气动位置伺服系统的自校正自适应研究

气动技术是一门以空气作为传动介质的流体流动与控制技术，由于其本身固有的特点，如省能，污染小，价格低廉及适用范围广等。在工业自动倾及机器人领域等得到了越来越广泛的气动位置伺服系统，在全面分析研究这种气动位置伺服系统，在全面分析研究这种气动位置伺系统的基础上，针对气动伺服系统的弱品质，如系统刚度差，非线性严重及参数变化大等，提出一个新的控制算法，即零一极点配置的自校正自适应控制算法，研究结果表明，这种控制算法对气动位置伺服系统是适用的，具有产好的跟踪速度及控制精度，这一研究为进一步开发研制气动伺服系统打下坚实的理论基础，并可望在气动喷漆机器人中得到应用。     

气动位置伺服系统的非对称模糊PID控制

对于有杆气缸的非对称物理及摩擦力特性,提出了采用非对称模糊策略的模糊PID控制算法,较好地解决了有杆气缸由于左右两腔物理结构和摩擦力特性的不对称而造成运动过程中压力变化复杂的问题,改善了系统的动态响应性能.实验证明,采用非对称模糊策略的模糊PID控制可以明显地提高气动位置伺服系统的动态响应性能,系统具有较小的超调量和过渡过程时间,并获得了满意的重复稳态精度.     

位置伺服系统的学习控制研究

本文通过对位置伺服系统的学习控制的实验研究,提出系统滞后是学习控制过程发散的主要原因.针对这一问题,文中提出了三种解决办法,即给定超前法、给定滤波法和给定超前滤波法,并在实验中取得了满意的效果.     

电液位置伺服系统的多滑模神经网络控制

针对电液位置伺服系统存在的强非线性、控制增益未知和非匹配不确定性.通过引入神经网络和带饱和层的多滑模面,提出了一种多滑模神经网络控制方法.该方法运用神经网络的万能逼近特性和滑模控制优良的抗干扰特点,采用构造性方法设计控制器.运用光滑投影算法和积分李雅普诺夫技术,避免了参数漂移和控制器奇异问题.理论证明了系统跟踪误差收敛于任意设定的滑模面饱和层内.仿真实验表明了理论结果的有效性.     

一类新型自学习控制器及其在气动伺服系统中的应用

设计了一种新的学习控制律，它通过沿学 习轴递推辨识学习增益矩阵以改善控制效果，并分别针对连续系统及离散系统设计了学习控 制律，给出了相应的收敛性证明结果，同时考虑了系统存在噪声干扰及初始误差不为零时学 习控制器收敛性条件，最后把它用于气动伺服系统位置控制，给出了相应仿真结果，结果表 明本文提出的控制算法能达到很高控制精度．     

自校正调节器在具有阻力负载的气动位置伺服系统中的应用

以空气为传输介质的气动位置伺服系统,由于自身结构的特殊性,难以实现高精度位置控制.为研究工作过程中气缸所受柔性作用力,并真实反映气动系统的控制过程,利用气缸模拟实际环境中系统的负载外力,采用三阶模型描述系统,并运用自校正调节器完成了对系统控制律的设计;最后通过实验研究了自校正调节器对气动位置伺服系统的动态、静态特性的影响并根据仿真实验结果分析了气动系统跟踪响应迟滞性的根本原因.     

气动3-UPU机器人的神经网络监督控制仿真

以基于气浮无摩擦缸驱动的3-UPU并联机器人为研究对象,对其进行运动学、工作空间仿真分析以及气动比例位置系统数学建模与控制仿真.由于气动比例位置系统具有很强的非线性,而且易受环境因素影响,当采用传统PID控制时,很难使系统保持良好的控制效果.考虑到神经网络具有很强的逼近特性,于是引入RBF神经网络监督控制算法进行仿真分析.仿真结果表明,上述机器人具有较大的工作空间,同时在气动比例位置系统中,RBF神经网络监督控制具有更优的控制效果,在保证系统稳定的前提下提高了输出响应速度.     

