电液伺服系统RBF神经网络滑模控制

针对阀控液压缸位置伺服系统非线性导致模型参数确定困难及干扰问题，在分析三阶位置控制的电液控制系统原理及模型的基础上，引入神经网络的RBF 径向基控制模型和自适应滑模算法，同时考虑了非1负反馈参数，建立了基于RBF 神经网络滑模控制的电液伺服控制系统数学模型。通过选取合适的Lyapunov 函数，分析了系统稳定性，解决了参数未定及挠动情况下的电液伺服系统控制器设计问题。仿真结果证明，所设计的控制器使系统的输出对给定信号的跟踪精度高，响应快，具有较强的鲁棒性。     

RBF模糊自适应控制在电液速度伺服系统中的应用

由于电液速度伺服系统的非线性和参数的不确定性,难以建立精确的数学模型,文中引入RBF（径向基函数）模糊自适应控制,利用RBF神经网络进行自学习,修改和完善模糊规则,改善其动态性能.仿真结果表明该方法具有较强的自适应和自学习能力,即使对复杂的非线性系统也能取得良好的控制效果.     

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...     

某新型电液伺服系统神经网络自抗扰控制

针对某新型同源平衡及定位电液伺服系统,设计了一种基于RBF神经网络在线整定ESO参数的神经网络自抗扰控制器(NNADRC)。利用RBF神经网络在线整定可调误差校正增益,实现非线性特性的实时、精确估计和补偿。数值仿真结果表明,NNADRC控制的稳态精度明显高于ADRC控制,且对外部负载扰动和内部参数摄动具有良好的鲁棒性,可以实现电液伺服系统的快速、平稳、高精度、无超调稳定控制。     

基于RBF神经网络的某交流伺服系统辨识研究

针对某交流伺服系统的模型辨识问题,采用RBF神经网络进行系统辨识.由于神经网络学习时间较长且不易收敛,故用聚类与梯度训练相结合的混合学习算法对RBF神经网络进行训练.使用聚类方法对学习样本进行聚类,确定隐含层结构,用梯度训练法对确定的网络结构进行训练,仿真实验验证了该混合学习算法的有效性.     

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。     

电液伺服系统的在线识别

介绍了利用伪随机信号对系统进行在线辨识的方法，并应用它对一个具体的电液饲服系统进行了在线辨识，得出系统的数学模型，通过仿真验证，证明辨识的结果是正确的。     

神经网络控制的电液伺服系统在电视塔的应用

本文利用神经网络非线性映射的特点 ,用逆向建模的思想 ,设计了一种基于神经网络的学习控制器 ,并将其应用于结构主动控制中的电液伺服系统闭环控制 ,收到很好的效果。     

遗传优化BP神经网络在电液力伺服系统辨识中的应用

介绍电液力伺服系统的结构及原理,针对系统建模中参数时变和非线性问题,采用BP神经网络进行系统辨识建模;利用遗传算法优化BP神经网络,克服单纯BP算法容易局部收敛、训练速度慢的问题;借助MATLAB神经网络工具箱、全局优化工具箱编写系统辨识算法,建立系统的神经网络辨识模型。分析神经网络模型辨识结果,将其与ARMAX线性参数模型的辨识结果作对比,验证遗传优化BP神经网络系统辨识建模的高效性和适用性。     

电液伺服系统的神经网络在线学习补偿自适应控制

基于反馈误差学刁法、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，可有效地提高系统的控制品质。     

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。     

基于RBF神经网络的汽车玻璃防雾系统的研究

通过描述汽车挡风玻璃起雾在汽车行驶中的危害性,引出一种新型的基于传统传感器技术与RBF神经网络的汽车玻璃智能防雾系统概念。根据对汽车挡风玻璃起雾原因的分析,通过传统传感器技术的应用,设计出相应的RBF神经网络。通过实验,建立48组样本数据在RBF模型的神经网络中进行露点测试训练并进行仿真测试。MATLAB仿真结果显示,通过RBF神经网络在该系统中的应用,能够快速、精确地达到汽车玻璃防雾的功能。     

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。     

一类基于径向基函数神经网络的离散混沌系统控制

以OGY法作为混沌控制策略对径向基函数(RBF)神经网络进行训练,通过参数扰动模型输出得到控制混沌运功的小扰动信号作为混沌控制器。并以Henon映射的混沌行为为基础进行仿真模拟,结果表明该方法的有效性。     

基于RBF智能协调控制的交流伺服系统

综合了模糊控制及神经控制各自的优点,设计了一种基于RBF智能协调控制的交流伺服系统,同常规变结构控制相 比,它把前者的点切换改为相对平滑的智能切换,大大提高了伺服控制的动、静态性能,取得了满意的效果。     

电液伺服加载系统的数学建模

电液加载伺服系统主要应用于飞行器外壳的强度实验,根据其特点和控制要求,建立了该系统的数学模型,为系统的优化设计提供了理论依据。     

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。     

电液伺服系统的模糊神经网络并行自学习鲁棒控制

基于模糊神经网络结构，提出了一种复合式控制方案，解决了传统自适应控制中模型的在线辨识和控制器的在线设计问题。达到了对不确定非线性系统的高精度输出跟踪；通过引入运行监控器，解决了模糊神经网络实时性差的问题；同时，利用一个鲁棒反馈控制器，来保证模糊神经网络学习初期闭环系统的稳定性。应用到电液力伺服加载系统中，获得满意控制效果。