基于激光测距的微型机械臂关节控制模型

为了更加深入探究并提升机械臂关节控制效果,提出一种基于激光测距的微型机械臂关节控制模型,通过激光测距技术对微型机械臂周边环境进行感知,同时进行数据点扫描,将全部数据点集进行直线分割以及拟合等相关操作,获取二维环境地图。在上述基础上,通过坐标变换矩阵获取微型机械臂的正运动学模型,利用正运动学模型得到机械臂逆运动学模型。将获取的动力学模型转换为仿射非线性系统的形式,利用输入输出反馈线性化方法选取合适的状态变换和反馈变换,通过滑膜控制方法构建微型机械臂关节控制模型,采用模型进行关节控制。仿真实验结果表明,所提模型可以获取理想的微型机械臂关节控制结果。

基于小脑模型-模糊滑模控制的电力系统低频振荡控制策略研究

由于现代电力系统互联规模不断增大,柔性控制系统加入和长距离输电使得电网阻尼不断减小,运行方式的多变性不断改变系统潮流分布,极易引发低频振荡现象。针对此问题,该文提出一种基于小脑模型关节误差修正的模糊滑模附加阻尼控制策略。首先在模糊滑模控制(fuzzy sliding mode control,FSMC)的基础上,引入小脑模型关节控制(cerebellar model articulation control,CMAC)理论,构建CMAC-FSMC算法,提高滑模趋近阶段模糊逻辑对系统的补偿能力,最大程度提高系统稳定性能;其次通过构造CMAC-FSMC的调整指标与总控制率,减小控制误差,提高控制性能;最后通过线性降阶方法建立被控系统模型并确定区间振荡模态,采用几何测度法选择最佳反馈信号和安装位置,基于所提出的CMAC-FSMC方法进行广域阻尼控制器设计。通过对10机39节点系统进行仿真验证,结果表明CMAC-FSMC控制策略能够有效提高系统阻尼,显著抑制低频振荡。

机械手单关节的混合模糊控制模型

本文建立了机械手的单关节控制模型，并提出了一种基于模糊理论的机械手控制方法—一混合模糊控制，克服了传统方法对机械手控制的静态误差不稳定、响应速度慢、平滑性差等问题，进而提出了关于机械手控制的一个方向。

一种状态自动划分的模糊小脑模型关节控制器值函数拟合方法

在庞大离散状态空间或连续状态空间中,强化学习(RL)需要进行值函数拟合以寻找最优策略.但函数拟合器的结构往往由设计者预先设定,在学习过程中不能动态调整缺乏自适应性.为了自动构建函数拟合器的结构,提出一种可以进行状态自动划分的模糊小脑模型关节控制(FCMAC)值函数拟合方法.该方法利用Bellman误差的变化趋势实现状态自动划分,并且探讨了两种选择划分区域的机制.汽车爬坡问题和机器人足球仿真平台中的实验结果表明新算法能有效拟合值函数,而且利用所提出的函数拟合器智能体可以进行有效的强化学习.

基于小脑模型关节控制器与PID复合的高速公路交通流密度控制

高速公路交通控制系统是一个复杂的非线性时变系统,传统的匝道控制方法难以取得满意的控制效果.为此,本文提出基于小脑模型关节控制器(CMAC)与PID复合的匝道控制方法.首先建立了二阶宏观动态交通流模型,然后研究了CMAC与PID复合控制算法,结合非线性反馈理论,设计了基于CMAC与PID复合的高速公路交通流密度控制器,该密度控制问题是一个输出跟踪和扰动抑制问题,最后采用两个仿真实例对该方法的有效性进行验证.结果表明,复合控制具有优越的密度跟踪性能和抑制噪声干扰的能力;复合控制方法能够有效地消除交通拥挤,并使主线车流趋于稳定.

