基于RBF神经网络滑模控制的卷纸纠偏系统

设计了采用RBF神经网络控制的伺服纠偏控制系统,通过建立其动力学模型,运用MATLAB/Simulink仿真软件仿真,并进行实验验证,分析系统动态性能,得到响应曲线。结果表明,在拉纸速度65 mm/s下,跑偏量从1.5 mm降低到0.55 mm,该伺服系统位移和速度跟踪误差均较小。

基于RBF神经网络的储能VSG控制策略优化

针对传统储能VSG(虚拟同步发电机)不能较好地同时具备抗扰动能力和快速动态响应能力的问题,提出一种以RBF(径向基函数)神经网络优化动态同步器的储能VSG控制策略。首先,建立VSG的数学模型,分析转动惯量和阻尼系数配置对VSG性能的影响,得出参数配置在动态响应和系统动态稳定的矛盾关系。其次,将转子的暂态不平衡功率作为三层前向结构RBF神经网络算法的输入,通过RBF神经网络算法在线学习得出最优暂态补偿功率来动态调节VSG的输入功率,从而减少转子的不平衡转矩,提高VSG的暂态稳定性。最后,通过仿真对比实验验证了所提控制策略的有效性。

基于BP神经网络的分层相控碳酸盐岩储层渗透率预测方法

碳酸盐岩储层受成岩作用影响大,孔隙-喉道结构复杂,孔隙度—渗透率相关性较低,渗透率预测难度较大,常规以线性关系为主的预测方法结果不理想。提出了基于BP神经网络的储层渗透率综合预测方法,可以有效预测碳酸盐岩储层渗透率。方法主要分3步。首先对岩心数据和测井数据进行质量控制;然后结合地质特征,优选预测测井曲线参数和神经网络模型的参数,建立预测模型;最后综合多来源资料,进行预测结果质量控制。将该方法应用于中东地区碳酸盐岩A油藏,渗透率预测结果较好。碳酸盐岩储集空间复杂,孔、洞、缝均发育,岩心塞的渗透率测量只能代表局部位置,而试井资料的动态有效渗透率测量范围较大,可以体现储集空间特征,加之储层黏土矿物含量低,不存在储层敏感性问题和各向异性较弱等因素,最终导致试井动态渗透率数值一般高于岩心渗透率。

在线优化参数的神经网络预测监督控制

使用具有辅助变量的全格式动态线性化方法逼近系统,构建了神经网络监督控制预测模型。利用线性跟踪-微分器建立过渡过程,应用线性扩张状态观测器估计输出预测值及其微分,给出了线性PID控制算法。根据对角回归神经网络构成直接逆控制,提出了改进的控制目标函数。依据非线性递推最小二乘法在线优化了PID控制参数和对角回归神经网络的连接权。当系统控制误差大于一定值时,重置PID控制参数。最后提出了在线优化参数的神经网络预测监督控制,克服了已有的神经网络监督控制存在建模难的问题。仿真研究结果表明控制算法的响应具有理想性能。

基于动态递归神经网络的超磁致伸缩驱动器精密位移控制

由于内在的滞回非线性,超磁致伸缩驱动器(GMA)会在开环系统中引起定位误差,在闭环系统中造成系统不稳定。为了克服这个问题,将动态递归神经网络(DRNN)前馈和PD反馈控制器相结合,提出了一种实时滞回补偿控制策略,以期实现GMA的精密位移跟踪控制。DRNN控制器是根据GMA的滞回特性构造的,通过反馈误差学习方案在线学习GMA的逆滞回模型。仿真结果表明该控制策略能适应GMA滞回特性随机械负载、输入信号的变化,在线建立GMA的滞回逆模型,从而消除滞回非线性的影响,实现GMA的精密控制。

非脆弱递归滑模动态面自适应神经网络控制

针对一类非匹配不确定非线性系统的跟踪控制问题,提出了一种递归滑模动态面自适应控制算法.采用神经网络(neural network,NN)在线逼近系统不确定项,通过设计递归滑模动态面有效综合反推步骤中每步跟踪误差之间相互影响和制约的关系.该方法避免了反推法存在的"微分爆炸"问题,克服了传统动态面方法对其低通滤波器时间常数和神经网络自适应参数摄动脆弱的缺点.稳定性分析证明了该方法能够保证闭环系统所有状态半全局一致最终有界,且跟踪误差可以收敛至原点的任意小邻域.

基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统

提出了一种采用免疫粒子群优化算法对动态递归神经网络进行训练的方法,实现了对Elman网络的结构、权重、结构单元的初始输入和自反馈增益因子等参数的同时进化训练。进而针对非线性系统分别提出了相应的辨识与控制算法,并设计出了相应的辨识器和控制器。最后以超声马达为对象进行了仿真,结果表明:基于所提出的算法而设计的辨识器和控制器在辨识和控制过程中不仅都能取得很高的收敛精度和速度,而且对于随机扰动有较强的鲁棒性,从而为非线性系统的辨识和控制提供了一条新的途径。

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2 4 1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。

基于自结构动态递归模糊神经网络的无人机姿态控制

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明:该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。

基于动态递归模糊神经网络的共振频率自适应反推控制

针对共振破碎机频率控制系统的非线性和参数不确定性问题,提出基于动态递归模糊神经网络的自适应反推控制策略.建立了破碎机频率控制系统的数学模型,在忽略个确定性项的前提下,设计了基于自适应反推方法控制律.其次将电液比例系统中影响频率控制性能的不确定性因素定义为待估计项,采用动态递归模糊冲经网络对其进行估计,给出了基于动态递归模糊神经网络的参数自适应律,并通过Lyapunov方法证明了输出跟踪的收敛性.仿真实验和车载测试结果表明,对于参数的不确定性和负载扰动,该方法具有较好的频率控制性能.

