基于粗糙集的进化计算在位置伺服系统中的应用

1　引言在高速、精密的位置伺服控制系统中 ,位置环采用传统的 P控制很难满足系统控制品质的要求 .本文采用反馈 -前馈控制算法 ,反馈控制器 ( FBC)为比例环节 ,前馈控制器( FFC)为对象的逆模型 ,利用基于粗糙集的进化计算 ( EC) [1 ]自适应地调整前馈控制器的参数 ,以补偿系统参数的变化 ,达到最佳控制效果 .图 1所示的控制系统是控制某一机械装置 (机器人等 )的运动 ,实现对目标设定值迅速、准确地跟踪 [2 ] .图中前馈控制器的输出为uff =W1 Vcsgn{ω}+W2 αpθr+W3αpθr,　 W=[W1 ,W2 ,W3] ,( 1 )式中 Vc为 E…     

基于离散元法的料门式给料器料门受力研究

目的研究料门式给料器工作中颗粒物料对料门的作用力,以便选择合适的驱动机构。方法对给料器结构进行合理简化后,利用离散元法借助PFC3D软件,仿真计算料门完全关闭时受颗粒物料的作用力;将料门及实现其转动的辅助机构合理简化为杆件机构,分析料门在几个关键位置所需的驱动力。结果颗粒物料对料门垂直方向的合力始终小于其自身的重力,而且随着颗粒物料高度的增加此现象会变得更加明显;料门受到颗粒物料的正压力和切向静摩擦力,随着料斗内料位高度的增加最初呈线性增大,后转为非线性并趋于极限值,而且变化过程与料斗结构也有一定关系;料门在完全关闭状态打开料门所需的摆动臂驱动力约为115 N,在精给料时维持精给料位置所需限位臂驱动气缸的推力约为553 N。结论设计料门式给料器时只需计算一定料位高度的料门受力,超过此高度后物料继续增多时料门受力基本不变;使用的料门式给料器采用的气缸驱动力足够大,能够保证正常工作。     

一种新型的无人值班变电站综合自动化控制系统

该文提出了一种新型的集散式的无人值班变电站综合自动化控制系统的设计方案。着重讨论了系统的组成原理，并对无人值班的关键问题──远动加以详述，最后概述了人机界面。实际运行表明，该系统自动化程度高，安全可靠，具有较高的性能价格比。     

数字信号处理器（DSP）在现代控制系统中的应用

本文回顾了ＤＳＰ的主要特性和控制功能,简述了ＤＳＰ在控制系统中的应用,最后描述了ＤＳＰ在现代控制系统中的应用前景。     

一类递归RBF神经网络模型的稳定性讨论

在径向基函数神经网络（RBFNN）和递归神经网络（RNN）的基础上,提出了一类新的递归径向基函数神经网络（RRBFNN）模型,它具有两种网络模型的优点。文中对它的渐近稳定性和学习算法进行了研究,并给出相关的定理和公式。仿真结果表明了该神经网络模型在控制不稳定非线性系统（如小车－倒摆系统）具有巨大潜力。     

实时遗传算法在位置伺服系统中的应用

利用前馈控制与传统的反馈控制结合来控制位置伺服系统,由实时遗传算法在线调整前馈控制器参数,使其为对象的逆模型。用实际输出和设定值之间的跟踪误差计算个体的适应度,突变操作的范围也由跟踪误差确定,以保证参数的收敛。实验结果证明实时遗传算法的嵌入使得系统在跟踪、抗扰性能等方面有明显改善。     

标准神经网络模型及其应用

提出一种新的神经网络模型--标准神经网络模型(SNNM),它由线性动力学系统和有界静态非线性算子连接而成.SNNM表示为线性微分包含(LDI)形式,可以方便地利用线性矩阵不等式(LMI)方法来分析其稳定性和其他性能.利用不同的Lyapunov函数和S方法推导出基于LMI的连续SNNM和离散SNNM的稳定性定理.实例表明SNNM可应用于递归神经网络的稳定性分析以及神经网络控制系统的综合和分析.     

基于LMI方法的时滞BAM神经网络的全局稳定性分析

对于时滞双向联想记忆(DBAM)神经网络的平衡点的稳定性问题,目前人们已经得到了很多富有意义的成果。该文提出一种新的神经网络模型标准神经网络模型(SNNM),通过状态的线性变换,将DBAM神经网络转化为时滞SNNM(DSNNM),并利用有关DSNNM的稳定性的一些结论,得到DBAM神经网络平衡点的全局渐近稳定性的充分条件。这些条件都以线性矩阵不等式(LMI)的形式给出,容易验证,保守性低。该方法扩展了以前的稳定性结果,同时也适用于其它类型的递归神经网络(时滞或非时滞)的稳定性分析。