液压弯辊系统的自适应模糊神经网络控制

 液压弯辊系统具有时变、非线性、外界干扰严重等特点,难以建立精确的用于控制的数学模型。针对该问题,在预先设计了一个PID控制器的基础上,用模糊神经网络设计了一种具有自适应能力的控制器。仿真实验表明,同常规PID控制器相比,该控制器可以克服弯辊系统的参数改变对控制性能的影响,极大地提高了系统的抗干扰能力,降低了控制系统性能对弯辊系统解析模型精度的依赖程度。结果证明该控制方法对于弯辊系统的控制是有效的。     

基于模糊神经网络的PID钢丝电接触运动加热温度控制

对于非线性、时变性的工业对象,采用模糊神经网络整定PID参数,提高了传统PID控制的自适应能力。仿真结果及其应用表明,其控制性能优于一般PID的控制性能。     

基于DRNN－PID的板形板厚解耦控制

 针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,建立了板形板厚耦合模型,并在对其进行神经网络解耦设计的基础上提出了基于对角递归神经网络(DRNN)整定PID的板形板厚解耦控制方法,然后根据带钢冷轧情况提出神经网络解耦对不同塑性刚度参数的实际适用范围。仿真结果表明,该解耦控制系统具有比传统前馈补偿解耦PID控制效果好、响应速度快、自适应跟随能力强等优点,并且符合实际轧制要求,有效的提高了板形板厚的控制精度。     

基于模糊滑模方法的不确定机器人神经网络控制

针对不确定机器人轨迹跟踪控制,提出了基于模糊滑模方法下的神经网络自适应控制,其中RBF神经网络集中补偿系统的不确定性,利用带边界层滑模变结构方法消除了神经网络的逼近误差,并通过模糊方法动态确定边界层宽度,很好的解决了滑模控制中的抖振现象。仿真实例表明,该控制律能保证误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

基于非线性预测模型的单神经元自适应PID板形控制

为了解决传统PID板形控制精度低、速度慢、抗干扰能力差等问题,将BP神经网络和单神经元引入到板形的控制中,提出一种基于BP神经网络预测模型的单神经元自适应PID控制的板形控制策略。利用BP神经网络的非线性逼近能力和单神经元的自学习、自适应能力,通过两者的有机结合寻找一个最佳的P、I、D非线性组合控制律,实现对带钢板形缺陷的有效控制。仿真实验结果表明,该控制算法能很好地跟踪板形的目标设定值,提高了系统的控制精度,加快了系统的响应速度,并且具备较强的抗干扰能力。     

挠性卫星姿态快速稳定智能控制

针对挠性卫星本身存在的参数不确定性和外部扰动的控制问题,设计了以径向基函数神经网络和小脑神经网络为基础的复合变结构智能控制器.该控制器利用变结构控制系统对被控对象的模型误差、参数变化及外扰等的不敏感性的优点,再结合神经网络能够迅速逼近未知函数、泛化能力强的特点,可以适应挠性卫星参数不确定性和抑制外加干扰,实现对挠性卫星的有效控制.仿真结果表明复合控制能够提高卫星姿态的稳态精度和快速性.     

基于神经网络的软测量技术及其应用

针对工业过程控制中存在的被控参数测量，控制器参数整定两个方面的实际问题进行研究，利用神经网络对被测参数进行软测量，采用无辨识自适应控制解决PID参数的整定问题，两者结合，给出了一种切实可行的解决问题的方法，并举出了一个实际应用的例子。     

加热炉自适应模糊神经网络智能温度控制系统设计

针对加热炉出口温度控制过程属于时变性、滞后性、具有分布参数等非线性过程，其数学模型难以精确建立，在传统控制中，出口温度往往又会受到多种干扰变量实时变化而缺乏控制能力。基于此，将模糊控制鲁棒性强、用语言模糊规则描述过程及无需建立数模等优点和神经网络自适应、自学习以及容错性强等优点相结合构成一种新型智能控制系统即自适应模糊神经网络控制系统对加热炉出口温度进行控制，同时对模糊控制和神经控制算法进行改进。经试验仿真证明，该控制对加热炉出口温度具有较好的动态性能，控制品质得到了提高。     

