基于鲁棒神经网络的车辆主动悬架振动控制

由于路面不平整导致车辆行驶过程中产生很大的振动现象,因此采用鲁棒神经网络控制系统,实现车辆悬架振动的有效控制,并对控制结果进行仿真验证.建立了车辆7自由度振动悬架系统模型简图,构造了车辆振动动力学方程式.应用了PID控制器,通过增加指数函数对传统PID控制器中的组件进行求导,推导出鲁棒神经网络控制系统.采用数学软件Matlab/Simulink对神经网络控制系统进行仿真,同时与PID控制器进行对比和分析.仿真结果显示,车辆行驶过程中遇到路面随机产生的激励波后,主动悬架采用鲁棒神经网络控制跟踪误差较小,具有自适应调节功能.采用鲁棒神经网络控制车辆主动悬架,可以降低车辆垂直方向的振动幅度,提高车辆行驶的平稳性.     

电液负载模拟器复合控制方法研究

提出了一种新的电液负载模拟器复合控制方案,采用改进型多余力补偿方法和PID自适应控制器并行的方式来实现对指令控制力的精确跟踪。改进型的前馈补偿方法除了有效地消除了多余力,还提高了系统的动态性能。利用CMAC神经网络的非线性逼近原理设计的鲁棒PID自适应控制器,在一定程度上改善了传统PID控制在快速性和稳定性之间存在的矛盾,降低了系统的非线性和不确定性造成的影响。仿真和试验结果证明了该控制方案的有效性。     

双离合器式自动变速器RAFNC起步智能控制

针对起步工况以及车辆本身动力学特性的复杂性,设计了基于鲁棒模糊神经网络控制的双离合器式自动变速器起步滑摩过程的鲁棒自适应控制器。在整个双离合器式自动变速器控制系统框架中,所设计的控制器属于中间层控制器。通过跟踪目标发动机转速以及由目标冲击度推导得到的车辆目标起步速度,得到发动机的目标力矩以及离合器的目标传递力矩。Matlab/Simulink环境下的特定工况仿真结果表明,和普通的PID控制器相比,RAFNC控制器具有更好的跟踪效果。     

基于神经网络的自适应PID控制器设计

为了提高PID控制器参数根据实际误差自动调整能力,提出了基于神经网络的自适应PID控制器的设计。详细分析了神经网络自适应控制原理,设计了通过神经网络对PID控制器参数自动调整的方案。利用Matlab仿真工具,对自适应PID控制器进行了仿真测试,给出了神经网络训练参数,通过大量数据的模拟测试,结果表明基于神经网络的自适应PID控制器能够根据控制误差自动调整PID参数,对输入的阶跃信号响应平稳,综合性能大大提高。     

一类切换模糊PID控制器设计及其仿真

提出了一类高动态性能切换模糊PID控制器设计方法.通过对传统PID控制中比例控制和微分控制作用的分析,结合模糊PID控制器鲁棒性能和自适应性好的优点,设计了一类新的模糊控制器.由于该类控制器先后经历比例控制,微分控制和模糊PID控制的切换,使被控系统不仅具有一般模糊PID控制器的所具有的良好的鲁棒性能和自适应性,而且与一般模糊控制器相比具有更小的超调量和调节时间,是一类动态性能良好的控制器.最后将该控制器应用于一伺服系统进行仿真对比,并给出了Simulink仿真框图.仿真结果说明了该控制器的优越性.     

随机振动机械臂的自适应鲁棒滑模控制

为了解决存在外部不确定随机干扰情况下机械臂的高精度轨迹跟踪问题,提出了一种自适应鲁棒滑模控制方法,并用Lyapunov稳定性定理证明了其闭环系统的稳定性。采用饱和函数取代控制器中的符号函数,有效消除了控制器的抖振现象。仿真结果证明：与传统的PID控制器相比,提出的自适应鲁棒滑模控制器具有更高的鲁棒性、稳定性和精度。     

基于BP神经网络整定的PID控制在过热汽温系统中的应用

针对火电厂中具有大惯性和变参数等特性的过热汽温系统的特点,提出了一种基于BP神经网络的PID控制器设计方法.将神经网络所具有的自学习能力与PID控制器的鲁棒性相结合,实现了对非线性、大时滞系统模型的控制.仿真结果表明所给出的控制策略能较好地适应对象动态模型的大幅度变化,保持较优的鲁棒调节性能.     

