神经网络自适应逆控制的仿真研究

将神经网络引入逆控制，提出了一种基于神经网络的自适应逆控制。该控制结构主要有两个子神经网络组成，其中一个用于对系统进行辨识，另一个子网络实现对模型的逆作为控制器，从而构成自适应的逆控制。将其应用于热工系统中并进行大量仿真研究，结果表明针对不同的热工对象，该控制系统都能有效的克服扰动，适应环境及参数的变化，表现出良好的鲁棒性和控制精度。

水下机器人神经网络自适应逆控制

水下环境的复杂性以及自身模型的不确定性,给水下机器人的控制带来很大困难。针对水下机器人的特点和控制方面所存在的问题,提出了基于预测 校正控制策略的水下机器人神经网络自适应逆控制结构及训练算法。通过在线辨识系统的前向模型,估计出系统的Jacobian矩阵,然后采用预报误差法实现控制器的自适应。同时,为了提高系统对于外扰的鲁棒性,在伪线性回归算法的基础上,在评价函数中引入微分项。理论分析和仿真结果表明,与原来的算法相比,微分项的引入改善了系统对于外扰的鲁棒性和动态性能。

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了 2个神经网络 ,经离线训练的NN1实现非线性系统的逆 ,在线网络NN2用于补偿逆误差和系统的动态特性变化。对一非线性系统的仿真结果表明 ,神经网络自适应逆控制能够提高系统的动态性能 ,并且具有较好的鲁棒性。

升力式再入飞行器的神经网络自适应逆控制系统设计

分析了升力式再入飞行器的动力学模型,针对现有的再入控制方法的缺陷,提出了利用神经网络自适应逆来设计再入控制系统,使再入飞行器控制系统克服现有的控制方法的缺陷,无需大量的增益调节,自动适应非线性、强耦合的对象特性,适应大范围环境变化,减小对不同飞行条件下气动与结构参数的依赖性,自动补偿不确定因素。最后通过simulink建模对控制系统进行了仿真,验证了此控制系统能很好地跟踪输入,并且能抑制大范围的外部扰动。

利用神经网络自适应逆控制消除干扰和噪声

神经网络的自适应逆控制具有对鲁棒性高、自适应能力强和难以精确建立数学模型的工业对象,尤其是大滞后、非线性、不确定性及时变的对象.利用BP神经网络构成逆控制器,提出一种基于神经网络的模型参考自适应逆控制系统.仿真实验表明,此系统具有良好的消除对象干扰和敏感噪声的作用,可以在工业控制中广泛应用.

神经网络自适应逆控制在铝电解过程控制中的应用

通过采用神经网络自适应逆控制方法来解决铝电解过程中存在的时变和大时滞问题,可以提高其控制性能。本文就铝电解过程进行建模,并将神经网络与自适应逆控制算法相结合,发现神经网络自适应逆控制模型的输出能很好地跟踪铝电解生产过程,控制效果好。在这里提出一个能使铝电解过程很快进入稳态、超调量较小的控制方案,提高铝电解过程的动态和稳态性能。

基于神经网络自适应逆控制的火电厂过热汽温控制系统的研究

本文将径向基函数神经网络与控制相结合,提出了一种基于神经网络自适应逆控制的方法,设计了两个结构和学习算法完全一样的神经网络,从而解决了在线学习难题。将该方法应用于火电厂过热汽温控制系统进行仿真研究,结果表明该方法能较好地适应对象特性的变化,且控制性能比常规串级控制系统有较大的提高。

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。

补偿模糊神经网络自适应逆控制的仿真研究

该文应用的补偿模糊神经网络(CFNN)是结合补偿模糊逻辑和神经网络的混合系统。由于引入补偿神经元使网络容错性更高,系统更稳定;同时模糊运算采用动态的、全局优化运算,并在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。将补偿模糊神经网络与自适应逆控制原理结合应用到某位置伺服系统噪声消除控制中,并同用BP网络,传统PID控制和常规模糊神经网络控制效果比较来证明此方法的优越性。仿真结果表明补偿模糊神经网络自适应逆控制在缩短训练时间,提高控制精度等方面都有显著改善。

Buck型降压变换器的自适应神经网络反步控制

针对Buck型降压变换器在负载投切、输入电压波动等情况下的控制问题,基于反步法设计了一种自适应神经网络反步控制方案。首先,应用径向基神经网络(RBFNN)设计自适应律,在线逼近系统中包含负载电阻项的非线性函数,以提升输出电压的恢复速度和稳定性。然后,引入广义比例积分观测器与神经网络自适应律分工处理系统中存在的不同类型扰动,以增强控制器的抗干扰能力。最后,结合反步控制与神经网络自适应技术,设计了Buck型降压变换器的自适应神经网络反步控制(ANNBC)。实验结果表明,所提方案在负载投切阶段将最大偏离电压从0.87 V减少到0.35 V,验证了该方案的有效性和优越性。

