基于改进CMAC的高阶柔性直线系统跟踪控制

针对高阶柔性直线系统的跟踪控制问题,设计了一种将改进的小脑模型关节控制器(Cerebellar Model Articulation Controller,CMAC)神经网络与传统控制器并联的控制方案。基于参数自适应算法和梯度下降法提出了一种高斯基函数CMAC神经网络的参数自适应更新律;利用符号距离的概念减少了神经网络的输入维数;并利用自适应遗传算法对神经网络的学习率进行了优化。仿真实验表明改进的高斯基函数CMAC具有比传统CMAC更好的学习能力,控制方案实现了高阶柔性直线系统的无差跟踪控制。

直线柔性连接两级倒立摆系统建模

倒立摆系统是一个复杂的、非线性的、不稳定的高阶系统。倒立摆的控制一直是控制理论及应用的典型课题,而实施有效控制的关键是对该系统进行建模。在对倒立摆系统进行了概要的介绍后,详述了如何利用拉格朗日方程对直线柔性连接两级倒立摆建模。科研人员可基于此模型研发各种控制策略。

直线柔性二级倒立摆控制系统的频率响应法设计

通过伯德图直观地得出了直线二级柔性倒立摆系统开环传递函数的增益裕量和相位裕量均不满足规定性要求的结论。继而用频域设计的方法增加一个校正装置,其瞬态响应和稳态精度都得到了显著改善,从而为其控制的稳定性奠定了可靠的理论基础。

GBF-CMAC和滑模控制的柔性结构系统控制

针对一类不确定系统的跟踪控制,设计了一种将GBF-CMAC(cerebellar model articulation controller with Gauss basis function)与滑模控制相结合的控制系统。利用符号距离和分层结构减少了神经网络所需存储器的数量,并提出了一种神经网络参数的自适应学习律。将设计的控制器用于含有不确定性和欠驱动结构的高阶柔性直线结构系统的跟踪控制,并与一般滑模控制和积分滑模控制进行了比较。实验结果表明,所设计的控制器不仅具有较好的鲁棒性,而且改善了滑模控制存在的抖振问题。同时通过调整神经网络的参数对抖振进行控制,实现了抖振和跟踪性能之间的最优选择。