基于高阶内模迭代学习的关节机器人控制研究

为了提升关节机器人在非严格重复条件下工作过程中的跟踪精度及响应速度,设计了三关节机器人模型,进行运动学及动力学分析来验证模型结构合理。针对关节机器人系统非重复性、非线性的特点,提出将高阶内模迭代学习控制算法应用于关节机器人系统控制中,设计合理的学习增益及更高的内模阶数,从理论上严格证明其收敛性。设计了仿真对比实验及加入扰动后的轨迹跟踪实验,结果表明,高阶内模迭代学习算法收敛速度更快并且具有良好的控制效果。     

神经内模优化控制策略在配煤过程中的应用

采用径向基函数神经网络建立了配煤过程的非线性动态模型,并由此提出配合煤灰分的神经内模优化控制策略,设计了基于Modbus Plus网络技术的分布式控制系统。在选煤厂自动配煤系统的实际应用结果表明,该文提出的控制算法能有效地控制配合煤灰分。     

基于小脑模型与PID并行的电液伺服系统控制的研究

该文将小脑模型连接控制器（CMAC）神经网络与常规PID控制并行应用于液压伺服系统中，这种并行控制算法可以有效地解决由于液压油的压缩性与泄漏，静摩擦的存在等因素引起的非线性液压系统的跟踪问题。仿真实验结果表明，经过CMAC神经网络对常规PID控制器的输出的不断在线学习，系统能够有效抑制扰动，并具有实时性好，输出误差小，鲁棒性强等优点。     

基于扰动观测器的内模控制在工业过程中的应用研究

介绍了一种工业生产过程中的复合控制方法.该方法结合了内模控制算法和改进的扰动观测器算法,解决了工业生产过程中因扰动导致常规PID控制效果欠佳的问题.理论分析和仿真实验表明,该方法控制效果明显优于常规PID控制,并能有效抑制各种扰动.     

惯性稳定平台载体扰动抑制算法研究

为了减小载体扰动对机载光电设备的影响,需要设计保证惯性稳定平台稳定的控制算法。以某型号惯性稳定平台为研究对象,通过建立其机电系统的动态模型,分析了影响平台稳像精度的扰动因素,在此基础上设计了扰动观测器。此外,为有效抑制载体的周期性扰动作用,针对性地设计了重复控制算法。仿真结果表明,所提出的扰动观测器与重复控制相结合的复合控制算法能够有效地抑制载体扰动,提高系统稳像精度。     

基于迭代学习控制的起落架加载系统

针对起落架加载系统存在多余力,且多余力严重影响加载系统的精确度,同时为提高加载系统的性能,介绍了起落架加载系统的工作原理,对其建立完整的数学模型,分析了多余力产生的机理。基于迭代学习控制算法提出加载系统控制方案,对采用迭代学习控制的前后的模型进行仿真分析,结果表明,迭代学习控制算法能够有效的抑制加载过程中的多余力,提高加载系统性能。     

基于输入和误差补偿的PMSM迭代学习控制

针对永磁同步电机(PMSM)在运行过程中受到扰动影响的问题,在分析其数学模型的基础上,采用矢量控制方法,构建了Matlab/Simulink环境下的永磁同步电机仿真模型,介绍了基于迭代学习的输入和误差补偿的控制方法,利用先前误差信息以及误差的变化趋势,对误差提前进行了预测补偿;最后对整个控制系统进行了仿真。仿真结果表明,与传统的PI控制相比较,该控制方法扰动抑制效果明显,提高了系统运行性能,证明了迭代学习控制可用于有效抑制系统干扰。     

超磁致伸缩致动器的小脑神经网络前馈逆补偿-模糊PID控制

针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略。通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制。仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58。此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能。     

基于神经网络内模的电加热炉温度控制研究

针对加热炉温度控制中存在的非线性、大滞后问题,以实验室电加热为对象,提出了一种基于BP神经网络的内模控制方法,即用神经网络对复杂系统的辨识能力来实现内模控制中被控对象的正模型及内模控制器.仿真结果表明,该控制方法控制效果良好,与PID控制系统相比具有较强的鲁棒性,从而为加热炉的控制问题提出了一种新的方法.     

一类非线性时滞系统的迭代学习控制设计

为了研究时滞对非线性系统的迭代学习控制收敛性的影响,采用了λ范数和一系列不等式技术,通过建立精确的数学模型,分析了在PD学习律下的Hopfield非线性神经网络系统。在全局Lipschi-tz连续条件下,研究了确保系统跟踪误差收敛的充分条件。理论推导证明时滞对这类非线性系统的迭代学习控制系统的收敛性没有显著的影响,仿真结果表明,迭代学习控制可以实现对非线性时滞系统的精确轨迹跟踪。     

汽车伪线性内模操稳控制策略建模与仿真

针对采用主动制动方式调节汽车操稳性能的系统提出了一种伪线性内模控制算法。首先建立估测算法确定汽车的车身侧偏角和车速,并建立了操稳控制的控制目标,然后引入四自由度车辆模型作为内模控制算法的内部模型,分析了由于制动而引起的非线性特性,并采用了逆系统方法将原来的非线性系统转化为伪线性系统,使得新系统的输入输出成线性关系,并基于此建立了内模控制器实现汽车操稳性能调节,最后采用主动转向和主动制动不同方式的汽车操稳控制系统进行了仿真比较,分析了各自的特点,并给出研究结论。     

基于RBF神经网络的谐波驱动机构动态面控制

针对具有多变量和未知非线性的谐波驱动机构,建立其系统数学模型,定义系统误差,并逐步构造虚拟函数,利用RBF神经网络在线逼近谐波驱动机构中的非线性环节,最后建立系统自适应控制规律,设计基于RBF神经网络的动态面控制器。结合Lyapunov稳定性分析方法论证闭环系统的收敛性,通过理论分析并与常规PID的仿真结果进行比较。结果表明,所提出的神经网络动态面控制器实现了对谐波驱动机构的高性能跟踪控制,且具有很好的控制精度,有效地抑制未知非线性外界扰动对系统的影响。     

