SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

集成储能泵控液压挖掘机的轨迹控制

为适应工程机械智能化和节能化作业的发展趋势,提出基于集成储能泵控液压挖掘机的轨迹控制,其中液压缸采用增加势能回收腔的集成液压缸。建立挖掘机位姿空间、关节空间与驱动空间彼此间的转换关系,再利用正弦加减速法对挖掘机整平作业进行轨迹规划,并求得相应驱动空间中的位移曲线;搭建伺服电机-定量泵驱动集成液压缸的数学模型,分析其固有特性,并采用液压缸速度前馈、位置/速度反馈双闭环的控制策略提高其控制精度;最后在SimulationX软件中搭建机电液联合仿真模型。结果表明：铲斗齿尖末端最大误差为17 mm,在合理的范围内,所以可利用速度位置复合控制实现对挖掘机的准确控制。     

基于仿生群智能优化RBF神经网络的机械手滑模控制方法研究

为了提高机械手滑模控制的准确度,采用RBF神经网络来完成机械手滑模控制,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。在机械手滑模控制及机械手运动轨迹跟踪过程中,将RBF神经网络权重和阈值作为蛙跳算法的青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群,并对蛙群进行分组,通过不断重新分组和组内迭代的方法来获取全局最优个体,得到最优权重和阈值,确定最优机械手滑模控制模型。经过实验证明,采用基于仿生群智能优化RBF神经网络的机械手滑模控制,跟踪准确度高。     

基于RBF的深度调峰机组电机变频控制优化

针对东北某电厂600 MW机组深度调峰期间给水泵电机变频控制出现的给水流量不精确、调速差、实时性差、易造成安全隐患等问题,在1号机组原有变频方案的基础上,提出采用RBF模糊神经网络与SVPWM相结合的控制方案对还未改造的2号机组电机进行优化设计.仿真结果表明:在50％负荷运行条件下,与传统PID-SVPWM相比,RBF...     

挖掘机自动挖掘轨迹规划与动态优化控制

以挖掘机为研究对象,建立挖掘机工作装置运动学和动力学数学模型,通过五次多项式插值方法将运动轨迹离散,采用MATLAB编写离散运动轨迹程序并将其计算结果与ADAMS仿真结果进行对比,最终确定动力学模型参数;其次,建立基于动力学模型的Simulink和ADAMS联合仿真模型,在动态控制中采用PD控制方法,进行轨迹规划联合仿真并试验。结果表明：基于动力学模型的运动轨迹控制方法可以有效避免始末位置和液压缸输出力变化的突变,采用动态控制中的PD控制方法,得到的收敛趋势相较于未优化的要收敛近50%;液压缸输出力变化稳定,其误差在5%附近,提升了自动挖掘运动轨迹控制精度。     

基于ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。     

基于RBF神经网络的金刚石线切割恒张力控制

针对现有金刚石线锯切割机床恒张力控制效果不佳的问题,设计了一种张力控制器,提出了一种张力控制策略.该张力控制器在结构设计上进行了优化,基于RBF神经网络PID自整定的控制算法实现了恒张力控制.建立张力控制器的数学模型,通过仿真实验进行了验证.结果表明:该控制系统在控制张力时几乎无超调,稳定时间较短.对于张力突变的干扰,...     

基于AMESim的液压挖掘机运动仿真及控制参数优化

运用法国AMESim软件平台对液压挖掘机的工作装置进行了建模,通过设置主要参数,实现了该机电液一体化系统的动态仿真,并运用Design Exploration优化工具箱对PID控制器参数进行了自动优化.结果表明,经过优化的PID控制器使动臂液压缸跟踪误差降低57.4%,斗杆液压缸跟踪误差降低26.7%,铲斗液压缸跟踪误差降低4.3%,与原始方案相比均有较大的改善,因此能够实现较精确的运动轨迹,并且此法减少了传统确定PID控制参数的反复调整试凑的时间,从而提高了设计的效率.     

基于BP神经网络的液压挖掘机故障诊断的研究

为了实现液压挖掘机的整机故障诊断,提出基于BP神经网络的故障诊断方法.将BP神经网络应用于液压挖掘机的故障诊断中,研究BP神经网络的结构和算法.以液压挖掘机整机故障诊断为例,选择典型的故障样本训练神经网络,使神经网络具有较好容错性和稳定性,经过训练的神经网络就可以实时、准确地诊断出挖掘机的故障.并使用Matlab的神经网络工具箱进行模拟仿真,仿真结果表明:BP神经网络能够很好地应用于液压挖掘机的实际故障诊断,网络收敛速度快、学习记忆稳定,具有一定的工程实用价值.     

