一种基于逆模糊模型的自适应逆控制方法

利用模糊逆建模方法,结合自适应逆控制思想,提出了一种基于模糊逆模型的自适应逆控制方法。首先利用模糊系统理论对未知非线性对象进行离线逆建模,得到模糊逆模型;然后将对象与初始逆模型进行串联,利用LMS算法在线调节逆模型,同时将其进行数字复制作为系统控制器,与对象进行串联。该方法可用较少的模糊规则数达到很好的跟踪控制效果,将该方法用于一混合非线性系统及球形液位控制中,仿真结果验证了该方法的有效性与实用性。     

基于LS-SVM的非线性系统直接逆模型控制

针对非线性系统逆模型建立难的问题,提出了基于最小二乘支持向量机(LS-SVM)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于LS-SVM的非线性系统直接逆模型控制的方法。仿真试验结果表明,采用LS-SVM建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于LS-SVM的直接逆模型控制方法的控制效果好,简单易行,从而验证了这两种方法的有效性和先进性。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于逆系统的非线性自适应逆控制

针对非线性系统自适应逆控制的不完善,本文引入逆系统方法将非线性系统转化为伪线性系统,然后使用最小二乘支持向量机(LS-SVM)建立了逆系统模型,最后利用成熟的线性系统自适应逆控制理论实现非线性系统的自适应逆控制。引入逆系统方法后实现了两大功能:其一,消除了非线性系统的干扰,而且不需要设计逆对象模型:其二,实现了多变量(n维变量)之间的解耦,而且节省了3n(n-1)个线性滤波器的设计。本文针对一个典型多变量二阶系统实现了非线性系统的自适应逆控制,仿真试验表明该方法不但能够很好地消除非线性系统的干扰,而且还实现多变量的解耦控制。     

Preisach迟滞逆模型的神经网络分类排序

为了补偿影响压电陶瓷执行器纳米定位系统精度的迟滞非线性,提高系统的控制精度,开展了基于压电陶瓷执行器的迟滞非线性逆模型的研究。兼顾到迟滞的擦除特性和建模的精确度,提出了一种Preisach逆模型分类排序法的神经网络实现方法,用神经网络取代了传统的反查值方法,以避免插值误差。建立三层BP神经网络,运用实测数据进行训练,确定各层权值;然后,结合排序得到的电压和位移极值信息,通过神经网络方法拟合出较精确的输入电压值。运用若干组实验数据检验了此逆模型的有效性,结果表明,该神经网络的实现方法将逆模型的平均误差降低到了1.5V以下,最大误差绝对值降低到了2.7V以下。与反查值方法相比,神经网络实现方法有效提高了压电陶瓷执行器纳米定位系统的迟滞逆模型的精度。     

基于Prandtl–Ishlinskii模型的超磁致伸缩驱动器实时磁滞补偿控制研究

针对超磁致伸缩驱动器(GMA)存在复杂的磁滞非线性易降低系统性能,导致系统不稳定的问题,建立了可以精确描述磁滞现象的模型并提出了合适的驱动控制方法。首先,基于Prandtl-Ishlinskii(PI)模型对GMA磁滞建模,并采用最小均方法(LMS)进行模型参数辨识,模型预测误差为0.037 9 μm。接着,通过对PI模型解析求逆进行实时补偿控制,从而有效减小磁滞误差,补偿控制误差为0.309 μm。实验结果证明,PI模型可以精确描述GMA磁滞现象,且具有计算简单,磁滞跟踪能力强的优点。基于该模型的实时磁滞补偿控制方法可以有效减小磁滞误差,提高GMA实时驱动定位控制精度,是实现GMA精密驱动控制的一种有效方法。     

