基于干扰观测器的弹丸协调臂Terminal滑模控制

为了解决某火炮弹丸协调臂电液伺服系统位置控制精度问题和鲁棒性问题,提出了一种基于扰动观测器的弹丸协调臂Terminal滑模控制策略。推导出弹丸协调臂电液伺服系统的动力学方程,将系统的参数不确定性以及外界扰动处理为干扰项。采用指数趋近的干扰观测器进行在线观测并在控制律中进行补偿,提高了系统的鲁棒性。同时为了克服传统滑模控制在线性滑模面条件下状态渐进收敛导致无法在有限时间内到达平衡状态的特点,设计了一种全局快速Terminal滑动模态,使系统在有限时间内到达滑模面,系统状态在有限时间内迅速收敛到平衡状态,最后利用Lyapunov证明全局稳定性。仿真结果证明,该控制策略能对电液伺服系统不确定性和干扰具有很好的鲁棒性,且能明显提高弹丸协调臂动态精度与稳态精度。     

基于改进自适应趋近律的弹丸协调臂滑模控制

针对某火炮弹丸协调臂电液伺服系统在传统滑模控制趋近律下存在抖振现象,收敛速度慢等问题,提出一种基于改进自适应趋近律的弹丸协调臂滑模控制。当系统状态变量距离切换面较远的时候,幂次项起主要作用;当系统状态变量距离切换面较近时,自适应变速项起主要作用,随着状态变量变化自适应调节变速项系数,直到状态变量收敛到稳定点。当系统存在参数不确定性和外界扰动时,滑模状态变量可在有限时间收敛到边界层宽度为2.6的稳定误差界内。仿真结果表明,控制策略能有效提高系统的动态精度和到位精度,提高系统的鲁棒性。     

电液伺服系统RBF神经网络滑模控制

针对阀控液压缸位置伺服系统非线性导致模型参数确定困难及干扰问题，在分析三阶位置控制的电液控制系统原理及模型的基础上，引入神经网络的RBF 径向基控制模型和自适应滑模算法，同时考虑了非1负反馈参数，建立了基于RBF 神经网络滑模控制的电液伺服控制系统数学模型。通过选取合适的Lyapunov 函数，分析了系统稳定性，解决了参数未定及挠动情况下的电液伺服系统控制器设计问题。仿真结果证明，所设计的控制器使系统的输出对给定信号的跟踪精度高，响应快，具有较强的鲁棒性。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。     

某新型电液伺服系统神经网络自抗扰控制

针对某新型同源平衡及定位电液伺服系统,设计了一种基于RBF神经网络在线整定ESO参数的神经网络自抗扰控制器(NNADRC)。利用RBF神经网络在线整定可调误差校正增益,实现非线性特性的实时、精确估计和补偿。数值仿真结果表明,NNADRC控制的稳态精度明显高于ADRC控制,且对外部负载扰动和内部参数摄动具有良好的鲁棒性,可以实现电液伺服系统的快速、平稳、高精度、无超调稳定控制。     

RBF模糊自适应控制在电液速度伺服系统中的应用

由于电液速度伺服系统的非线性和参数的不确定性,难以建立精确的数学模型,文中引入RBF（径向基函数）模糊自适应控制,利用RBF神经网络进行自学习,修改和完善模糊规则,改善其动态性能.仿真结果表明该方法具有较强的自适应和自学习能力,即使对复杂的非线性系统也能取得良好的控制效果.     

重型机械臂电液系统的神经网络辨识与反步控制

针对重型机械臂的电液驱动系统因非线性、参数时变等因素引起的控制精度下降问题，提出了一种基于RBF神经网络辨识动态负载的反步控制策略。以某锚杆钻车重型机械臂的电液系统为例，建立了系统的数学模型，将其分解为系统内部状态反馈、控制器驱动及外部负载驱动这3个动力学部分。考虑电液系统内部参数变化的缓慢性，通过离线辨识的方法，得到系统内部状态反馈中的标称模型参数。控制器的设计采用反步法，其输出计算需要对外部负载进行辨识，对此采用RBF神经网络进行动态负载辨识，辨识与控制的动态过程及设计原则依据Lyapunov稳定性原理。仿真与实验结果表明：所设计的控制算法有效提高了机械臂的位置跟踪精度，具有响应速度快、轨迹误差小的特点；控制器输出的控制量也相对较小和平滑。     

基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

采摘机械臂的PSO-RBF神经网络自适应控制

针对采摘机械臂系统的不确定性为控制带来的问题,设计一种PSO-RBF神经网络自适应控制方法。该方法使用径向基函数神经网络来逼近并补偿系统模型误差,用粒子群优化算法来优化RBF的权值参数,确保PSO-RBF控制性能更好。MATLAB仿真结果表明:与RBF神经网络控制相比,PSO-RBF神经网络控制精度和性能更好。     

