柔性空间机械臂RBF神经网络补偿滑模控制策略

柔性结构导致柔性空间机械臂的动态参数随着时间产生变化,从而降低了跟踪控制的准确性.质量轻和长径比大导致柔性空间机械臂在运动过程中出现振动现象.为了解决上述问题,本文建立了考虑二维变形和扰动转矩的柔性空间机械臂的动力学模型,推导出简化的非线性动力学方程.在此基础上,设计了控制律,利用RBF(radial basis function)神经网络对柔性空间机械臂中的时变项和扰动转矩进行识别和补偿.然后以双曲正切函数作为逼近率,提出了滑模控制策略.最后,通过仿真和地面物理样机控制实验可以得到,在柔性空间机械臂控制律的设计中,神经网络补偿的控制策略有效地减少了扰动转矩对柔性空间机械臂的影响.并且通过使用tanh函数来代替sgn函数,能够减少输入转矩的波动,更加验证了RBF神经网络补偿滑模控制策略的有效性.

基于神经网络补偿控制的PID双闭环球杆位置控制

针对球杆系统的位置控制难题,利用ADAMS软件建立球杆系统的三维虚拟样机模型,由此确定球杆系统的动力学模型,提出一种基于神经网络补偿控制的PID双闭环球杆位置控制方案,基于ADAMS/Controls与Matlab/Simulink进行了球杆位置控制的联合仿真。仿真结果表明:位置定值控制与方波信号跟踪控制时,PID双闭环-神经网络补偿控制较PID双闭环控制的稳态精度分别由0.06 m、0.08 m提高到0.002 m、0.003 m,正弦信号跟踪时,跟踪误差由0.15 m减小到0.05 m,PID双闭环-神经网络补偿控制具有更好的动态性能和较高的稳态控制精度。

数字式全光纤三节点优化网络补偿技术的研究

本论文介绍一种数字式全光纤三节点优化网络补偿技术，主要包括提出了一种新颖的、具有性能优良和结构简单特点的三节点全光纤补偿网络结构；建立网络结构参数受外界环境变化对传感器影响最小为目标函数的优化结构设计数学模型；研究获得具有较小识别误差可行的识别处理方法等。理论和实验结果表明，数字式全光纤三节点优化网络补偿技术能大大提高强度调制光纤传感器的抗干扰能力和测量精度。

神经网络补偿器在基于影像测量仪的运动控制系统中的应用

针对基于影像测量仪的运动控制系统存在的非线性误差问题,设计出神经网络补偿器.通过所采集的伺服电机的输入、输出数据,对非线性伺服电机的神经网络仿真器及补偿器进行训练.所设计的神经网络补偿器应用在运动控制的高精密定位系统上,使控制系统表现出良好的控制性能.仿真实验表明该控制器具有较强的有效性.

空间机器人的增广自适应神经网络补偿控制

研究了具有外部扰动空间机器人系统的补偿控制问题。首先,给出了漂浮基空间机器人系统的动力学方程。进而借助于增广变量思想,针对系统存在有未知惯性参数及外部扰动的复杂情况,先后设计了空间机器人系统关节运动、末端爪手运动的增广自适应神经网络补偿控制方案。所提控制方案无需对载体的位置、线性速度和线性加速度进行实时地测量与反馈;且较比传统自适应控制方法,又不要求动力学方程满足关于系统惯性参数的线性函数关系,因此有效避免了对系统回归矩阵进行繁琐提取的麻烦。仿真运算,验证了上述控制方法的有效性。

基于LLC网络补偿的无线电能传输系统研究

无线电能传输技术正逐步广泛应用于多个领域,其中,在传输效率作为无线电能传输技术关键性能指标。针对影响无线电能传输系统效率,通过建立基于LLC补偿网络的系统模型,分析传输特性及品质因数对系统的影响,对系统的工作频率范围和传输效率进行了推导,从而确定了其最佳性能指标,通过仿真验证,LLC串联补偿对改进系统传输效率的可行性。

称重传感器神经网络补偿器设计

为满足快速称重的要求 ,设计出一种新型的称重传感器神经网络补偿器。仿真表明有效的提高了称重传感器的动态响应性能 。

一种推力轴承油膜厚度光纤传感器的网络补偿技术

本文在光纤传感补偿网络基础理论的启发下 ,应用了一种基于压力油介质影响因子的三节点全光纤补偿网络结构 ,建立了一种新型油膜厚度光纤传感器网络补偿数学模型。实测应用表明 :该补偿网络结构与已有的其它网络相比 ,具有性能优良、结构简单、容易实现的特点 ,进一步提高了油膜厚度光纤传感器的测量精度。

基于双通道网络补偿的永磁同步电机预测控制器

为实现永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)的有效控制,利用PMSM的线性化模型,采用一种基于柔化控制增量策略的快速广义预测控制算法设计PMSM转速控制律.根据历史时刻的预测控制向量和预测输出向量设计一种双通道网络补偿算法,对前向通道和反馈通道中的网络时延和数据丢包进行补偿.针对因网络时延和数据丢包导致的辨识信息缺失问题,提出一种网络广义预测自校正算法来提高系统的鲁棒性.仿真结果表明,网络预测控制器能够对网络时延和数据丢包进行有效的补偿,极大地改善PMSM网络控制系统的性能.

