基于RBFNN的伺服系统在线辨识方法

由于伺服系统中存在的非线性和不确定性,难以用传统的方法进行建模,本文采用神经网络通过函数逼近完成非线性系统的在线辨识.结合文中提出的径向基网络,通过对某转台伺服系统的仿真,验证了本文提出方法的可行性和有效性.     

电液伺服系统多项式非线性建模与控制一体化设计

常规电液伺服系统PID控制无法克服非线性因素影响,存在跟踪准确性和鲁棒性问题.因此,本文提出电液伺服系统多项式非线性H_∞控制律设计方法,改进电液伺服系统的控制性能与鲁棒性.首先利用多项式非线性模型对电液伺服系统进行系统辨识,得到以误差作为状态变量的多项式非线性模型;然后设计多项式非线性控制律,证明所提出控制律可以保证系统从干扰至控制输出L₂增益小于等于设定值,并且在系统干扰为零时保证误差全局渐进收敛,同时给出了控制律的求解方法.最后对提出的控制律进行实验验证.实验结果表明:相较于常规PID控制,多项式非线性控制律能够改善实验台伺服缸控制过程的瞬态响应,具有更好的抗干扰能力.本文提出的设计方法为非线性H_∞控制在电液伺服系统控制领域的实际应用提供了可行方案.     

不确定受扰电液伺服系统智能自学习PID控制

针对具有参数不确定和外负载扰动的不确定受扰电液伺服系统,提出一种智能自学习PID控制策略.该方法不依赖于系统的精确模型,是一种数据驱动的控制方法.首先,通过改进的动态线性化方法将非线性非仿射的电液伺服系统等效为含有时变参数项和非线性不确定项的线性仿射形式;然后,采用梯度估计算法和时间差分算法分别对时变参数项和非线性不确定项进行估计;接着,利用iPID控制引入附加误差信息对过度线性化丢失的信息进行补偿;最后,根据最优准则,设计不确定受扰电液伺服系统的参数更新律和学习控制律.通过理论分析和仿真实验验证所提出控制策略的收敛性,并通过对比实验,验证该控制方案应用于电液伺服系统的优越性和精确性.实验结果表明,所提出方法能够抑制非线性扰动对系统造成的不良影响,实现理想轨迹的精确跟踪.     

非对称模糊PID控制在二质量伺服系统中的应用

针对伺服系统在低速情况下具有较强的摩擦现象,是一个强非线性系统,本文将模糊控制与PID控制手段结合起来,提出采用非对称模糊PID控制方法,将其引入伺服系统的位置环中,同时建立了基于MATLAB/SIMULINK的系统仿真图。通过仿真试验,验证了非对称模糊PID控制方法具有较好的控制精度和稳定性,该控制方法可使系统的性能有所提高。     

参数不确定机械伺服系统的鲁棒非线性摩擦补偿控制

对含非线性摩擦环节的机械伺服系统,提出一种基于Lyapunov方法的鲁棒非线性控 制方法,通过引入非线性增益和摩擦补偿项,来克服参数不确定性和补偿非线性摩擦,从而保证 跟踪误差渐进收敛.对转台系统的实验研究,表明了该方法的有效性.     

飞行模拟转台非线性干扰观测器反步滑模控制器设计

本文针对考虑不确定性的飞行模拟转台伺服系统,提出了一种基于非线性干扰观测器的反步全局滑模补偿控制方法。该方法采用反步控制方法设计转速期望虚拟控制,然后利用非线性干扰观测器观测系统不确定干扰,进而对引入非线性干扰观测器的系统设计自适应全局滑模控制器,实现了飞行模拟转台伺服系统期望转角信号的鲁棒跟踪控制,仿真结果表明,该方法控制效果良好,具有很好的工程应用价值。     

