基于变速趋近律的机电伺服系统自适应滑模控制

针对带有摩擦力矩、负载力矩以及扰动力矩等不确定性的机电伺服系统,提出一种基于变速趋近律的自适应滑模控制方法.首先,构造双曲正切型辅助函数并设计新的变速趋近律,用以调节滑模变量的收敛速度,使其在到达减速点之前具有较快的收敛速度,而在到达减速点以后则能有效削弱抖振.在此基础上,构造自适应滑模控制器,保证系统位置输出能够快速...     

基于反步自适应控制的伺服系统齿隙补偿

齿隙是影响机电伺服系统动/静态性能的一个重要因素. 为了减小其不利影响, 该文以存在不确定参数的机电位置伺服系统为研究对象, 针对系统中存在的齿隙非线性, 应用反步积分方法, 通过逐步递推选择Lyapunov函数,设计了基于状态反馈的自适应控制器. 通过理论分析以及与传统PID控制的仿真结果比较表明, 该方案显著地降低了齿隙对伺服性能的影响, 提高了系统的跟踪精度和鲁棒性.     

具有零动态的SISO仿射非线性系统的神经网络自适应跟踪控制

针对具有零动态的SISO仿射非线性系统提出了一种神经网络直接自适应跟踪控制方法.采用梯度下降算法最小化未知理想控制器与神经网络控制器的误差代价函数以获得参数自适应律,控制器中无需另加鲁棒控制项.基于Lyapunov稳定性定理证明了在该控制器的作用下能保证输出跟踪误差及相应闭环系统的所有状态最终一致有界及神经网络参数的收敛性.仿真结果验证了该文方法的有效性.     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于动态神经网络的非线性内模控制

针对一类不确定仿射非线性系统，提出一种基于动态神经网络的非线性内模控制方法。利用该网络模型存在相对阶时可以解析求得逆模型的特点，避免了普通神经网络内模控制方案中求逆的困难。并在有建模误差的情况下，通过将非线性对象输入输出线性化，分析了闭环系统的鲁棒稳定性和稳态性能。仿真试验表明该方法是可行和有效的。     

电液位置伺服系统的多滑模神经网络控制

针对电液位置伺服系统存在的强非线性、控制增益未知和非匹配不确定性.通过引入神经网络和带饱和层的多滑模面,提出了一种多滑模神经网络控制方法.该方法运用神经网络的万能逼近特性和滑模控制优良的抗干扰特点,采用构造性方法设计控制器.运用光滑投影算法和积分李雅普诺夫技术,避免了参数漂移和控制器奇异问题.理论证明了系统跟踪误差收敛于任意设定的滑模面饱和层内.仿真实验表明了理论结果的有效性.     

基于神经网络给定补偿的永磁同步直线交流伺服系统H ∞控制

以永磁同步直线伺服电机为被控对象,应用Ｈ＾∞控制理论设计了一种具有强鲁棒性的速度控制器。首次提出了基于神经网络给定补偿的Ｈ＾∞控制策略,仿真实验结果表明,该方案有效地克服了永磁直线电机参数变化及特有的端部效应等对系统的影响,提高了系统的性能指标。     

基于分数阶的神经网络解耦控制优化方法

针对强耦合、多变量的非线性系统,提出了一种基于Caputo分数阶微分优化的BP-PID解耦控制算法。首先,应用Caputo定义的分数阶思想设计分数阶梯度下降算法,并将其应用到BP-PID控制系统,以实现多变量耦合系统的解耦控制;其次,通过测试的二维变量函数验证所提算法的收敛性;最后,在浸没式电极锅炉耦合模型中使用分数阶梯度下降算法优化的BP-PID算法,并与基于传统梯度下降算法的BP-PID算法进行对比。实验结果表明,所提算法提高了BP-PID解耦控制器的收敛速度,并且加快了响应速度,减少了超调量,缩短了调节时间。     

基于神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种基于对角递归神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用对角递归神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想.实验结果表明.基于对角递归神经网络整定的PID控制的交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

具有未建模动态的自适应神经网络动态面控制

对一类具有未建模动态的严格反馈非线性系统,提出一种自适应神经网络动态面控制方案.该方案将动态面控制方法扩展到具有未建模动态的严格反馈非线性系统的控制器设计中,拓展了动态面控制方法的应用范围.利用动态面控制方法引入的紧集来处理未建模动态对于系统的影响.利用Young's不等式,提出两种自适应参数调节方案.与现有研究结果相比,有效地减少了可调参数的数目,放宽了动态不确定性的假设,无需虚拟控制增益系数导数的信息.通过理论分析,证明了闭环控制系统是半全局一致终结有界的,且跟踪误差收敛到原点的一个小邻域内.     

