基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法

结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。     

绝缘子检测机器人振动阻尼比计算新方法研究

架空输电线路绝缘子检测机器人工作于绝缘子串上,工作过程中受工作环境和本身关节动作影响,机器人的机体会发生振动。基于质心算法的阻尼比计算方法主要思路:分析信号质心与振动阻尼比的联系,确定质心与阻尼比的函数关系。信号质心获取方法简单,且受外界影响小,因此绝缘子检测机器人阻尼比计算新方法能够快速、准确估算出机器人振动的阻尼比,为改善机器人的工作振动状态提供依据。提出的估算阻尼比的方法物理概念清晰、简单,便于实现。仿真计算和实测试验结果表明该方法快速、有效。     

RBF神经网络补偿的并联机器人控制研究

为了实现对三自由度Delta并联机器人更精确的轨迹跟踪控制,对并联机构的动力学建模不确定性进行研究,提出了计算力矩控制基础上的RBF神经网络在线补偿控制策略。利用Lyapunov理论推导了神经网络在线权值自适应律,保证了系统稳定性。运用RBF神经网络在线自学习系统的不确定性,提高了控制效率同时增加算法的自适应性。在Simmechanics中建立系统物理模型并在Simulink中设计控制器,之后进行Simulimk/Simmechanics联合仿真,结果表明算法优于计算力矩控制,可以有效减小跟踪误差的收敛半径,实现对目标轨迹的准确跟踪。     

基于优化RBF神经网络的并联机器人位姿检测

针对采用遗传算法(GA)学习训练RBF神经网络进行并联机器人位姿检测存在的早熟收敛问题,提出一种交替使用GA和Levenberg-Marquart(LM)算法的混合学习算法,首先运用仅需预先给定基函数宽度的最近邻聚类算法,学习训练得出基函数的中心,然后运用所提出的混合学习算法学习网络,确定RBF神经网络的参数,并最终实现对机器人的位姿检测。仿真结果表明,所设计算法提高了网络学习能力,并最终提高了机器人位姿检测精度。     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于RBF神经网络的底盘测功机控制算法

介绍了底盘测功机的类型并对电涡流测功机工作原理进行了说明,介绍了RBF(Radial Basis Function),神经网络的算法并分析了其控制系统模型,利用其在线整定PID(Proportion Integration Differentiation)控制技术对系统控制器进行设计,并通过MATLAB仿真给出了系统控制模式的控制效果.经试验验证,控制算法控制效果良好,完全满足底盘测功机对控制品质的要求.     

高压输电线路塔架攀爬机器人结构设计

针对高压输电线路的塔架故障检修问题,设计了仿尺蠖运动的高压塔架攀爬机器人,该机器人携带有多种检测传感器并且前后安装两个摄像头,以适应复杂的塔架结构,实现从任意角度的抓卡动作。使用SolidWorks进行建模,并且在SolidWorks中做攀爬机器人运动分析和仿真。由于攀爬抓取机构在机器人攀爬过程中起着重要作用,在ANSYS Workbench中对其关键部位做结构静力学分析。     

一种特高压输电线路带电绝缘子检测机器人

随着电力行业的发展,特高压输电线路的建设和运行变得越来越重要。绝缘子作为输电线路的重要组成部分之一,其绝缘性能容易受到各种因素的影响,从而导致事故的发生。目前,传统的人工停电检测绝缘子的方法存在工作量大、危险性高等问题。因此,研究一种特高压绝缘子检测机器人具有重要的意义。文章提出一种特高压输电线路绝缘子检测机器人的设计方案,并对其关键技术进行详细的讨论和分析。实验结果表明,该机器人具有良好的检测效果和高度的可靠性,能够有效解决特高压绝缘子的检测难题。     

基于模糊RBF神经网络的数控机床热误差建模

将模糊技术与RBF神经网络相结合并应用于机床热误差建模中,构建了基于模糊RBF神经网络的数控机床热误差模型;以某龙门导轨磨床主轴箱系统为实例,将模糊RBF神经网络建模方法运用到主轴箱系统热误差建模当中。通过与BP神经网络建模方法进行对比,验证了模糊RBF神经网络建模方法无论是在建模效率、建模鲁棒性还是模型的补偿效果方面均优于传统的BP神经网络建模方法,该方法对提高数控机床加工精度具有重要的意义。     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

基于模糊RBF神经网络的智能PID控制

针对常规PID控制参数变化系统效果不佳的缺点,设计一种利用智能控制理论RBF神经网络与模糊控制技术相融合的新型智能PID控制方法[1]。该控制方法将系统的输入误差及其变化率进行模糊化后,再利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定[2]。MATLAB仿真结果表明,基于上述的PID控制方法能够克服传统PID控制器的局限性,具有较高的控制精度,较好的动态品质及较强的鲁棒性。     

基于RBF神经网络模糊PID控制的电液伺服系统

采用普通PID控制的复杂电液伺服控制系统(液压驱动的控制系统)存在控制柔顺性不佳的问题,达不到理想的控制效果,为了提高电液伺服系统的控制特性,提出了一种基于径向基神经网络(RBF)模糊PID的控制策略.首先,理论推导了伺服阀控液压缸的状态空间方程,建立了液压系统相关的数字模型;然后,在普通PID控制策略的基础上,提出了...     

