基于小波神经网络的电动负载模拟器的复合控制

为了提高电动负载模拟器的信号跟踪精度和多余力矩抑制能力,在分析系统结构和工作原理的基础上建立了电动负载模拟器系统的完整数学模型。针对电动负载模拟器中存在的力矩跟踪精度问题,提出了一种前馈补偿和基于小波网络的PID控制相结合的复合控制方法。利用改进的前馈补偿法抑制多余力矩,基于小波网络的PID控制器可以在线调整PID参数补偿系统的非线性环节,提高系统动态性能。仿真结果表明,复合控制器对多余力矩有良好的抑制效果,跟踪精度满足要求,和传统PID控制相比,系统鲁棒性得到显著提高。     

直升机舵机电动加载测试系统的建模与仿真

为提高小扭矩时的加载精度并消除多余力矩,对舵机电动加载测试系统进行了建模与仿真。给出了加载系统的结构和工作原理,建立了系统数学模型,分析了系统稳定性,通过PID控制器进行偏差调节,以保证闭环控制系统的加载精度。分析了多余力矩产生的原因,并设计了前馈结构补偿环节来抑制多余力矩。在Simulink下对系统进行仿真,结果表明：所设计的电动加载测试系统加载精度高,有效地消除了多余力矩,满足舵机检测要求。     

被动式电液伺服加载系统复合控制方法研究

研究了基于新型补偿结构和非线性PID控制器的被动式电液伺服加载复合控制方法.提出了将加载马达输出轴角位移作为输入信号的多余力矩前馈补偿方案,在有效抑制多余力矩的同时降低了系统阶次.研究了一种带调节因子的非线性PID控制器,克服了常规PID控制器难以解决的快速性与稳定性之间的矛盾.仿真与试验结果证明,该复合控制策略具有较高的载荷谱跟踪精度.     

基于CMAC的电动负载模拟器的研究

为了抑制电动负载模拟器中存在的多余力矩,增强加载系统的非线性抑制能力,提出小脑模型(CMAC)神经网络与经典PID结合的复合控制策略,CMAC网络用于前馈控制,经典PID实现反馈控制,能够快速实时地消除多余力矩对系统的干扰。将存储单元的先前学习次数作为可信度,提出基于可信度分配的权值更新算法,来消除常规CMAC网络的过学习现象。建立了电动负载模拟器的数学模型,并给出了具体的算法流程。经仿真和试验结果表明,该方法具有很强的鲁棒性,有效地抑制了系统的多余力矩,提高了系统的加载精度。     

无刷直流电动机的神经网络PID控制器研究

提出了一种基于BP神经网络的PID控制器,该控制器有机结合了BP神经网络和PID的特点,克服传统PID控制存在的不足,并采用快速BP算法改善其收敛性,有效的提高了无刷直流电动机调速系统性能,仿真研究表明上述神经网络PID控制器,比传统PID控制器控制动态过程有明显改善,能够获得更高的跟踪精度。     

被动式加载系统的发展与现状

介绍了被动式加载系统的发展与现状.分析了多余力矩的产生机理和目前各种克服多余力矩的有效方法及提高加载精度的控制策略.     

基于免疫神经网络的双缸液压机同步PID控制

为了提高双缸锻造液压机的同步运动控制精度,设计了免疫神经网络PID控制器。分析了双缸锻造液压机同步控制系统原理,建立了阀控液压缸数学模型;针对传统PID控制器不具有参数自适应整定的缺陷,使用免疫算法对系统状态进行监测,根据系统状态实时调整PID参数,使PID控制更具有时效性和有效性;免疫算法中抗体抑制调节函数的构建精度极大影响控制精度,鉴于BP神经网络对非线性函数的无限逼近能力,使用BP神经网络逼近抗体抑制调节函数;经仿真实验验证,设计的免疫神经网络PID控制器具有超调量小、同步跟踪误差小、鲁棒性高等优势。     

