某新型电液伺服系统神经网络自抗扰控制

针对某新型同源平衡及定位电液伺服系统,设计了一种基于RBF神经网络在线整定ESO参数的神经网络自抗扰控制器(NNADRC)。利用RBF神经网络在线整定可调误差校正增益,实现非线性特性的实时、精确估计和补偿。数值仿真结果表明,NNADRC控制的稳态精度明显高于ADRC控制,且对外部负载扰动和内部参数摄动具有良好的鲁棒性,可以实现电液伺服系统的快速、平稳、高精度、无超调稳定控制。     

神经网络控制的电液伺服系统在电视塔的应用

本文利用神经网络非线性映射的特点 ,用逆向建模的思想 ,设计了一种基于神经网络的学习控制器 ,并将其应用于结构主动控制中的电液伺服系统闭环控制 ,收到很好的效果。     

电液伺服系统的智能控制及其仿真研究

为提高电液伺服系统的控制性能。设计了一种神经网络自组织模糊控制器。即NNSOC。通过仿真实验表明,与传统的模糊控制器相比,该控制器可有效的抑制参数扰动及外力干扰,具有很强的鲁棒性。     

基于CMAC网络的摩擦补偿研究

分析了摩擦的特性及其对伺服系统的影响。提出了一种基于ＣＭＡＣ神经网络的摩擦补偿方法,它可以实现摩擦力矩的动态自学习补偿,从而增强摩擦补偿的效果。数值认真表明这种摩擦补偿方法不仅能有效地提高伺服系统的性能,而且便于工程应用。     

基于自抗扰和反馈控制的电液位置同步系统

针对液压伺服系统中的非线性和不确定特性,为了改善双电液位置伺服系统的同步性,设计了基于自抗扰和PID反馈补偿控制的电液位置系统,速度环采用自抗扰控制器,对速度系统的内部扰动和外部扰动进行观测,并加以补偿,实现对速度的控制。并在反馈回路中加入PID控制,提高双侧液压下系统动态同步的品质。仿真实验结果表明,这种方案能满足被控对象对高精度同步控制的要求。     

基于神经模糊技术的电液伺服控制

研究了基于神经模糊混合技术的电液伺服系统控制问题。综合神经网络与模糊逻辑技术的优势,构造了一种神经模糊控制器,它具备知识自动获取、并行分布存储及快速模糊推理决策的能力,给出了一种在线学习算法。用于一类典型的电液伺服系统的控制,获得了满意的效果。神经模糊混合技术对于电液伺服控制的发展与要求（如更复杂系统及其高性能控制）具有重要价值。     

基于LabVIEW的滑模变结构控制实验研究

针对电液伺服系统的控制特点和性能要求,将滑模变结构控制方法应用到电液伺服系统中。以某材料试验机为研究对象,借助LabVIEW软件设计了一种滑模变结构控制器,并进行了大量的实验研究。实验结果表明,滑模变结构控制器能够使电液伺服系统具有良好的动态性能和较强的鲁棒性。同时实验研究了滑模变结构控制器的参数变化对动态性能的影响,为工程应用奠定了基础。     

大型高速电液伺服系统设计及控制策略研究

本文以有杆泵动态测试装置液压伺服机为例,介绍了大型高速电液伺服系统的液压系统及计算机控制系统的设计过程。提出了一种适用于大型液压伺服系统的液压驱动缸与负载并列排布方案,有效地减小了系统的尺寸。研究了迭代自学习控制策略在大型高速电液伺服系统中的应用,并给出了实际控制结果,证实了迭代自学习控制算法可以有效地提高大型高速电液伺服系统的控制精度和动态响应。     

