基于非线性控制方法的倒立摆系统控制

应用非线性系统跟踪控制方法对倒立摆系统的控制进行研究.基于非线性系统控制方法对倒立摆系统摆的镇定问题、台车位置调节问题和鲁棒控制问题设计出了具体的控制器.最后给出了在所设计的各种控制器作用下系统的仿真结果,结果表明所设计的控制器对倒立摆系统的稳定控制具有良好的效果.     

基于模糊神经网络的倒立摆非线性系统分析

倒立摆系统以其自身的不稳定性而难以控制,也因此成为自动控制实验中验证控制策略优劣的极好的实验装置;针对倒立摆系统的平衡控制问题,提出了用一种应用神经网络来控制倒立摆的方法,同时由于神经元网络的训练的反复性,因此在系统中加入一个模糊控制器,来对神经网络输出的控制变量进行补偿,使神经元网络训练的权值能够始终保持在某一稳定值,从而保证了控制器稳定,仿真实验结果表明采用该方法设计的并联型模糊神经网络控制器对倒立摆这一先天不稳定的系统具有理想的控制效果。     

基于EKF滤波的倒立摆神经网络控制研究

为解决一类带干扰的模型不确定倒立摆系统中存在的两类未知项——未知函数和外界干扰,采用了基于Lyapunov函数稳定性的神经网络控制方法设计控制器。控制器设计中利用扩展卡尔曼滤波(EKF)消除系统观测噪声,获取系统状态的估计值,进而利用径向基函数(RBF)神经网络良好的逼近性来近似设计的控制律中的未知项。最后在倒立摆系统中对设计的神经网络控制器进行了仿真研究,仿真结果表明所设计的控制器能有效抑制外界干扰,在精确控制倒立摆的同时可以保证控制系统的稳定性和快速性。     

非线性倒立摆系统的神经网络辨识

基于四种非线性系统模型,对典型的不稳定、非线性、强耦合的倒立摆系统建立了神经网络辨识结构,并对辨识结果进行了简单的比较,讨论了隐含元个数的选择对模型辨识精度的影响。结果表明神经网络对于非线性倒立摆系统的辨识是有效的。     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

基于模糊控制倒立摆的一种能量控制方法

基于拉格朗日动力学分析方法,推导出倒立摆的运动方程及旋转臂的控制关系式。在对系统进行可行的近似化处理后,分析得出了便于实现的简化能量控制规律。以倒立摆的回转角、角变化率及摆动趋势为控制输入量,采用模糊决策控制方法,通过调节旋转臂的转速、转向、角位移及转角变化率较好地达到了倒立摆的起振、摆动过程调节及平衡稳定状态保持的系统控制要求。通过系统实验,验证了该控制方法的可行性：     

非线性倒立摆系统的起摆和稳摆控制

介绍了基于数字信号处理器(DSP)控制直线型倒立摆系统的总体结构和工作原理,通过智能控制算法实现倒立摆的起摆控制。当摆杆的角度进入稳定区域时,通过线性二次型调节器(LQR)控制算法使摆杆稳定,并建立了电机电压与输出力矩之间的简单对应关系。实验表明,系统的稳定性好,抗干扰力强,而且采用DSP控制,有利于系统的小型化。     

一种基于人工神经网络的非线性滤波

针对非线性控制系统提出一种应用ＰＮＮ的滤波方法，阐述了ＰＮＮ的原理、结构和应用特点，提出了运用ＰＮＮ的非线性滤波方法，并通过仿真实例对该方法的特点和性能进行了分析和验证。     

倒立摆的一种模糊控制方法

提出一种模糊控制方案,实现对倒立摆系统的平衡控制.针对倒立摆系统多变量的特性,采用双模糊控制器方案,分别对摆杆倾角和小车位移设计模糊控制器,大大降低了设计难度;为了实现对摆角和位移双重控制的功能,采用两个控制器轮流控制的策略,当摆角偏差或角速度值较大时,摆角控制器起作用,保持摆杆的垂直,反之,位移控制器起作用,调整小车位置不越界.在实际的物理设备上进行了实时控制实验,实验结果验证了方案的正确性和有效性.     