基于小脑模型关节控制器的水下机械手复合运动控制的研究及仿真

水下机械手系统是一个高度非线性强耦合的作业系统,作业环境非常复杂且受到强干扰。考虑水动力对水下机械手的作用,推导了水下机械手的动力学模型;提出了一种基于小脑模型关节控制器与PID的复合控制算法,使水下机械手具有在线学习能力,能适应复杂的水下作业环境。以二关节水下机械手为例,利用MATLAB/Simulink对水下机械手的作业控制进行了仿真研究,结果证明,该控制方法和动力学模型可以有效地用于水下机械手的控制研究。

基于小脑模型关节控制器的电液伺服舵机加载系统多余力矩补偿器研究

针对电液伺服舵机加载系统存在多余力矩的问题,提出一种基于小脑模型关节控制器的多余力矩补偿器设计方法。仿真结果表明,小脑模型关节控制器多余力矩补偿器抑制多余力矩的效果要远远优于传统多余力矩补偿器,且具有良好的鲁棒性。

小脑模型关节控制器网络在传送带给料生产加工站学习优化控制中的应用

研究单站点传送带给料生产加工站(conveyor-serviced production station,CSPS)系统的前视(look-ahead)距离最优控制问题,以提高系统的工作效率.论文运用半Markov决策过程对CSPS优化控制问题进行建模.考虑传统Q学习难以直接处理CSPS系统前视距离为连续变量的优化控制问题,将小脑模型关节控制器网络的Q值函数逼近与在线学习技术相结合,给出了在线Q学习及模型无关的在线策略迭代算法.仿真结果表明,文中算法提高了学习速度和优化精度.

介电型电活性聚合物驱动转动关节控制技术研究

介电型电活性聚合物(Dielectric electroactive polymer,DEAP)具有大应变、高效率、高能量密度等优点,在仿生机器人领域具有广泛的应用前景。基于生物关节驱动原理及圆柱形驱动器特点设计了单自由度转动关节。根据弹性大变形理论建立驱动器DEAP膜的机电耦合模型,通过微分方程组的迭代求解可获得关节输入电压与输出角度之间的非线性关系,但计算工作量大。将小脑模型关节控制器CMAC(Cerebellar model articulation controller)神经网络与PD控制器相结合实现输出角度与输入电压之间的非线性映射,避免了复杂计算过程。阶跃和正弦参考信号的跟踪控制试验验证了CMAC神经网络控制的可行性。

飞行机器人递归小脑神经网络模型分解控制

为解决一类不确定非线性系统的控制问题及系统混合干扰上界在实际应用中难以测量的问题,提出递归小脑神经网络模型分解控制算法。将系统分为名义模型、结构不确定性和非结构不确定性,分别对名义模型设计直接反馈控制器、对结构不确定性设计自适应控制器、对非结构不确定性设计鲁棒控制器。设计递归小脑模型关节控制器作为观测器来对系统干扰的上界进行实时逼近。李亚普诺夫理论证明了控制算法可使系统渐进稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性。研究结论为复杂非线性系统的有效控制提供了依据。

无刷直流电机系统的CMAC逆模型控制

基于逆系统控制的思想,针对无刷直流电机系统的非线性、强耦合以及不确定因素等提出了一种逆模型智能控制方法。该方法利用小脑模型关节控制器实现无刷直流电机的逆动态模型,与原系统模型构成线性系统,获得较传统PID控制更理想的动静态性能,有效克服各种复杂因素的影响。该方法响应快速、无超调、抗扰能力和鲁棒性强,可显著提高实时跟踪能力和控制精度。仿真证明了该方法的有效性,为无刷直流电机控制提供了一种新途径。

一种CMAC网络模型及其在机器人控制中的应用

小脑模型关节控制器(CMAC)具有学习算法简单、在线学习速度快的优点，非常适于机器人等复杂系 统的自适应控制．本文阐述了 CMAC 的原理，证明了其收敛性，提出了一种适合于机器人轨迹跟踪控制的 CMAC，并给出了仿真实验结果．

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.

