一种基于小脑模型关节控制器评论-策略家的机器人跟踪控制算法

本文提出了一种基于小脑模型关节控制器(CMAC)的评论–策略家算法,设计不依赖模型的跟踪控制器,来解决机器人的跟踪问题.该跟踪控制器包含位置控制器和角度控制器,其输出分别为线速度和角速度.位置控制器由评价单元和策略单元组成,每个单元都采用CMAC算法,按改进δ学习规则在线调整权值.策略单元产生控制量;评判单元在线调整策略单元学习速率.以双轮驱动自主移动机器人为例,与固定学习速率CMAC做比较,仿真数据表明,基于CMAC的评论–策略家算法的跟踪控制器具有跟踪速度快,自适应能力强,配置参数范围宽,不依赖数学模型等特点.     

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.     

基于CMAC-PID控制器的水压加载系统研究

为了实现水压加载系统能够动态精确跟踪给定压力的要求,利用小脑模型关节控制器(CMAC)结构简单、收敛速度快、具有局部学习能力的特点,提出了一种除了系统动态误差以外把系统指令信号也作为CMAC的输入信号,并把CMAC控制器与常规PID控制器并联构成的复合控制方法;通过在MATLAB中的编程仿真试验,结果表明这种方法可以得到比常规PID控制更好的控制指标,达到了试验要求,而且具有良好的抗干扰能力,从而证明了该方法的可行性和有效性,可以用来实现对给定信号的跟踪。     

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.     

基于干扰观测器的一类不确定仿射非线性系统有限时间收敛backstepping控制

针对一类不确定仿射非线性系统的跟踪控制问题,提出一种基于干扰观测器的有限时间收敛backstepping控制方法.为增强小脑模型(CMAC)泛化和学习能力,将非对称高斯函数和模糊理论相结合,给出非对称模糊CMAC结构,设计干扰观测器实现系统未知复合干扰在线准确逼近;基于非对称模糊CMAC干扰观测器,给出有限时间收敛backstepping控制器设计步骤,利用Lyapunov稳定理论证明闭环系统稳定性,其中采用非线性微分器获取虚拟控制量滤波和微分信息以避免backstepping设计中的微分“膨胀问题”,设计辅助系统修正因微分器带来的误差对系统跟踪性能影响,引入基于障碍型函数的自适应滑模鲁棒项抑制复合干扰估计偏差对跟踪误差的影响;将所提方法应用于无人机飞行控制仿真实验,结果表明所提方法的有效性.     

基于模糊CMAC的移动机器人轨迹跟踪控制

针对受非完整约束的移动机器人的轨迹跟踪问题,提出了一种基于模糊CMAC的轨迹跟踪控制策略。该策略利用模糊CMAC神经网络逼近移动机器人动力学模型的非线性和不确定,同时与速度误差结合起来构成力矩控制器,并用滑模项来补偿不确定性扰动对系统的影响。李亚普诺夫稳定性定理保证了系统的稳定性和跟踪误差的渐近收敛,仿真结果进一步验证了所提方法的有效性。     

电液负载模拟器的自适应滑模控制方法

针对电液负载模拟器存在的系统非线性、不确定性和强干扰的控制难点,设计了自适应滑模控制方法.设计积分滑模以降低控制器对期望跟踪轨迹高阶导数的要求;设计动态滑模算法抑制抖振;采用小脑模型关节控制器(CMAC)在线学习系统不确定性以降低控制器参数设计的保守性.设计了自适应滑模控制律,给出了CMAC神经网络权值调整算法,证明了控制器的稳定性,以确保系统稳定且输出跟踪误差渐近收敛于零.仿真结果证明了控制策略的有效性.     

