非确定因素下汽车半主动悬架的智能控制

以含磁流变阻尼器的1/4 车辆非线性半主动悬架模型为研究对象,在充分考虑该非线性系统未建模动态的基础上提出了具体的神经网络与滑模变结构控制相结合的智能控制策略,有效抑制了悬架系统的振动,使车辆行驶的平顺性与舒适性得以提高.应用神经网络的在线学习能力对非线性动力学模型的不确定部分及外界未知扰动进行了神经网络估计,确定了未知函数的上确界,构造了控制系统的滑模变量并且合理设计神经网络的自适应规律使状态变量快速接近原点.通过稳定性分析证明了此种控制方法是全局渐近收敛的,并且对未建模动态具有强鲁棒性.数值仿真结果验证了该种控制方法的有效性,得到了阻尼器两端控制电压的变化规律.     

基于保性能自适应RBF神经网络的MR半主动非线性鲁棒分散控制

该文针对模型参数不确定的非线性结构半主动分散控制问题进行研究。首先,采用退化Bouc-Wen滞回模型模拟层间恢复力,并考虑模型参数(质量、刚度和阻尼)不确定及子系统间的耦合项,建立了子控制系统误差状态方程;在此基础上,设计了由保性能控制项和自适应逼近控制项构成的子控制器,其中,保性能控制项通过求解转化为线性矩阵不等式的保性能控制问题得到,逼近控制项通过RBF神经网络自适应控制律确定,同时利用Lyapunov稳定性理论对其稳定性及权值有界性进行证明;从而建立了适用于不确定结构非线性振动控制的保性能自适应RBF神经网络鲁棒分散控制(GCARBF)算法。最后,对一8层非线性结构进行MR半主动分散控制设计及0.3 g~0.8 g地震下仿真分析,结果表明了所提算法的有效性与优越性。     

带有期望补偿的自适应鲁棒控制律设计及比较分析

对于参数不确定的非线性伺服系统,传统PID控制无法达到期望的跟踪精度.自适应鲁棒控制具有自适应能力以及鲁棒特性,能够实现参数不确定的非线性伺服系统的期望性能.本文以自适应鲁棒控制为基础,给出了带有期望补偿的自适应鲁棒控制律设计方案,以满足期望控制指标.通过Matlab/Simulink搭建了实际伺服系统的模型,仿真验证了带有期望补偿自适应鲁棒控制性能的优越性.     

一类非线性振动自适应控制的神经网络方法

针对一类非线性振动系统，本文详细阐述了非线性振动自适应控制的神经网络方法。首先提出一类非线性系统的控制模型与自适应控制策略；然后介绍了神经网络控制器的模型，进而导出了基于神经网络的振动自适应控制算法，数字仿真结果表明了这种方法的有效性。     

伴随型非线性系统的自适应RBF神经网络补偿控制

为了抵消伴随型非线性系统中的非线性项,可以设计控制器对非线性系统精确线性化.通常由于系统中存在外界不确定性因素导致系统模型的不确定,而不能直接设计控制器.利用"RBF神经网络能以任意精度逼近连续函数"的原理,对系统模型中的不确定项进行自适应辨识,并将辨识结果提供给控制器,从而实现伴随型非线性系统的神经网络自适应补偿控制.将控制器应用于起重机吊重摆角子系统,对摆角进行控制.实验结果表明:吊重摆角及其角速度约在5s后,得到了很好的控制,并且控制器对系统模型的不确定项的逼近误差约在5s时达到0;控制器对系统的不确定性因素和系统参数变化均具有很强的鲁棒性.     

基于智能算法的高层建筑非线性地震反应的MR阻尼器半主动控制

研究了第三阶段结构振动控制的Benchmark问题;设计了基于模糊神经网络的控制器模型;采用磁流变(MR)阻尼器作为控制装置,对一座20层Benchmark建筑结构进行了非线性地震反应的数值仿真分析。首先,通过神经网络对足尺MR阻尼器进行了动力特性的辨识;其次,在设计模糊神经网络控制器时,提出了分区控制的设计思路。将智能控制器半主动控制下的仿真结果与样本LQG控制进行了对比分析。结果表明:提出的智能控制器能有效抑制高层建筑结构的非线性地震反应;与样本LQG控制相比,由于智能控制器的内在鲁棒性和对结构非线性反应控制的稳定性,在非线性结构的振动控制中有很大的应用潜力。     

