冗余液压机械手双伺服阀驱动控制仿真研究

机械手是当今社会发展的智能化设备,由于受到设计水平的限制,控制精度达不到期望的要求,能量消耗也较为严重。为解决此类问题,详细分析了单伺服阀和双伺服阀液压驱动系统,根据运动学原理推导出活塞驱动力和能量消耗方程式,并优化了能量消耗。采用粒子群优化（PSO）算法PID控制器,并且通过冗余液压机械手末端执行器进行仿真验证。双伺服阀明显优于单伺服阀,在驱动冗余液压机械手末端执行器时,不仅追踪误差较小,而且能量消耗较少。因此,双伺服阀驱动冗余液压机械手末端执行器能够更好地满足设计者的要求。     

粒子群优化算法中惯性权重的研究

惯性权重是粒子群优化算法中的关键参数,文章对惯性参数进行了系统的研究,在此基础上,分析了固定权重,典型的线性递减惯性权重,步长较小的线性递减惯性权重时收敛性能的影响.通过对4个测试函数的仿真实验,验证了它们各自的全局收敛性和收敛速度,说明了惯性权重在粒子群优化算法中有很大的自由度.     

改进的粒子群算法在圆度误差评价中的应用

由于用最小区域法(MZC)评价圆度的目标函数是非线性函数,用传统的优化方法难以进行评价,而且还容易陷入局部最优解。基于最小区域法(MZC)准则的基础上,运用一种改进的粒子群算法—协同粒子群优化(CPSO)算法来评价圆度误差,此方法将原来的粒子群分成若干个子种群,每个子种群中粒子各自寻求自己的最优值,各种群粒子信息共享,共同进化,直到达到指定的进化代数,最后比较得出最优值。相比遗传算法(GA)和标准的粒子群优化(PSO)算法具有全局搜索能力强,收敛速度快,精度高的优点。最后在MATLAB软件编程环境下,用实例比较验证了CPSO算法的有效性。对其他的几何量评价具有指导意义。     

基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

液压驱动机械手的神经网络控制

针对液压驱动机械手的轨迹跟踪控制问题,在分析研究机械手动力学特点的基础上,推导出机械手的数学模型,分析了神经网络自适应控制的特点,提出了基于函数连接神经网络液压驱动机械手的自学习控制结构与控制算法。其控制结构着重智能知识的加强;控制算法以PD形成学习规则为基础,运算结果不是直接参与控制;而是根据控制器作用于系统之后所产生的误差及其微分对控制器作出评价和修正,仿真和实验研究证明了数学模型的有效性及控制方法的可行性。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于粒子群算法液压伺服系统PID参数的优化

PID控制器在液压伺服系统中得到广泛的应用。为了有效地寻找液压伺服系统的最佳PID控制器参数,提出一种基于粒子群算法的PID参数优化策略。通过建立PSO-PID控制器参数模型,对PID控制器的参数进行实时优化;利用MATLAB对系统进行仿真,结果显示在液压伺服系统的工况相同时．新型控制器能取得满意的控制效果。     

改进的BP神经网络方法在液压控制系统中的应用研究

由于BP神经网络自身存在的一些缺陷,在液压控制系统中基于BP神经网络的PID控制器有时无法达到良好的控制效果.在研究BP神经网络主要改进方法的基础上,针对液压控制系统特性,综合采用引入陡度因子、归一化处理、采用输出层步长比输入层步长小等多种方法对应用于液压控制系统的BP神经网络算法进行改进.研究结果表明,改进后的控制系统延迟小、稳定性强、控制效果良好、对实际应用有较好的指导作用.     

重载大惯性液压驱动系统的神经网络近似逆控制

针对重载大惯性液压驱动系统,考虑系统的强非线性、模型不确定性和工作点的变化,设计了系统的神经网络近似逆控制器.该系统逆控制器可以直接从辨识所得的神经网络模型中得到,因而只需要训练一个神经网络.对大惯性重载非线性液压驱动系统的控制仿真研究表明,与传统PID控制器相比,神经网络近似逆控制器具有更好的动态控制性能,对模型不确...     

液压拉床双缸IPSO-PID伺服同步驱动控制研究

针对单缸驱动液压拉床存在刀架溜板同步性能较低的问题,设计了双缸电液伺服同步驱动系统,在分析刀架溜板拉削运动特性的基础上建立了系统的非线性模型;根据系统跟踪性能和同步性能指标要求,引入改进型粒子群优化算法(IPSO),提出了类似经典PID控制器结构的IPSO-PID伺服同步控制策略。在液压拉床上的实际应用结果表明,该控制策略比常规PID同步控制策略具有更好的跟踪性能和同步驱动性能,可以较好地解决双缸液压拉床的同步驱动问题。     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

神经网络自适应控制及其在电液伺服系统中的仿真研究

针对非线性系统控制和神经网络控制实时性差的问题,提出一种神经网络在线控制结构,做到了对象模型在线辩识和控制器在线设计。通过仿真研究,证明该方法有效。     

液压弯辊系统的优化神经网络内模控制

针对轧机液压弯辊系统存在非线性、时变性等特点,采用基于前馈神经网络的内模控制方法,将优化网络用于神经网络辨识器和内模控制器的离线训练,采用学习率自适应调整的改进BP算法在线调整网络权值。仿真研究表明,将优化网络用于液压弯辊系统控制,提高了液压弯辊系统的动态响应速度和稳态跟踪精度,具有较强的快速性和鲁棒性,能够取得理想的控制效果。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

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。     

电液伺服系统的神经网络在线学习补偿自适应控制

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想，提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制，避免控制器的输出产生振荡或进入饱和状态。工程应用表明，该方法将过程辨识和“参征器”引入神经网络的学习和控制中，可有效地提高了系统的控制品质。     

电液位置伺服系统的自适应模糊神经网络控制

将电液位置伺服系统分为已知规律的线性部分和包括非线性、参数不确定性、负载干扰等在内的未知规律部分，用模糊神经网络仅对未知规律部分进行在线估计，缩小了搜索空间，系统估计的精度得到改善，加快了收敛速度。同时，对模糊神经网络建模误差的界进行在线估计，使变结构控制增益由接近建模误差的估计值确定，克服了传统变结构控制因过于保守的鲁棒控制增益带来较大控制量而不易实现的缺陷。