平行二级倒立摆的稳定控制

将单一输入规则群动态加权模糊推理模型应用于平行二级倒立摆系统，设计出具有6个输入交量的模糊稳定控制器。该模糊控制器规则总数少，直观性强。计算机仿真表明，该模糊控制器能在短时间内同时实现两摆角度及小车位置的控制。     

基于无迹卡尔曼滤波的旋转倒立摆LQR控制

LQR控制器在含有系统噪声与量测噪声的旋转倒立摆系统应用中,难以获得精确的状态向量实现对系统的最优控制.为了提高LQR的控制精度,引入了无迹卡尔曼滤波(UKF)状态观测器,以获得系统的最优状态估计量,实现基于动态规划的自抗扰二次型最优反馈控策略.与卡尔曼滤波(KF)相比,UKF用于非线性系统的状态估计的主要优势是不需要线性化去计算状态转移矩阵,避免了系统线性化带来的模型误差.在含有系统噪声与量测噪声的旋转倒立摆仿真模型下,对基于KF和UKF的LQR控制器进行了仿真对比分析.仿真结果表明,UKF对系统响应时间、控制精度、鲁棒性的优化效果更好.     

单级倒立摆反馈线性化控制仿真

本文以单级倒立摆为控制对象,介绍了反馈线性化的基本原理,设计神经网络控制器对消系统的非线性,实现对单级倒立摆的反馈线性化控制。并通过MATLAB软件进行仿真实验,结果表明了该方法的有效性。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。     

基于RBF的倒立摆摆起角度控制研究

针对小车一级倒立摆的起摆控制,利用径向基函数神经网络的自适应能力,微调系统的控制参数,构造一个具有自调整能力的控制器来增大倒立摆摆起角度范围。结果表明,基于RBF网络的PID控制器较常规PID控制器具有更强的自适应能力、更高控制精度和更好的鲁棒性,能满足控制系统的实时性要求。     

强跟踪滤波器在倒立摆系统中的应用

倒立摆系统可以用多种理论和方法来实现其稳定控制,如PID、自适应、状态反馈、智能控制、模糊控制及人工神经元网络等多种理论和方法,都能在倒立摆系统控制上得到实现。强跟踪滤波器能够对被噪声污染的信号进行有效地估计,从而降低了噪声的影响,强跟踪滤波器的优点为对于模型不确定性具有较强的鲁棒性;对过程的缓变或突变状态均有很强的跟踪能力。介绍强跟踪滤波器在倒立摆控制系统中的应用并给出了仿真结果。仿真结果证实由于强跟踪滤波器能有效地估计倒立摆的状态,与没有采用强跟踪滤波器的控制方法相比较,不但降低了噪声对系统的影响,而且显著地提高了系统的鲁棒性。     

基于分区切换方法设计倒立摆系统的控制器

针对非线性倒立摆系统,利用小台车平移速度与摆偏角角速度之比,设计了分区的Lyapunov函数和基于自适应律的分段切换控制律。由于该方法考虑了导轨摩擦和节点摩擦对系统的影响,设计的控制律具有较强的鲁棒性,较好地解决了摆的偏角和小车位移非线性强耦合带来的困难,并且得到的是全局渐近稳定的结果。该方法计算简单,且自适应律的应用减少了保守性。最后通过倒立摆实例,利用所设计的控制器进行Matlab仿真,仿真结果验证了所设计控制器的可行性和有效性。     

基于DSP的倒立摆控制系统设计

设计并实现一种不依赖于PC机的倒立摆实控系统。在分析当前流行的倒立摆控制系统体系结构的基础上,提出了一种基于数字信号处理器(Digital Signal Processor,DSP)的系统设计方案。硬件方面以TMS320F2812 DSP为核心,设计了DSP最小系统及各接口电路,软件方面采用了决策与执行相分离的两层式结构。该系统具有结构简单、算法设计简便等特点。基于该系统,从能量角度讨论并实现了直线一级倒立摆的起摆控制,采用LQR方法实现了稳摆控制。实验证明,该方案工作可靠,能满足系统的实时性要求。     

圆轨倒立摆摆起过程神经网络闭环控制方法

在圆轨倒立摆摆起过程开环控制律优化算法的基础上,应用高精度多层人工神经网络插值原理,研究了摆起过程的闭环控制方法.以每个时间段上的状态变量和相应的控制变量为输入输出学习样本,建立前馈人工神经网络,构成摆起过程的反馈控制系统.通过仿真与实际控制,表明所研究方法是可行和有效的,并为复杂非线性系统的闭环控制提供了新的思路.     

单级倒立摆控制方法的仿真对比研究

运用牛顿动力学方法对单级倒立摆系统进行了数学建模,并对基于经典控制理论的PID控制方法、基于最优控制理论的LQR控制方法,以及基于模糊控制理论的模糊控制方法进行了仿真对比分析研究,其分析结果对该方向的研究具有理论指导意义.