可重构机械臂构型自适应控制研究

针对可重构机械臂系统存在的不确定性及不同构型下的轨迹跟踪问题,提出了径向基函数(Radial Basis Function,RBF)神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器自适应逼近补偿系统存在的未知项;为减小控制器逼近误差及适应构型变化时的鲁棒性,在控制律中引入了鲁棒项;基于李雅普诺夫(Lyapunov)稳定性理论设计了构型自适应调节律和鲁棒项并证明了闭环控制系统的稳定性。最后,以两种典型的可重构机械臂构型进行研究,结果表明所提算法能够适应系统构型的改变,同时有效地补偿系统存在的不确定性。     

基于动态模糊神经网络的并联机器人鲁棒复合控制研究

针对6-DOF并联机器人液压伺服系统存在参数摄动和外界不确定性因素干扰的问题,提出了一种基于动态模糊神经网络的鲁棒复合控制策略。在充分分析了液压伺服系统的基础上,对控制系统进行了PD控制器、鲁棒内回路控制器、零相位误差跟踪控制器以及动态模糊神经网络控制器的设计。然后基于MATLAB软件进行了控制系统的运动性能仿真实验分析。结果表明,鲁棒复合控制器的应用在很大程度上了消除了负载交联耦合干扰对系统的影响,而且提高了系统的鲁棒稳定性。     

基于神经网络的流涎机组多电机同步控制研究

针对流涎薄膜生产机组多电机同步控制系统的非线性、时变、容易受负载扰动等特性,提出了基于神经网络PID控制器与偏差耦合控制结构相结合的多电机同步控制策略,设计了神经网络PID控制器,并进行了仿真和实验。结果表明：该控制算法稳定性能高、鲁棒性能好、收敛速度快,能够有效克服外部扰动和参数变化带来的同步误差,相对于传统的同步控制方案能够更好地实现流涎机组的多电机同步控制。     

坐卧式下肢康复机器人的被动训练控制

考虑到下肢康复机器人很难获得精确、完整的数学模型,而且在建立模型时需要进行合理的近似处理,因此忽略了外部干扰、参数误差、未建模的动态和摩擦等不确定因素,这些原因导致控制性能不佳。基于此提出了一种基于计算力矩法的神经网络鲁棒控制器,通过计算力矩法对标称模型进行控制,RBF神经网络控制器对系统中未知的不确定项进行补偿,而自适应鲁棒控制器则用来补偿神经网络的逼近误差及外部的干扰,从而提高了系统的动态性能和控制精度,并对算法的稳定性进行了证明。通过实验验证,证明了控制算法的有效性,在被动训练时具有较好的轨迹跟踪性能。     

基于鲁棒保性能控制的倒立摆虚拟现实仿真研究

为研究倒立摆的虚拟现实仿真教学平台,首先建立了倒立摆的数学模型,叙述并分析了基于线性矩阵不等式（LMI）的鲁棒保性能控制方法;然后基于鲁棒保性能控制器和虚拟现实技术,建立了倒立摆的虚拟现实仿真系统。研究结果表明：相对于PID控制器,鲁棒保性能控制器能使系统具有更好的渐近稳定性、干扰抑制能力和最优性能;而虚拟现实技术在教育领域中的应用,能给人以身临其境的感觉,增加了学生学习控制理论知识的兴趣。     

基于内模PID鲁棒控制的电阻炉炉温控制系统

针对电阻炉温度被控对象的纯滞后特性，设计了内模PID鲁棒控制器。结果表明，内模PID鲁棒控制器具有良好的抗干扰性和鲁棒性，且参数整定简单，可有效改善系统的控制效果。     

