滑模观测器在水下机器人推力器故障诊断中的应用

水下机器人运行在未知复杂的海洋环境下,一旦发生事故就可能造成巨大的财产损失,这就要求水下机器人具有应付突发事件的能力,即自动故障诊断和实现容错控制的能力．将滑模观测器应用于水下机器人推力器故障诊断,通过滑模观测器输出与实际传感器的输出构造残差信号．从残差中提取故障信息,实现推力器故障的检测与分离．提出采用模糊诊断方法分析残差信号,克服了阈值判断法误报率高的弱点．仿真结果表明,提出的方法可以区分系统的状态变化和状态异常,能有效诊断出哪一个推力器发生故障以及故障发生的时刻．该方法为水下机器人执行器的故障诊断提供了一种可选方案。     

氧乐果合成反应温度的模糊神经网络控制方法

氧乐果合成反应温度控制过程具有参数时变、非线性、大滞后等特点,采用传统的控制方法难以达到预期的控制效果。针对此问题,文章设计了基于遗传算法的模糊神经网络控制器。首先确定与模糊系统结构等价的神经网络,从而将模糊控制规则和隶属函数的参数搜索优化问题转化成网络参数优化问题;其次利用改进的遗传算法实现网络参数快速全局寻优,从而提高控制器性能。仿真结果表明,优化后模糊神经网络控制器对一类具有参数时变、时滞、非线性的系统具有良好的控制性能。     

基于遗传算法的水下机器人模糊控制器优化设计

将遗传算法引入到水下机器人模糊控制优化问题中，用以自动寻优隶属函数参数和模糊控制规则，针对所采用的模糊控制器是连续型模糊控制器这一特点，对模糊规则和隶属函数采用了实数编码策略，并讨论了复制、交叉、变异等遗传操作在模糊控制器设计非线性寻优中的应用，最后针对水下机器人运动控制进行了计算机仿真，仿真结果表明，优化得到的模糊控制器与传统的模糊控制器相比具有响应快、超调小的特点。     

基于动态反馈的AUV水平面路径跟踪控制

针对离散自治水下机器人水平面的路径跟踪控制问题,利用水下机器人的位置和姿态角量测信息,提出神经网络自适应输出反馈控制器.所设计的控制器包括3部分,镇定水下机器人动态系统线性部分的动态反馈控制器;神经网络控制器,用来补偿水下机器人受到环境干扰引起的水动力系数变化的不确定非线性结构;补偿环境扰动和神经网络带来的重构误差的鲁棒控制器.基于离散非线性系统理论,对水下机器人水平面跟踪误差系统进行分析,得到系统的跟踪误差最终一致有界.所提出的控制方法具有对模型精确度要求低的优点,利用INFANTE水下机器人模型进行仿真分析验证了提出的控制算法的有效性.     

基于神经网络的水下机器人航向角跟踪控制

以能量消耗量作为评价函数进行水下机器人运行规划的结果得到随时间变化的目标航向角和理论控制输出。本文探讨基于神经网络的追踪控制器以实现在运动控制过程中对水下机器人被规划航向角进行追踪控制,并探讨实际控制输出与理论控制输出的一致性问题以实现运动过程消耗的操作能量较小。水下机器人“Twin-Burger“航向角控制的游泳池实验结果验证了本文所提出方法的有效性和可行性。     

基于自适应区域跟踪的自主式水下机器人容错控制

研究自主式水下机器人(autonomous underwater vehicle, AUV)的推进器自适应区域跟踪容错控制方法。 与传统的自主式水下机器人容错控制方法不同,采用区域跟踪控制思想,将控制目标设定为以期望轨迹为中心的空间区域。 针对系统中存在的不确定性及推进器故障问题,采用神经网络进行在线辨识。 考虑到推进器故障时存在推力饱和而导致神经网络学习发散的问题,提出一种包含饱和因子的神经网络权值调整方法。 通过仿真,对所提方法的有效性进行验证。     

矢量推进水下机器人的推力分配方法

为了研究深海过驱动遥控水下机器人的推力分配方法,针对作业型ROV多个推进器成矢量对称布置的特点,建立了一种过驱动矢量推进系统的数学模型。提出了一种先将六自由度运动控制电压进行归一化处理,经过放大后再分别对水平面和垂直面进行直接逻辑推力分配的方法。通过数值仿真分析表明:该推力分配方法可实现过驱动作业型ROV的推力优化分配输出和六自由度运动控制,具有简单、准确、实时强和避免推力分配饱和输出等优点,对水下机器人及过驱动船舶推力分配方法的研究,具有一定的指导意义和工程价值。     

自适应模糊控制器在水电机组控制中的应用

提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行,由RBF神经网络和遗传算法在线寻优模糊控制器的比例因子、模糊推理规则和隶属函数,并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能．仿真实验表明。控制效果优于没有寻优的Fuzzy控制。     

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.     

基于ALPSO算法的过驱动最小推力控制方法

为保证推力器的控制效果,完成冗余指令的分配控制,提出基于ALPSO算法的过驱动最小推力控制方法。该方法依据构建推力器的动态分配数学模型,以推力器的动力学和运动学状态为基础,获取推力器期望的控制结果。在此基础上确定过驱动系统的推力器推力期望力矩误差函数最小,为实现过驱动最小推力控制分配的目标,采用ALPSO算法对其进行求解,获取控制结果。测试结果显示：应用该方法后,敏感度、负载裕度均在0.022以下,平衡度测试结果均在0.944以上,控制性能较好;能够快速完成力矩结果的控制,保证推力器按照设定的理想轨道运行;x,y,z轴上的分配控制力矩偏差均低于0.020 0。