一种基于模糊神经网络的双足机器人混杂控制

针对双足机器人控制问题,提出了一种基于模糊神经网络的混杂控制方法.该种方法将模糊神经网络融入了逆系统和H∞控制方法中,一方面将模糊神经网络的构造误差看作系统的干扰,利用H∞控制对干扰进行抑制.另一方面利用模糊神经网络对系统模型进行逼近,为逆系统的构建和H∞控制率的设计提供了有效的系统信息.本文分析了闭环系统的稳定性问题,证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制L2增益.     

基于混合灵敏度函数的H∞控制器参数模糊优化方法

给出了SISO系统H∞控制器参数优化过程,提出了一种系统性能模糊评价优化设计方法,根据系统动态特性通过模糊优化控制策略动态校正控制器结构参数.结果表明,本方法对模型不确定性具有良好的鲁棒性适应性和动态特性,控制品质优于一般H∞控制和常规PID,Smith预估器.     

具有H∞跟踪特性的机器人自适应模糊控制

为使机器人系统在有外界扰动的情况下具有良好的抗干扰能力,加快输出跟踪误差的收敛速度并提高其精度,提出了一种稳定的模糊自适应控制策略.该控制算法基于模糊逻辑系统,将模糊自适应控制器的设计与H∞控制相结合,在鲁棒补偿的基础上引入模糊补偿;并基于Lhapunov方法,给出了学习自适应律,及H∞跟踪特性的证明.对二自由度机器人的仿真结果表明,该算法使系统在跟踪误差的收敛速度和精度上都有了很大的改善,具有良好的鲁棒性和抗干扰能力.     

具有H∞跟踪特性的机器人自适应模糊控制

为使机器人系统在有外界扰动的情况下具有良好的抗干扰能力，加快输出跟踪误差的收敛速度并提高其精度，提出了一种稳定的模糊自适应控制策略。该控制算法基于模糊逻辑系统，将模糊自适应控制器的设计与H∞控制相结合，在鲁棒补偿的基础上引入模糊补偿；并基于Lyapunov方法，给出了学习自适应律，及H∞跟踪特性的证明。对二自由度机器人的仿真结果表明，该算法使系统在跟踪误差的收敛速度和精度上都有了很大的改善，具有良好的鲁棒性和抗干扰能力。     

面向抓取作业的飞行机械臂系统及其控制

面向飞行机械臂的飞行抓取作业,提出了一个由六旋翼飞行机器人和7自由度机械臂组成的飞行机械臂系统.系统采用分离式控制策略,即飞行机器人和机械臂各有一个控制器.机械臂运动所引起的系统质心和转动惯量的变化量及其导数被用来估计机械臂对飞行机器人的扰动力和力矩.为了减弱机械臂扰动对六旋翼飞行机器人的飞行控制性能的影响,提出了扰动补偿H∞鲁棒飞行控制器.实验结果表明,与没有扰动补偿的控制器相比,当机械臂运动时所提出的扰动补偿H∞鲁棒控制器对系统的飞行控制性能有明显的提升效果.最后,目标物抓取作业实验验证了所提出的飞行机械臂系统的可靠性.     

应用于力矩受限自由漂浮空间机器人的神经网络自适应控制

在控制力矩受限情况下,为实现具有模型不确定性自由漂浮空间机器人的轨迹跟踪控制,文章设计了一种新的神经网络自适应控制策略;首先,用双曲函数对控制力矩输入进行限制;其次,设计一种神经网络自适应控制律,对输入力矩受限条件下的非线性系统模型进行在线逼近,同时,利用鲁棒项对神经网络逼近误差和外界干扰进行消除;最后,根据李雅普诺夫理论,证明了所设计控制策略能够使自由漂浮空间机器人系统渐进稳定;仿真实验表明,该控制策略在无需建立复杂系统模型的情况下,便能够对控制力矩进行有效限制,从而使自由漂浮空间机器人在控制力矩受限情况下得到较好的控制.     

