基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

基于模糊RBF神经网络的板带横向厚度和纵向厚度综合控制

针对板形控制和板厚控制之间存在强烈的耦合作用这一特点,提出一种板形板厚综合控制系统。对于这种纯迟延、时变、强耦合的多输入多输出系统,首先采用模糊RBF神经网络解耦方法对系统进行解耦,然后对解耦后的已近似成为两个独立的单输入单输出系统分别设计模糊神经网络PID控制器,从而建立了一种板形板厚模糊RBF神经网络分散解耦PID控制系统。通过MATLAB对此系统进行仿真,结果表明,该方法解耦控制效果良好,控制精度高,抗干扰性强,且具有良好的静态性、动态性及鲁棒性。     

基于RBF最小参数学习法的正流量变量泵滑模自适应控制

为了提高正流量变量泵的性能,提出基于RBF最小参数学习法的正流量变量泵滑模自适应控制方法。分析正流量变量泵电液伺服系统的动力学特性,并进行系统辨识实验获得较为精确的系统数学函数模型;基于RBF最小参数学习法设计滑模控制器,在系统参数不确定性、摩擦力干扰和系统泄漏等非线性因素的情况下实现对目标流量的跟踪响应和自适应控制;最后利用MATLAB/Simulink对正流量变量泵的控制系统性能进行仿真实验,并和传统的PID控制器和模糊PID控制器进行比较。仿真实验结果验证了所设计控制方法的可行性和有效性。     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

基于动力学解耦的跟踪系统自适应控制研究

根据视轴偏心光电系统的结构推导出控制系统的微分方程,用反馈解耦控制方法,对耦合比较强的跟踪系统进行了非线性解耦,此外跟踪系统由于受到外界干扰的影响,基于解耦后的系统提出了用自适应模型跟随控制的方法进行控制器的设计,利用广义状态误差,采取并联模型信号综合自适应,应用超稳定性和正性理论进行控制器的设计,仿真的结果表明,设计的自适应模型跟随控制能起到良好的控制效果。     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

基于改进遗传算法优化的双步进电机伺服阀控制研究

针对当前电液伺服阀控制系统响应速度慢、输出误差较大的问题,采用改进遗传算法优化控制系统,并对控制效果进行仿真验证。设计了新型电液伺服阀结构,建立了电液伺服系统动力学模型,推导了液压缸流量运动方程式。采用改进遗传算法优化RBF神经网络结构,通过MATLAB软件对双步进电机伺服阀改进的控制系统进行仿真验证,并且与传统PID控制效果进行对比。结果显示:在无干扰环境中,采用传统PID控制和改进RBF神经网络控制方法都能较好地提高活塞杆运动位移输出精度;在有干扰环境中,采用传统PID控制方法,活塞杆运动位移输出的误差较大,而采用改进RBF神经网络控制方法,活塞杆运动位移输出的误差较小。采用改进RBF神经网络控制方法,能够抑制外界的干扰,从而提高双步电机伺服阀控制系统的响应速度和输出精度。     

真空退火炉智能变结构控制方法的研究与应用

从工程实际应用的角度出发,针对金属材料真空退火过程中系统的非线性、工艺参数的不确定性和对外部干扰的不灵敏性等特点,结合非线性不确定系统理论研究,采用神经网络建立系统的模型,利用自适应免疫遗传算法(AIGA)对滑模面和控制器的参数及神经网络的权值、阈值进行优化,得出了一种真空退火炉工件温度精确控制的智能变结构控制策略。实验表明,这种方法控制温差在±4℃,优于基于单一模型的模型参考自适应控制或PID策略的控制方式,具有较好的动态特性和耐久性。     

基于神经网络逆系数的冷连轧厚度与张力解耦控制北大核心

冷连轧过程中的厚度与张力系统具有多变量、强耦合和不确定的特点。为降低两者的耦合影响,提高系统响应速度和抗干扰能力,提出基于BP神经网络逆系统解耦原理的PID控制策略。考虑轧制力相对于张应力的变化系数,建立厚度与张力系统的动态耦合模型,并应用Interactor算法证明此模型的可逆性。应用BP神经网络逆系统解耦原理实现对厚度与张力系统的解耦,减弱厚度与张力的耦合影响。针对粒子群优化算法极易陷入局部最优的问题,提出一种粒子群优化算法与细菌觅食算法相结合的优化算法对PID进行参数整定。结果表明:与准对角递归神经网络多变量PID解耦方法相比,所提方法的解耦程度、模型抗干扰能力以及系统响应速度都有很大提高。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。     

基于神经网络的电液位置伺服系统自适应滑模控制

针对电液位置伺服系统(阀控对称缸)模型复杂、参数时变、摩擦影响显著等特点,提出了基于RBF神经网络和基于Lu Gre模型的自适应滑模控制算法。该算法的优点是:(1)利用RBF神经网络逼近控制电流与系统输出压力的关系,将电液位置伺服系统的数学模型简化为二阶,减少了模型参数;(2)采用Lu Gre模型能够准确地描述摩擦过程中复杂的动、静态特性,通过该模型设计摩擦补偿,提高了控制精度;(3)设计自适应滑模控制器,增强了系统的鲁棒性。利用构建的李雅普诺夫函数,证明了闭环系统的稳定性。仿真实验表明:所提算法控制精度较高、响应速度较快、鲁棒性较强。     

基于软测量的可重构模块机器人分散力/位置控制

在受限空间内,可重构模块机器人末端腕力传感器造价昂贵且易受环境影响,它的使用还提高了机器人在软硬件设计上的复杂程度,针对这一问题,提出了基于软测量的可重构模块机器人分散力/位置控制方法。将可重构模块机器人系统在各个方向上进行模型分解,各方向的模型看作一个子系统,利用自适应RBF神经网络去估计各子系统间的不确定项和耦合关联项。在末端未安装腕力传感器的情况下,利用自适应RBF神经网络去估计末端接触力,并推导出了RBF神经网络的权值、径向基函数中心和宽度的自适应律。2类不同自由度可重构模块机器人的仿真结果验证了所提方法的有效性。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于改进PSO神经网络的板形板厚解耦控制研究

针对板形板厚综合系统具备强耦合、非线性、大时滞等特性,传统的控制方法无法对其完成精确解耦,导致控制精度较低。提出一种基于免疫机制的改进粒子群算法,同时借助此算法来优化处理PID神经网络(PIDNN),形成新型PIDNN控制器。利用两个PIDNN解耦控制器对板形板厚综合系统进行控制以降低系统耦合影响。通过仿真结果可以看出,在动态性能与静态性能上,此算法较以往PIDNN解耦控制均存在明显优势。可为控制领域中的解耦问题提供一定的参考。