RBF神经网络在机器人视觉伺服控制中的应用

传统的机器人视觉伺服控制是由系统雅可比矩阵的计算得到图像空间与机器人空间的非线性关系,这种方法不仅计算量大、系统结构复杂,而且对系统模型误差敏感。针对此问题,在分析视觉伺服数学模型的基础上,设计了RBF径向基函数神经网络来实现机器人视觉伺服系统手眼协调功能,从而简化控制算法。通过仿真实验证明所设计的径向基函数神经网络控制系统具有良好的目标定位效果和泛化能力,并且极大地缩短了视觉伺服所需时间,很好地保证了控制系统的实时性。     

基于RBF神经网络间接求取运动学逆解的研究

七自由度工业机器人的几何结构大多满足Pieper准则,所以针对七自由度的封闭解法具有很大的发展空间。提出了一种基于RBF神经网络间接求取运动学逆解的方法,将运动学方程转化成了优化控制问题。采用遗传算法与最佳柔顺性准则相结合的方法,为RBF神经网络算法提供了精确的样本;为了提高神经网络算法的收敛速度以及收敛精度,进行间接求取的方式,引入连杆三角形夹角的概念;为了验证结果的可靠性,以七自由度冗余机械臂为对象,开展了基于RBF神经网络算法间接求逆的优化实验,并对比传统的RBF神经网络求取运动学逆解算法,结果表明,该算法结构简单,且能够显著提高收敛精度和收敛速度。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于GA优化RBF网络的永磁同步电机无位置控制

在表贴式永磁同步电机(surface permanent magnet synchronous motor,SPMSM)的无位置控制中,准确实时地估计其转子位置和转速是一个关键技术难点.文章把遗传算法(genetic algorithm,GA)和径向基函数(radial basis function,RBF)神经网络相...     

基于RBF神经网络手术机器人从手控制系统研究

以手术机器人的从手为研究对象,使用径向基函数(RBF)神经网络对手术机器人从手进行基于模型分块逼近的自适应控制。针对手术机器人从手动力学模型建模不准确的问题,采用RBF神经网络分别对从手动力学模型中的3个系数矩阵分块逼近,计算出从手的精确动力学模型,同时动态调整控制律实现对系统的稳定自适应控制。在系统稳定性分析的基础上,进行了仿真实验。实验结果表明:该控制算法改进了系统控制性能,具有精度高、稳定性好、鲁棒性强的特点。     

基于RBF神经网络的刀具磨损量的估测

简要介绍了电流监测方法以及RBF神经网络的结构和算法，并基于镗削过程中的一组实验数据，用RBF神经网络方法，对刀具磨损量进行估测，结果的误差分析证明该方法是可行的。     

基于神经网络的虚拟轴机床轨迹跟踪控制方法的研究

针对永磁直线电机驱动的六自由度虚拟轴机床提出基于神经网络的轨迹跟踪控制方法.采用神经网络来实现永磁直线电机伺服系统的位置和速度控制,将负载扰动、杆间耦合扰动等效地看成电动机模型参数的变化,通过调整权值来补偿不确定性扰动对轨迹跟踪控制的影响,保证了系统的鲁棒性.仿真实验结果表明,用该方法设计的虚拟轴机床控制系统具有良好的跟踪给定和抑制扰动的效果,从而保证机床运动协调、姿态合理.     

基于人工免疫算法和RBF神经网络的板料成形变压边力优化

针对人工免疫算法搜索时间长、效率低等缺点,对其进行了改进,使其在保持种群多样性的同时,提高了收敛速度。为了减少板料成形工艺参数试错时间,运用数值模拟建立近似模型。以方盒件为例,利用Dynaform软件仿真获得训练数据,通过人工免疫算法优化RBF神经网络,获得隐层中心位置和数量,并采用伪逆法确定输出层的权值。利用改进后的人工免疫算法对该模型进行优化,获得变压边力加载曲线。研究结果表明,采用优化后的变压变力控制曲线能有效地提高板料成形质量。     

改进的RBF神经网络PID算法在电液伺服系统中应用

为克服传统PID控制电液伺服系统时存在参数整定不良,动态响应特性欠佳的问题,采用RBF神经网络PID对系统进行控制,并针对控制中存在的问题对控制算法进行改进,仿真和实验研究表明,改进的RBF-PID控制算法较RBFPID和传统PID具有较快的响应速度和较好的鲁棒性。     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

基于RBF神经网络PID控制的挖掘机器人节能系统研究

从挖掘机器人动力传动系统节能角度考虑,通过对挖掘机器人功率匹配的分析,研究了基于RBF神经网络-PID控制算法在节能控制系统上的应用。试验结果表明:采用的节能方法和神经网络-PID控制算法在挖掘机器人节能控制系统上是可行的。神经网络-PID控制器能根据不同的环境和作业工况进行实时参数自调整,具有自学习的功能。研究结果为进一步研究开发智能挖掘机提供了参考。