基于动态递归神经网络的半主动控制结构响应预测

提出了一种多输入多输出分支动态递归神经网络模型 ,利用梯度下降法推导了网络权值调整公式。该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响 ,采用分支输入递归处理 ,不但结构响应预测精度好 ,而且大大提高了动态网络的学习和训练效率。应用该模型对线性结构和非线性结构在变阻尼控制和外荷载激励下结构的响应进行了数值仿真 ,表明所提的动态递归神经网络可以达到较高的预测精度。

滑模动态递归模糊神经网络船电推进复合控制

提出了船舶电力吊舱推进系统的复合控制策略,以消除吊舱推进的过冲现象并获得快速平滑的动态响应.复合控制由鲁棒滑模控制和动态递归模糊神经网络控制组成,鲁棒滑模控制利用死区非线性和误差边界厚度法,克服系统的不确定与外界扰动,具有在线自学习算法的动态递归模糊神经网络控制促使系统的跟踪误差趋近于0.建立了基于SIMOTION的半实物仿真Siemens-Schottel推进器系统,仿真与实验结果表明,复合控制具有暂态快速和稳态平滑的动态响应,提高了吊舱推进系统的鲁棒性和运动精度.

基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统运动平滑性和稳定性造成的影响,在传统阻抗控制方法的基础上,提出了一种基于进化动态递归模糊神经网络(EDRFNN)的新的自适应阻抗控制方法。该方法根据在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标阻抗控制参数进行动态调整。在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用基于Lyapunov函数稳定收敛性理论设计的动态BP算法对目标阻抗控制参数在线作进一步的调整。分析和仿真结果表明,这种新的方法较其它阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性。

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器。该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内。应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度。仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能。

永磁同步电机自构式模糊神经网络控制器设计

针对传统PID控制方法不能对电机在工况状态变化时做出快速反应的问题,结合模糊控制和神经网络的特点提出一种智能控制方法。依据模糊神经网络算法组成新的速度控制器代替传统的PID速度控制器。通过RBF神经网络辨识器给出永磁同步电机的Jacobian信息,传递给模糊神经网络控制器,以此解决算法中转速对网络输出的偏导项无法计算的问题。通过自构式反馈来修正网络的拓扑结构,确定模糊神经网络中隐含层的神经元个数,避免因隐含层神经元个数设定不当引起欠拟合或过拟合。仿真和实验的结果表明,电机在启动时能够快速平稳地达到给定转速,超调量和稳态误差小,转矩脉动小、响应迅速。突加负载时速度变化量小且能快速回归平稳运行,突变转速时能快速稳定在变化后的给定转速。

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .

直接自适应动态递归模糊神经网络控制及其应用

针对某些仿射非线性系统中各状态变量间呈微分关系的特点,本文提出仅取某些可测状态变量作为动态递归模糊神经网络(dynamic recurrent fuzzy neural network,DRFNN)的输入,而由DRFNN的反馈矩阵描述系统内部动态关系的直接自适应DRFNN控制算法,克服了将系统所有变量作为输入的传统模糊神经网络(traditioanl fuzzy neural network,TFNN)因某些不可测状态变量所导致的不可实现问题.在电液伺服系统中的应用结果表明:直接自适应DRFNN控制算法相对于TFNN控制算法对系统稳态特性的改善具有较大的优越性.

水下机器人的动态Petri递归神经网络控制方法

针对传统的水下机器人模糊神经网络控制器存在计算量大、抗环境扰动滞后等缺点,设计递归模糊神经网络控制器,通过在线的动态反馈增强水下机器人对环境变化的反应能力。并在网络的第三层即Petri层设计阈值,根据控制器误差的在线控制网络的学习和训练量,从而减少了模糊神经网络的计算量,提高反应速度。基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据离散型李亚普诺夫函数确定了学习率参数,从而保证整个网络的收敛性。实验结果表明,该控制器能够提高递归神经网络的计算效率,减少控制误差,对外界干扰具有较强的鲁棒性,在水下机器人的控制方面取得了更好的效果。

一种新的非线性离散动态大系统递阶控制的神经网络方法

本文给出了一种新的具有全集成化特征的、求解非线性动态大规模系统递阶控制问题（LOCP）的神经网络模型（LHCNN），该神经网络具有结构简洁、紧凑、高效的特点，适合于动态大规模系统的实时优化控制．

静止无功补偿器的小波神经网络PID控制方法研究

静止无功补偿器(SVC)是电力系统中应用广泛的动态无功补偿装置。针对传统比例积分微分(PID)在SVC动态调节过程中由于控制器参数固定而存在动态响应、自适应能力差的问题,提出了一种基于小波神经网络PID(WNNPID)的SVC电流反馈电压稳定控制方法。首先,分别选取SVC的电压差ΔUr、电压误差ΔU和补偿电压USL作为WNNPID控制器的输入信号,而控制器的输出为SVC的参考电纳。然后,采用小波神经网络(WNN)和增量式PID控制对WNNPID控制器的结构进行设计。最后,采用Matlab/Simulink仿真平台对所提控制方法进行仿真,并与基于反向传播(BP)神经网络PID的控制效果进行了对比。仿真结果表明,所提WNNPID控制方法具有更稳定的电压控制效果、较快的响应速度、较好的动静态响应性能和较强的自适应能力。