机器人轨迹跟踪的自适应模糊神经网络控制

研究机器人跟踪轨迹控制问题,针对模型未知的机器人系统,为提高跟踪精度和控制性能,提出了一种基于T-S型模糊RBF神经网络的H∞轨迹跟踪控制方法,用模糊神经网络为模型未知的机器人系统建模,克服了系统鲁棒性差,对机动目标跟踪性能差等缺点。然后设计自适应控制器,将H∞控制理论与模糊神经网络有机地结合起来,借助鲁棒补偿项将建模误差及外部干扰衰减到期望的程度以下,而控制器与改进Elman神经网络的结合,便于处理建模有界干扰以及非结构化的未建模的动力学,并进行仿真。仿真结果表明了所提出的控制算法的可行性。     

机器人计算力矩不确定性的神经网络补偿控制

提出一种由计算力矩控制器和神经网络补偿控制器相结合的控制方案,探讨了用神经网络补偿机器人计算力矩不确定性的方法,推导了网络权值的自适应调整律,并证明了系统的稳定性和误差的收敛性.该方案结构简单、鲁棒性强,且神经网络补偿器有较好的适应性,无须事先知道机器人动力学参数和结构的精确值.对机器人轨迹跟踪的仿真结果表明,所提方案具有很好的鲁棒性和抗干扰能力.     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.     

基于DRFNN的共振频率自适应反推控制

针对共振破碎机频率控制系统的不确定性问题,提出基于动态递归模糊神经网络的自适应反推控制策略。建立了破碎机频率控制系统的数学模型,在忽略不确定性项的前提下,设计了基于自适应Back-stepping方法控制律。其次将电液系统中影响频率控制性能的不确定性因素定义为待估计项,采用动态递归模糊神经网络对其进行实时估计,给出了基于动态递归模糊神经网络的参数自适应律,并通过了Lyapunov的稳定性分析。仿真实验和车载测试结果表明,对于系统参数的不确定性,该方法具有较好地频率控制性能。     

基于遗传优化的模糊PID控制在智能除草中的应用研究*

针对当前智能除草控制系统的非线性、时滞性及喷施精度过低等问题,设计了一种基于超代遗传算法(HG-GA)优化的模糊PID控制方案。在该方案中,针对智能除草装置的特点,设计了对应的模糊PID控制器,并对控制器的各因子进行遗传优化,从而提高系统的控制效果,同时加快了优化速度。实验结果表明这是一种有效的控制策略,尤其是在处理非线性及外部干扰方面有更好的鲁棒性。     

基于神经网络的PMSM自适应滑模控制

结合滑模控制和神经网络各自的优点,对永磁同步电机(PMSM)提出了一种基于神经网络的PMSM自适应滑模控制方案.首先设计了带积分操作的滑模变结构位置控制器,通过递归神经网络的在线学习来实时估计系统参数变化和外部负载扰动等不确定性的界限,减小滑模控制器的控制量.进而,在滑模控制器中又引入饱和函数取代符号函数,进一步减弱"抖振"现象.理论分析和实验仿真对比研究的结果表明所提出方法具有优越的动态性能和鲁棒性.     

A Neural Net Predictive Control for Telerobots with Time Delay

This paper extends the Smith Predictor feedback control structure to unknown robotic systems in a rigorous fashion. A new recurrent neural net predictive control (RNNPC) strategy is proposed to deal with input and feedback time delays in telerobotic systems. The proposed control structure consists of a local linearized subsystem and a remote predictive controller. In the local linearized subsystem, a recurrent neural network (RNN) with on-line weight tuning algorithm is employed to approximate the dynamics of the time-delay-free nonlinear plant. The remote controller is a modified Smith predictor for the local linearized subsystem which provides prediction and maintains the desirable tracking performance. Stability analysis is given in the sense of Lyapunov. The result is an adaptive compensation scheme for unknown telerobotic systems with time delays, uncertainties, and external disturbances. A simulation of a two-link robotic manipulator is provided to illustrate the effectiveness of the proposed control strategy.     

双馈风力发电机系统的自抗扰神经网络的励磁控制

在双馈发电机传统控制方式的基础上, 将自抗扰控制技术和BP神经网络相结合结合, 应用于双馈风力发电机并网运行的控制上, 提出了一种新的双馈风力发电机并网运行控制方案. 该控制方案具有内外两个控制环, 内环通过BP神经网络实现双馈风力发电机的转子d-q轴电流控制, 外环通过自抗扰技术实现双馈风力发电机定子侧的有功、无功控制. 由于自抗扰控制器利用一阶跟踪微分器和扩张状态观测器对系统扰动进行动态跟踪补偿, 在此基础上输出双馈电机转子交--直轴电流的参考值, 然后将该参考值作为BP神经网络训练样本的输入, 训练后的BP神经网络可以更好地逼近实际转子电压输出量. 论文设计并实现了该方案的具体控制算法. 仿真测试表明: 该控制方案具有优良的动态性能, 对系统的内外扰动具有较强的鲁棒性, 在没有精确的发电机参数情况下依然可实现并网系统的稳定运行.     

