效性.     

车轨长度受限的并行双摆能量控制

采用牛顿-欧拉方法建立并行二级倒立双摆系统的数学模型.针对车轨长度受限的并行二级倒立摆系统,本文提出了一种基于能量控制思想和直接李雅普诺夫函数方法的摆起控制策略.所设计的控制器保证了小车的速度收敛到零和摆杆在达到垂直向上的位置时摆杆的能量为零.同时,它能实现对并行双摆的稳摆控制.控制器简单易行,参数调节方便.在并行二级倒立摆摆起控制器设计的基础上,简述了三级车摆的摆起控制器设计过程.最后,通过计算机仿真验证了控制方法在工作效率和抗干扰方面能保持良好的控制性能.     

基于Lie理论的倒立摆系统的控制算法研究

该文通过能量反馈和最优控制相结合的方法实现倒立摆系统的自摆起和稳定控制。在摆起阶段采用能量反馈方法实现快速摆起，而在平衡稳定控制阶段，采用一种非线性系统微分几何方法一李理论，对倒立摆系统进行近似线性化，此种线性化方法使模型更多包含原系统主要的非线性部分，更能逼近实际系统，针对采用李理论得到的近似线性化模型，对倒立摆系统进行最优稳定控制设计。仿真和实时控制试验结果表明，文中提出的李理论近似模型线性化方法对于控制器设计结果是有效的，而且采用的能量反馈和最优控制相结合的联合控制策略能够成功实现倒立摆系统的自摆起和稳定控制过程。     

基于BP人工神经网络的软件质量评估

针对软件质量评估的课题,提出了一种基于BP人工神经网络的软件质量评估方法,提高软件质量评估的准确性.首先,论文介绍了人工神经网络的基本原理和软件质量评估的基本过程.然后选取适当软件质量特征构建基于BP人工神经网络的评估体系,分别进行BP网络学习和验证数据测试的实验.通过测试得到的数据结果,证明该方法能够准确地评估软件质量.     

垃圾分类机器人步进电机AI闭环控制方法

为了解决步进电机控制过程智能化程度、精度均较低的问题,结合AI技术和闭环控制原理,提出垃圾分类机器人步进电机AI闭环控制方法.分析垃圾分类机器人的工作程序,结合机器人中步进电机的工作模式与基本结构,构建对应的步进电机数学模型;以闭环控制原理为基础,设计并安装控制器设备,结合AI技术实现对步进电机位置的检测,分别从速度、细分换向等方面实现垃圾分类机器人步进电机的闭环控制.仿真结论表明:设计的闭环控制方法的转速和位置更加接近目标位置,即设计闭环控制方法的控制精度和智能化程度均有所提升.     

基于概率神经网络的控制图模式识别

近年来,人工神经网络被广泛应用于复杂过程质量异常的监控中.文献表明人工神经网络方法存在结构选择困难的问题,其解决主要通过研究人员的经验,耗时多且识别率低.本文提出使用概率神经网络来识别六类典型控制图模式,以改进神经网络识别器的设计效率.研究和仿真试验结果表明,概率神经网络不仅拓扑结构设计简单,而且识别率高.     

基于摹矩阵的倒立摆摆起的最优控制

在倒立摆小车轨道较短的条件下实现倒立摆快速稳定的摆起,是摆起控制的难点。利用摹矩阵的多阶段决策寻优方法,将倒立摆的摆起控制表示为一个求最短时间的多阶段决策问题。采用VC与Matlab混合编程,实现了用摹矩阵方法寻找单级倒立摆摆起控制的最优路径与最优决策。通过对一轨道长度受限的单级倒立摆的仿真控制和实时控制,证明了该方法的可行性。     

基于混合遗传算法的力矩受限圆轨二级倒立摆摆起控制

为了实现力矩受限时圆轨二级倒立摆非线性系统的摆起控制,提出了一种新的开环优化控制策略.该策略通过在规定的时间内向系统施加一前馈控制序列,使上、下摆杆从自然悬垂位置摆到倒立点位置并使速度为零.为了获得最优摆起控制序列,采用混合遗传算法进行优化计算,通过编码操作解决控制力矩受限问题.仿真实验证明,该策略是有效和可行的,并为其他非线性多变量系统的控制提供了有效方法.     

