基于小波神经网络的控制方法及其应用研究

提出一种基于小波神经网络的控制方法,该方法利用两个小波神经网络作为控制系统的辨识器和控制器来构成控制系统。小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能产生复杂的最佳控制规律。仿真结果表明系统具有逼近精度高、控制效果好、抗干扰能力强等优点。     

半主动悬架自适应模糊神经网络控制的研究

提出了一种半主动悬架系统自适应模糊神经网络控制方法。该方法采用径向基神经网络作为辨识器,模糊神经网络作为控制器,根据辨识器提供的雅可比信息和汽车自身运行状态在线调整控制器参数,以达到自适应减振控制。最后以我国常见的B级路面为激励信号用Matlab进行计算机仿真,并与被动悬架和目前已有的模糊控制方法进行对比,结果证明了该控制方法能够明显地改善舒适性,而且改善的幅度又要明显地优于现有的模糊控制方法。     

采用炉膛辐射信号的锅炉燃烧系统模糊神经网络预测控制的仿真研究

针对火电厂燃烧过程中主蒸汽压力控制系统的大时滞、大惯性和非线性 ,采用以炉膛辐射信号为中间被调量的串级控制系统 ,并设计一个基于神经网络预测模型的模糊神经网络控制器作为主控制器。该控制器首先将神经网络与预测控制相结合 ,采用递阶遗传算法对神经网络的结构和权值分别进行训练 ,以实现非线性、大时滞系统模型的精确预测 ;然后将模糊控制与神经网络相结合 ,实现模糊神经网络预测控制。考虑到炉内剧烈的湍流燃烧造成炉膛辐射信号包含随机分量 ,又设计了一个附加判断器的二自由度 PID控制器作为副控制器。仿真结果表明 ,该方案显著提高了非线性、大时滞燃烧系统的控制品质 ,且易于工程实现     

机械臂神经网络控制优化与仿真

为了提高机械臂末端连杆运动轨迹控制的稳定性,在径向基函数(RBF)神经网络控制器的基础上,采用混合算法优化RBF神经网络控制器.用两个径向基神经网络单元作为自适应控制器,其中一个作为输入端的控制器,另一个作为机械臂的辨识器.将混合算法优化应用到这两个神经网络单元中,以改善网络结构参数对神经网络控制和辨识性能的影响,在Matlab环境下进行了仿真实验,并与RBF神经网络控制器跟踪效果进行对比.仿真结果显示:在受到不确定因素干扰时,机械臂末端连杆采用改进RBF神经网络控制器产生的误差较小,系统反应速度较快,转矩波动较小.机械臂末端连杆采用改进RBF神经网络控制器,具有抗干扰的能力,快速保持系统输出的稳定性.     

超精密车床溜板的模糊神经网络主动振动控制研究

提出了溜板的振动主动控制。作为器采用自行研制的主动空气轴承,实现无摩擦接触。控制方法彩和模糊神经网络控制,模糊控制为主控制器,用以逼近实际的复杂时变系统;神经网络控制补偿耦合效应。实验结果表明,基于主动空气轴承地模糊神经网络振动主动控制可以有铲减小溜板振动。     

基于神经网络的结构振动主动控制方法

以矩形简支薄板为研究对象,设计了一种基于神经网络的结构振动主动控制系统,通过对薄板表面施加激振力,来控制其振动噪声的辐射特性,采用有辨识器和无辨识器两种反馈控制算法实施频域控制.控制系统中的控制器和辨识器的拓扑结构均采用神经网络,分别称为神经网络控制器(neural network nontroller,简称NNC)和神经网络辨识器(neural network identifier,简称NNI).仿真结果表明,两种控制策略均可实现多频点控制,前者精度高,后者易实现.构建了简支薄板振动主动控制实验系统,针对易实现的无辨识器控制算法进行实验验证.实验控制效果良好,验证了该算法的正确性和可行性.     

基于双DSP在交流位置伺服系统的小波神经网络控制

采用双DSP设计完成了交流位置伺服系统的神经网络实时控制系统,其中一片DSP作为系统的小波神经网络控制器（NNC）,另一片DSP作为系统的BP神经网络在线辨识器（NNI）。由NNI对被控对象进行在线辨识的基础上,通过对NNC的权系进行实时调整,使系统具有自适应性。通过对交流位置伺服系统的控制实验,验证了本系统的实用性。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点，提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准确的控制。与普通模糊控制方法相比较，仿真试验说明了系统设计的有效性。     

基于比例阀的气动伺服系统神经网络控制方法的研究

研究了用神经网络PID控制器对基于比例阀的气动伺服系统进行控制的方法。用神经网络辨识器来逼近非线性动力学系统,并在线修改控制参数。实验及分析表明,适当的选择网络参数,经过充分的离线训练,该控制器可以进行在线的自适应控制,系统的控制精度和动态特性有明显提高,且在环境参数变化时,控制器具有在线自学习和自整定参数的能力。     

基于模型参考神经网络实现锅炉水位自适应控制

锅炉水位是影响锅炉安全运行的重要参数,而水位控制系统是一个复杂的非线性系统.设计了一个稳定的参考模型来表达所期望的汽包水位特性,再通过构建神经网络控制器,控制锅炉水位输出曲线匹配期望的锅炉水位特性.神经网络控制器由2个神经网络组成:被控对象辨识神经网络和控制神经网络,采用反向传播学习算法作为神经网络训练算法.仿真结果表明,采用该神经网络控制器的系统输出性能明显优于采用传统控制器的系统.     