带遗忘因子的预测迭代学习控制在阀控非对称缸系统中的应用研究

弹性负载下的阀控非对称缸是典型的非线性、时变系统,针对传统PD型迭代学习控制容易造成系统抖动这一问题,设计一种带遗忘因子的预测迭代学习控制器。建立阀控非对称缸系统的模型,比较分析其工作特性。介绍迭代学习控制基本原理,并分析常规PD型算法存在的问题。为克服迭代学习控制算法在阀控非对称缸控制中的抖动问题,设计具有遗忘因子的迭代学习算法,并通过仿真分析不同遗忘因子取值对控制效果的影响。为补偿遗忘因子造成的迭代性能降低问题,加入预测给定环节。仿真与试验研究均表明,这种带遗忘因子的预测迭代学习控制算法能够很好应用于阀控非对称缸系统,它有效克服系统抖动问题,并且具有很好的迭代精度。     

直线光栅伺服系统自抗扰控制仿真分析与实验研究

伺服系统在实际运行过程中,会存在包括阻力、振动、直线电机的端部效应等扰动因素,这些因素会严重影响系统的控制性能。针对主要的扰动因素设计相应的控制器来改善系统的性能是十分必要的。为直线伺服平台设计了自抗扰控制算法,通过数值仿真研究了该算法中主要参数对直线伺服平台控制性能的影响,比较了在系统中自抗扰控制算法与传统PID控制算法对阶跃响应以及常值干扰的控制效果。仿真和实验结果表明：自抗扰控制对比PID控制有对阶跃响应能平衡快速响应与无超调,对常值扰动的抑制能力明显更强等优势,证明了自抗扰控制能迅速抑制常值扰动的能力。     

自适应逆控制三自由度直升机扰动消除系统研究

针对三自由度直升机系统扰动消除的控制问题,提出了一种模糊神经网络模型参考自适应逆控制及扰动消除控制方案。运用FNN推理合成思想建立模糊神经网络结构,利用神经网络结构实现模糊推理过程,采用神经网络的连接权重来表示模糊推理的参数和修改连接权重来辨识模糊模型和调整隶属函数,并在整个噪声消除系统中利用神经网络学习算法进行建模和逆建模,且用它们的复制模块来组成消除扰动系统,从而达到消除扰动的目的。最后,对三自由度直升机模型进行了仿真实验,结果验证了该方法的有效性和可行性。     

基于鲁棒迭代学习控制的永磁同步电机转矩脉动抑制

为了提高永磁同步电机转速伺服系统的性能,抑制转矩脉动对控制系统的影响,提出了滑模控制与迭代学习控制相结合的鲁棒迭代学习控制方法(RILC)。设计了迭代学习控制器抑制周期性转矩脉动,提出了滑模控制器提高系统的抗扰动性能,保证系统强鲁棒性及响应快速性。实验结果显示,电机以900r/min的速度运行时,采用鲁棒迭代学习控制可将速度脉动6次谐波幅值由0.89降低到0.56;加入0.5N·m的负载扰动后,转速波动最大值为22r/min,比PI-迭代学习控制法得到的值减小了1.8%。电机以60r/min运行时,采用鲁棒迭代学习控制可将速度脉动6次谐波幅值由4.87降低到0.45;加入0.5N·m的负载扰动的,转速波动最大值为24r/min,比PI-迭代学习控制法得到的值减小了23%。得到的结果表明,鲁棒迭代学习控制方法可有效抑制转矩脉动,同时可提高永磁同步电机转速伺服系统的鲁棒性和动态响应性能。     

充液拉深液室压力的模糊迭代学习建模与仿真

在汽车板材充液拉深工艺中,成型质量主要由充液室压力控制效果决定,质量要求越高,对压力控制的要求越苛刻,而控制系统中存在很多如滞后、死区、时变等非线性因素。为了解决系统中存在的非线性问题,同时提高系统的鲁棒性,首先建立了该系统的整体仿真模型,然后在传统迭代学习控制算法中引入模糊控制,形成模糊迭代学习控制算法,通过选择合适的输入输出变量、隶属度函数和模糊推理规则,构建模糊迭代学习控制器。最后进行Matlab仿真,验证该改进算法在充液拉深工艺压力控制系统中的有效性。     

液压弯辊系统的优化神经网络内模控制

针对轧机液压弯辊系统存在非线性、时变性等特点,采用基于前馈神经网络的内模控制方法,将优化网络用于神经网络辨识器和内模控制器的离线训练,采用学习率自适应调整的改进BP算法在线调整网络权值。仿真研究表明,将优化网络用于液压弯辊系统控制,提高了液压弯辊系统的动态响应速度和稳态跟踪精度,具有较强的快速性和鲁棒性,能够取得理想的控制效果。     

一种二自由度内模控制方法

针对典型的工业过程控制对象，提出了一种二自由度内模控制方法，此方法可以使系统同时具有良好的目标值跟踪特性，干扰抑制特性和鲁棒性，改进了常规内模控制的不足，而且控制算法简单，参数调整方便，理论分析和仿真实验结果表明了它的有效性。     

振动自适应模糊控制方法研究

将自适应模糊控制理论引入振动控制工程领域,提出了一种基于模糊逻辑系统的在线自学习控制方法。给出了该控制方法的学习算法及初始振动模糊控制器的产生方法。分析了该方法与其它非线性控制方法（神经网络控制）相比所具有的优点。仿真结果表明该自适应模糊控制方法能有效地抑制振动。