基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

基于自适应神经网络的船舶航向保持预定义性能PI控制

为解决模型动态不确定和外部扰动未知的船舶航向保持问题,提出一种基于自适应神经网络的船舶航向保持预定义性能PI控制方案。在PID控制设计框架下,引入自适应神经网络和预设性能控制技术,从不确定补偿和设计角度提高船舶航向保持的精度和控制性能。在控制设计中,结合自适应神经网络技术与单参数学习技术,使得整个船舶航向保持闭环控制系统仅需要在线更新一个未知参数,系统的复杂度降低,且可以实现离线确定船舶航向误差的功能。基于李雅普诺夫稳定性理论进行分析,结果表明所提出的控制方案能保证整个闭环控制系统所有信号均有界。通过数值仿真验证了所提出方案的有效性和优越性。

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。

基于自适应神经网络的机械臂滑模轨迹跟踪控制

针对动态建模误差和不确定性扰动对机械臂末端高精度轨迹跟踪控制的不利影响,提出了一种新型的基于自适应神经网络的机械臂滑模控制策略。该控制策略可分为三部分:自适应神经网络补偿项、切换控制项和等效控制项。自适应神经网络的引入,避免了建模误差和外界未知扰动对机械臂系统的影响,提高了轨迹跟踪精度;切换控制项可使机械臂系统性能在迅速趋近滑模面的同时以很小的速率趋近平衡点,既能保证系统稳定,又能避免系统过于抖振;等效控制项用于对机械臂动力学模型的重力项和哥氏力项进行补偿,实现对模型的线性化处理,保证了系统的控制精度。最后,通过构造Lyapunov函数验证了所设计控制系统的稳定性,并在MATLAB/Simulink环境下和机器人系统工具箱中开展仿真实验和对比实验。结果表明,所提出的控制算法能够在保持机械臂稳定性的同时实现高精度的轨迹跟踪,验证了该控制算法的有效性和优越性。自适应神经网络滑模控制算法可为提高机械臂末端轨迹跟踪精度提供一种解决方案。

采用自适应神经网络观测器的旋翼无人机容错控制

针对共轴多旋翼无人机中容易出现电机故障和复合干扰的问题,采用自适应神经网络观测器设计了容错控制算法。首先,建立了包含电机故障和复合干扰的共轴八旋翼无人机运动模型;然后,通过神经网络来逼近复合干扰,并利用自适应律估计故障因子,设计了自适应神经网络观测器对系统状态进行估计;最后,针对姿态角回路和角速度回路设计了反步容错控制律,并利用滤波器对虚拟指令信号进行滤波,抑制了微分爆炸现象,实现了共轴八旋翼UAV的渐近稳定。实验结果表明:所提方法与自适应容错控制方法相比表现出了更优的稳定性和准确性,最大跟踪误差仅为0.1°,有效补偿了复合干扰和旋翼电机故障的影响,提升了无人机的飞行稳定性和容错性能。

基于自适应神经网络的异构多智能体系统一致性控制

针对由一阶线性和二阶非线性组成的异构多智能体系统,提出一种基于自适应神经网络的分布式控制协议.利用每个智能体之间的通信信息调整分布式控制协议中的参数,使径向基函数(radial basis function,RBF)神经网络逼近二阶多智能体系统中的未知非线性项,进而使得异构多智能体系统实现自适应一致,并通过Lyapunov稳定性理论给予证明.MATLAB/Simulink仿真实验结果验证了该方法的有效性.

基于自适应神经网络模糊PID物料卷绕张力控制系统的研究与设计

物料卷绕控制系统中张力的控制是决定生产工序、产品质量和生产效率的关键因素。因张力控制具有多变量、非线性、时变性且难以建立精确模型等问题,使得卷绕系统张力的稳定控制尤为困难。为了有效提高卷绕系统的稳定性和控制精度,在研究传统PID控制器和模糊PID基础上,设计了基于自适应神经网络模糊PID的物料卷绕恒张力控制系统。在模糊控制的基础上,加入BP神经网络,实现对张力的精准控制。最后,采用Simulink搭建控制器进行仿真验证和在运动控制设备中进行实验验证,并利用触摸屏实时监控运行状态。实验结果表明,采用自适应神经网络模糊PID的卷绕系统张力控制精度高,响应快,自适应调节能力强,且在高张高速的工况下,依旧保持响应速度快、稳定性高的运行效果。

基于自适应神经网络的磁编码器角度误差补偿算法

针对磁编码器中各类误差导致的解码精度低的问题,在神经网络原理的基础上提出单层自适应神经网络对正余弦信号中存在的幅值不相等、相位不正交、直流偏置、谐波与噪声等误差进行补偿。采用锁相环算法对补偿后的正余弦信号进行解码。电路中采用TLE5501磁阻芯片检测角度变化,利用TL082C运放芯片对信号进行调理,最后采用STM32G431单片机验证算法的性能。通过仿真与试验验证,证明了该算法的有效性与可行性。

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。

基于事件触发机制的自适应神经网络永磁同步电机跟踪控制

针对具有输入时滞的永磁同步电机(PMSM)系统的信号跟踪问题,采用基于事件触发机制的自适应神经网络控制方法,能够在含有输入时滞的情况下通过该控制方法完成对永磁同步电机系统的跟踪控制。通过仿真试验证明,所提出的事件触发控制策略可以有效追踪到参考信号,并显著减少控制器的更新次数,从而延长执行器寿命,提高系统控制性能。