基于RBF神经网络的电液伺服系统应用研究

采用RBF神经网络实现对电液位置伺服系统辨识建模,在线跟踪系统模型的变化,以此为基础设计控制参数可在线调节的神经网络PID控制器,解决系统非线性以及不确定性给系统带来的控制问题,提高系统的控制性能,实现系统的智能控制。     

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。     

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。     

带钢纠偏电液伺服系统神经网络自适应滑模控制

建立了带钢纠偏电液伺服系统的数学模型,针对电液伺服系统存在参数不确定性、复杂非线性等特点,提出了自适应滑模控制方法,并利用神经网络的万能逼近特性进行参数逼近.通过Lyapunov稳定性分析,设计了参数自适应律和相应的控制器,通过Matlab对系统特性进行仿真分析.仿真结果表明,该控制算法能进行有效的参数估计,具有较好的跟踪响应和较强的鲁棒性,取得较满意的控制特性.     

基于RBF神经网络的机械手逆运动学求解

针对用于求运动学逆解的代数法存在计算量大、求解精度低等问题,提出了一种将RBF神经网络与正交最小二乘法相结合的求解方法。根据RBF神经网络的非线性局部逼近能力及快速学习能力,确定了进行运动学逆解所要的RBF神经网络参数,利用正交最小二乘算法对RBF神经网络进行稳定性训练,并设计了其逆运动学求解的算法流程图。运用MATLAB软件对该算法进行仿真分析,结果表明采用该方法能有效减少人工计算量且具有较高求解精度。     

机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

多连杆机械臂GA-RBF神经网络轨迹跟踪控制

针对多连杆机械臂模型系统信息不完整、存在外界干扰等问题,设计了一种新型的GA-RBF神经网络闭环自适应控制系统。该系统利用径向基函数(RBF)神经网络来逼近并补偿系统的模型误差和外界扰动,在基于计算力矩法的基础上实现对机械臂的轨迹跟踪控制,并采用遗传算法(GA)对RBF神经网络权值进行在线优化,确保机械臂控制系统能在更短时间内获得稳定,实现了高精度的轨迹跟踪,提高了轨迹跟踪的性能。MATLAB数值仿真的结果验证了该方法的有效性。     

基于比例阀的气动伺服系统神经网络控制方法的研究

研究了用神经网络PID控制器对基于比例阀的气动伺服系统进行控制的方法。用神经网络辨识器来逼近非线性动力学系统,并在线修改控制参数。实验及分析表明,适当的选择网络参数,经过充分的离线训练,该控制器可以进行在线的自适应控制,系统的控制精度和动态特性有明显提高,且在环境参数变化时,控制器具有在线自学习和自整定参数的能力。     

改进RBF网络PID算法及在气动力伺服系统中的应用

针对气动力伺服系统的非线性、时变性和不确定性,在已有RBF神经网络PID控制算法的基础上,提出了一种改进的控制算法。在RBF网络参数调整中引入动量因子,考虑参数变化的经验积累,减小系统振荡;同时,采用LM(Levenberg-Marquardt)算法代替梯度下降法对算法中PID参数进行实时在线调整,加快其响应速度。最终通过MATLAB仿真和基于LabVIEW的实物验证实验,测试了改进算法在气动力伺服系统中的控制效果。实验结果表明,改进算法的快速性和鲁棒性明显提高,在气动力伺服系统中具有良好的控制效果,且在工业现场具有实用性。     

机械臂神经网络控制优化与仿真

为了提高机械臂末端连杆运动轨迹控制的稳定性,在径向基函数(RBF)神经网络控制器的基础上,采用混合算法优化RBF神经网络控制器.用两个径向基神经网络单元作为自适应控制器,其中一个作为输入端的控制器,另一个作为机械臂的辨识器.将混合算法优化应用到这两个神经网络单元中,以改善网络结构参数对神经网络控制和辨识性能的影响,在Matlab环境下进行了仿真实验,并与RBF神经网络控制器跟踪效果进行对比.仿真结果显示:在受到不确定因素干扰时,机械臂末端连杆采用改进RBF神经网络控制器产生的误差较小,系统反应速度较快,转矩波动较小.机械臂末端连杆采用改进RBF神经网络控制器,具有抗干扰的能力,快速保持系统输出的稳定性.     

卧式链传动药仓的RBF网络自适应鲁棒滑模控制

卧式链传动药仓的转动惯量与阻尼系数会随着药仓转动与药块数量变化而变化,链传动引起的多边形效应会影响运动的定位精度。采用RBF神经网络和自适应方法对重要未知非线性参数进行估计,并选用等效期望轨迹的方式从控制上补偿多边形效应的影响;通过设置合适的神经网络参数与自适应项,估计位置参数的变化趋势;通过引入鲁棒项,保证了滑模控制策略的稳定性。采用合适的Lyapunov方程分析,从理论上证明算法的可行性,能够使系统在有限时间内收敛。通过仿真分析,验证了RBF神经网络与自适应参数具有较强的学习能力,证明了该算法能够保证药仓模型的运动精度,提高系统稳定性,削弱系统抖振。