基于变论域模糊补偿的空间机器人自适应控制

相比地面环境,太空环境中机器人系统暴露在宇宙射线中更容易受到外部干扰,且因难以维护和燃料消耗等原因带来的质量和惯性等系统参数变化使得其更容易存在系统不确定性。针对载体位置不受控的漂浮基空间机器人系统存在系统不确定性和外部干扰的问题,提出了一种基于变论域模糊控制的轨迹跟踪控制方法。在使用计算力矩控制器求解标称系统控制力矩的基础上,使用变论域模糊控制对系统不确定性和外界干扰带来的误差进行补偿。论域范围的实时变化使变论域模糊控制可以适用于不同时刻的不同误差范围,从而有效提高了系统的响应速度,减小了系统的稳态跟踪误差。最后通过李雅普诺夫方法证明控制方案的稳定性,并通过数值仿真证明了控制方法的有效性。

人员应急疏散行动开始前的决策行为

对香港特区三综公屋火灾案例中的人员疏散行为进行了问卷调查·利用自适应性模糊神经网络和BP机制,将采集到的数据样本用于基于模糊推理机的网络训练和校验,建立了人员疏散行动开始前决策行为的预测模型PERM·该模型的预测结果和问卷调查的结果基本吻合·研究表明,火灾状态下,人员应急疏散行动开始前的决策行为与人员火灾经验、人员的初始状态与居住条件等因素有关·香港公屋居住人员在得到火警信息后,约占半数的人将会首先采取进一步确认火灾信息等行动,最终在10～20min以后才开始撤离·四分之一左右的人会做出立刻开始疏散行动的决策·

基于模糊神经网络系统的结构主动控制

目的应用自适应模糊神经网络对多维地震动下结构的振动进行主动控制.方法用这种自适应模糊神经网络作为主动控制器,以结构的位移和加速度作为输入,计算出主动控制力.结果将计算的主动控制力输入到结构的动力方程中,结构的位移响应有了较大幅度地减少.同被动控制相比有较大提高.结论自适应模糊神经网络是一种适用于对结构进行主动控制的智能算法。该控制系统无需引入结构的运动模型和精确参数;对复杂的结构易于建模;同被动控制相比其适应力强,消振迅速而且效果良好.

基于H_∞环路成形和自适应神经模糊推理系统的模糊控制器设计

H∞环路成形方法设计的控制器阶次较高,不便于工程实现和参数调整;用传统方法确定模糊控制器隶属度函数的参数和模糊规则比较费时且难以保证鲁棒性能和时频域性能指标.针对上述情况,提出了一种综合运用H∞环路成形和自适应神经模糊推理系统来设计模糊控制器的方法.首先采用H∞环路成形设计方法,得到鲁棒裕量、动态和稳态性能都符合要求的控制器,然后用自适应神经模糊推理系统来逼近此控制器,最后根据自适应神经模糊推理系统参数确定相应的模糊控制器规则和参数.该方法确定模糊控制器隶属度函数的参数精确而省时,且能保证控制器具有较强的鲁棒性和良好的控制效果.通过对小车倒立摆系统进行的仿真,验证了该控制器设计方法的有效性.

驾驶员自适应神经模糊推理模型的建立与仿真

提出了一类基于自适应神经模糊推理系统(ANFIS)的飞机驾驶员建模方法。首先建立了包含若干待定模糊规则参数的基本驾驶员Takagi-Sugeno模糊模型,将其转换成等效的ANFIS网络系统后,采用驾驶员实际操纵数据和自适应BP算法对模糊规则各个待定参数进行训练并建立最终的模型。进而对已建立的驾驶员模型进行人机闭环系统仿真,结果表明,较之传统的传递函数模型,ANFIS模型与驾驶员实际操作输出之间的拟合程度更加理想。

基于逆动力学模型的Stewart平台干扰力补偿

Stewart型电液伺服平台操作空间与关节空间之间的雅可比矩阵随位姿而时变,使得各液压缸的轨迹动态同步难以保证,且各缸末端铰接于运动平台,这导致各通道存在着动态耦合的干扰力。针对此问题,在推导系统动力学模型的基础上,通过对关节干扰力的由来和作用进行分析,以系统理想轨迹逆动力学为参考模型,通过运用关节实际运动学输出的正解和系统动力学逆解求得实际关节驱动力,从而得出动态偏差力。在关节位置闭环控制基础上,利用动态偏差力,设计自适应模糊干扰力补偿规律,实现力/位置混合控制,使各支链快速趋于同步,在减小了平台抖动的同时也降低了调整时间,有效提高了系统的整体跟踪性能。