基于RBFNN在线辨识的自适应PID预焙阳极焙烧炉温度控制

针对工况变化频繁的焙烧炉焙烧过程,提出了采用基于径向基函数(RBF)神经网络(NN)在线辨识的自适应PID控制策略。该方法通过RBF神经网络的自学习能力在线辨识系统模型,进而获得被控对象的Jacobian信息,实现对PID参数的在线调整。在对算法进行改进的基础上将其应用于预焙阳极焙烧炉温度过程控制中,实验结果表明,该方法具有很强的自适应能力和鲁棒性,达到了满意的控制效果。     

基于BP神经网络的MAG熔焊成形模型

鉴于MAG熔焊过程复杂,具有高度的非线性和不确定性。采用BP神经网络建立多输入与多输出变量的非线性模型,研究熔焊工艺参数与焊缝宽度和余高的关系。通过分析神经网络的预测值与试验测量值的相对误差,验证了模型的正确性。     

基于时变局部模型的无人驾驶车辆路径跟踪

目前常用于无人驾驶车辆路径跟踪控制的有模型控制方法有两类,一类是基于全局模型的控制方法,另一类是基于局部模型的控制方法。基于全局模型的路径跟踪控制中无人驾驶车辆的纵向速度与全局坐标系中的横向、纵向位移误差之间存在随航向角变化的耦合关系,这种耦合关系使得控制器无法将纵向速度作为控制输入来提高路径跟踪控制的精确性。基于局部模型的路径跟踪控制器通常采用误差模型作为参考模型,这种模型使得控制器在参考路径曲率变化幅度较大时精确性较低。针对前述问题,基于非线性模型预测控制滚动优化的原理,提出一种基于时变局部模型的无人驾驶车辆路径跟踪控制方法,并在低速高附着路面、低速低附着路面和高速低附着路面等工况下进行仿真验证。在仿真结果中,相比于基于全局模型的路径跟踪控制器、基于局部模型的路径跟踪控制器以及Stanley路径跟踪控制器,基于时变局部模型的路径跟踪控制器精确性更高,其位移误差绝对值不超过0.3342 m,航向误差绝对值不超过0.0913 rad。      

无人直升机自抗扰自适应轨迹跟踪混合控制

为满足无人直升机高精度轨迹跟踪的控制需求,并降低直升机动力学模型误差对飞行控制器飞行控制效果产生的影响,提出自抗扰自适应直升机混合控制.该控制器的内环控制采用模型跟随自适应控制,通过使用动量反向传播算法(MOBP)对该内环控制参数进行实时优化.通过使用自抗扰控制(ADRC)对直升机的水平速度进行控制.仿真结果表明,该混合控制器能够实现直升机对预定轨迹的跟踪.相对PID和级联ADRC控制,该控制器具有更好的抗扰性和鲁棒性.通过在200 kg级的专业植保无人直升机XV-2上搭载所提出的控制器,使其自主飞行轨迹跟踪控制的均方根误差在0.6 m以内.     

Optimal Structural Control Using Neural Networks

An optimal control algorithm using neural networks is proposed. The controller neural network is trained by a training rule developed to minimize cost function. Both the linear structure and the nonlinear structure can be controlled by the proposed neurocontroller. A bilinear hysteretic model is used to simulate nonlinear structural behavior. Three main advantages of the neurocontroller can be summarized as follows. First, it can control a structure with unknown dynamics. Second, it can easily be applied to nonlinear structural control. Third, external disturbances can be considered in the optimal control. Examples show that structural vibration can be controlled successfully.     