基于干扰观测和前馈补偿的电动加载复合控制

对于含有舵机位置扰动、模型参数摄动和传感器噪声等多余力的电动加载系统,仅采用传统的速度前馈补偿很难对系统多余力矩进行完全抑制。在传统速度前馈补偿的基础上针对系统扰动问题引入了扰动观测器,并利用改进的干扰观测器对高频噪声进行抑制。再通过微分负反馈阻尼补偿增强控制回路稳定性,利用重复PID控制器进行负反馈控制来改善系统的动态性能。仿真结果表明,该复合控制策略能够在很大程度上提高系统对多余力矩的抑制能力,并改善系统的加载精度。     

机器人焊缝跟踪神经网络控制的研究

研究神经网络技术在弧焊机器人焊缝跟踪过程中的应用,通过神经网络在笛卡尔空间轨迹的补偿作用,确定出基于笛卡尔空间参考轨迹控制的机器人焊缝跟踪神经网络控制器。与传统的关节计算力矩法相比,所设计的神经网络控制器具有良好的控制特性及较强的鲁棒性,焊缝跟踪精度得到了显著的提高。     

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。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

气动柔性五自由度手指运动分析及控制

基于气动柔性驱动器,设计了气动柔性五自由度手指,并介绍了其结构原理。分析建立了五自由度手指的运动学方程,并采用遗传算法解决了该五自由度手指逆运动学中的冗余解问题。基于神经网络设计了手指控制器,并进行了手指指尖轨迹跟踪实验。实验结果表明,手指指尖的运动实验曲线与理论曲线比较接近,说明采用遗传算法及神经网络控制能够实现对五自由度手指的较精确实时控制。     

基于前馈解耦的振动与加载电液混合试验系统力加载跟踪控制研究

针对振动与加载电液混合试验系统力加载跟踪过程中的多余力抑制问题,分析了振动与加载电液混合系统的组成及工作原理,建立了混合系统的动力学模型,并对动力学模型的准确性进行了验证。在此基础上,分析了混合系统加载多余力的产生机理,提出了振动与加载电液混合系统力加载前馈解耦控制算法。搭建了振动与加载电液混合试验台及嵌入式控制系统,利用振动与加载电液混合试验台进行了力加载控制策略的试验研究。结果证明,与传统PI控制器相比,提出的力加载前馈解耦控制算法可以更有效地抑制系统多余力,提高力加载的跟踪精度。     

基于DRNN动态整定PMSM的SVPWM控制

为解决传统的永磁同步电机控制系统中存在的低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出了一种基于对角神经网络动态自整定的永磁同步电机矢量控制系统的实施方案.给出了基于对角递归神经网络的PID动态自整定控制器的结构,以及PID参数动态自整定的学习控制算法,并将这种综合控制策略引入永磁同步电机空间电压矢量PWM控制中.仿真结果表明,系统低速性能好,转矩脉动小,谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性.     

基于神经网络的自适应控制方法

本文提出了一种新的自适应控制方法－基于神经网络的自适应控制,采用神经网络ＢＰ算法作为控制器来控制实际对象,动态地修改神经网络的权值作为自适应方法,使系统较好地适应负荷和外扰的变化,从而获得满意的控制质量。     

Neural network controller for robotic motion control

Since a robotic manipulator has a complicated mathematical model, it is difficult to design a control system based on the complicated multi-variable nonlinear coupling dynamic model. Intelligent controllers using fuzzy and neural network approaches do not need a real mathematical model to design the control structure and have attracted the attention of robotic control researchers recently. A traditional fuzzy logic controller does not have learning capability and it needs a lot of effort to search for the optimal control rules and the shapes of membership functions. Owing to the time-varying behaviour of the system, the required fine tracking accuracy is difficult to achieve by adjusting the fuzzy rules only. The implementation problems of neural network control are the initial training and initial transient stability. In order to improve the position control accuracy and system robustness for industrial applications, a neural controller is first trained off-line by using the input and output (I/O) data of a traditional fuzzy controller. Then the neural controller is implemented on a five-degrees-of-freedom robot with a back propagation algorithm for online adjustment. The experimental results show that this neural network controller achieved the required trajectory tracking accuracy after 15 on-line operations.