面向WSN的自适应模糊功率控制算法研究

在无线传感器网络环境中存在干扰以及网络的动态变化等原因,传输可靠性问题成为保障网络服务性能的重要挑战之一。现有的研究方法基本没有考虑网络的动态性,节点能耗较高。为此,我们提出了一种面向WSN的自适应模糊功率控制算法DAFPC。该算法采用自适应模糊理论,并基于"输入-输出-反馈"机制,根据接收到的链路质量参数信息自适应地调整控制器,快速地调节发射功率。研究仿真结果表明,DAFPC算法能很好地适应网络的动态变化,有效地提高WSN的抗干扰性和传输可靠性,延长了网络的生存时间。

ANFIS在短期负荷预测中的应用

为使负荷预测更精确,鉴于预测对象的不确定性和非线性,采用ANFIS预测电力系统短期负荷。ANFIS将模糊理论与神经网络融合,利用神经网络实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。该系统具有非线性映射和自学习能力,不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验获取控制信息,能用于负荷预测的非线性建模,获取负荷数据的最佳估计,克服数据处理过程中存在的不确定性和不完备性。所用ANFIS模型为2输出1输入5层1阶Sugeuo模糊系统。利用某局网负荷数据训练和检测ANFIS网络模型后预测负荷,结果表明该算法鲁棒性好,抗干扰能力强,能有效补偿对象的大纯滞后。

DC-DC变换器的模糊自适应PID控制仿真研究

为了进一步提高DC-DC变换器的稳定性、适应性和抗干扰性,给出了一种基于模糊自适应P ID控制的DC-DC控制方案;分析了控制系统的原理、过程和设计方法。仿真结果表明,其较传统P ID控制有更好的动静态性能。

基于自适应神经模糊推理系统的地下水位预测

针对地下水埋深变化影响因素的复杂性、多样性和不确定性,以及影响因子之间复杂的非线性关系,将自适应神经模糊推理系统(adaptive neuro-fuzzy interference system,ANFIS)应用于地下水埋深预测。利用1993—2010年陕西省泾惠渠灌区的灌溉资料对网络进行训练,构建了基于ANFIS的地下水埋深预测模型,并对其进行了检测。结果表明,利用ANFIS对地下水埋深进行短期预测是切实可行的。

基于自适应神经元模糊推理系统的岩质边坡稳定性评价方法

模糊理论在岩质边坡稳定性评价中存在的知识获取和自适应能力较低等方面不足,而神经网络在模糊推理方面欠缺,因此,提出基于自适应神经元模糊推理系统的边坡稳定性评价方法。通过模型结构的建立、模型训练和测试,得到可用于边坡稳定性评价的基于自适应神经元模糊推理系统模型。测试结果表明,该模型计算结果与边坡实际稳定系数十分接近,对边坡稳定性的预测结果也与实际相符。与基于神经网络方法的计算结果比较,该方法在建模简便程度及计算精度等方面明显具有优势。

基于信息融合的多Agent智能家居系统

绿色智能的家居控制需要复杂的系统和多源的信息。为了进一步提高家居系统的协同性,充分利用多源的决策信息,设计了一种基于多源信息融合的多Agent智能家居系统。研究了系统的框架和各个Agent的功能和交互机制;提出了一个基于自适应神经模糊推理系统(ANFIS)的多源信息融合模型,使用ANFIS算法对家居环境进行特征提取和用户行为学习;利用Android的轻量级嵌入式Jade Agent平台和Matlab对模型进行仿真。理论分析和仿真实验表明,该模型能够提高家居系统的协同交互性,提高家居系统多源数据融合的有效性。

基于ANFIS的船舶航向控制系统的设计

为解决因船舶运动的非线性和不确定性使常规航向控制器参数调整难度大的问题,提出一种基于自适应神经模糊推理系统(ANFIS)的船舶航向控制算法。用模糊控制解决船舶不确定性系统控制问题,并借助神经网络的学习能力优化控制器参数,设计出能在线自调整控制规则来获得最佳控制规律的ANFIS航向控制器。仿真实验结果表明,设计的航向控制器在船舶模型参数摄动以及风浪干扰下都能获得良好的控制性能。