基于RBF神经网络的非线性系统智能控制

针对工业控制领域中复杂非线性时变系统，采用传统的控制方法不能达到满意的控制效果，提出了基于神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，从而实现系统的智能控制。仿真结果表明该方法对于复杂非线性系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

基于模型参考神经网络实现锅炉水位自适应控制

锅炉水位是影响锅炉安全运行的重要参数，而水位控制系统是一个复杂的非线性系统。设计了一个稳定的参考模型来表达所期望的汽包水位特性，再通过构建神经网络控制器，控制锅炉水位输出曲线匹配期望的锅炉水位特性。神经网络控制器由2个神经网络组成：被控对象辨识神经网络和控制神经网络，采用反向传播学习算法作为神经网络训练算法。仿真结果表明，采用该神经网络控制器的系统输出性能明显优于采用传统控制器的系统。     

基于电气比例减压阀的灰色预估神经网络控制方法研究

针对基于电气比例减压阀的气动压力控制系统具有时延、强非线性、系统参数时变等特点,提出用灰色预估模型对系统输出进行预测,并将此预估值作为系统的反馈量和神经网络辨识器的输入量,通过神经网络对系统进行辨识,最后利用神经网络控制器对系统进行控制.实验结果表明,该方法有效降低了时延对系统的影响,提高了动态响应的快速性和精确性,使系统具有较强的鲁棒性和实用性.     

DRNN神经网络逆控制方法在DDV伺服系统中的应用

对于直接驱动阀(DDV)式作动器伺服系统,由于很难找到最佳的参数匹配以及回路中存在死区非线性因素,使得传统的PID控制无法取得令人满意的控制效果.为此提出一种动态对角回归神经网络(DRNN)逆控制方法,该逆系统控制方法是将对象的逆模型作为控制器加入到控制回路里面,并与控制对象串联构成一个伪单位环节,使得系统的输出能够跟踪系统的输入,经过仿真实验,可以看出该神经网络逆控制比单一PID控制器的动态性能要好.     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学,用于多变量系统的解耦控制。本文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力。系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制。能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点。     

用于气动伺服系统的自适应神经模糊控制器

研究了一种基于压力比例阀的气动伺服系统自适应神经模糊控制器。其中的神经网络辨识器（NNI）通过高线训练可以充分逼近非线性动态系统的模型,并能够在线调整模糊控制器的控制规则。系统的位置控制精度和伺服特性有了很大改善。试验结果表明,所提出的控制器对该气动伺服系统具有很好的控制特性以及很强的自适应能力。     

CMAC-PID并行控制算法在电液伺服系统中的应用

该文提出了一种基于小脑模型神经网络（CMAC）和PID的并行控制算法，以得到高精度的电液伺服系统位置跟踪性能。PID控制器实现反馈控制以保证系统的稳定性，同时一个非线性跟踪微分器（NTD）用来给PID控制器提供高质量微分信号。而CMAC用作前馈补偿器实现系统的逆动态模型，并行控制器的输出作为系统的控制动作。通过CMAC的学习过程使PID输出趋于零，从而使系统的控制作用由CMAC产生。数字仿真的结果证明了该并行算法有很高的跟踪能力和抗干扰性，并且响应速度非常快。     

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。     

针对纯滞后系统的RBF神经网络智能控制的研究

针对工业控制过程中普遍存在的大惯性、纯滞后、时变性、非线性对象的控制问题,采用传统的控制方法不能达到满意的控制效果,提出了基于RBF神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,从而实现系统的智能控制。仿真结果表明：该方法对于纯滞后控制系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

基于MATLAB的磁流变液制动器的模糊控制建模研究

确定了磁流变液制动器的控制方法,选定了磁流变液制动器模糊控制器的生成方法,采用MAT-LAB模糊逻辑工具箱的自适应神经网络模糊系统ANFIS对磁流变液制动器的模糊器进行建模。通过对大量已知实验数据的学习得到相应的模糊规则,有效地计算出隶属度函数的最佳参数,并通过仿真实验得出基于自适应神经网络模糊推理系统获得的模糊控制器可以实现磁流变液制动器的智能控制,控制效果良好,为磁流变液制动器的智能化控制提供依据。