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。     

自适应反演神经网络控制在并联机器人中的应用

针对未知非线性、外界干扰等各种不确定因素对二自由度冗余并联机器人控制系统的影响,提出了反演自适应神经网络控制方法.RBF神经网络实现了不确定性函数的逼近,自适应反演控制作为主控制器完成并联机器人控制系统的输出.仿真结果表明,自适应反演神经网络控制方法跟踪性能好,系统误差小,具有很强的鲁棒性,能够满足并联机器人的控制要求.仿真实验证实了该控制策略的正确性和有效性.     

谐波驱动系统Back-stepping滑模控制研究

针对谐波传动系统动力学模型中存在的柔性变形、摩擦和运动误差等非线性因素。为了提高系统的传动精度,针对系统非线性刚度和静态误差因素进行了建模,并提出了一种Back-stepping滑模控制方法。利用Lyapunov稳定性理论,证明了闭环系统的误差是一致有界的。仿真结果表明,与PID控制相比,采用Back-stepping滑模控制,系统传动误差曲线峰峰值减小66.63%;负载端角速率误差曲线峰峰值减小77.35%。Back-stepping滑模控制能有效地补偿系统传动误差,抑制其负载端的速度波动,提高了系统的传动精度。     

基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

无模型机械臂BP神经网络状态观测及反演跟踪控制

针对摩擦阻尼及模型参数不确定的情况,运用反演控制设计策略,针对多连杆机械臂提出了一种基于神经网络观测器的无模型轨迹跟踪控制方法。运用带有修正项的自适应BP神经网络观测器对不可测状态量进行观测,同时对系统模型进行在线逼近。在此基础上设计了基于观测状态和逼近模型的反演跟踪控制器, Lyapunov稳定性理论证明了该控制器能够保证跟踪误差的有界和闭环系统中所有信号的有界。跟踪给定轨迹的仿真实验证明了该方法的有效性。     

基于RBF神经网络的柔性机械手反演控制

针对柔性机械手动力学方程复杂、具有高度非线性等特点,在控制律设计中引入反演设计思想,将原复杂的高阶非线性系统分解成低阶简单系统。考虑到动力学模型中存在未知的非线性函数,为了能够对被控对象中未知函数进行有效逼近,设计一种将径向基函数(RBF)神经网络与反演控制思想相融合的控制方法。仿真结果表明：基于RBF神经网络反演控制所设计的控制律和自适应律能够实现控制系统稳定,满足期望的动态性能指标。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题,采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先,以水下六自由度机械臂为例,基于D-H法则对水下机械臂的运动学进行分析,通过仿真验证该方法的正确性;接着,基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图,真实反映水下机械臂的运动空间;然后,以二自由度水下机械臂为例,设计基于HJI理论的RBF神经网络自适应控制器,利用神经网络的万能逼近原理逼近不确定干扰项,考虑到神经网络逼近存在误差,将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价,评价系统对干扰项的抑制能力,并采用自适应算法在线估计网络权值,加快系统收敛;最后,通过仿真可知,该机械臂能较好地完成轨迹跟踪。     

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。     

谐波齿轮传动误差的补偿控制

由于谐波系统中存在传动误差,结果会使机构无法准确执行预定的传动。为了对谐波齿轮系统的传动误差进行补偿,本文首先对谐波齿轮传动系统进行分析,综合考虑谐波齿轮啮合摩擦、扭转刚度、侧隙、传动误差等多种非线性因素,根据谐波齿轮传动系统的力学模型,建立系统非线性动力学微分方程。采用PID控制器对系统进行控制,为补偿误差根据传递函数建立了控制系统方框图。最后通过比较PID控制前后的仿真误差,证明了PID控制对误差补偿的有效性。     

基于自适应模糊神经网络辨识的电液伺服系统L2增益设计

为克服电液伺服系统不确定性、非线性、估计误差和干扰等因素对系统稳定性和精度的影响，提出了基于自适应模糊神经网络辨识的电液伺服系统L2增益设计方法。用自适应模糊神经网络在线估计包括系统不确定性和非线性在内的未知动态特性，同时用增益自适应变结构补偿自适应模糊神经网络的估计误差，用系统L2增益设计方法抑制干扰对系统的影响，以期使系统对不确定性和非线性具有鲁棒性，而且从干扰到描述系统跟踪误差的评价函数的L2增益小于指定值。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