Sensory nerve recording for closed-loop control to restore motor functions

A method is developed for using neural recordings to control functional electrical stimulation (FES) to nerves and muscles. Experiments were done in chronic cats with a goal of designing a rule-based controller to generate rhythmic movements of the ankle joint during treadmill locomotion. Neural signals from the tibial and superficial peroneal nerves were recorded with cuff electrodes and processed simultaneously with muscular signals from ankle flexors and extensors in the cat's hind limb. Cuff electrodes are an effective method for long-term chronic recording in peripheral nerves without causing discomfort or damage to the nerve. For real-time operation we designed a low-noise amplifier with a blanking circuit to minimize stimulation artifacts. We used threshold detection to design a simple rule-based control and compared its output to the pattern determined using adaptive neural networks. Both the threshold detection and adaptive networks are robust enough to accommodate the variability in neural recordings. The adaptive logic network used for this study is effective in mapping transfer functions and therefore applicable for determination of gait invariants to be used for closed-loop control in an FES system. Simple rule-bases will probably be chosen for initial applications to human patients. However, more complex FES applications require more complex rule-bases and better mapping of continuous neural recordings and muscular activity. Adaptive neural networks have promise for these more complex applications.     

Adaptive PID control system for an autonomous underwater vehicle

The control system of an autonomous underwater vehicle (AUV) is introduced. According to the control requirements of the AUV, a simple but practical adaptive PID control method is de- signed. The semi-physical simulation is done to test the feasibility of the control system. The neural network idea and the structure of PID controller are referred to design the adaptive PID controller. An intelligent integral is introduced to improve control precision. Compaed with traditional PID con- trollers, the adaptive PID controller has simple structure, good online adjusting ability, fast conver- gence and good robustness. The simulation experiments also show that the adaptive PID control sys- tem has high precision and fine antijamming ability.     

汽车防抱制动系统自适应模糊控制算法

提出了一种基于自适应模糊算法的防抱制动系统控制方式,针对汽车纵向双轮模型,设计了模糊控制器和滑移率校正器,校正器通过车辆的输入输出参数辨识最佳滑移率,并调整系统控制参数,以提高系统的控制性能,仿真实验验证了控制算法的有效性。     

Cloud Neural Fuzzy PID Hybrid Integrated Algorithm of Flatness Control

In connection with the characteristics of multi-disturbance and nonlinearity of a system for flatness control in cold rolling process, a new intelligent PID control algorithm was proposed based on a cloud model, neural network and fuzzy integration. By indeterminacy artificial intelligence, the problem of fixing the membership functions of input variables and fuzzy rules was solved in an actual fuzzy system and the nonlinear mapping between variables was implemented by neural network. The algorithm has the adaptive learning ability of neural network and the indetermi- nacy of a cloud model in processing knowledge, which makes the fuzzy system have more persuasion in the process of knowledge inference, realizing the online adaptive regulation of PID parameters and avoiding the defects of the traditional PID controller. Simulation results show that the algorithm is simple, fast and robust with good control performance and application value.     

无人软翼飞行器直线航迹跟踪鲁棒反步控制

为实现无人软翼飞行器的直线航迹跟踪控制,提出一种基于模拟对象的可变增益鲁棒反步控制方法.基于模拟对象方法建立软翼飞行器的航迹跟踪误差模型,并设计了可变增益反步跟踪控制器,通过合理设计增益参数,消除了部分复杂非线性项,避免了传统反步法中虚拟量高阶导数问题,简化了控制器形式,更有利于工程实现.根据Lyapunov理论设计的鲁棒反馈补偿项,在保证稳定性的同时提高了系统的鲁棒性.将控制器应用于无人软翼飞行器平面直线航迹跟踪控制中,仿真实验表明,所设计的控制器可以实现直线航迹的精确跟踪,且具有很好的鲁棒性.     

昆虫悬停飞行的动稳定性: 理论分析与数值模拟

近十年来,研究人员从飞行生物的飞行机理着手分析,对扑翼飞行机器人的姿态控制、位置控制设计以及系统稳定性分析展开了深入研究,基于鲁棒控制、神经网络等技术,提出了诸多控制方法实现扑翼飞行机器人的自主飞行,其中,姿态控制通过自适应等控制器并结合线性化方法来实现,位置控制则通过搭建层级架构的控制器等方法来完成,并通过设计扰动观测器等来处理系统的不确定性,以提高系统稳定性能。通过对相关研究工作进行总结,可以看出目前扑翼飞行机器人的飞行控制研究仍大多处于理论阶段,还需要进一步结合工程应用中的实际需求,推进扑翼飞行机器人的应用与推广。最后,探讨了扑翼飞行机器人飞行控制未来的研究方向。