神经网络用于振动磨阻尼特性的识别

振动磨作为超微颗粒制备的一种方法,其阻尼特性非常复杂。本文应用神经网络的高度学习能力和非线性映射能力,对振动磨的阻尼特性进行了研究,得出了颗粒的摩擦系数、恢复系数、粒度和振动水平是影响系统阻尼的主要因素的结论。     

电液伺服系统的逆向递推鲁棒自适应控制

针对电液伺服系统存在的非线性特性、参数不确定性,且不确定性不满足匹配条件,引入虚拟控制量的概念,提出了一种逆向递推鲁棒自适应控制方法。该方法把整个系统分成了一个二阶和一个一阶两个子系统,对其进行递推式的分步自适应控制,从而简化了控制器的设计,使计算量大为减少;利用参数自适应和鲁棒控制相结合的方法,使控制器具有较强的抗干扰性。仿真结果显示,该控制方法具有较强的鲁棒性及良好的跟踪性能,与采用 PID 的控制方法相比,系统具有更好的控制性能及更强的抗干扰性。     

基于参量阵系统的神经网络PID逆控制及仿真研究

针对参量阵系统这样一个强非线性声学系统的声音输出扭曲问题,提出了神经网络自适应逆控制策略。首先介绍了参量阵系统的逆模型,并由参量系统模型和它的逆模型构成一个伪线性系统。控制系统中的BP网络自适应调节PID（ProportionalIntegralDerivative）的三个控制参数,并利用PID控制参量阵系统。通过对MATLAB建立的复合逆控制模型进行仿真研究。仿真结果表明：神经网络PID控制具有较高的控制精度和适应性,可以获得良好的控制效果。     

Wavelet neural network control for linear ultrasonic motor drive via adaptive sliding-mode technique

A wavelet neural network (WNN) control system is proposed to control the moving table of a linear ultrasonic motor (LUSM) drive system to track periodic reference trajectories in this study. The design of the WNN control system is based on an adaptive sliding-mode control technique. The structure and operating principle of the LUSM are introduced, and the driving circuit of the LUSM, which is a voltage source inverter using two-inductance two capacitance (LLCC) resonant technique, is introduced. Because the dynamic characteristics and motor parameters of the LUSM are nonlinear and time varying, a WNN control system is designed based on adaptive sliding-mode control technique to achieve precision position control. In the WNN control system, a WNN is used to learn the ideal equivalent control law, and a robust controller is designed to meet the sliding condition. Moreover, the adaptive learning algorithms of the WNN and the bound estimation algorithm of the robust controller are derived from the sense of Lyapunov stability analysis. The effectiveness of the proposed WNN control system is verified by some experimental results in the presence of uncertainties.     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。     

一类非线性动态系统的自适应模糊小波神经网络控制

对未知非线性动态系统研究基于模糊小波神经网络的自适应跟踪问题,首先构建一个模糊小波神经网络用于逼近未知的非线性函数的模型,然后根据李亚普诺夫稳定性理论建立自适应率,在线调整的模型参数包括小波网络的权重、小波的伸缩量、偏移量和模糊集合隶属函数的相关参数。提出了一种自适应模糊小波神经网络的滑模控制策略,保证系统的跟踪误差和对外界干扰的抑制被衰减到期望的程度。证明了闭环系统的半全局收敛性和鲁棒性,对倒立摆系统的仿真试验证明了所提控制方法的有效性。     

陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究

针对在微流挤出陶瓷浆料3D打印机作业过程中挤压力稳定控制的需求,根据打印机挤压力控制系统非线性、时变性的特点,总结了现有挤压力稳定控制策略的优缺点,并在模糊PID (proportion-integral-derivative,比例-积分-微分)控制器中嵌入神经网络结构,提出了挤压力模糊神经网络PID稳定控制策略。该策略基于六层模糊神经网络,以挤压力偏差值e和偏差值变化率ec为输入,PID控制器控制参数为输出,完成正向模糊控制过程,并基于神经网络的自学习优势实现反向传播及在线更新神经网络权值,以实现打印过程中挤压力的精准自适应调节。挤压力控制Simulink仿真、挤压力控制实验及坯体打印实验表明：相较于传统PID控制策略,采用模糊神经网络PID控制策略可使超调量减小20.9%,挤压力提前90 s达到稳定状态,压力峰值减小12 N,压力谷值增大18 N;相较于采用模糊PID控制策略,超调量减小1.73%,挤压力提前56 s达到稳定状态,压力峰值减小4 N,压力谷值增大8 N;模糊神经网络PID控制策略具有一定的优越性,可使打印过程中挤压力的控制精度更高,稳定速度更快,超调量更小,所打印坯...     