超小型旋翼机平面转弯运动的神经网络补偿建模

采用神经网络补偿机理模型法进行超小型旋翼机系统的平面转弯运动建模。首先建立系统的非线性参数化模型,通过把非线性模型在平衡点线性化,得到描述系统平面转弯运动的线性机理模型;然后针对转弯运动,采用对角回归网络来补偿机理模型与非线性模型之间的误差,从而获得超小型旋翼机系统的平面转弯运动的混合模型。仿真结果表明,该混合模型比单纯机理模型有更高的精度,且所获得的补偿神经网络具有很强的泛化能力。

光纤位移传感的改进网络补偿方法研究

本文研究了一种改进的网络补偿方法,在建立四光纤位移传感结构的数学模型基础上,说明了该方法的补偿机理,并对影响补偿性能的因素进行了分析。改进网络法具有补偿性能完善、实现简单的特点,对于光纤位移传感、粗糙度传感等具有重要的实用价值。

模块化机器人神经网络补偿计算力矩控制研究

为了解决模块化机器人由于构型可变等特点导致参数不确定与非参数不确定性增大引起轨迹跟踪不理想的问题,设计神经网络补偿计算力矩复合控制器。考虑机器人参数不确定与摩擦、干扰等非参数不确定性,将动力学模型分为理想部分和不确定部分,用计算力矩法实现理想模型控制,用BRF神经网络补偿不确定部分。利用Lyapunov理论证明控制器稳定性并采用自适应算法实现神经网络权值在线自调整。最后,仿真发现使用该控制器取得良好的轨迹跟踪效果。

基于BP神经网络补偿的下肢外骨骼位置控制

坐卧式康复外骨骼机器人可以帮助下肢功能障碍患者进行康复训练,为实现康复训练的位置控制目标,通过深入分析人机耦合关系,建立包括穿戴者、外骨骼在内的耦合运动学/动力学模型,提出了基于人机混合系统动力学模型的带前馈补偿项的PD控制算法,然而为了实现良好的运动轨迹跟踪性能,必须在位置控制算法中加入对不确定项的补偿,因此提出一种基于BP神经网络补偿的位置控制算法并通过仿真验证算法的高效性。

基于模糊神经网络补偿控制器的H型平台同步控制

直线电机驱动的H型数控平台系统在加工零件时,负载扰动、外部干扰和两电机安装的差异与机械耦合会影响单轴的跟踪精度且会产生同步误差。针对此问题,本文首先用拉格朗日方法给H型平台建模,然后提出一种改进的非奇异终端滑模控制(NTSMC)来进行位置控制器的设计,在不失滑模控制鲁棒性的情况下,有效地削弱了该控制所产生的抖振问题,提高了单轴的跟踪精度。在两轴间采用Sugeno型模糊神经网络(SFNN)补偿控制器来动态补偿H型平台的同步误差。通过模糊神经网络以任意精度逼近非线性系统的能力使同步误差在有限时间内趋近于零,以满足H型平台数控系统的高精度加工要求。仿真结果表明,所设计的控制系统能够有效提高系统的同步控制精度和鲁棒性。

双LCCL谐振网络补偿无人机无线充电系统

针对传统无人机锂电池充电缓慢,频繁拔插使用不便等问题,提出了基于双LCCL谐振网络补偿的无人机无线充电方法,该方法利用无线能量传输技术原理,设计了移相控制逆变、发射、接收、整流滤波、恒流恒压充电等5个系统模块。在基于耦合谐振原理和等效电路原理对模型进行理论计算和分析后,得出仿真模型参数。结果表明,该系统能够进行电能传输并获得比较稳定的电压,具有能量传输效果好、成本低、实现简单、安全可靠等特点。

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。

时域信号处理对网络补偿技术性能影响的分析

研究光纤补偿网络信号的识别处理对网络性能的影响，推导了时域处理方法对网络补偿性能所带来的误差函数，进而提出减少误差的方法和措施。

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0.0087 m提高到0.0016 m,使位置MSE指标从1.0128E-4 m提高到3.3002E-6 m,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RBF神经网络补偿的航空发动机H_(∞)自适应控制研究

航空发动机控制系统是飞行器的重要机构,航空发动机存在的控制增益衰减和未建模动态等不确定性问题影响了其控制性能,为此设计将H_(∞)自适应控制和补偿控制相结合的控制器。首先,基于混合灵敏度理论设计H_(∞)自适应控制器;然后,基于Lyapunov严格稳定理论设计RBF神经网络补偿控制器对不确定性进行拟合补偿,并通过与误差相关的线性函数调整拟合速度;最后,以归一化后的航空发动机模型为被控对象进行多变量仿真试验。结果表明:本文设计的自适应控制器能够有效补偿不确定性,相比H_(∞)控制器,超调量和调节时间都有所降低。

基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法

将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。