基于ESO的高超声速飞行器姿态鲁棒控制

针对高超声速飞行器快时变、强耦合、非线性的特点,为提高其抗干扰性能和姿态角快速跟踪性能,提出了一种基于扩张状态观测器的三通道姿态角鲁棒控制方法。首先,根据高超声速飞行器动力学模型,给出面向姿态角的控制模型;其次,利用扩张状态观测器对总扰动包括通道间耦合作用、参数不确定性及外部扰动进行估计补偿,并结合神经网络最小参数学习法设计姿态控制律,采用Lyapunov理论完成闭环稳定性分析;最后,仿真结果表明所提控制策略具有更好的控制性能和抗扰能力。

具有未建模动态的自适应神经网络动态面控制

对一类具有未建模动态的严格反馈非线性系统,提出一种自适应神经网络动态面控制方案.该方案将动态面控制方法扩展到具有未建模动态的严格反馈非线性系统的控制器设计中,拓展了动态面控制方法的应用范围.利用动态面控制方法引入的紧集来处理未建模动态对于系统的影响.利用Young's不等式,提出两种自适应参数调节方案.与现有研究结果相比,有效地减少了可调参数的数目,放宽了动态不确定性的假设,无需虚拟控制增益系数导数的信息.通过理论分析,证明了闭环控制系统是半全局一致终结有界的,且跟踪误差收敛到原点的一个小邻域内.

基于数据的自学习优化控制:研究进展与展望

自适应动态规划(Adaptive dynamic programming,ADP)方法可以解决传统动态规划中的"维数灾"问题,已经成为控制理论和计算智能领域最新的研究热点.ADP方法采用函数近似结构来估计系统性能指标函数,然后依据最优性原理来获得近优的控制策略.ADP是一种具有学习和优化能力的智能控制方法,在求解复杂非线性系统的最优控制问题中具有极大的潜力.本文对ADP的理论研究、算法实现、相关应用等方面进行了全面的梳理,涵盖了最新的研究进展,并对ADP的未来发展趋势进行了分析和展望.

柔性关节双臂空间机器人的滑模神经网络控制

研究参数不确定、外部扰动影响下柔性关节双臂空间机器人的滑模神经网络控制问题。采用线性扭转弹簧等效描述关节弹性,根据系统线、角动量守恒原理及拉格朗日法,推导柔性关节双臂空间机器人的动力学模型。利用奇异摄动法对柔性补偿后的系统进行分解,得到两个可独立控制的子系统。为实现系统末端操作器在两种不确定性因素干扰下的轨迹精确追踪及关节振动抑制,提出一种刚性运动滑模神经网络控制、柔性运动反馈控制相结合的混合控制方案。仿真结果显示,所提方案具有较强的抗扰动及抗参数不确定能力,可使系统完成所期望的圆周运动并抑制关节的弹性振动。

多目标系统的自适应模糊神经网络控制

提出了一种多目标系统的自适应模糊神经网络控制的方法。通过对系统的多目标量进行加权合成,采用改进的遗传算法离线调整控制器网络参数。接入控制系统后,采用在线学习方式,通过BP算法调节网络的规则权值和比例因子,达到自适应控制的目的。计算机仿真结果显示,该方法控制效果好,鲁棒性强。

无速度传感器的感应电机神经网络鲁棒自适应控制

针对感应电机定子电阻和负载转矩参数的不确定性,提出了无速度传感器的感应电机神经网络鲁棒自适应控制方案。用反步法设计了一种可以将各状态变量跟踪误差和神经网络各权值限制在规定范围内的神经网络鲁棒自适应控制器,提出了相应的算法,用Lyapunov定理对其稳定性进行了证明。提出了一种可以估算转子磁链和转速的观测器及相应的算法。仿真研究表明,所提出的感应电机无速度传感器控制方案对电机定子电阻、负载转矩的鲁棒性强,动态性能好,速度估算较精确。

改进型BP神经网络PID控制在自动化测试装置中的应用研究

针对汽车交流发电机性能自动化测试装置中测试对象特性的多样性及测试环境的多变性：在进行测试条件参数调节的过程中，采用改进型BP神经网络PID控制器，实现PID参数的在线自整定，改善自动化测试装置的动态品质，从而有效提高发电机生产线的生产效率。介绍了改进型BP神经网络控制器的构成和算法实现，利用MATLAB对其在自动化测试装置中发电机速度调节进行了仿真研究，表明了方法的有效性。

基于神经网络的电液转台非线性积分滑模控制

针对高精度电液飞行仿真转台具有高度非线性、参数不确定和不确定非线性等特点,提出了一种基于RBF(Radial Basis Function)神经网络的非线性积分滑模鲁棒控制方法.采用自适应RBF神经网络对该系统存在的参数不确定性和不确定非线性进行补偿,从而降低滑模控制器对切换项的增益的需求,进而减小系统抖振幅值.积分滑模面的设计能消除外部干扰对系统带来的稳态误差.根据积分滑模变结构控制器的特点,将控制律分为等效控制律和到达控制律.等效控制律使系统运动于滑模面附近,到达控制律可使处于状态空间内任意初始位置的系统趋近于滑模面,并进一步通过Lyapunov方法证明了系统的渐近稳定性.实验结果表明,所提出的非线性控制器不仅能满足电液转台的高精度跟踪性能的要求,且对参数不确定性和不确定非线性具有一定的鲁棒性.