四辊卷板机侧辊位移线性自抗扰控制

侧辊位移的精确控制对实现四辊卷板机高效加工至关重要,其核心问题是提高阀控非对称缸电液伺服系统的抗扰能力。由于电液伺服系统具有高度非线性和时变不确定性,传统非线性控制方法很难有效处理包含未知动态、外部扰动以及参数变化等的多源不确定扰动。提出一种四辊卷板机侧辊位移线性自抗扰控制方法。综合考虑各种不确定扰动因素的影响,设计了线性扩张状态观测器进行实时估计,采用状态误差反馈控制律给予主动补偿,并消除跟踪误差,证明了线性扩张状态观测器状态观测误差的收敛性和电液伺服系统的闭环稳定性。试验结果表明,所设计的线性自抗扰控制器能有效抑制电液伺服系统中多源不确定性扰动,实现侧辊位移的快速、精确轨迹跟踪。     

基于神经网络PID的冗余伺服系统自适应控制

建立冗余直接驱动式电液伺服系统的数学模型。针对电液伺服系统时变、强非线性的特点以及冗余伺服系统在余度降级过程中的故障瞬态现象和余度降级后的性能降级现象,考虑传统PID控制器自适应能力不强、鲁棒性差等缺陷,提出神经网络自适应控制方案。根据冗余电液伺服系统的特点和目前神经网络控制的发展水平,采用基于径向基函数神经网络的智能PID控制器实现冗余伺服系统的自适应控制。研究结果表明：该控制器能够根据控制指令、被控对象结构参数等因素的变化实时调整控制器参数,和传统PID控制器相比具有控制精度高、鲁棒性强的特点,可以有效地克服冗余伺服系统余度切换时的故障瞬态现象和余度降级后的性能降低现象。     

基于改进前馈逆补偿的电液加载试验系统力跟踪控制研究

针对电液加载试验系统力加载跟踪控制问题，分析了电液加载系统的组成及工作原理，建立了系统动力学模型，并对动力学模型的准确性进行了验证。在此基础上，首先使用了速度反馈补偿控制器抑制外部干扰，其次利用递推增广最小二乘法(Recursive Extended Least Square，RELS)及零相差跟踪技术(Zero Phase Error Tracking，ZPET)设计出系统逆模型，进行前馈逆补偿控制，然后考虑速度反馈存在的微分问题，设计了内模控制器，最后利用电液加载试验台进行了力加载控制策略的试验研究。试验结果证明，与传统PI控制器相比，提出的改进前馈逆补偿力加载控制算法可以更有效地抑制系统外部干扰，提高力加载的跟踪精度。     

某越野汽车磁流变半主动悬架变论域模糊控制

为了解决半主动悬架传统变论域模糊控制器过度依赖经验规则的问题,提出了一种基于模糊神经网络的变论域T-S模糊控制策略。首先,根据磁流变减振器阻尼特性的实验结果,建立基于自适应模糊神经网络的减振器阻尼力模型及1/2车辆半主动悬架动力学模型;其次,建立悬架系统T-S模糊控制器,同时为了实时调节T-S模糊控制器变量的论域,采用模糊神经网络结构描述伸缩因子的变化。仿真结果表明,笔者提出的变论域模糊控制策略能够有效提高车辆行驶平顺性和操作稳定性。     

基于神经网络的缠绕过程张力积分鲁棒控制

纤维缠绕系统是典型的非线性系统,缠绕过程张力控制精度决定了缠绕制品成型品质,然而系统非线性特性、摩擦及外干扰等严重制约了缠绕过程张力控制性能的提升。目前现有方法主要以收/放卷两轴同步控制为基础,通过解耦等复杂操作展开张力控制研究,计算量大且不利于控制算法的应用。为了避免上述问题并准确描述缠绕系统张力产生机理和实际的摩擦特性,建立简化的缠绕系统非线性数学模型。同时以自适应作为神经网络权值训练方法,基于自适应神经网络设计出干扰量的逼近函数,在基于连续积分鲁棒（RISE）控制器设计的控制律中补偿扰动的影响,并基于Lyapunov稳定性理论证明了系统的渐近稳定性。最后,给出所提出控制器与现有方法的对比验证实例,结果表明所提出基于神经网络扰动补偿的积分鲁棒控制显著增强了系统抑制外干扰的能力,提升了张力控制精度。     

