基于神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种基于对角递归神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用对角递归神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想.实验结果表明.基于对角递归神经网络整定的PID控制的交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

基于RBF神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用一个两层神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想.径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,其学习算法采用正交最小二乘算法,首先得到径向基函数神经网络的结构.然后用BP算法对该网络的权值进行训练使它逼近给定的函数.实验结果表明,该交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

基于非线性参数的电液伺服系统滑模控制

针对在电液伺服系统跟踪控制中存在非线性不确定参数和外界扰动的问题,提出了一种基于积分微分器的滑模Lyapunov函数的控制方法。首先,在只有位移信号测量输出的情况下,采用高阶积分链式微分器对其速度和加速度信息进行预估。系统存在非线性不确定参数,利用微分器对状态和不确定项的实时估计,设计出积分滑模控制器,实现自适应规律以及对电液伺服系统中不确定扰动的抑制。搭建电液伺服系统AMESim模型并与Matlab构成联合仿真平台,对控制器进行仿真。仿真表明,该控制器具有良好的对非线性不确定参数变化的补偿能力和跟踪性能。     

基于神经网络补偿的转台伺服系统控制研究

针对飞行仿真转台伺服系统中存在的非线性摩擦干扰进行了研究,采用一种基于RBF神经网络进行误差补偿的在线自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,利用RBF神经网络的万能逼近特性在线辨识模型误差,从而对系统进行补偿,其权值自适应律根据Lyapunov稳定性理论推导,保证了系统跟踪误差的收敛及稳定,仿真结果表明该控制策略可使位置MAE指标从0.0087m提高到0.0016m,使位置MSE指标从1.0128e-4m提高到3.3002e-6m,具有较高的鲁棒性和稳态控制精度。最后分别从隐层节点数及节点中心学习算法的变化两方面提出两种改进方案,仿真结果表明隐层节点数的增加可以进一步减小位置误差,而采用K-means均值聚类算法解决了神经网络节点中心按经验选取或试凑的困难。     

基于变速趋近律的机电伺服系统自适应滑模控制

针对带有摩擦力矩、负载力矩以及扰动力矩等不确定性的机电伺服系统,提出一种基于变速趋近律的自适应滑模控制方法.首先,构造双曲正切型辅助函数并设计新的变速趋近律,用以调节滑模变量的收敛速度,使其在到达减速点之前具有较快的收敛速度,而在到达减速点以后则能有效削弱抖振.在此基础上,构造自适应滑模控制器,保证系统位置输出能够快速...     

基于神经网络模糊控制理论的转台伺服系统控制设计

针对三轴飞行仿真转台伺服系统非线性、模型不精确等特点,在分析转台系统结构的基础上,采用模糊PID控制的方法对转台伺服系统进行仿真控制,得到较好的控制效果;模糊控制控制规则的获得带有很大的人为因素,并且在控制过程中对规则采用查表法占用大量的内存;基于以上原因,设计了神经网络模糊控制器(NNSOC),利用神经网络控制自学习、自调整的能力,为模糊控制器提供自动生成控制规则的能力;同时由于神经网络具有联系记忆能力,可对未训练的样本做出决策;对NNSOC的控制效果进行了仿真;结果表明:其具有很好的动态性能和鲁棒性,对转台的控制效果良好。     

基于神经网络的迟滞非线性补偿控制

提出了一种基于神经网络的迟滞非线性的补偿方法.首先构造一个Duhem逆算子来描述迟滞逆状态.然后利用神经网络来逼近此状态和输出之间的关系来得到神经网络迟滞逆模型,神经网络权值采用反馈误差学习方法来进行在线调整.系统的前馈控制器和反馈控制器分别为逆模型和PID控制器.该方法不需要建立迟滞的正模型,能够在线构造逆模型来实现迟滞补偿.最后通过仿真验证了该方法的有效性.     