六自由度虚轴机床神经网络位置伺服控制

针对永磁直线伺服电机(PMLSM)驱动的六自由度虚轴机床,提出利用基于神经网络的位置伺服控制器对电机动子加速度进行控制的方案。为抑制对电机动子加速度影响较大的杆间耦合扰动的影响,将负载扰动和杆间耦合扰动整合为一个对象,并等效为电机动力学参数的变化,利用观测器进行在线观测,结合神经网络位置伺服控制器进行调整,从而较好地提前抑制了速度与位置误差。所设计的神经网络位置伺服控制器结构简单,权值调整方便,计算量小、响应速度快。仿真实验表明该方法对虚轴机床各杆的位置、速度、加速度实现了精确的跟随控制,系统具有很强的鲁棒性。

开关磁阻电机高性能转矩控制策略研究

将开关磁阻电动机转矩控制系统分为三级控制子任务:换相策略、转矩控制器和电流控制器,并根据上述结构化设计思想,给出了一种基于神经网络转矩逆模型和滑模电流控制器的开关磁阻电动机高性能转矩控制方案。仿真结果表明该方法能够有效地控制开关磁阻电动机相转矩按期望变化,从而实现了其高性能转矩控制。

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。

基于自适应动态逆的高超声速飞行器姿态复合控制

考虑高超声速飞行器再入过程中存在气动舵低效的问题,提出了质量矩/气动舵复合控制方式,研究了这两类执行机构的复合控制分配问题,并针对高超声速飞行器强非线性和不确定性的对象特性,基于神经网络方法设计了自适应动态逆姿态控制系统。首先给出了质量块配置原则以及质量矩/气动舵复合控制模型;其次,为获得良好的控制分配精度并保证较小的执行机构能耗,基于二次规划方法设计了质量矩/气动舵复合控制分配策略;再次,利用神经网络权值的自适应调整来逼近系统中存在的不确定性,补偿动态逆误差,设计了基于神经网络的自适应动态逆控制器。最后,通过仿真验证了文中控制分配策略和自适应动态逆方法的有效性。

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。

两变频调速电机系统的神经网络逆同步控制

针对以恒压频比工作方式的两台变频器+感应电机系统的特点,导出了两变频调速电机系统的统一数学模型,并证明该系统可逆.进一步采用静态神经网络加积分器构成的动态神经网络来构造该逆系统,并将神经网络逆系统与两变频调速电机系统相串联复合成由速度和张力子系统组成的伪线性系统,实现速度和张力的解耦.然后分别对速度和张力子系统设计线性闭环控制器从而实现对两变频调速电机系统的高性能控制.实验结果表明系统具有较好的动、静态性能和较强的抗负载扰动的能力,提出的神经网络逆同步控制方法为解决交流多电机系统解耦控制的难题提供了新思路.

感应电动机伺服系统模糊神经网络滑模控制

根据感应电动机伺服驱动系统性能要求,设计了一种基于模糊神经网络的滑模控制器。当系统状态进入滑动超平面后,测量滑模控制的"抖振"指标,将测量的指标值输入到学习算法中,调整模糊神经网络的输出以消除"抖振"现象。该控制策略的仿真结果与实验结果吻合,控制器设计合理,"抖振"现象明显减小。

多变量极值搜索系统神经网络自适应协同控制

针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。

基于RBF神经网络自适应PID控制的回转窑温度控制

根据窑炉生产过程工艺非线性、大时滞的多变量系统要求,本文提出了采用基于径向基函数(RBF)神经网络自适应PID控制策略。仿真结果表明,这种控制方法的控制精度和鲁棒性优于传统的PID控制方法,具有很好的控制效果。

改进的工程机器人立体视觉标定方法

针对摄像机线性标定准确程度不高与非线性标定计算复杂等问题,以己知的三维信息为基础推导二维像素点对信息,提出了基于神经网络的三目立体视觉摄像机标定方法,构建了改进的BP神经网络模型,对比分析了两种摄像机标定方法的像素点对均方根误差。结果表明:采用改进的BP神经网络能够避免对摄像机进行非线性建模,有利于提高标定精度,增加系统的灵活性,更具有实际意义。

采用BP神经网络求解CUEP的实用计算

主导不稳定平衡点(Controlling Unstable Equilibrium Point,CUEP)的计算在电力系统暂态稳定分析直接法中具有重要意义。提出一种计算CUEP的新的实用算法:由系统受扰后各切除时刻状态及达到稳态后系统状态可分别作为输入和输出样本,训练BP神经网络;基于Thévenin定理及转矩-滑差曲线以及转子暂态特性,估算出等值系统中负荷母线发生三相短路故障下的极限切除时间,并以此作为大扰动故障临界切除依据,输入训练好的人工神经网络即可输出CUEP。数值仿真采用IEEE-39节点系统来构造算例,以C#.NET2010为编程语言,与时域仿真法对比证明了该方法的有效性及较高的精度。该方法无需牛顿法迭代计算、节省机时、误差小,具有一定的实用价值。

基于模型预测控制的储能平抑光伏波动的控制策略

提出了利用模型预测控制的方法平抑光伏发电波动的策略。首先,利用小波神经网络预测模型对光伏发电输出进行预测;其次,选取平抑波动和减缓储能寿命衰减为优化指标,利用线性加权和法建立优化目标函数,并用遗传算法求解目标函数的最优解;再次,根据最优解和实际值的误差进行反馈,对预测信息进行修正,并对目标函数滚动优化。最后,采用某光伏电站的信息验证了所提方法的有效性,并对储能出力进行分析,得出了适用于平抑光伏出力波动的储能容量。