无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。

压电陶瓷执行器的神经网络实时自适应逆控制

提出了基于内积的压电陶瓷动态神经网络非线性、非光滑迟滞逆模型,采用反馈误差学习方法,快速地在线得到压电陶瓷的逆模型,避免了通过正模型求取压电陶瓷的Jacobian信息。结合PID反馈控制,在dSPACE系统平台上实现了压电陶瓷的神经网络自适应逆控制。为提高实时性,采用了效率高、速度快的C-MEX S Function编程。实验结果表明:神经网络自适应逆控制的控制精度为0.13μm,而PID控制精度为0.32μm。所提出方法有效地消除了迟滞的影响,控制精度高。

基于ICPSO优化的PMa-BSynRM神经网络逆系统解耦控制

针对永磁辅助式无轴承同步磁阻电动机(PMa-BSynRM)存在的强耦合和非线性问题,以及神经网络逆系统解耦控制收敛速度慢和易陷入局部极值的问题,提出了一种将BP神经网络与改进混沌粒子群优化(ICPSO)算法相结合的PMa-BSynRM解耦控制方法。基于PMa-BSynRM的结构和工作原理建立转矩和悬浮力的数学模型并进行可逆性分析,再建立BP神经网络作为逆系统,利用ICPSO算法优化其初始连接权值,通过仿真验证优化效果,经过充分训练后,将BP神经网络与原系统串联形成伪线性系统,从而实现PMa-BSynRM的解耦控制。仿真及试验结果表明,采用ICPSO算法优化的BP神经网络逆系统收敛速度和解耦性能均优于传统神经网络逆系统,改善了PMa-BSynRM的动态与静态性能。

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分(Proportional Integral Derivative,PID)控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复训练中安全性的要求。

基于神经网络逆控制的TBCC发动机多变量限制管理

涡轮基组合循环(TBCC)发动机的控制系统既需要对执行机构协同控制以充分发挥每个工作模态的性能优势,又需要实现限制管理功能以保证发动机在安全条件下工作。本文通过分析串联式TBCC发动机流路计算过程,建立其性能动态模型,提出了一种基于神经网络预测反馈与逆控制的TBCC发动机多变量主控回路,其在单一模式阶跃响应超调小于3%,模态转换推力流量波动小于4%。在多变量控制架构中引入了限制管理策略,通过对比分析基于模型预测控制的多变量约束方法,仿真表明本文提出方法在考虑多变量耦合基础上,在过渡态和模态转换过程中满足超限幅度小于0.2%和0.07%,能有效实现限制管理,且结构简单,易于实现。

基于分数阶自适应神经网络的电动舵机伺服系统摩擦干扰补偿控制

摩擦干扰力矩影响电动舵机伺服系统的跟踪性能,造成位置和速度跟踪偏差,甚至可能导致伺服系统不稳定。针对摩擦力矩干扰下的电动舵机伺服系统跟踪性能差的问题,本文提出了一种分数阶自适应神经网络摩擦补偿算法(FOANN),估计并补偿摩擦干扰力矩。首先,建立基于LuGre模型的电动舵机伺服系统模型,利用径向基神经网络估计模型中的不可测状态变量。其次,设计FOANN摩擦补偿控制器,利用李雅普诺夫稳定性理论证明电动舵机闭环系统的稳定性。最后,利用仿真和实验平台,对比分析了FOANN、传统PD控制和模型自适应控制的性能。结果表明,基于本文所提出的FOANN摩擦力矩补偿控制算法,电动舵机伺服系统的位置跟踪误差和速度跟踪误差均大幅减小,FOANN算法能够有效估计并补偿摩擦力矩,降低摩擦干扰对电机舵机伺服系统的影响,提高伺服系统的动态性能。

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明:对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.

机载LiDAR姿态角稳定装置的神经网络逆系统解耦控制研究

机载激光雷达(LiDAR)工作过程中,机载平台姿态角波动会造成激光扫描点云的密度分布不均匀,导致后续数字表面模型重建时精度降低,因此设计了一种推转式姿态角稳定装置,可实现机载平台姿态角波动的实时补偿。设计的姿态角稳定装置具有非线性和强耦合的运动控制特点,为消除其运动耦合关系、提高运动控制精度,基于神经网络逆系统解耦控制策略对姿态角稳定装置进行解耦处理,取得了满意的控制效果。首先,建立了姿态角稳定装置动力学系统的多变量神经网络逆系统模型;其次,采用PID闭环反馈控制器与神经网络逆系统前馈补偿器组合的前馈-反馈复合控制器,实现控制系统的实时解耦,改善动态控制性能;最后,进行了实验验证。结果表明,设计的神经网络逆系统解耦控制方法可有效提高姿态角稳定装置控制精度,并对误差干扰具有优良鲁棒性。

基于自适应神经网络的船舶航向保持预定义性能PI控制

为解决模型动态不确定和外部扰动未知的船舶航向保持问题,提出一种基于自适应神经网络的船舶航向保持预定义性能PI控制方案。在PID控制设计框架下,引入自适应神经网络和预设性能控制技术,从不确定补偿和设计角度提高船舶航向保持的精度和控制性能。在控制设计中,结合自适应神经网络技术与单参数学习技术,使得整个船舶航向保持闭环控制系统仅需要在线更新一个未知参数,系统的复杂度降低,且可以实现离线确定船舶航向误差的功能。基于李雅普诺夫稳定性理论进行分析,结果表明所提出的控制方案能保证整个闭环控制系统所有信号均有界。通过数值仿真验证了所提出方案的有效性和优越性。