具有类反斜线回滞系统的自适应控制

考虑一类具有类反斜线回滞的不确定非线性系统自适应控制问题.利用神经网络提出了变结构自适应控制方法和近似自适应控制方法,变结构自适应控制方法能保证跟踪误差趋于零,近似自适应控制方法的控制律是光滑的,能保证跟踪误差最终小于任意给定的正数.文中举例说明了结果的有效性.     

非线性振动系统神经网络自适应控制方法研究

将人工神经网络理论引入振动控制工程领域，并将现代控制理论中的状态反馈理论与人工神经网络理论相结合，提出了一种基于ＢＰ网络的自适应控制方法。给出了该方法的学习算法和网络参数选择原则，分析了它在建模和控制方面所具有的优点，并就典型的非线性振动ＶａｎＤｅｌＰｏｌ和Ｄｕｆｉｎｇ方程进行了辨识和控制，仿真结果表明该方法对于非线性振动系统具有较强的辨识和控制能力。     

未知控制方向的非线性级联系统鲁棒自适应输出反馈控制

本文研究了一类具有未知控制方向的非线性级联系统的鲁棒自适应输出反馈问题．通过线性变换将有多个未知控制方向的系统转化为无未知控制方向的系统,并根据线性高增益控制观测器与Nussbaum函数,设计了一种新的鲁棒自适应输出反馈控制器,进一步证明了在该控制器下闭环系统所有信号有界且状态渐进趋于零．进而,通过构造Lyapunov函数,给出了闭环系统渐进稳定的充分条件．最后,利用仿真实例说明了控制算法的有效性．     

一类非线性不确定结构系统的鲁棒饱和主动控制

对一类非线性不确定结构系统研究了在外部干扰下的鲁棒饱和主动控制策略.将质量、阻尼、刚度矩阵都存在不确定的结构系统描述为一种不确定中立系统,采用鲁棒饱和主动控制策略,提出基于线性矩阵不等式的代数解.通过提出的控制方法同时保证了结构系统在模型和参数摄动下以及在控制变量和扰动存在非线性不确定性时的鲁棒稳定.最后通过对一个4层建筑大楼在地震波作用下的主动振动控制仿真证明了该方法的有效性.     

陀螺稳定平台速度环的一种神经网络自适应控制方法

提出一种利用神经网络的自学习特性,对陀螺稳定平台的速度环进行自 适应控制的方法。给出了采用自适应神经网络控制方法和采用传统频域校正控制方法的对比实验结果。实验结果表明,此种算法在应用中是很有效的。     

枕式包装机包装材料供送速度控制

目的 为了提高包装袋的袋长精度,提升包装袋体外观质量。方法 提出一种基于神经网络PID自适应的三伺服枕式包装机包装材料速度控制方法,将传统的PID控制方法同神经网络控制相结合,设计一个神经网络PID控制器,包括控制器结构和学习算法,可用于解决相关非线性问题。结果 仿真和实验结果表明,采用神经网络PID控制方法,包装材料速度达到稳态时,所用时间约为2 s,最大超调量不超过2%,包装袋长误差能够有效控制在±1 mm以内。结论 所设计的控制方法与传统的PID控制相比,具有响应速度快、抗干扰能力强、控制输出稳定等优点,能够显著提高包装袋长精度。     

基于反演设计的码垛机器人神经网络自适应控制

为了降低机器人系统中各种不确定因素对控制系统的影响,提出了自适应神经网络反演控制方法。该控制方法基于反演设计方法,解决了系统的非匹配不确定性;引入了神经网络自适应控制律和鲁棒控制律,并适当调整控制器参数,实现了无需机器人精确模型信息的控制,也保证了系统的稳定性和收敛性,满足了机器人系统的控制要求。仿真实验验证了该控制方法的有效性。