基于神经网络的非线性预测控制综述

基于神经网络的非线性预测控制是智能控制中的重要前沿课题,在工业过程控制领域有着非常大的应用前景。从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。对其中的关键技术做了深入阐述。并指明了今后的发展方向。     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述,讨论了这一领域中存在的几个重要问题,然后指出了与这些问题相关的未来的研究方向。     

基于动态神经网络的非线性内模控制

针对一类不确定仿射非线性系统,提出一种基于动态神经网络的非线性内模控制方法。利用该网络模型存在相对阶时可以解析求得逆模型的特点,避免了普通神经网络内模控制方案中求逆的困难。并在有建模误差的情况下,通过将非线性对象输入输出线性化,分析了闭环系统的鲁棒稳定性和稳态性能。仿真试验表明该方法是可行和有效的。     

基于B-P神经网络的非线性预测控制

针对用一般的方法控制糖液的过饱和度很难奏效的问题,运用B-P神经网络构造预测模型,将模拟退火算法的局部搜索与遗传算法的全局搜索相结合。进行在线滚动优化,对煮糖结晶过程中的过饱和度进行预测控制。实际运行结果表明,基于B-P神经网络的预测控制算法响应速度快、控制精度高、鲁棒性强,具有很强的实用性。     

基于神经网络的非线性学习控制研究

本文将多层前向传递神经网络应用于非线性系统控制,通过对神经网络的训练,实现非线性系统的状态反馈控制。本文还介绍了用神经网络控制一类非线性系统的学习控制算法,该算法对对象的数学模型依赖程度较低,为非线性系统的学习控制提供了一种有效的研究方法。另外还给出了该算法应用于几个不同非线性对象的学习控制仿真结果。     

控制力矩陀螺框架伺服系统神经网络控制

控制力矩陀螺(control moment gyroscope,CMG)框架伺服系统对柔性机座抑制能力的不足,限制了其控制精度和鲁棒性的进一步提高.通过结合工程实践,基于CMG框架伺服系统的强耦合、非线性特性,推导了传递函数,实现了解耦和降阶.在此基础上提出了一种基于反向传播(back propagation,BP)神...     

基于神经网络的非线性模型预测控制

该文提出了一种基于神经网络的模型预测控制结构 ,并使用一个新的随机搜索优化算法来求解预测控制律 ,计算机仿真证明了所设计的控制算法的正确性和有效性     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

船舶襟翼舵神经网络控制伺服系统

为了解决船舶襟翼舵在复杂的、非线性、不确定的海域环境中的高精度位置控制问题,将神经网络应用在伺服系统中充当控制器与辨识器,通过设计的神经网络PID控制器,使船舶位置伺服控制系统具有高稳定性,及鲁棒性好的特点,且具有要求的动态和静态性能。针对无刷直流力矩电机做了神经网络PID控制系统仿真,并与PID控制做了比较。仿真结果表明了神经网络PID(NN-PID)优越的动态和静态性能。     

基于非线性参数神经网络的非线性系统稳定自适应控制

针对不确定仿射非线性系统,提出一种基于非线性参数神经网络的稳定自适应控制方案,在非线性参数神经网络对不确定非线性函数的逼近误差的界未知的情形下,对网络逼近误差界进行在线自适应估计,并由Lyapunov理论证明了整个闭环控制系统的稳定性．     

基于微分观测器的飞行模拟转台伺服系统非线性控制

飞行模拟器转台伺服系统是导弹飞行的重要模拟设备,用于获取实验数据。针对飞行模拟转台伺服系统在跟踪控制过程中存在参数不确定性、非线性摩擦等不确定性问题,提出了一种基于微分观测器的飞行模拟转台伺服系统非线性控制方法;考虑系统在跟踪控制过程中存在不确定性问题,设计了微分观测器来估计复合不确定扰动;设计非线性控制器来控制飞行模拟转台伺服系统,使得系统可以收敛到期望位置转角信号;通过李雅普洛夫稳定性证明控制器作用在系统条件下的鲁棒性;通过MATLAB/Simulink仿真试验平台验证了文中提出的控制策略能够使系统有效跟踪期望位置转角,具有一定工程应用价值;     

多自由度伺服系统的非线性解耦控制

多自由度伺服系统各轴之间存在的非线性耦合,是影响系统控制性能的一个重要因素,为了提高系统控制性能,本文研究了多自由度伺服系统的解耦控制．首先建立了多自由度伺服系统的一般化耦合数学模型;然后根据Singh法求出逆系统;最后结合期望的标称线性传递函数,算出解耦控制规律．本算法避开微分几何理论,直接对矩阵进行运算,易于理解．文章给出了应用此方法对3轴仿真转台进行解耦控制的例子．     

对角递归神经网络控制的交流伺服系统

为了获得伺服系统较高的跟踪和鲁棒性能,考虑摩擦、负载的时变性,提出了基于对角递归神经网络控制器的控制方案,改善系统的跟随性和抗扰性.仿真结果表明,采用对角递归神经网络控制器的方法具有较好的动态性能,以及对负载扰动、电动机参数变化都具有较好的鲁棒性.