基于梯形算子的AFM驱动器非对称迟滞性校正

原子力显微镜(AFM)通常采用压电陶瓷(PZT)作为驱动器以实现纳米尺度的观测和操作。然而,PZT自身的迟滞非线性会对AFM观测质量和操作精度产生很大影响。基于Prandtl-Ishlinskii(PI)模型的前馈控制方法可对PZT的迟滞非线性进行补偿,但传统PI模型无法消除PZT的非对称迟滞性的影响。针对这个问题,提出一种基于梯形算子的非对称迟滞模型,并可用系统辨识方法获取逆模型参数,该方法可有效实现具有非对称迟滞特性驱动器的前馈补偿控制。AFM系统实验证明,该模型可有效减小非对称迟滞性导致的建模误差,基于该模型的前馈迟滞补偿控制可有效提高AFM的扫描成像质量。     

迟滞非线性系统辨识与补偿控制研究

针对智能材料中存在的迟滞问题,对其开展了迟滞非线性特性分析,建立了迟滞系统。该迟滞系统由两个部分串联构成:一部分是滤去传递函数影响的Preisach模型;另一部分是不考虑迟滞影响的系统传递函数。将离线和在线辨识方法应用到辨识迟滞系统中,应用最小二乘法离线辨识得到了辨识传递函数参数,再用此辨识传递函数参数作为神经网络辨识的初始权值,得到了神经网络在线辨识的辨识模型;建立了辨识传递函数的逆模型控制系统和前馈逆模型PID控制系统,并对辨识系统进行了迟滞非线性补偿。研究结果表明,模型辨识方法的可行性和补偿控制的有效性在仿真中得到了验证。     

气动加载系统的模糊自适应逆控制方法

气动加载系统具有时滞、时变及强非线性等特点,为了提高气动加载系统的控制精度,克服传统PI控制算法的不足,提出一种气动压力加载系统的模糊自适应逆控制方案。利用模糊辨识理论对气动加载系统进行离线逆建模,得到初始逆模型,并将该初始逆模型作为初始控制器,控制气动加载系统的输出压力,运行过程中采用最小方均根(Least mean square,LMS)滤波算法在线修正控制器的参数。基于VC++6.0软件开发平台设计系统实时控制程序,在一套电气比例压力阀控气动加载系统上进行试验研究。通过与PI控制算法、模糊比例积分微分(Proportion,integration,differentiation,PID)控制算法进行比较,结果表明设计的气动加载系统控制器控制精度高、响应速度快、抗扰能力强。     

一种基于MPSO构建的NARX逆模型设计方法

实际运行中强非线性系统常规PID控制难以取得良好的控制效果,本文根据现场某控制系统的实际数据,通过引入一种基于改进粒子群优化算法(MPSO)来建立的模糊-动态回归神经网络(Fuzzy-NARX)逆模型。仿真实验结果表明:该方法可以获得结构紧凑的模型。为进一步用于在线控制提供基础。     

压电陶瓷驱动器迟滞建模与控制研究

压电陶瓷驱动器存在迟滞非线性,在超精密定位应用中影响定位精度和系统性能。针对这一问题,提出了一种减小迟滞的自适应逆控制算法。基于Prandtl-Ishlinskii迟滞算子建立压电陶瓷迟滞模型,构建自适应逆控制系统并进行实验研究。结果证明,利用该算法,系统输出的非线性误差从17.7%下降到1.43%,系统性能显著提高。     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

漂浮基空间柔性机械臂基于神经网络的逆模控制

针对传统控制方法对强耦合柔性空间机械臂难以有效控制的问题,提出基于神经网络的逆模控制策略。建立了非线性空间柔性机器人的动力学模型,根据增广变量输入法推得其控制律;利用具有良好逼近能力的前馈神经网络来自适应补偿柔性臂的未知非线性逆模型;采用Kalman滤波算法来保证网络权值在线实时调整(系统的误差代价函数由PID控制器提供)。仿真证明了所提出的控制方案的有效性,具有较高工程应用价值。     

基于粗糙-神经网络的非线性系统逆模型控制

粗糙控制是近年来兴起的一种新的智能控制方法,作为对粗糙控制理论的探索,提出了粗糙规则逆模型的概念,并分析了粗糙规则逆模型的一致性和完备性问题,引入了基于径向基函数网络的粗糙决策规则推理方法,构造了粗糙-神经网络逆模型.对粗糙-神经网络逆系统模型的辨识以及基于粗糙-神经网络逆模型的控制理论和方法进行了分析和讨论,并通过实例仿真计算与实验分析,验证了粗糙-神经网络逆模型控制方法的可行性.     