基于RBF的倒立摆摆起角度控制研究

针对小车一级倒立摆的起摆控制,利用径向基函数神经网络的自适应能力,微调系统的控制参数,构造一个具有自调整能力的控制器来增大倒立摆摆起角度范围。结果表明,基于RBF网络的PID控制器较常规PID控制器具有更强的自适应能力、更高控制精度和更好的鲁棒性,能满足控制系统的实时性要求。     

聚酯生产过程质量指标软测量和优化控制系统

以大型聚酯工业生产过程为对象，总结了指标的软测量和优化控制系统软件的总体结构。该软件由以模型为基础的关键质量指标的软测量与可在DCS系统上，及计算机控制语言（MATLAB）平台上，在线实时运行的PET优化控制软件系统两部分组成。控制软件包括质量指标在线检测系统、酯化率在线开环优化操作指导、酯化率预测控制系统、终缩聚粘度神经元网络自适应控制系统和反应釜位故障诊断系统。该软件已应用于指导和控制实际生产过程。     

基于模糊神经网络的六足机器人自主导航闭环控制系统设计

针对未知环境中六足机器人的自主导航问题,设计了一种基于模糊神经网络的自主导航闭环控制算法,并依据该算法设计了六足机器人的导航控制系统．算法融合了模糊控制的逻辑推理能力与神经网络的学习训练能力,并引入闭环控制方法对算法进行优化．所设计的控制系统由信息输入、模糊神经网络、指令执行以及信息反馈4个模块组成．环境及位置信息的感知由GPS（全球定位系统）传感器、电子罗盘传感器和超声波传感器共同完成．采用C语言重建模糊神经网络控制算法,并应用于该系统．通过仿真实验,从理论上论证了基于模糊神经网络的闭环控制算法性能优于开环控制算法,闭环控制算法能够减小六足机器人在遇到障碍物时所绕行的距离,行进速度提高了6.14%,行进时间缩短了8.74%．在此基础上,开展了实物试验．试验结果表明,该控制系统能够实现六足机器人自主导航避障控制功能,相对于开环控制系统,能有效地缩短行进路径,行进速度提高了5.66%,行进时间缩短了7.25%,验证了闭环控制系统的可行性和实用性．     

Hénon混沌同步的自适应逆控制

基于自适应逆控制原理,在噪声存在的情况下,提出了一种实现混沌同步的自适应逆控制方法.为此首先简要介绍了控制方法结构,然后利用神经网络算法对被控对象模型进行辨识和训练发送端的控制器.仿真证明该方法能够很好的消除干扰,使得被噪声污染的混沌同步系统能够保持良好的同步.此外自适应逆控制是开环控制,具有很好的实施性.     

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。     

Intelligent process control using neural fuzzy techniques

In this paper, we combine the advantages of fuzzy logic and neural network techniques to develop an intelligent control system for processes having complex, unknown and uncertain dynamics. In the proposed scheme, a neural fuzzy controller (NFC), which is constructed by an equivalent four-layer connectionist network, is adopted as the process feedback controller. With a derived learning algorithm, the NFC is able to learn to control a process adaptively by updating the fuzzy rules and the membership functions. To identify the input–output dynamic behavior of an unknown plant and therefore give a reference signal to the NFC, a shape-tunable neural network with an error back-propagation algorithm is implemented. As a case study, we implemented the proposed algorithm to the direct adaptive control of an open-loop unstable nonlinear CSTR. Some important issues were studied extensively. Simulation comparison with a conventional static fuzzy controller was also performed. Extensive simulation results show that the proposed scheme appears to be a promising approach to the intelligent control of complex and unknown plants, which is directly operational and does not require any a priori system information.     

Swing-up control strategies for a reaction wheel pendulum

Control of a reaction wheel pendulum, a prototype of an under-actuated system, is easily done using switching control strategies, which combines swing-up control and balancing control schemes. In this article, two novel swing-up control strategies for a reaction wheel pendulum have been proposed. The first swing-up control strategy treats the oscillations of the pendulum as perturbations from the bottom equilibrium point. The second swing-up control is based on interconnection and damping assignment-passivity based control (IDA-PBC). IDA-PBC preserves Euler Lagrangian structure of the system and gives more physical insight about any mechanical system. Any balancing controller can be coupled with the proposed swing-up control strategies to stabilise the pendulum at the top unstable equilibrium position. The control task of balancing the pendulum in top upright position is completed by switching from swing-up scheme to the balancing scheme at the point where the pendulum is very near to the top equilibrium point. Proposed swing-up control strategies have been implemented in real time in switching mode. The two proposed swing-up control schemes provide fast responses as compared to existing energy based schemes.     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得 到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种 在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象 特性的大范围变化.