基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法.算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点.采用自适应性学习率,提高神经网络的收敛能力和速度.以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标.然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制.仿真研究说明了该非线性预测控制器的有效性.

基于自回归小波神经网络的感应电动机滑模反推控制

为了提高感应电动机控制的鲁棒性,提出了一种新颖的感应电动机解耦模型.基于感应电动机的解耦模型,利用滑模控制和反推控制设计电动机的虚拟转矩和磁链电压控制器.滑模开关增益的大小是造成系统抖振的关键,采用自回归小波神经网络(Self-recurrent wavelet neural networks,SRWNN)在线估计滑模开关增益的大小可以有效降低滑模控制造成的抖振.仿真结果表明基于SRWNN在线估计滑模开关增益的滑模反推控制方案可以有效提高感应电动机控制的鲁棒性,同时降低了滑模控制造成的抖振.

基于自回归小波神经网络的空中目标威胁评估

针对空战中目标威胁评估系统非线性、评估难度大等特点,提出了自回归小波神经网络(Self-recurrent Wavelet Neural Network,SRWNN)的空中目标威胁评估方法。通过分析SRWNN结合递归神经网络(Recurrent Neural Net RNN)的吸引子动力学和WNN快速收敛的特点,建立了SRWNN模型,提出了SRWNN的参数优化学习算法,以实现增强自学习能力的目的,然后分析了威胁评估的影响因素,给出了基于SRWNN的空中目标威胁评估算法的程序设计。仿真实验结果表明,与WNN相比,该算法提高了系统的稳定性,加快了收敛速度,增强了预测精度。

柔性铰接板振动视觉测量与小波神经网络控制

为了解决航天器上用于供能的太阳帆板类柔性薄板结构的振动问题,针对一种移动柔性铰接板系统构建了双目视觉系统的振动测控实验平台,采用双目立体视觉方法来检测振动,并设计了自回归小波神经网络控制器(Self-Recurrent Wavelet Neural Network Controller,SRWNNC)来抑制振动。对双目视觉系统进行了标定,基于视差原理和图像处理算法,通过解算标志点的三维坐标来获取振动信号。建立了系统的有限元模型,并通过辨识得到校正后的系统模型参数。基于辨识得到的模型在仿真环境中训练SRWNNC,用于实验系统的振动主动控制。分别针对移动柔性铰接板系统固定基座和平移轨迹运动两种情况,进行了双目视觉振动检测和振动控制仿真和实验研究。仿真和实验结果表明,双目视觉传感器对振动信号的检测精度小于0.1 mm,SRWNNC也展现出比大增益PD控制器更好的抑振效果,验证了双目视觉振动检测和SRWNNC抑制振动的准确性和有效性。

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络(FWNN)间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang(TSK)模糊模型的后件部分由自回归小波神经网络(SRWNN)构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。

基于小波神经网络补偿的飞艇滑模控制

平流层飞艇具有非线性、参数慢时变等特征,在滞空期间,还受到阵风及大气紊流的影响.将反推滑模技术用于实现飞艇姿态的鲁棒控制,保证了系统稳定.为避免变结构控制中固有的抖振现象,使用自回归小波神经网络(Self-Recurrent Wavelet Neural Networks,SR-WNN)实时调整开关增益的大小,网络的自回归单元可以克服小波函数的振荡特性,使得估计更为平滑.仿真结果表明:控制器能够适应飞艇结构参数变化及外部扰动的影响,获得强的鲁棒性与好的动态性能.

柔性关节机械臂自适应神经网络动态面控制

针对柔性关节机械臂动力学模型具有非线性、不确定性和未知的外界扰动等问题,提出了基于自回归小波神经网络的自适应动态面控制方法.采用对于非线性系统具有良好学习和快速收敛能力的自回归小波神经网络,在线观测和补偿动力学模型的不确定项.并应用动态面方法设计控制器实现了关节轨迹跟踪控制.仿真和实验结果显示：当存在模型参数不准确及未建模的外部扰动力矩时,控制算法表现出良好的自适应能力,与传统动态面法和PD（比例微分）控制相比较,显著提高了柔性关节的位置跟踪精度.

无模型动态摩擦的自回归小波神经补偿控制

针对低速伺服系统的摩擦补偿问题,提出一种基于自回归小波神经网络的智能控制算法,无需预知系统的动力模型参数,仅通过闭环位置反馈,网络即能利用极少的神经元和迭代次数实现对非线性摩擦的高精度补偿.Lya-punov稳定性分析结果证明了跟踪误差和网络权值的有界收敛性.某型机器人关节的伺服实验结果表明,引入自回归小波神经补偿算法后的伺服定位精度得以大幅度提高.