基于RBF神经网络的四旋翼无人机姿态控制

针对四旋翼无人机姿态系统难以建立精确模型问题,提出一种基于RBF神经网络的自适应非奇异快速终端滑模控制方法:将系统模型不确定部分及外界扰动之和定义为系统的总扰动,利用RBF神经网络逼近系统的总扰动,将总扰动估计值反馈给控制器,用以补偿系统总扰动的影响。建立无人机姿态系统的模型,设计基于RBF神经网络的自适应非奇异快速终端滑模控制器,根据Lyapunov稳定性定理证明控制系统的稳定性。通过对仿真结果图像和数据分析表明,控制方法能快速逼近的未知模型,有效抑制系统总扰动影响,具有响应速度快、鲁棒性和自适应能力强的特点。     

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数（Radial Basis Function,RBF）神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分（Proportional Integral Derivative,PID）控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复...     

汽车电子节气门RBF神经网络控制方法

针对汽车电子节气门模型参数不精确和外界干扰等不确定条件下的控制问题,提出了一种RBF神经网络控制方法,解决传动控制方法需要精确建模的问题。首先,对电子节气门的工作特性进行分析,并充分考虑参数不精确和外界干扰等不确定性,建立其数学模型的状态空间表达形式。而后,基于传统滑模控制理论,提出了抗外部干扰的滑模控制方法。进而,利用RBF神经网络对控制器不确定部分进行在线逼近,提出一种局部逼近的神经网络控制方法,并通过Lyapunov方法证明了控制系统的稳定性。最后,基于Matlab/Simulink平台进行对比仿真实验。实验结果表明,所提控制方法能够有效克服外部干扰以及模型参数带来的不确定性,实现电子节气门实际开度对目标开度的精确跟踪。     

四旋翼微型飞行器的区间二型模糊神经网络自适应控制

针对四旋翼微型飞行器控制系统中存在不确定性、外界干扰等影响控制精度的问题,提出了基于区间二型模糊神经网络(IT_IIFNN)的四旋翼微型飞行器自适应控制方案.首先,根据四旋翼微型飞行器的动力学模型,设计了基于IT_IIFNN的四旋翼微型飞行器自适应控制器,该控制器由两部分构成,其中IT_IIFNN用来在线逼近系统不确定性;鲁棒补偿器用来实时补偿IT_IIFNN的逼近误差以及外界干扰.其次,利用Lyapunov稳定理论证明此飞行器控制系统闭环稳定性.最后,通过四旋翼微型飞行器样机来验证IT_IIFNN自适应控制器的优越性.验证结果显示,在加入风速为1.5 m/s的外界干扰条件下,跟踪误差可近似达到10-2.结果表明,IT_IIFNN自适应控制器具有良好的跟踪精度、稳定性及鲁棒性.     

挖掘机器人伺服系统神经网络滑模控制

挖掘机器人伺服系统存在高度非线性、参数不确定和未建模动态等诸多不利因素,提出了一种结合径向基函数(RBF)神经网络的非线性滑模控制器,以提高控制精度和鲁棒性。首先,建立了单联伺服系统的数学模型;其次,采用RBF神经网络对系统的不利因素进行逼近,提出积分滑模面进一步减小稳态误差,同时减少对伺服系统参数的依赖,在此基础上,设计了基于RBF神经网络的滑模控制器(SMC-RBF),利用Lyapunov理论证明了系统的渐近稳定性;最后,通过不同的参考信号和整平实验验证了控制器的优越性。仿真结果表明,SMC-RBF控制器响应快,跟踪精度高且鲁棒性强,与PID控制器相比正弦轨迹跟踪精度提高了46%。整平实验结果表明,铲斗末端轨迹跟踪精度提高了52%。     

不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

X-Y定位平台自适应神经网络的摩擦补偿控制

针对X-Y定位平台中摩擦等非线性部分对控制精度的影响问题,提出了基于自适应神经网络的鲁棒控制策略。设计神经网络控制器对摩擦及干扰等不确定部分进行补偿,其网络逼近误差作为外界扰动通过鲁棒控制器消除,保证X-Y平台的定位精度;设计神经网络参数学习算法,保证权值的在线自适应实时调整。基于H∞的HJI理论证明了控制系统的稳定性,并保证了系统L2增益小于给定的指标。试验结果表明所提控制方法能够很好补偿摩擦模型,提高了定位精度,具有重要工程应用价值。