基于CMAC 的带有未知负载干扰电液位置伺服系统的自学习控制

针对电液伺服系统的特点,提出了基于ＣＭＡＣ神经网络非线性控制的结构和算法。对电液位置伺服系统的动态仿真表明,雇地未知和时变外负载干扰具有明显的抑制作用。     

基于神经网络的机器人自学习控制器

提出一种神经网络与PID控制相结合的机器人自学习控制器.为加快神经网络的学习收敛性,研究了有效的优化学习算法.以两关节机器人为对象的仿真表明,该控制器使机器人跟踪希望轨迹,其系统响应、跟踪精度和鲁棒性优于常规的控制策略.     

机器人电液位置伺服系统的智能模糊控制

本文针对机器人的关节电液位置伺服系统的特点,应用模糊集和人工智能原理设计了一种简单的智能模糊控制器.计算机仿真和实时控制实验结果均表明,智能模糊控制能有效地克服机器人系统固有的变惯量、非线性等不利因素的影响.此外,该控制器对系统参数变化具有较强的鲁棒性,能显著的提高机器人系统的定位精度和动态响应性能.     

四足步行机器人模糊神经网络控制

本文以模糊控制与神经网络应用于四足步行机器人的力与位置混合控制系统为目的，针对ＪＴＵＷＭ－ＩＩ四足步行机器人，进行了有关神经网络、模糊控制的理论研究和实验     

机器人主动装配作业的人工神经网络系统

本文在对机器人销孔装配过程销的装配力与位姿关系实验分析的基础上,设计了 机器人主动装配作业的人工神经网络系统．     

非线性系统的模型参考神经网络控制

提出了一种未知非线性动力学系统的神经网络控制策略，用动态多层ＢＰ网进行辨识，静态网进行控制，控制器结构简单，收敛快泛化能力强，仿真结果表明，该策略对几类非线性系统的控制是有效的，且适用于多值逆映射非线性系统，可用于实时控制。     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

机械压力机滑块位置的神经网络控制

分析了机械压力机的滑块在行程的任意位置停止的必要性，在此基础上，论 述了使滑块一次准确停止到位的科学性并建立了相应新型压力机滑块行程的计算机控制系统．明确指出应对滑块停止位置进行神经网络补偿控制，并解决了实施神经网络控制的关键技术问题．通过在JH23-63型机械压力机上的大量试验，验证了该控制方法的有效性．     

基于分散神经网络的多指灵巧手位置控制

针对多指灵巧手钢缆传动系统的非线性，提出一种基于分散神经网络的位置控制方法．通过 对复杂的钢缆传动系统施加不同的输入可以得到特定的相对简单的输入输出数据，利用这种 特定的输入输出数据学习传动系统的非线性关系得到多个分散的神经网络，再根据传动系统 的结构特性用分散的神经网络求取钢缆传动系统的逆模型，用于直接逆控制，从而达到补偿 非线性误差的目的．同时应用在线神经网络的适时补偿使系统长时间保持良好的运行状态． 实验证明这种方法可大大提高位置跟踪精度，取得比较满意的结果．     

补偿机器人定位误差的神经网络

先进的机器人由计算机执行程序来完成各种作业，靠计算关节变量的函数得到手爪的位姿，这些函数一般不准确，使计算值与实际值有较大误差；重复精度０．１ｍｍ的机器人该误差可能达到１０ｍｍ。已有的机器人运动学误差补偿方法需要分析误差来源，使其参数化，并辨识这些参数，六自由度机器人的这种参数已达７２个之多。本文提出一种机器人运动学误差补偿的神经网络模型，利用改进的误差反传（ＢＰ）学习算法，在ＲＭ－５０１机器人进     

高速公路动态交通系统的神经网络预测控制

提出一种高速公路动态交通系统的神经网络预测控制方法。根据高速公路的实际北景导出其非线性动态模型，利用神经网络及辨识的串并联结构来建立模型的映射，在此基础上给出控制变量带有上下界约束的预测控制算法。根据实测数据进行了仿真研究，结果表明算法是有效的，因而为解决高速公路的动态控制问题提出了一种新的方法。     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了一种利用神经网络逼近具有不确定性及 随机干扰的仿射非线性系统的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．