新型小脑模型关联控制器复合控制在电动加载系统中的结构及算法

在电动加载系统中,多余力矩强扰动和其他非线性因素直接影响力矩跟踪精度,传统的控制方法很难得到满意的控制效果.本文分析了电动加载系统中多余力矩产生机理,提出了一种新型小脑模型关联控制器(CMAC)复合控制策略,并对其结构及算法进行了研究.在控制结构上以系统的指令输入和实际输出作为CMAC的激励信号,采用误差作为训练信号,并根据激励信号的特点,提出了非均匀量化的思想.不同于常规CMAC的误差平均分配,新型CMAC根据高斯权重系数来分配误差.动态仿真结果表明,该方法有效抑制了加载系统的多余力矩及摩擦等非线性因素干扰,提高了电动加载系统的控制精度,增强了系统的稳定性.     

高超声速飞行器的模糊CMAC神经网络控制器设计

由于采用机体一体化设计,吸气式高超声速飞行器的气动特性难以准确获知,建立的数学模型是极不准确的;设计了一种模糊CMAC神经网络(FCMAC)控制器及其学习算法,在CMAC神经网络控制器中结合模糊逻辑理论,使得CMAC控制器具有自学习能力;仿真用高超声速飞行器的纵向模型对该控制器进行了验证,证明该控制方法能够有效地跟踪飞行器的高度和速度指令。     

小型无人直升机反步自适应控制

针对具有强非线性、高度耦合以及参数不确定性特点的小型无人直升机系统,提出一种基于小脑模型关节控制器（Cerebellar Model Articulation Control,CMAC）神经网络的自适应反步控制方法,该方法采用小脑模型关节控制器神经网络在线学习系统不确定性以及反步控制中各阶虚拟控制量的导数信息,设计鲁棒控制项克服CMAC神经网络在线学习系统不确定性的误差,控制律由反步法回归递推得到。仿真结果表明,在模型参数不确定和存在较大误差的情况下,所设计的控制律具有理想的姿态跟踪性能以及良好的鲁棒性。     

机器人视觉伺服中CMAC学习控制系统研究

根据小脑模型关联控制器（CMAC）收敛速度快,适于实时控制系统的特点,设计了一种基于CMAC学习控制方法的机器人视觉伺服系统。在该系统中,CMAC被用作前馈视觉控制器对常规反馈控制器进行补偿。所提出的CMAC控制器替代图像雅可比矩阵来获得目标图像特征和机器人关节运动之间2D/3D变换关系,通过其在线学习,可以使系统对摄像机标定误差不敏感,从而提高系统的鲁棒性。实验证明了所设计控制系统的有效性。     

基于平衡学习的CMAC神经网络非线性滑模容错控制

以一改进的信度分配CMAC(cerebellar model articulation controllers)神经网络为在线故障诊断的手段,将变结构滑模摔制技术引入容错控制器设计之中,提出一种动态非线性系统主动容错控制方法.在常规CMAC学习算法中,误差被平均地分配给所有被激活的存储单元,不管各存储单元存储数据(权值)的可信程度.改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的-p次方成比例,从而提高神经网络的在线学习速度和精度;在此基础上利用滑模控制算法进行容错控制律的在线重构,实现动态非线性系统在线故障诊断与容错控制的集成.分析了系统的稳定性,仿真结果表明改进故障学习算法及容错控制的有效性.     

应用信度分配的模糊CMAC实现非线性系统的容错控制

The adaptive fault-tolerant control scheme of dynamic nonlinear system based on the credit assigned fuzzy CMAC neural network is presented. The proposed learning approach uses the learned times of addressed hypercubes as the credibility, the amounts of correcting errors are proportional to the inversion of the learned times of addressed hypercubes. With this idea, the learning speed can indeed be improved. Based on the improved CMAC learning approach and using the sliding control technique, the effective control law reconfiguration strategy is presented. Thesystem stability and performance are analyzed under failure scenarios. The numerical simulation demonstrates the effectiveness of the improved CMAC algorithm and the proposed fault-tolerant controller.     

