基于神经网络逆控制的钢包精炼炉的仿真研究

基于逆动力学控制的思想,提出一种基于RBFN逆模型控制策略,并将该控制策略对具有多变量非线性特性的钢包精炼炉系统进行控制.采用三个RBF神经网络分别对被控对象的三个输入进行逆辨,识,每相神经网络逆辨识模型反向作为逆控制器模型与每相串联,从而构成三个已解藕的独立的伪线性对象,进而针对三个独立的伪线性对象进行线性控制,从而实现了对三相耦合系统的精确控制.仿真实验证明冲这种方法的可行性和有效性.     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于自适应PID控制器的平面一级倒立摆的研究

倒立摆是一个强耦合、严重不稳定的系统,其背景来源于火箭发射等课题.在该系统中,PID控制器常常被采用.由于该系统在建立数学模型时次要的因素被忽略了,实际上是一个非线性系统;为了提高系统的控制性能,根据计算智能逼近非线性系统的功能,设计一个RBF神经网络控制系统,实现对常规PID控制器的参数进行自适应整定.最后使用BC++编写系统的控制程序,通过实物控制验证基于RBF神经网络的PID控制器参数的自适应整定的系统具有较好的瞬态性和鲁棒性.     

漂浮基空间柔性机械臂基于神经网络的逆模控制

针对传统控制方法对强耦合柔性空间机械臂难以有效控制的问题,提出基于神经网络的逆模控制策略。建立了非线性空间柔性机器人的动力学模型,根据增广变量输入法推得其控制律;利用具有良好逼近能力的前馈神经网络来自适应补偿柔性臂的未知非线性逆模型;采用Kalman滤波算法来保证网络权值在线实时调整(系统的误差代价函数由PID控制器提供)。仿真证明了所提出的控制方案的有效性,具有较高工程应用价值。     

采用遗传神经网络的直线伺服系统速度自适应控制

针对永磁直线同步电动机伺服系统多变量、强耦合、非线性,以及时变的特点,提出一种基于径向基函数(RBF)神经网络的永磁直线同步电动机速度控制方法,该方法根据RBF神经网络的结构特点,对其参数采用遗传算法进行离线训练,并通过在线训练调整隐层与输出层的连接权值,实现了电动机速度的自适应控制.实验结果表明,与常规PID控制相比,RBF神经网络控制器提高了直线伺服系统的静态和动态性能,使得电动机在启动和负载改变时转速超调量减小,且转速能更快地趋于稳定.     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

平衡重式叉车底盘神经网络逆系统解耦控制

针对平衡重式叉车底盘各子系统间的干涉和耦合特性,利用非线性系统的神经网络逆系统方法进行叉车主动后轮转向(ARS)与直接横摆力矩控制(DYC)的解耦控制.在分析底盘系统可逆性的基础上,确定解耦变量配对关系,建立BP(Back Propagation)神经网络逆系统模型并串联到原底盘系统前,使叉车底盘系统解耦成两个独立的伪线性系统;设计PD(Proportion Differentiation)闭环控制器并与神经网络逆系统组成复合控制器,并进行仿真验证.仿真结果表明:神经网络逆系统解耦控制策略能够消除底盘各子系统间的干涉和耦合,提升叉车的状态跟踪和操纵稳定性.     

无轴承永磁同步电机的神经网络逆控制

无轴承永磁同步电机是一个强耦合的非线性复杂系统,实现无轴承永磁同步电机的线性化解耦控制,是无轴承永磁同步电机稳定运行和走向实用化的关键。将神经网络具有的特点（对非线性系统的逼近能力以及对系统参数变化的适应能力）与逆系统方法的特点（解耦线性化）相结合,提出了基于神经网络的无轴承永磁同步电机逆系统解耦控制方法。通过用静态神经网络加积分器来构造无轴承永磁同步电机的逆系统,将无轴承永磁同步电机动态解耦成位移子系统和转速子系统分别设计调节器进行控制,然后运用线性系统理论进行综合。仿真及实验结果表明,系统具有良好的鲁棒性和动静态解耦性能。     