具有输入饱和的制动缸自适应Super-twisting控制

为研究电力机车单元制动缸在制动时受辅助风缸压力和轮对径向形变挤压时的制动缸活塞位置控制精度,考虑实际工况中活塞与制动缸内壁非严格配合引起的压力漏损,建立了制动缸气动伺服系统的数学模型;针对该非线性系统中存在的未知时变负载扰动,设计非线性干扰观测器对其实际值进行估计,对观测误差采用自适应模糊逻辑系统进行逼近,进一步削弱时变扰动对系统的影响;结合系统控制量存在饱和的实际工况,引入饱和辅助控制系统;依据Lyapunov稳定性理论,基于Super-twisting控制方法收敛快速、待设计参数较少的优点,构造了基于Nussbaum类型函数的自适应Super-twisting控制器.理论分析及仿真结果表明,制动缸伺服系统闭环输出一致有界,系统跟踪误差、滑模面及控制量动态抖振较小,收敛迅速;滑模面及扰动量观测误差收敛于0.制动缸伺服系统输出能够快速稳定跟踪输入指令,且对外部时变负载扰动具有较强鲁棒性.

模糊自适应补偿控制在炉内脱硫系统中的应用

针对循环流化床机组炉内脱硫过程动态特性具有大迟延、大惯性、时变、非线性等特点,提出了一种基于模糊PID增量自适应补偿的炉内脱硫控制系统设计方法。采用Matlab/Simulink对某300 MW循环流化床机组炉内脱硫系统3种典型工况下的数学模型进行控制仿真。仿真结果表明,该方法在给定值跟踪性能、单位阶跃响应的动态和稳态性能方面,特别是在抗干扰和模型自适应方面都优于常规PID控制和模糊PID控制。

欠驱动四旋翼飞行器反演模糊自适应控制

针对欠驱动四旋翼飞行器的结构特性,提出一种自适应模糊反演欠驱动控制算法,该算法可以克服传统反演控制中存在的问题,如欠驱动控制律过于复杂,抗干扰能力弱及系统建模误差对跟踪性能影响较大等弱点,该算法利用自适应模糊系统逼近系统中的非线性函数及扰动项,并利用模糊系统来构造系统的虚拟控制量,从而实现对欠驱动四旋翼飞行器的高精度控制,并以欠驱动四旋翼飞行器的自由度x为例,详细论述了自适应模糊系统的设计过程,并对算法的收敛性做了分析,仿真结果表明,该算法具有很强的抗干扰性,并且达到了理想的控制精度。

基于MATLAB的磁流变液制动器的模糊控制建模研究

确定了磁流变液制动器的控制方法,选定了磁流变液制动器模糊控制器的生成方法,采用MAT-LAB模糊逻辑工具箱的自适应神经网络模糊系统ANFIS对磁流变液制动器的模糊器进行建模。通过对大量已知实验数据的学习得到相应的模糊规则,有效地计算出隶属度函数的最佳参数,并通过仿真实验得出基于自适应神经网络模糊推理系统获得的模糊控制器可以实现磁流变液制动器的智能控制,控制效果良好,为磁流变液制动器的智能化控制提供依据。

基于自适应神经模糊推理系统(ANFIS)的电力系统短期负荷预测

采用ANFIS(AdaptiveNeuro-FuzzyInterferenceSystem)进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合,利用神经网络来实现系统的模糊逻辑推理,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测,所得结果表明利用ANFIS预测负荷有效。

基于自适应模糊推理的平面形状控制模型的预报

为了使中厚板矩形化,减少切边量和切头尾量,提高成材率,平面形状控制成为解决其有效的方法。边部和头尾的预报模型是平面形状控制的基础,在已有的模型的基础上,分析边部和头尾变形的原因,根据实验数据,应用自适应神经模糊推理系统建立了边部和头尾的模型,并通过仿真验证了模型的正确性。

光栅试验台的自适应模糊补偿器设计

在惯导测试设备设计过程中会经常碰到摩擦干扰问题。作者提出了一种采用自适应模糊补偿器的控制系统设计方案 ,以克服光栅试验台稳速系统中影响低速平稳性的摩擦干扰。首先 ,采用传统方法 ,基于对象的简化线性模型来设计 PI控制器 ,然后利用自适应模糊技术对摩擦干扰进行补偿。