基于双曲函数的Preisach类迟滞非线性建模与逆控制

为了补偿压电双晶片驱动器的迟滞非线性,提出了基于双曲函数的Preisach类迟滞非线性建模方法,并用该模型设计了压电双晶片驱动器的逆控制器.首先,用两个双曲函数分别拟合迟滞主环的上升段与下降段,利用坐标变换描述依附于主环的一阶曲线;然后,根据Preisach模型理论的记忆擦除性与次环一致性,基于一阶上升与下降曲线分别描述了次环的上升段与下降段.由于这种建模方法所需的参数远小于Preisach等经典迟滞模型,非常适用于压电驱动器等智能材料系统.实验结果显示,基于这种迟滞非线性模型设计的逆控制器,控制后的最大误差比控制前减小了44.26％,有效地提高了压电双晶片驱动器的定位控制精度.     

超磁致伸缩驱动器建模及其迟滞补偿

本文提出了用超磁致伸缩材料与压曲放大机构相结合构成微位移驱动器的方法,建立了超磁致伸缩执行器的控制系统传递函数模型。文中对所建立的系统进行了相频和幅频特性的理论分析和实验,合理地解释了此系统的迟滞曲线随输入信号频率变化的原因。为了进行迟滞非线性补偿,提出了相位补偿与迟滞逆模型相结合来补偿迟滞特性的控制方法。实验结果证明了系统理论模型的准确性和补偿控制方法的有效性。     

基于神经网络逆控制的钢包精炼炉的仿真研究

基于逆动力学控制的思想,提出一种基于RBFN逆模型控制策略,并将该控制策略对具有多变量非线性特性的钢包精炼炉系统进行控制.采用三个RBF神经网络分别对被控对象的三个输入进行逆辨,识,每相神经网络逆辨识模型反向作为逆控制器模型与每相串联,从而构成三个已解藕的独立的伪线性对象,进而针对三个独立的伪线性对象进行线性控制,从而实现了对三相耦合系统的精确控制.仿真实验证明冲这种方法的可行性和有效性.     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

基于最小二乘支持向量机逆系统方法应用研究

针对流浆箱的内部机理模型,提出了一种基于最小二乘支持向量机逆系统的解耦控制方法。利用最小二乘支持向量机辨识得到流浆箱系统的逆模型,并采用逆系统思想,将流浆箱非线性系统解耦成多个相互独立的单入单出伪线性子系统。采用MATLAB对该解耦控制方法的有效性进行仿真验证,结果表明,该控制方法抗干扰性强,结构简单,工程上易于实现。     

基于动态逆模型的电液位置伺服系统复合控制

电液位置伺服系统是典型的非线性系统,且往往存在较强的外部干扰.正是由于系统非线性及不确定性,传统方法设计的闭环控制器往往不能满足系统的高性能需求.基于系统动态逆模型设计出复合控制器,包括前馈控制器和鲁棒控制器,分别用于提高系统的控制精度及鲁棒性,给出电液位置伺服系统鲁棒控制器的一般设计方法,并针对电液伺服系统的主要非线性参数,给出在线预估的自适应方法.最后给出复合控制器的验证实例,并对所建数学模型及参数预估方法进行验证,试验结果表明,所提出的基于动态逆模型的复合控制策略提高了系统控制精度,增强了系统抑制外干扰的能力,拓展了系统双十频宽.