基于RBF网络的多变量系统自适应预测PID控制器

针对非线性、多变量、大滞后耦合系统使用常规PID控制难以达到理想效果,提出了一种基于RBF网络的自适应预测PID控制器.该控制器利用递推多步预测克服时滞,并采用基于RBF网络整定的PID控制器在线调整控制器参数,从而克服了系统的耦合作用,提高了控制系统的输出跟踪精度.仿真结果表明,该方法控制效果良好,具有较快的系统响应、较强的自适应性和鲁棒性.     

基于RBF神经网络的柔性机械手反演控制

针对柔性机械手动力学方程复杂、具有高度非线性等特点,在控制律设计中引入反演设计思想,将原复杂的高阶非线性系统分解成低阶简单系统。考虑到动力学模型中存在未知的非线性函数,为了能够对被控对象中未知函数进行有效逼近,设计一种将径向基函数(RBF)神经网络与反演控制思想相融合的控制方法。仿真结果表明：基于RBF神经网络反演控制所设计的控制律和自适应律能够实现控制系统稳定,满足期望的动态性能指标。     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

一种基于动态最近邻聚类算法RBF网络非线性系统复合控制器设计

针对RBF网络的设计难点,提出一种动态确定隐层节点数和聚类中心的新方法。并基于逆动力学的思想,提出一种RBF网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF网络结构和动态最近邻聚类算法,实现了对系统逆动力学的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性系统,从而使非线性对象的控制问题简化成线性对象的问题。仿真结果证明了该控制策略具有良好的动态跟踪性能和抗干扰能力,具有较强的鲁棒性。     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

基于神经网络的超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料（giant magnetostrictive material GMM）智能构件精密加工活塞异形孔方法。 为了消除GMM智能构件迟滞非线性影响,提出一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制。将智能构件的输出位移及其变化率作为小脑模型神经网络（CMAC）输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型,神经网络的建模近似误差以及外界干扰通过离散滑模变结构控制器来消除。仿真结果表明此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,可实现智能构件的精密位移控制。     

一种通用的RBF网络非线性动态系统逆控制

针对任意复杂非线性系统,提出一种通用的RBF网络动态系统逆控制方案,并提出了一种通过对聚类半径进行“粗调”和“细调”的最近邻聚类学习算法,利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络动态逆控制与PID控制相结合的在线自学习控制策略。仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好。     

基于RBF神经网络的电液伺服系统应用研究

采用RBF神经网络实现对电液位置伺服系统辨识建模,在线跟踪系统模型的变化,以此为基础设计控制参数可在线调节的神经网络PID控制器,解决系统非线性以及不确定性给系统带来的控制问题,提高系统的控制性能,实现系统的智能控制。     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive Control

-For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Functinn(RBF)neural network is used as the system identifier in this method.Simulation results shaw that by using neural adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive

For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Function(RBF)neural network is used as the system identifier in this method.Simulation results show that by using neural network adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

RBFNDOB-based neural network inverse control for non-minimum phase MIMO system with disturbances

An adaptive control strategy combining neural network inverse controller (NNIC) with RBFN disturbance observer (RBFNDOB) is developed for a multi-input-multi-output (MIMO) system with non-minimum phase, internal and external disturbances in this paper. Since the inverse model of system is unstable due to the non-minimum phase, a pseudo-plant is constructed, then the RBFN is used to identify the inverse model of pseudo-plant, which can track the parameter variations of system. By copying the structure and parameters of the identifier, the NNIC is obtained. Cascading the NNIC with the original plant, the MIMO system can be decoupled and linearized into independent SISO systems. For the independent decoupled system, the RBFNDOB employs a RBFN to observe the external disturbances and this estimate value is used as a feed-forward compensation term in controller. The case study on ball mill grinding circuit is presented. The effectiveness of the proposed method is demonstrated by simulation results and comparisons.