采用自适应神经网络观测器的旋翼无人机容错控制

针对共轴多旋翼无人机中容易出现电机故障和复合干扰的问题,采用自适应神经网络观测器设计了容错控制算法。首先,建立了包含电机故障和复合干扰的共轴八旋翼无人机运动模型;然后,通过神经网络来逼近复合干扰,并利用自适应律估计故障因子,设计了自适应神经网络观测器对系统状态进行估计;最后,针对姿态角回路和角速度回路设计了反步容错控制律,并利用滤波器对虚拟指令信号进行滤波,抑制了微分爆炸现象,实现了共轴八旋翼UAV的渐近稳定。实验结果表明:所提方法与自适应容错控制方法相比表现出了更优的稳定性和准确性,最大跟踪误差仅为0.1°,有效补偿了复合干扰和旋翼电机故障的影响,提升了无人机的飞行稳定性和容错性能。

混合蛙跳脊波神经网络观测器电机故障诊断研究

针对牵引电机非线性、强耦合、时变的特点,提出一种基于混合蛙跳算法脊波神经网络观测器牵引电机故障诊断方法。该方法利用观测器生成残差,并通过对残差的分析实现故障检测与分离。首先将牵引电机模型分为线性函数部分和非线性函数部分,并利用脊波神经网络逼近这个非线性函数,然后在此基础上建立自适应观测器,并通过最优算法求出观测器反馈增益矩阵。为提高神经网络的收敛速度和逼近精度,利用混合蛙跳优化算法对神经网络参数进行优化。通过实验对混合蛙跳算法脊波神经网络观测器、RBF神经网络观测器以及BP神经网络观测器进行比较,结果表明,该方法的收敛速度较BP神经网络观测器提高了80.3%,故障诊断准确率提高41.5%。

基于粒子群优化神经网络观测器感应电机定子电阻辨识

针对感应电机模型参数时变性突出的问题,提出一种基于粒子群优化神经网络观测器感应电机定子电阻辨识方法。该方法首先通过构建一个含待辨识参数的非线性函数,然后根据神经网络的一致逼近任意非线性连续函数的性质,利用RBF神经网络逼近这个非线性函数,并在此基础上构造自适应观测器。采用伪降阶观测器结构,减少了参数辨识的计算时间;用粒子群优化算法对神经网络参数进行优化,提高了神经网络的收敛速度和逼近精确度。仿真和实验结果验证该方法鲁棒性强,动态性能好,具有较好的辨识效果。

基于神经网络观测器组的传感故障诊断仿真

介绍了神经网络观测器原理 ,给出神经网络观测器输入、输出向量之间的非线性映射关系 ,以及采用神经网络观测器组实现传感器故障诊断的方法。在MATLAB环境下对该方法进行仿真检验 ,验证了神经网络观测器组方法对传感器故障诊断的有效性。

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性,提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络,采用带修正项的误差反传算法进行训练,以保证控制的精度和权值有界,利用神经网络识别系统的非线性部分,并结合传统的龙伯格观测器重构系统状态;利用Lyapunov直接法保证基于权值误差的非观测器的稳定性,并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明,该方法解决了模型不确定系统状态观测问题,适用于模型精度较低的非线性系统。

基于神经网络观测器的起重机吊重摆角速度软测量研究

为了解决起重机吊重系统吊重摆角速度不易直接测量的问题,利用神经网络能对任意函数逼近的原理,采用RBF神经网络针对吊重摆角子系统,以吊重摆角为可测输入量,在基本状态观测器的基础上设计了神经网络状态观测器,通过合理设计神经网络参数,实现对吊重摆角速度现场软测量.与基本观测器的观测结果进行了对比仿真,结果表明:神经网络观测器的观测时间不到1 s;当系统存在建模误差和参数摄动时,神经网络观测器能较好地适应小车驱动力输入形式;在达到观测时间之前,基本观测器存在明显的高频振荡现象,且振荡的幅值随外界干扰幅值的增大而增大,神经网络观测器具有较平稳的观测过程.

基于神经网络观测器的PMSM无传感器矢量控制

对于传统使用位置传感器的调速系统不仅价格昂贵而且也容易损坏,同时也严重地影响了系统的可靠性。为此提出了一种采用神经网络观测器来解决调速系统中有传感器控制的方案。为了验证这种方案的可行性,通过MATLAB/Simulink进行仿真实验。在给定转速和负载转矩发生突变时,测试矢量控制的性能和神经网络观测器的有效性。仿真实验表明,神经网络观测器能准确地估计出转子的位置,并且转速没有发生瞬态振荡,切实地符合了给定转速信号,同时神经网络观测器也可以有效且稳定地跟踪速度的反转,这一研究对实际应用提供了重要的理论指导作用。