基于微分观测器的飞行模拟转台伺服系统非线性控制

飞行模拟器转台伺服系统是导弹飞行的重要模拟设备,用于获取实验数据。针对飞行模拟转台伺服系统在跟踪控制过程中存在参数不确定性、非线性摩擦等不确定性问题,提出了一种基于微分观测器的飞行模拟转台伺服系统非线性控制方法;考虑系统在跟踪控制过程中存在不确定性问题,设计了微分观测器来估计复合不确定扰动;设计非线性控制器来控制飞行模拟转台伺服系统,使得系统可以收敛到期望位置转角信号;通过李雅普洛夫稳定性证明控制器作用在系统条件下的鲁棒性;通过MATLAB/Simulink仿真试验平台验证了文中提出的控制策略能够使系统有效跟踪期望位置转角,具有一定工程应用价值;     

模糊PID控制在基于DSP的伺服控制系统中的应用

针对伺服系统的非线性因素及时变性的影响,模糊控制和PID控制的各自特点,提出了在基于DSP的运动控制器构建的伺服系统中采用模糊PID控制算法,来实现对伺服系统的位置进行实时控制,改善系统控制过程的静态、动态性能,最后通过MATLAB仿真,结果证明采用该方法使系统达到了较为满意的效果。     

直线伺服系统非线性自适应鲁棒控制器优化设计的研究

对永磁直线电动机伺服系统提出非线性自适应鲁棒控制器的优化设计方法。在永磁直线伺服系统非线性数学模型的基础上,为实现对速度和电流的准确跟踪,建立了误差系统的动态模型。将跟踪和干扰抑制归结为非线性自适应鲁棒控制器设计问题,通过构造存储函数得到自适应鲁棒控制器的定理,以及电阻和电感的辨识算法。证明定理给出的控制器能满足干扰抑制和系统的渐近稳定。最后,用遗传算法对控制器的参数进行优化。仿真结果表明,用该方法设计的系统能很好的抑制扰动和跟踪给定,满足对高性能数控机床永磁直线伺服系统控制的要求.     

基于逆系统方法的DGMSCMG框架伺服系统解耦控制研究

双框架磁悬浮控制力矩陀螺(Double-gimbal magnetically suspended control moment gyroscope, DGMSCMG)的框架伺服系统是一个多变量、非线性且强耦合的复杂系统. 为了进一步提高框架伺服系统的控制精度,本文提出了一种基于电流模式的动态逆系统解耦方法,通过对功放系统的动态补偿有效克服了未建模动态对解耦性能的影响,采用自适应滑模控制器有效提高了系统的跟踪特性. 对比仿真结果证明了该方法的有效性和优越性     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

人工神经网络在伺服最优鲁棒控制中的应用

提出了一种基于神经网络的伺服最优鲁棒控制，介绍了利用神经网络的学习特性对被控对象的模型不确定性进行补偿和控制。仿真结果表明，所控制器优于一般伺服控制的性能，并有较强的鲁棒性。     

Identification and control using MLP,Elman, NARXSP and radial basis function networks: a comparative analysis

This paper describes four neural networks multilayer perceptron (MLP) network, Elman network, NARXSP network and radial basis function (RBF) network. Neural networks are applied for identification and control of DC servo motor and benchmark nonlinear system. Number of epochs required and time taken to train the controller are shown in the form of bar plots for four neural networks. Levenberg-Marquardt algorithm is used for training the controller using neural network toolbox in MATLAB. Each neural network controller is run ten times. Their performances are compared for each run in terms of number of epochs required and time taken to train each controller for tracking a reference trajectory.     

粗糙集理论在补偿模糊神经网络中的应用

该文首先引入一种具有快速算法的补偿模糊神经网络.通过对粗糙集理论中的贪心算法进行改进,提出一种新的模糊化方法,并将此方法运用到补偿模糊神经网络的输入模糊化和规则提取中.通过用MATLAB编制程序进行仿真研究,证明改进后的网络与原补偿模糊神经网络相比,在精简决策规则、缩短训练时间、提高误差精度等方面都有显著改善.最后将改进后的网络应用到某位置伺服系统的扰动消除控制中,仿真结果表明此方法的有效性.     