Adaptive fault-tolerant control of non-linear systems: an improved CMAC-based fault learning approach

The conventional cerebellar model articulation controllers (CMAC) learning scheme equally distributes the correcting errors into all addressed hypercubes, regardless of the credibility of those hypercubes. This paper presents the adaptive fault-tolerant control scheme of non-linear systems using a fuzzy credit assignment CMAC neural network online fault learning approach. The credit assignment concept is introduced into fuzzy CMAC weight adjusting to use the learned times of addressed hypercubes as the credibility of CMAC. The correcting errors are proportional to the inversion of learned times of addressed hypercubes. With this fault learning model, the learning speed of fault can be improved. After the unknown fault is estimated, online, by using the fuzzy credit assignment CMAC, the effective control law reconfiguration strategy based on the sliding mode control technique is used to compensate for the effect of the fault. The proposed fault-tolerant controller adjusts its control signal by adding a corrective sliding mode control signal to confine the system performance within a boundary layer. The numerical simulations demonstrate the effectiveness of the proposed CMAC algorithm and fault-tolerant controller.     

Adaptive dynamic CMAC neural control of nonlinear chaotic systems with L2 tracking performance

The advantage of using cerebellar model articulation control (CMAC) network has been well documented in many applications. However, the structure of a CMAC network which will influence the learning performance is difficult to select. This paper proposes a dynamic structure CMAC network (DSCN) which the network structure can grow or prune systematically and their parameters can be adjusted automatically. Then, an adaptive dynamic CMAC neural control (ADCNC) system which is composed of a computation controller and a robust compensator is proposed via second-order sliding-mode approach. The computation controller containing a DSCN identifier is the principal controller and the robust compensator is designed to achieve L₂ tracking performance with a desired attenuation level. Moreover, a proportional–integral (PI)-type adaptation learning algorithm is derived to speed up the convergence of the tracking error in the sense of Lyapunov function and Barbalat’s lemma, thus the system stability can be guaranteed. Finally, the proposed ADCNC system is applied to control a chaotic system. The simulation results are demonstrated that the proposed ADCNC scheme can achieve a favorable control performance even under the variations of system parameters and initial point.     

Integral variable structure control of nonlinear system using a CMAC neural network learning approach.

This work presents a novel integral variable structure control (IVSC) that combines a cerebellar model articulation controller (CMAC) neural network and a soft supervisor controller for use in designing single-input single-output (SISO) nonlinear system. Based on the Lyapunov theorem, the soft supervisor controller is designed to guarantee the global stability of the system. The CMAC neural network is used to perform the equivalent control on IVSC, using a real-time learning algorithm. The proposed IVSC control scheme alleviates the dependency on system parameters and eliminates the chattering of the control signal through an efficient learning scheme. The CMAC-based IVSC (CIVSC) scheme is proven to be globally stable inasmuch all signals involved are bounded and the tracking error converges to zero. A numerical simulation demonstrates the effectiveness and robustness of the proposed controller.     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

不确定性自由漂浮空间机器人神经自适应控制

针对具有模型不确定性以及外部干扰下的自由漂浮空间机器人,采用一种整体逼近的神经网络自适应控制方法。该方法采用RBF神经网络对不同重力环境下系统模型的不确定项进行整体逼近,对系统的不确定项进行在线自适应学习。神经网络的逼近误差以及外界干扰由鲁棒项进行消除。该方法不依赖于系统模型,简化了控制系统的结构,在考虑重力等不确定项的情况下不用改变控制器也能进行控制,并且根据李亚普诺夫理论证明了所设计控制器使系统渐进稳定。在不同重力环境下进行了仿真,验证了控制方案的有效性。     

一种自适应CMAC在交流励磁水轮发电系统中仿真研究

在分析常规CMAC结构的基础上,针对一类非线性、参数时变和不确定的控制系统,提出了一种自适应CMAC神经网络的控制器．该控制器以系统动态误差和给定信号量作为CMAC的激励信号,并与自适应线性神经元网络相结合构成系统的复合控制．为了验证其有效性,将其应用到交流励磁水轮发电机系统的多变量非线性控制中,并与常规的PID控制效果进行了比较．仿真结果表明,该控制器具有较强鲁棒性和自适应能力,控制品质优良。