惯性稳定平台变置信度优化平滑CMAC复合控制

提出了一种基于变置信度(MC)及优化平滑算法(OS)的改进型小脑模型关节控制器(CMAC)复合控制方法,用于提高航空遥感惯性稳定平台控制系统指向精度及稳定性。首先,以CMAC学习过程中存储单元被激活的次数为依据,对存储单元设置不同的置信程度,提高了CMAC控制器的学习效率与控制精度,避免了系统动态跟踪中过学习发散现象而导致的控制系统精度下降甚至崩溃;其次,针对常规CMAC算法系统输出波动较大问题,加入优化权值算法,改善系统输出平滑性,提高了CMAC控制器的稳定性,避免了系统输出波动对电机及传动系统损害;最后对提出方法进行了仿真分析并利用实验室某三轴惯性稳定平台进行实验验证。实验结果表明:采用基于MC&OS的改进型CMAC复合控制方法后,稳定平台系统控制精度、响应速度及输出平滑稳定性均得到有效提高,动基座推车实验框架角位置水平跟踪误差RMS值为0.021 6°,相对PID与常规CMAC控制方法分别降低了55.09%和30.55%。

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller,FCMAC)网络的非线性自适应逆控制方案。将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统。在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整。仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想。

基于CMAC强化学习的交叉口信号控制

采用神经网络值函数逼近的强化学习方法处理交叉口的信号控制。根据交通流及交叉口信号特征,建立强化学习的状态空间、动作空间和回报空间,以最小化车辆在交叉口的延误为控制目标,对信号进行优化控制。引入小脑模型关节控制器神经网络对强化学习(RL)的Q值进行逼近。在变化的交通条件下,使用典型交叉口对提出的RL模型进行验证,同传统的定时控制和全感应控制进行对比分析。仿真结果表明,RL控制器具有较强的学习能力,可以适应交通流的动态变化,稳定性好、自适应性强,对于环境变化具有较强的适应能力。

电液负载模拟器的自适应滑模控制方法

针对电液负载模拟器存在的系统非线性、不确定性和强干扰的控制难点,设计了自适应滑模控制方法。设计积分滑模以降低控制器对期望跟踪轨迹高阶导数的要求;设计动态滑模算法抑制抖振;采用小脑模型关节控制器(CMAC)在线学习系统不确定性以降低控制器参数设计的保守性。设计了自适应滑模控制律,给出了CMAC神经网络权值调整算法,证明了控制器的稳定性,以确保系统稳定且输出跟踪误差渐近收敛于零。仿真结果证明了控制策略的有效性。

个性化驾驶员模型及其在车辆测试中应用

为了在车辆测试中融入不同的驾驶风格而使测试结果更接近于真实,提出一种基于汽车测试数据和神经网络的驾驶员建模方法。考虑到实际数据的高度离散性和局部突变性,以局部性神经网络的典型代表小脑模型关节控制器(Cerebellar model articulation controller,CMAC)网络为基础,采用学习控制的直接逆模型法来建立驾驶员模型,用此模型代替驾驶员或常规的PID模型进行联邦测试循环(Federal test procedure,FTP)标准工况的实验室测试。另一方面,为方便起见,建立并采用基于神经网络和汽车测试数据(Vehicle test data,VTD)的汽车模型来代替真实汽车进行模拟测试。以VTD以及FTP标准为背景的测试结果验证了所提方法的有效性。同时,采用个性化驾驶员模型能够在体现驾驶风格情况下完成标准工况测试,减轻劳动强度,并使实验室测试更接近于真实。

飞行器稳定性控制方法设计

飞行器余度舵机中的纷争力问题严重影响飞行器的稳定性,传统的PID控制方法对于动态下的纷争力不能有效地抑制。为了减小纷争力,提高飞行器的稳定性,设计一种小脑模型神经网络控制器。首先以某型副翼控制系统为研究对象,阐述了基本工作原理,建立了电液作动器的动态模型,其次分析了纷争力的形成原因,并确定以纷争力为位移补偿的控制策略,然后设计了小脑模型神经网络控制器并实现了对系统中包括纷争力在内的非线性环节的逼近,最后利用Matlab/Simulink模块进行了仿真。仿真结果表明,相对于传统PID控制方法,小脑模型神经网络控制方法有效地抑制了动、静态下的纷争力,提高了飞行器的稳定性。

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.