Decoupling Controller with Disturbance Observer for LTI MIMO Systems

In this paper, a decoupling multivariable control strategy for linear time‐invariant (LTI) multi‐input/multi‐output (MIMO) systems is proposed. The strategy includes a multivariable disturbance observer (MDOB) and a decoupling controller. This MDOB is introduced to improve the system performances when the system encounters severe external disturbances. H₂ optimal scheme is utilized to design the MDOB filter. The controller is developed based on an inverse control method, through which the design process can be simplified. Simulation results certify the effectiveness of the proposed control strategy.     

Nonlinear one-step-ahead control using neural networks: Control strategy and stability design

A nonlinear one-step-ahead control strategy based on a neural network model is proposed for nonlinear SISO processes. The neural network used for controller design is a feedforward network with external recurrent terms. The training of the neural network model is implemented by using a recursive least-squares (RLS)-based algorithm. Considering the case of the nonlinear processes with time delay, the extension of the mentioned neural control scheme to d-step-ahead predictive neural control is proposed to compensate the influence of the time-delay. Then the stability analysis of the neural-network-based one-step-ahead control system is presented based on Lyapunov theory. From the stability investigation, the stability condition for the neural control system is obtained. The method is illustrated with some simulated examples, including the control of a continuous stirred tank reactor (CSTR).     

Adaptive control of rigid body satellite

The minimal controller synthesis （MCS） is an extension of the hyperstable model reference adaptive control algorithm. The aim of minimal controller synthesis is to achieve excellent closed-loop control despite the presence of plant parameter variations, external disturbances, dynamic coupling within the plant and plant nonlinearities. The minimal controller synthesis algorithm was successfully applied to the problem of decentralized adaptive schemes. The decentralized minimal controller synthesis adaptive control strategy for controlling the attitude of a rigid body satellite is adopted in this paper. A model reference adaptive control strategy which uses one single three-axis slew is proposed for the purpose of controlling the attitude of a rigid body satellite. The simulation results are excellent and show that the controlled system is robust against disturbances.     

Intelligent backstepping control for wheeled inverted pendulum

The adaptive output recurrent cerebellar model articulation control (AORCMAC) is an adaptive system with simple computation, good generalization capability and fast learning property. The proposed AORCMAC has superior capability to the conventional cerebellar model articulation controller (CMAC) in efficient learning mechanism and dynamic response. In this study, an intelligent backstepping tracking control system is proposed for wheeled inverted pendulums (WIPs) with unknown system dynamics and external disturbance. In this control system, an ABORCMAC is used to copy an ideal backstepping control (IBC), and a compensated controller is designed to compensate for difference between the IBC law and AORCMAC. Moreover, all adaptation laws of the proposed system are derived based on the Lyapunov stability analysis, the Taylor linearization technique, so that the stability of the closed-loop system can be guaranteed.     

局部递归神经网络控制器及其应用

基于人工神经网络提出了一种局部递归神经网络控制器。在描述了带有输出反馈和激活反馈的网络控制器的结构组成并定义了作为设计目标的误差函数后，采用带有弹性的梯度下降法，获得适用于实时在线调整权值的修正公式，给出了所提的网络控制器的设计步骤及其控制策略。将所提出的网络控制器应用到典型的单级倒立摆的实验系统中，将实验所获得的结果与LQY方法的实验结果进行了对比。     

PEMFC空气供给系统的二型自适应模糊建模与过氧比控制

质子交换膜燃料电池（Proton exchange membrane fuel cell，PEMFC）空气供给系统存在外部扰动和参数不确定等动态特性，难以实现精准建模和控制.本文结合精确线性化和二型模糊逻辑系统，提出一种自适应控制器实现PEMFC空气供给系统的建模与过氧比控制.该控制器不需要PEMFC空气供给系统模型结构和参数完全已知的条件，而是通过二型模糊逻辑系统在线逼近PEMFC空气供给系统中的未建模动态并从Lyapunov函数中导出自适应参数，从而保证系统收敛性与稳定性.通过稳定性分析证明了该控制器作用下系统跟踪误差的有界性，仿真实验进一步验证了该控制器的有效性与实用性.