基于神经元补偿的直线伺服系统全程滑模控制

针对直接驱动的交流永磁直线伺服系统 ,提出一种基于神经元补偿控制的全程滑模变结构控制策略 .该控制策略是使控制系统从开始就处于所设计的滑动模态上并将其保持 ,解决了以往变结构控制系统中能达阶段的鲁棒性问题 .通过神经元控制的补偿作用 ,削弱了滑模控制引起的抖振 .仿真实验结果表明 ,该策略对系统参数变化和负载扰动等不确定因素具有很强的鲁棒性 。

采用神经元补偿器的机械手计算转矩控制算法

在本文中，我们提出了一种神经网络控制方法，以增强在机械手控制中普遍使用的计算转矩控制结构．本算法将计算转矩控制结构，和神经网络补偿结构有效地结合起来，使得在不增加控制结构复杂性的基础上，大大增强了控制的鲁棒性．由于神经元补偿器具有很强的自适应性，因此在整个控制算法中无需事先精确了解机器人的动力学参数和结构，而且在操作中变化的参数也能得到很好的补偿．这种算法还有一个突出的优点就是，神经元补偿器作为前馈控制回路中的一个独立部分，使得整个控制系统能够实现多速率采样控制结构．

VAV系统送风管道静压的线性神经元网络补偿控制

利用神经元网络具有自学习以及超强非线性逼近的能力 ,提出了基于线性神经元网络的补偿控制方法。这种控制方法能够根据送风管道静压耦合因素的变化自适应地调节控制量 ,实现对管道静压的补偿控制。给出了神经元权系数的在线学习方法 。

基于神经元动态补偿的模糊控制及其应用

提出一种基于神经元动态补偿的模糊控制策略 ,应用于一液压位置系统控制实验结果表明 ,所提出的控制策略可行 ,对进一步改善控制系统的鲁棒性及提高模糊系统控制精度具有明显积极作用 ,是一种有效的复合控制方法 .

VAV系统送风管道静压神经元网络控制的仿真研究

变风量(variableairvolume,VAV)空调系统中送风管道静压的控制效果直接决定了VAV系统的稳定性和节能能力。但送风管道静压的强耦合特性往往使得其控制效果很不理想。针对这种情况,该文利用了神经元网络具有自学习以及超强非线性逼近的能力,提出了基于线性神经元网络的补偿控制方法。这种控制方法能够在线学习,根据送风管道静压耦合因素的变化自适应的调节控制量,实现对管道静压的补偿控制。文中给出了神经元权系数的在线学习公式,建立了被控对象数学模型,并通过Matlab仿真验证了控制算法的有效性。

带智能补偿的模糊PID控制在伺服系统中的应用

对于常规PID及模糊PID控制在交流伺服电机伺服系统控制中的不足,提出一种带智能补偿的模糊PID控制策略,应用于PMSM伺服系统的电流控制中。仿真结果表明,该控制策略能提高系统的控制精度,使系统响应速度快且具有较强的鲁棒性。