基于粗糙集和决策树的自适应神经网络短期负荷预测方法

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用。根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择。在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测。通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效。

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在。作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系。用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度。

自适应神经网络在水质预测建模中的应用

东江惠州段水质直接影响着香港和深圳的淡水供应质量 ,本文根据东江水质自动监测系统的分布情况 ,提出了由上游水质预测下游水质和当前水质预测未来水质的两种基于自适应神经网络的东江惠州段水质预测建模方法 ,给出了基于误差梯度信息的离散神经网络自适应学习算法 ,用李亚普诺夫方法证明了该自适应神经网络算法的收敛性 ,仿真结果证明了该方法具有较高的预测精度 ,且方法简便、适用对象广泛。

基于自适应神经网络的有源电力滤波器谐波电流提取方法

对有源电力滤波器(APF)谐波检测方法进行研究,将自适应神经网络(ADNN)的信号处理技术应用于三相非线性负载的谐波电流检测中,提出了一种基于ADNN检测方法。该方法的主要特点是不仅能检测谐波电流中的基波成分,也能检测出其中不同的高次谐波分量的幅值和相位。通过搭建一个基于DSP三相并联APF的实验系统来证实该方法的有效性,并与传统的傅里叶变换法和d-q算法相比较,验证其具有更快的动态响应。最后,通过分别对感性负载和容性负载进行阶跃变化操作试验检验所提出的ADNN检测法的APF谐波补偿特性,并获得了优良的补偿性能。

煤矿顶板矿压显现实时预报的自适应神经网络方法

应用神经网络系统理论，提出了煤矿顶板压力显现实时预报的自适应模式识别方法，它通过对井下实测压力曲线的记忆，可以预报出该顶板未来的矿压显现规律，包括来压步距和来压强度。实际应用表明，本方法可外推预报１０个工作面推进循环的来压规律，来压强度的预报准确率达到９３％，来压步距的预报准确率为１００％。

基于自适应神经网络的火炮身管结构优化研究

针对火炮多学科优化设计存在计算量大、收敛慢和易陷入局部最优的问题,提出一种基于自适应径向基函数(RBF)神经网络的结构优化方法。编程计算火炮高低温压力曲线,并对ABAQUS有限元软件二次开发将其加载进有限元模型以获取身管的优化目标值,构建其与设计变量间自适应RBF神经网络模型。引入罚函数法处理约束条件,采用遗传算法在模型中求解寻优。每次优化迭代时利用建立的局部和全局分析模型分别选取更新点,增加样本点来更新神经网络,以提高神经网络的局部和全局预测能力。采用典型函数算例和某火炮身管结构多目标优化,实例验证了所提出优化策略的有效性。研究结果表明:身管优化后质量减小了6.63%,结构刚度提高了5.60%,最大等效应力减小了6.34%;与仅使用遗传算法相比,该方法所需的有限元模型调用次数降低了86.5%,运行时间减少了83.3%,为火炮结构设计和优化提供了参考。

液压半主动悬架的自适应神经网络控制

提出了液压半主动悬架系统的自适应神经网络控制策略 ,分析了系统模型及自适应神经网络控制器的设计和实现 ,并对控制效果进行了仿真研究。结果表明通过这种控制策略可以得到比较好的控制效果。

改进规则下自适应神经网络的UUV水平面路径跟随控制

为实现无人水下航行器(UUV)在水动力参数变化和外界不确定干扰下的水平面路径跟随控制,提出一种基于Lyapunov方法的自适应神经网络控制方法。针对直线段航路交接处减速拐弯时位置控制精度较差的问题,提出利用圆弧连接的圆弧段路径的航向制导(LOS)来改进单纯直线段连接的航向制导,降低拐点处的跟踪误差。引入RBF神经网络来估计误差和海流干扰,设计自适应学习律来保证神经网络权值的最优估计,保证系统的位置误差和艏向误差收敛到零。仿真试验结果表明:设计的控制器在路径跟随过程中可有效抑制UUV载体的模型不确定性,对外界海流干扰有较好的抑制作用,且控制参数易于调节。

车辆横向稳定性自适应神经网络控制策略研究

设计了一种"前馈+反馈"自适应神经网络控制器,通过直接横摆力矩和前轮主动转向的复合控制来提高车辆横向稳定性。反馈控制器采用PD控制策略,以实际横摆角速度与目标横摆角速度的偏差为输入量;前馈控制器采用RBF神经网络,以反馈控制器的输出为误差进行学习,而实现自适应控制。仿真结果表明,采用上述复合控制,能有效跟踪目标横摆角速度并降低质心侧偏角,提高了车辆在高速急转向时的稳定性。

基于自适应神经网络控制的光伏MPPT算法改进

基于自适应神经网络控制(DANC)算法提出一种改进的最大功率追踪(MPPT)算法。针对DANC在权值更新的过程中采用的梯度下降算法因初始权值而导致局部收敛的问题,该文根据光伏(PV)阵列部分遮挡情况下的功率-电压(P-V)特征曲线,提出一种反馈负载电压遍历和DANC相结合的算法。首先通过反馈负载电压遍历方法快速达到参考电压附近,然后利用DANC在线学习算法稳定到峰值,通过比较峰值大小,最终找到全局最优解。通过Matlab仿真和硬件实验验证改进算法的可行性。