基于神经网络的带钢跑偏电液伺服系统研究

带钢跑偏电液伺服控制系统的非线性和时变性使得传统的PID控制很难达到理想的控制效果,将神经网络与普通PID控制相结合形成神经网络自适应PID控制策略,应用于该系统实现其良好控制.为提高系统的动态响应速度及性能,采用RBF神经网络对系统进行辨识预测.首先建立带钢跑偏电液伺服系统数学模型,然后利用AMESim和Simulink软件对传统PID控制和神经网络自适应PID控制进行联合仿真.结果表明,神经网络自适应PID控制系统响应速度快、超调量小、鲁棒性强,并具有良好的稳定性和控制精度.     

模糊神经网络补偿的伺服系统二次型最优控制

针对伺服系统二次型最优控制存在的问题,提出了基于模糊神经网络补偿的二次型最优控制方法,该控制方法利用模糊神经网络的实时学习能力,能够及时补偿被控对象建模不准确、参数摄动和外界干扰等非线性因素对控制系统性能的影响,增强控制系统的自适应能力,有效提高控制系统的跟踪性能和抗干扰鲁棒性能.仿真试验结果验证了该控制方法的有效性.     

Servo controller design using neural networks

The dynamics of a physical plant may be difficult to express as concise mathematical equations. In practice there exist uncertainties that cannot be modeled with the system equations. Hence, robustness against system uncertainties is essential in a control system design. In this article, multilayered neural networks (MNNs) are used to compensate for model uncertainties of a dynamical system. Neural network models are used along with a classical linear servo controller derived from the linear state space equations. These models are trained so that system uncertainties are compensated. The design of a servo system indicates the enhanced performance of the neural-network-based servo controller as compared to the classical servo controller.     

基于神经网络的机电伺服系统非线性控制

针对机电伺服系统精确动力学模型难以获取以及系统状态信息的测量易受噪声影响的问题,设计一种基于指令滤波与神经网络相结合的非线性反步控制算法,该算法能够有效地补偿未建模动态和外部扰动对机电伺服系统的影响.首先,引入指令滤波器来获取已知信号的微分估计并处理噪声;其次,利用神经网络估计未知的系统动态,包括未建模的摩擦和外部干扰;然后,神经网络权值的更新律通过梯度下降算法在线实现,没有离线学习阶段;最后,利用李雅普诺夫函数分析方法证明闭环系统的稳定性.为验证所提出算法的有效性,在机电伺服实验平台上进行大量对比实验,实验结果表明,所提出的算法具有良好的控制效果,对系统不确定性和外部干扰具有良好的鲁棒性.     

面向性能增强的双惯量伺服系统状态反馈控制

为避免使用函数逼近器(神经网络或模糊系统),并提高双惯量伺服系统的瞬态响应和稳态性能,针对含外部扰动的双惯量伺服系统,提出一种基于预设性能函数(Prescribed performance function, PPF)的类比例状态反馈控制策略.首先,提出一种改进的带有最大超调、收敛速率以及稳态误差的预设性能函数,并将该函数融入控制器设计使二惯量伺服的跟踪误差保持在预定的边界之内.其次,基于预设性能函数设计了类比例状态反馈控制器实现跟踪控制.与传统基于函数逼近控制方法相比较,该方法可降低控制系统计算复杂度同时消除反演控制中存在的复杂度爆炸问题.最后,利用双惯量伺服系统实验平台开展了对比实验,验证了所提出方法的有效性.     

Hierarchical intelligent control for robotic motion

This paper presents a new scheme for intelligent control of robotic manipulators. This scheme is a hierarchically integrated approach to neuromorphic and symbolic control of robotic manipulators. This includes an applied neural network for servo control and knowledge-based approximation. The neural network in the servo control level is based on a numerical manipulation, while the knowledge based part is symbolic manipulation. The knowledge base part develops control strategies symbolically for the servo level. The neural network compensates for vagueness in the control strategies, nonlinearities of the system and uncertainties in its environment using neuromorphic control.