基于模型参考自适应的AGV运动控制系统设计

为了消除自动导航车（AGV）麦克纳姆驱动轮间负载不均衡引起的控制系统不确定性问题,提出基于模型参考自适应控制（MRAC）的伺服控制方法.建立驱动轮伺服电机的数学模型,根据李雅普诺夫稳定理论求解MRAC控制律和自适应律,并确定自适应律算法的正定矩阵.根据AGV实际运行过程中伺服电机的频率特性,引入低通滤波器.综合AGV定位精度和MRAC系统稳定性,确定二阶巴特沃兹低通滤波器的截止频率.在保证控制系统稳态精度的同时,有效抑制高频振荡.实验结果表明：基于MRAC的AGV在复杂工况下的控制性能保持了较高的稳定性,每个电机的速度波动不超过3%,定位精度误差小于3.6 mm.     

延时预测内模网络控制系统

网络控制系统中存在的随机延时会导致系统的性能变差甚至不稳定.针对该问题提出了时间戳BP神经网络延时预测方法,利用历史延时数据预测下一个时刻的延时值,根据得到的延时预测值,结合内模控制原理进行网络控制系统的设计.延时环节采用Pade一阶展开近似表达法,分析了延时预测对系统性能的影响.仿真结果表明,延时预测精度有保证,系统性能仅受内模控制器滤波系数α和延时预测精度的影响,网络控制系统性能得到了很大的提高.     

一类非线性系统的神经网络自适应算法研究

讨论了神经网络在非线性系统控制中的应用.针对一类典型的非线性系统,基于波波夫超稳定性理论,推导出了保证系统稳定性的神经网络学习算法,设计了神经网络模型参考自适应控制器,以改善非线性被控对象跟踪参考模型输出的跟踪效果,并以此为依据进行了MATLAB仿真.对电弧炉三相电极调节系统的仿真结果表明,这种神经网络自适应控制系统具...     

基于互联网无刷直流电机传动系统的控制策略

为了方便处理网络控制系统中的时变延时问题,运用时间戳BP神经网络对每一采样周期的延时数据进行在线、实时预测,建立无刷直流电机网络控制系统的数学模型,导出系统离散状态方程,并基于时间乘误差绝对值积分最小(ITAE)优化控制策略提出初次优化设计方法;为了对无刷直流电机传动系统的量测噪声、突加负载扰动及模型随机干扰进行有效补偿和抑制,采用卡尔曼滤波进行状态估计,同时引入李雅普诺夫稳定性理论求取该系统最优状态反馈矩阵,实现网络控制系统的再次优化.仿真结果表明,该方法能够有效提高传动系统的静动态性能和抗干扰水平．     

基于模型的均匀量化网络控制系统稳定性分析

针对实际网络控制系统中网络通讯传输普遍存在量化的不确定性问题,基于模型网络控制系统的均匀量化影响,重点分析了网络控制系统中模型状态、对象状态的稳定域范围以及量化误差、更新时间、系统误差矩阵对稳定域的影响.仿真结果表明了结论的正确性.     

基于Elman网络的参数自适应矢量控制系统

介绍了用Elman人工神经网络建立的电机转速估计模型，采用样本混沌载波的动量BP算法，给出了其仿真结果、矢量控制系统框图及其硬件实现方案。     

黑箱系统的一种简便自适应预测控制策略

采用一种输入输出增量式一元线性回归模型作为黑箱系统的预测模型，应用投影算法估计模型参数．该模型将对象输出增量分解为2个分量：一个为非零控制增量作用下的强制分量，另一个为控制增量为零时的自由分量，是一种非齐次时变线性模型．此外，应用广义预测控制理论，提出了一种基于该模型的自适应多步预测控制策略，导出了基于该模型的多步最优预测算式和最优控制律．该控制策略不仅具有广义预测控制的强自适应能力和强鲁棒性，且模型参数少，算法简单，适用于黑箱系统的控制．仿真结果表明该控制策略是有效的。     

基于模型参考自适应系统理论的异步电机矢量控制系统研究

采用模型参考自适应系统对系统转速进行估算,实现了异步电机的无速度传感器控制.在一个4kW的三相异步电动机上进行了实验,异步电机结果表明:该系统具有快速的动态响应能力和良好的稳定性.     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

基于MRAS的永磁同步电机矢量控制系统

提出了将模型参考自适应技术应用于永磁同步电机无速度传感器控制系统中。根据永磁同步电机的数学模型,设计了一个基于模型参考自适应的状态观测器估算电机转子速度,并对系统的稳定性进行分析,在Simulink软件中建立相应的仿真模型。仿真结果表明：该控制系统可以较准确地追踪转速,具有良好的动态性能和鲁棒性。     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

基于小波神经网络的永磁同步直线电机自适应逆控制

针对永磁同步直线电机(PMLSM)受推力波动等干扰,采用反馈误差学习法,利用小波神经网络在线得到PMLSM的逆模型,避免了求取PMLSM的Jacobian信息,结合PID反馈控制,实现了PMLSM的小波神经网络自适应逆控制.仿真结果表明,与PID控制以及复合前馈PID控制方法相比,所提出的方法有效提高了PMLSM系统的跟踪性与鲁棒性.     

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.     

用于动力系统控制的时滞神经网络

提出了一种连续回归时滞神经元网络,并将其用于动力系统控制。通过在隐层神经元中引入时滞,构造了一种新的时滞神经网络模型。应用Lyapunov稳定性方法,给出了此神经网络权值的修正算法和系统的控制输入,保证了控制系统的稳定性。本文建立的控制方法不需要系统任何的先验知识,并能保证控制误差收敛到零点附近的一个小的邻域,并始终保持在这个区域内。最后通过对一种超声马达进行控制实验,验证了本方法的有效性。     

基于二阶神经网络的自适应控制

提出了一种二阶神经网络的自适应控制方案,利用二阶神经网络对被控制对象进行在线辨识和控制,仿真实验表明：这种控制系统,其控制效果优良,具有较强的辨识和控制能力,且控制器设计并不复杂。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案．在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器．该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力，改善了控制系统的性能．     

具有包丢失和时延的网络控制系统的随机稳定性

考虑了具有包丢失和网络诱导时延的网络控制系统的随机稳定性。首先通过引入等价时延的概念来描述数据包丢失的数目、网络诱导时延与采样周期大小之间的关系。然后将网络控制系统建模为离散时间跳变系统,其等价时延由Markov链控制。最后用线性矩阵不等式和随机稳定理论给出所得系统随机稳定的充分条件和动态的状态反馈控制器。数值算例验证了该方法的有效性和优越性。     

基于滑模和神经网络的永磁直线伺服系统控制

针对直接驱动的交流永磁直线伺服系统，提出一种将非线性神经网络控制和滑模控制相结合构成的双自由度控制策略，该控制策略解决了直线伺服系统跟踪性能和鲁棒性能之间的矛盾，滑模输入控制器保证了系统对给定的快速跟踪性能；神经网络输出反馈控制器对系统参数变化和阻力扰动（包括直线电机的端部效应力）进行很大程度的抑制，并可以削弱滑模控制的抖振对系统稳态性能的影响，仿真结果表明该方案在保证伺服系统的快速性同时，对系统参数变化和阻力扰动具有很强的鲁棒性。