基于混合神经网络的非线性预测函数控制

针对基本预测函数控制只能用于线性对象的控制这一不足,提出了基于混合神经网络的非线性预测函数控制.混合神经网络由BP网络和线性神经网络串连组成.采用混合神经网络对可用Hammerstein模型描述的非线性对象进行有效的辨识.其中,BP网络反映了非线性静态增益,线性神经网络反映了线性动态子系统.利用BP网络求出非线性静态增益的逆并与非线性对象串联,抵消非线性对象中的非线性静态增益部分,将非线性对象的控制问题转化为对线性对象的控制问题,实现了对非线性对象的预测函数控制.当被控对象的特性发生变化时,可对混合神经网络权值及时进行修正并调整控制器参数使控制系统始终保持良好的控制性能.仿真结果表明,此控制系统具有良好的控制效果.     

基于微分观测器的飞行模拟转台伺服系统非线性控制

飞行模拟器转台伺服系统是导弹飞行的重要模拟设备,用于获取实验数据。针对飞行模拟转台伺服系统在跟踪控制过程中存在参数不确定性、非线性摩擦等不确定性问题,提出了一种基于微分观测器的飞行模拟转台伺服系统非线性控制方法;考虑系统在跟踪控制过程中存在不确定性问题,设计了微分观测器来估计复合不确定扰动;设计非线性控制器来控制飞行模拟转台伺服系统,使得系统可以收敛到期望位置转角信号;通过李雅普洛夫稳定性证明控制器作用在系统条件下的鲁棒性;通过MATLAB/Simulink仿真试验平台验证了文中提出的控制策略能够使系统有效跟踪期望位置转角,具有一定工程应用价值;     

双电机驱动伺服系统径向基函数神经网络反推自适应控制

双电机驱动伺服系统中存在齿隙非线性环节,为了削弱齿隙非线性对系统的动态和稳态性能产生的不利影响,本文提出了一种新的自适应控制方法.首先给出了系统的状态空间模型并分析了双电机同步联动控制的原理,然后应用改进的反推方法,在考虑系统所有的状态变量都能收敛的基础上,引入虚拟控制量,通过逐步递推选择Lyapunov函数,利用径向基函数(radial basis function, RBF)神经网络在线逼近系统中的不确定函数,设计了基于状态反馈的RBF神经网络反推自适应控制器,并进行了稳定性分析.将单纯的反推控制和RBF神经网络反推自适应控制的仿真结果对比,发现后者的优越性高于前者.最后在实际系统中进行试验,验证了所提控制策略的可行性.     

Design of robotic visual servo control based on neural network and genetic algorithm

A new visual servo control scheme for a robotic manipulator is presented in this paper, where a back propagation (BP) neural network is used to make a direct transition from image feature to joint angles without requiring robot kinematics and camera calibration. To speed up the convergence and avoid local minimum of the neural network, this paper uses a genetic algorithm to find the optimal initial weights and thresholds and then uses the BP algorithm to train the neural network according to the data given. The proposed method can effectively combine the good global searching ability of genetic algorithms with the accurate local searching feature of BP neural network. The Simulink model for PUMA560 robot visual servo system based on the improved BP neural network is built with the Robotics Toolbox of Matlab. The simulation results indicate that the proposed method can accelerate convergence of the image errors and provide a simple and effective way of robot control.     

基于神经网络的模糊史密斯控制系统

本文提出了一种利用BP神经网络进行在线自整定的模糊史密斯预估控制系统,该系统结合了BP神经网络、模糊控制、史密斯预估控制的优点,通过仿真实验表明,这种控制方法对具有大滞后性,时变性,干扰因素不确定性的系统有较好的控制效果.     

Nonlinear control structures based on embedded neural system models

This paper investigates in detail the possible application of neural networks to the modeling and adaptive control of nonlinear systems. Nonlinear neural-network-based plant modeling is first discussed, based on the approximation capabilities of the multilayer perceptron. A structure is then proposed to utilize feedforward networks within a direct model reference adaptive control strategy. The difficulties involved in training this network, embedded within the closed-loop are discussed and a novel neural-network-based sensitivity modeling approach proposed to allow for the backpropagation of errors through the plant to the neural controller. Finally, a novel nonlinear internal model control (IMC) strategy is suggested, that utilizes a nonlinear neural model of the plant to generate parameter estimates over the nonlinear operating region for an adaptive linear internal model, without the problems associated with recursive parameter identification algorithms. Unlike other neural IMC approaches the linear control law can then be readily designed. A continuous stirred tank reactor was chosen as a realistic nonlinear case study for the techniques discussed in the paper.     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

基于BP神经网络PID控制的BLDCM调速系统

在分析无刷直流电机(BLDCM)数学模型的基础上,采用改进型BP神经网络与传统PID相结合作为速度控制器,应用于无刷直流电机调速系统中。在电机初始运行阶段采用传统PID控制,网络学习一段时间后,切换到经过改进的BP神经网络在线自整定PID控制。仿真研究表明,应用这种新型控制方式的无刷直流电机调速系统具有良好的动态性能和稳态精度。     

基于BP神经网络的网络控制系统调度

为了在复杂的网络环境下能更合理地分配网络资源,提出了利用BP神经网络,通过对网络调度器产生的历史和当前数据进行训练,预测调度器下周期可能产生的数据,进而对下一调度周期的死区大小进行调整。实验仿真表明,所设计的反馈调度器能进一步改善网络控制系统的性能,进一步提高应对负载变化的能力。