基于SMITH预估的神经网络烟草制丝线回潮控制系统

烟草制丝线的烟叶回潮控制系统具有时变性、大惯性和大滞后的特点,用常规的PID控制等方法难以取得满意的控制效果。将Smith补偿原理和PID参数的自适应调整方法相结合,提出了基于BP神经网络整定的Smith—PID控制算法,提高了对被控对象参数变化的自适应能力。Smith预估控制能够克服对象的大迟延特性,克服了常规PID算法不适应大时滞系统控制和常规Smith算法过于依赖模型精度的缺陷。仿真结果表明,算法的控制性能最优,具有良好的鲁棒特性。     

退火炉温控系统的模糊免疫控制研究与仿真

采用模糊控制与人工免疫控制方法结合的策略,设计了一种模糊免疫PID控制器用于炉温控制系统,仿真实验表明,该控制器具有良好的自适应性和鲁棒性能。     

基于CMAC的永磁直线同步电动机控制与仿真

针对数控机床用永磁直线同步电动机（PMLSM）伺服系统中存在非线性,且易受外界干扰导致控制困难的问题,基于PMLSM工作原理建立了相应矢量控制数学模型,设计了CMAC（Cerebellar Model Articulation Controller,小脑模型关联控制器）＋PID的PMLSM伺服系统控制方案,对控制器的跟踪性能以及抗干扰能力进行仿真。结果表明基于CMAC的复合控制器具有良好的动态跟踪性能和较强的鲁棒适应性,是解决非线性、强耦合的PMLSM控制问题的一种简便有效的控制算法。     

模糊调整自适应神经网络在非线性系统中的应用

文中提出基于模糊调整的自适应神经网络控制策略,将其应用到非线性系统的仿真研究中.应用模糊推理机在线训练神经网络,同时构造了鲁棒控制器.仿真结果表明,该控制策略具有较快的调节速度和较好的稳定性.     

基于非线性H∞机器人鲁棒PID控制器设计

各种限制条件阻碍了工业机器人运动控制器性能的提高。例如，摩擦力和动态干扰限制了简单的PID控制器性能。通过解决非线性L2增益衰减问题，提出一种基于非线性H∞鲁棒PID控制器并且对这个控制器的稳定性、鲁棒性和性能调节方法进行了分析。最后给出了对两连杆刚性机器人的仿真结果，验证了控制效果。     

基于神经网络的比例伺服阀阀芯液动力补偿鲁棒智能控制

比例伺服阀广泛应用于智能工程机械、国防装备等高端液压系统中。对于智能比例伺服阀而言,液动力是限制其智能化程度提升最主要的因素。针对上述问题,提出一种基于神经网络的阀芯液动力补偿鲁棒控制器(Flow forcecompensationneuralnetwork-basedrobustcontroller, FF-NNRC)。首先利用Fluent软件,获取在不同阀芯位移、压力边界条件下的液动力信息,用于模拟真实工况下的液动力扰动。设计神经网络学习逼近液动力扰动,从而在模型前馈补偿项构建液动力动态补偿项,针对系统其他扰动及神经网络估计误差设计鲁棒项加以克服。Lyapunov稳定性理论证明提出的控制策略可以实现系统的有界稳定。仿真结果表明,与传统的PID控制器和基于名义值模型补偿的鲁棒控制器(Model compensation robust controller,MC-RC)相比,所提出的控制器具有更高的控制精度和抗干扰能力。     

基于神经网络PID的冗余伺服系统自适应控制

建立冗余直接驱动式电液伺服系统的数学模型。针对电液伺服系统时变、强非线性的特点以及冗余伺服系统在余度降级过程中的故障瞬态现象和余度降级后的性能降级现象,考虑传统PID控制器自适应能力不强、鲁棒性差等缺陷,提出神经网络自适应控制方案。根据冗余电液伺服系统的特点和目前神经网络控制的发展水平,采用基于径向基函数神经网络的智能PID控制器实现冗余伺服系统的自适应控制。研究结果表明：该控制器能够根据控制指令、被控对象结构参数等因素的变化实时调整控制器参数,和传统PID控制器相比具有控制精度高、鲁棒性强的特点,可以有效地克服冗余伺服系统余度切换时的故障瞬态现象和余度降级后的性能降低现象。