具有预设性能的板球系统神经超扭曲滑模控制

提出了一种新的具有预设性能的自回归小波神经网络(self-recurrent wavelet neural network,SRWNN)超扭曲非奇异快速终端滑模(super-twistingnon-singularfastterminalsliding mode,STNFTSM)控制方法(SRWNN_STNFTSM),在动力学不确定性和未知扰动的情况下提高板球系统的跟踪控制性能。利用预设性能函数(prescribed performance function,PPF),将板球系统受约束的位置误差转换为无约束的误差模型。引入非奇异快速终端滑模(non-singular fast terminal sliding mode, NFTSM)面来消除常规终端滑模控制存在的奇异问题,并加入一个tanh函数的补偿项改进NFTSM滑模面,以调节轨迹跟踪的收敛速度和跟踪精度,同时结合超扭曲算法(super-twisting algorithm,STA)设计STNFTSM控制器,以削弱抖振和集总扰动的影响。针对系统存在的集总扰动,为了保证高跟踪精度,结合STNFTSM设计了自适应SRWNN补偿器来消除扰动,保证了鲁棒性。与现有常规滑模控制相比,仿真验证表明SRWNN_STNFTSM具有良好的跟踪性能和鲁棒性,能够对集总扰动下的板球系统进行准确跟踪。

一种新的MIMO非线性系统动态解耦控制方法

提出了一种基于回归小波网络(recurren t w ave let netw orks)的多输入多输出系统(m u lti-inpu t m u lti-ou tpu t)动态解耦控制的新方法。该方法为分散式控制结构,采用回归小波网络作为解耦辨识器(decoup ling iden tifier),在线动态辨识、回馈对应输入输出的灵敏度信息(sens itiv ity in form ation),P ID神经网络控制器根据回馈信息实现自适应分散独立控制。小波函数的紧支性、波动性以及回归网络较强的动态非线性映射能力使得回归小波网络具有较好的综合性能。仿真结果表明,用该方法构成的控制系统解耦效果好,收敛速度快,且具有较好的鲁棒性。

弹性关节空间机械臂级联智能滑模控制

谐波减速器和力矩传感器等柔性元件因其独特性能而广泛应用在空间机器人关节系统中,以获取高减速比.但同时这些柔性元件的存在为空间机械臂系统引入了关节柔性,使得对其稳定控制变得更为复杂.基于此,文中讨论了基于自适应回归小波神经网络(Self-RecurrentWaveletNeuralNetworks,SRWNN)的弹性关节空间机械臂系统动力学建模及级联智能滑模控制.首先,利用级联系统理论及第二类拉格朗日方法推导出了由外环刚性臂子系统和内环关节电机转子子系统组成的系统级联动力学模型;其次,为两个子系统分别设计了内、外环自适应滑模回归小波神经网络控制.外环控制算法以期望轨迹为控制量,而其控制信号作为抑制弹性关节振动的内环控制算法的控制量,整个控制系统由内、外环控制系统叠加而成;而后,基于Lyapunov稳定性理论证明了整个控制系统的稳定性并设计了自适应回归小波神经网络的各权值参数在线学习算法.所提的控制算法有效地消除了模型不确定的影响,避免了复杂的求导计算和角加速度可测的要求,同时,控制系统设计过程中未涉及惯常奇异摄动双时标分解操作,在理论上适合任意大小的关节柔性刚度.最后,系统对比仿真试验证明了所提的级联智能控制算法优于惯常基于奇异摄动法和基于柔性铰补偿奇异摄动法的控制方案.

基于SRWNN-ADRC的交流伺服系统定位控制

针对高炮位置交流伺服系统控制存在的外界扰动以及非线性特性等问题,提出了一种自回归小波神经网络改进型单神经元自抗扰控制器(SRWNN-ADRC)。单神经元自适应控制器(SNAC)将非线性误差反馈控制律中的非线性增益作为其权值系数,利用SRWNN作为辨识器,在线辨识被控对象的梯度信息并将其提供给SNAC。通过SNAC的自学习功能实现ADRC中参数的在线调节。仿真结果证明,此控制策略使系统具有较好的稳态性能,抗干扰能力强,且动态品质也得到了优化。