被动加载的内部反馈控制方法

提出电液加载的内部变量反馈控制方法。通过对可测量的内部变量反馈，补偿了活塞运动时流量的变化，使加载系统的跟踪没有滞后。反馈以后，改变了系统传递函数和动态性能，并将舵机运动干扰输出等效为一个较小的量。原理分析证明，采用类似于PID形式的内部反馈，可消除舵机运动的速度和加速度干扰。仿真结果表明，内部反馈在主从电液跟踪加载控制中能减小多余力的影响，系统特性的改善优于传统的前馈方法。     

模拟复合正交神经网络在轴向磁轴承中的控制研究

由于磁轴承的动态性能主要取决于所采用的控制规律,控制器是磁轴承系统的关键.在数字复合正交神经网络(NN)的基础上,提出了一种模拟复合正交神经网络,并用于轴向磁轴承的控制中.控制器采用模拟复合正交神经网络与PID的并行控制方法,对带有负载干扰的轴向磁轴承控制系统作了PID控制与NN PID控制的仿真实验.仿真结果表明,相对于常规PID控制器,该并行控制法具有较高的抗干扰与自适应能力-控制效果理想.     

自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。     

基于神经网络控制算法的气动伺服系统运动分析研究

提出了一种神经网络控制方法并通过对气动伺服系统的无杆气缸运动控制,探究此控制方法的控制精度。由于受空气可压缩性、摩擦力以及启动系统的扰动等非线性因素的影响,气动伺服系统很难去建立精确的数学模型。根据系统的非线性特点及PID控制不足,基于BP神经网络控制,设计神经网络PID控制器,并进行实验。通过实验,对无杆气缸的运动特性分析,表明这种控制策略可以更好控制气动伺服系统的运动精度。     

神经网络滑模控制在位置伺服系统的应用

针对直流无刷电机伺服系统参数摄动、非线性以及其他不确定因素等问题,提出一种神经网络滑模变结构控制方案。利用一个三层RBF神经网络和滑模变结构控制器实现了无刷电机伺服系统位置的精确控制。该方案综合径向基神经网络和滑模变结构算法的优点,对系统参数变化和外部扰动具有很强的鲁棒性,是一种较理想的智能控制策略。仿真结果表明控制器具有良好的动静态品质,工程实现简单,具有广阔的应用前景。     

APPROACH TO IMPROVEMENT OF ROBOT TRAJECTORY ACCURACY BY DYNAMIC COMPENSATION

Some dynamic factors, such as inertial forces and friction, may affect the robot trajectory accuracy. But these effects are not taken into account in robot motion control schemes. Dynamic control methods, on the other hand, require the dynamic model of robot and the implementation of new type controller. A method to improve robot trajectory accuracy by dynamic compensation in robot motion control system is proposed. The dynamic compensation is applied as an additional velocity feedforward and a multilayer neural network is employed to realize the robot inverse dynamics. The complicated dynamic parameter identification problem becomes a learning process of neural network connecting weights under supervision. The finite Fourier series is used to activate each actuator of robot joints for obtaining training samples. Robot control system, consisting of an industrial computer and a digital motion controller, is implemented. The system is of open architecture with velocity feedforward function. The proposed m     

基于小波神经网络的电动负载模拟器的复合控制

为了提高电动负载模拟器的信号跟踪精度和多余力矩抑制能力,在分析系统结构和工作原理的基础上建立了电动负载模拟器系统的完整数学模型。针对电动负载模拟器中存在的力矩跟踪精度问题,提出了一种前馈补偿和基于小波网络的PID控制相结合的复合控制方法。利用改进的前馈补偿法抑制多余力矩,基于小波网络的PID控制器可以在线调整PID参数补偿系统的非线性环节,提高系统动态性能。仿真结果表明,复合控制器对多余力矩有良好的抑制效果,跟踪精度满足要求,和传统PID控制相比,系统鲁棒性得到显著提高。