电厂球磨机的模糊神经网络控制

广泛应用于火电厂的钢球磨煤机制粉系统是一典型的多变量非线性时变系统．各控制量之间存在着严重的耦合．这些因素使得基于常规PID方法设计的控制方案达不到控制作用。本文设计了一个模糊神经控制器并进行了仿真研究。并且用改进的粒子群优化算法对控制器的初值进行离线优化训练、最后的仿真结果表明优化后的模糊神经网络控制器对本文控制对象具有良好的控制性能，该控制方法可用于磨煤机制粉系统这类复杂过程的控制。     

基于RBF神经网络的教学机器人转角测量

以AS-UII教学机器人为研究对象,提出了一种间接测量机器人转角的方法.该方法利用RBF神经网络建立模型,以多组电机速度、运行时间为样本,解决了机器人转角与电机速度、运行时间的关系问题.实验证明,该方法是有效可行的.因此,可以根据电机的速度、时间来间接确定机器人的转角,为机器人的路径规划提供角度参数.     

基于RBF神经网络的温度场重建算法研究

在声学法锅炉炉膛温度场测量中，重建算法是实现炉膛温度场重建的关键。本文提出一种基于径向基函数神经网络的复杂温度场重建算法。该算法首先对被测温度场用离散余弦变换，建立离散余弦变换低阶次项DCT系数向量与声波路径平均温度向量的映射关系，然后利用RBF神经网络良好的函数逼近能力实现该映射关系，并通过正交最小二乘法进行学习和训练，实现被测温度场的重建。本文对3种原型温度场进行了重建，并在40dB、30dB和20dB等3种不同噪声水平下进行了重建实验。仿真及初步实验结果表明，该算法具有温度场重建精度高、速度快、抗干扰能力强的特点。     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

基于RBF神经网络的单交叉口自学习控制系统

单交叉路口自学习信号控制器主要是通过径向基函数(RBF)神经网络建立了交叉口模型,模拟交通警察指挥交通的思维过程.该控制器能够根据交叉口各相位车辆的排队长度,对各个相位的绿信比和总的信号周期进行实时分配,并且根据交通状况的变化,可以对信号配时效果进行评价,对信号作出调整,具有学习功能.仿真结果表明,该系统能够很好地适应实际的交通状况,可以提高道路交叉口的车辆通行能力.     

Trajectory control of electro-hydraulic excavator using fuzzy self tuning algorithm with neural network

This paper presents the trajectory control of a 2DOF mini electro-hydraulic excavator by using fuzzy self tuning with neural network algorithm. First, the mathematical model is derived for the 2DOF mini electro-hydraulic excavator. The fuzzy PID and fuzzy self tuning with neural network are designed for circle trajectory following. Its two links are driven by an electric motor controlled pump system. The experimental results demonstrated that the proposed controllers have better control performance than the conventional controller. This paper was recommended for publication in revised form by Associate Editor Kyongsu Yi Le Duc Hanh received the B. S. degree in the department of Mechanical Engineering from Hochiminh City University of Technology in 2006, the M.Sc. degree in Mechanical and Automotive Engineering from University of Ulsan in 2008. His research interests are electro-hydraulic excavator, remote control, intelligent control. Kyoung Kwan Ahn received the B. S. degree in the department of Mechanical Engineering from Seoul National University in 1990, the M. Sc. degree in Mechanical Engineering from Korea Advanced Institute of Science and Technology (KAIST) in 1992 and the Ph.D. degree with the title “A study on the automation of out-door tasks using 2 link electro-hydraulic manipulator from Tokyo Institute of Technology in 1999, respectively. He is currently a Professor in the school of Mechanical and Automotive Engineering, University of Ulsan, Ulsan, Korea. His research interests are hybrid excavator, fluid power control, design and control of smart atuator using smart material, rehabilization robot and active damping control. He is a member of IEEE, ASME, SICE, RSJ, JSME, KSME, KSPE, KSAE, KFPS, and JFPS. Bao Kha Nguyen received the B. S. and M. S. degree from Hochiminh City University of Technology in 2001 and 2003, respectively, all in Automatic Control Engineering and the Ph.D. degree from University of Ulsan in 2006. His research interests focus on intelligent control, modern control theory and their applications, design and control of smart actuator systems. WooKeun Jo received the B.S. degree in the department of Mechanical and Automotive Engineering from University of Ulsan in 2007. And he matriculated M.S. at University of Ulsan. Currently, he’s syudying on it. His research interests focus on fluid control, welfare vehicle, mobile robot