基于径向基函数神经网络观测器的设计及应用

为了解决系统状态变量不宜直接测量的问题,利用神经网络能对任意函数逼近的原理,采用RBF神经网络针对标准单输入、单输出系统,利用可测变量为输入量,在基本状态观测器的基础上设计了神经网络状态观测器。系统状态观测误差是收敛有界的,并且该界与神经网络权值逼近误差有关,合理设计神经网络参数,将该观测器应用于起重摆角子系统,利用小车位置变量为输入量,实现对吊重摆角速度的现场软测量。仿真研究的结果表明,神经网络观测器具有良好的快速响应性,其观测时间小于1 s;当系统存在建模误差和参数摄动时,神经网络观测器能较好地适应小车驱动力的输入形式;神经网络观测器具有较平稳的观测过程。

一种新型神经网络观测器的设计与应用

针对传统线性观测器只在操作点附近具有工作满意度区间和传统非线性观测器对模型准确度依赖较大的问题,提出一种非传统的神经网络观测器设计方法。该神经网络是一个三层前馈网络,采用带修正项的误差反传算法进行训练以保证控制的精度和权值的有界。为降低对系统模型精度的依赖度,采用神经网络去识别系统的非线性部分,再结合传统的龙伯格观测器去重构系统的状态。利用Lyapunov直接法保证基于权值误差的非传统观测器的稳定性。最后将该观测器应用于机器人轨迹跟踪控制中,仿真结果表明:该方法适用于模型精度较低的非线性系统,可以满足控制的要求。

基于神经网络观测器的感应电动机直接转矩控制系统

直接转矩控制的原理是根据定子磁链及转矩的偏差值 ,选择逆变器的开关状态 ,以实现对转矩和磁链的直接控制。然而 ,在启动和负载变化阶段 ,直接转矩控制的反应较慢。因此 ,本文推出了模糊控制器 ,以克服上述不足。此外 ,本系统利用人工神经网络建立异步电动机直接转矩控制的定子磁链观测器 。

基于神经网络观测器的机器人故障诊断方法研究

径向基函数神经网络对非线性映射具有强大的逼近能力和良好的泛化能力。该文针对机器人系统的故障诊断问题,提出了基于径向基函数神经网络的故障诊断方法,依靠径向基神经网络的结构优势,设计了一种机器人系统的人工神经网络观测器,通过比较运行过程中实际系统与观测器的输出差异,获得各关节运行参数的残差,实现对故障的识别。仿真采用二连杆机器人系统为研究对象来验证该文提出的方法,仿真结果表明了故障诊断方法的有效性。

3RPS/UPS并联机器人神经网络观测器反演控制

为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能,将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析,然后针对传统PID控制在控制精度方面的不足,提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验,并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出,根据RBF神经网络观测器估计系统状态值,并应用反演控制理论设计控制器,能实现很好的状态观测,从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度,且其整体控制效果优于传统PID控制器,相比于一般的RBF神经网络自适应控制也有了一定的改进。

基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.

基于神经网络观测器的飞行器传感器故障检测

为了避免传感器故障对飞控系统的影响,实现传感器故障的快速检测与隔离,提出了一种基于神经网络观测器(NNOB)的传感器故障检测方法。在建立四旋翼飞行器姿态故障模型的基础上,利用非线性观测器得到的期望输出和传感器测量值设计基于神经网络(NN)的传感器故障观测器,利用扩展卡尔曼滤波器(EKF)更新神经网络的权值参数,通过Lyapunov理论证明权值参数更新的收敛性,最终构建出一种基于神经网络观测器的传感器故障检测系统。数值仿真实验结果表明,与现有神经网络故障检测方法相比,所提方法具有更高的故障检出率与更好的跟踪性能。

基于神经网络观测器的卫星姿态控制系统陀螺故障诊断

针对基于解析模型的卫星姿态控制系统陀螺故障诊断方法存在设计复杂、参数求解困难的问题,提出一种基于神经网络观测器的陀螺故障诊断方法;由系统内的冗余关系导出故障诊断逻辑,实现对陀螺故障的检测和隔离;同时利用先验模型知识和神经网络的非线性建模特性对陀螺故障进行估计;仿真结果表明,该方法能够实现对陀螺故障的检测、隔离和估计。

基于神经网络干扰观测器的柔性航天器姿态稳定控制

本文针对柔性航天器在惯性参数未知、外界干扰、输入饱和等复杂条件下的姿态控制问题,提出了1种基于神经网络干扰观测器的柔性航天器姿态稳定控制方法。首先,基于包含压电振动抑制输入的柔性航天器姿态动力学模型,构建了包含外界干扰、惯性参数不确定性的综合扰动项;其次,基于RBF神经网络设计干扰观测器与自适应参数调节律实时地估计综合扰动;再次,设计了1种固定时间收敛且有限时间稳定的非线性滑模控制器,并通过Lyapunov理论进行了稳定性分析;最后,利用航天器闭环姿态动力学系统进行数值仿真。结果表明:所设计的基于神经网络干扰观测器的控制方法可以有效实现航天器的姿态稳定、振动抑制与干扰估计,从而顺利完成航天器的高精高稳控制任务。

基于神经网络干扰观测器的Terminal滑模控制

针对一类非线性不确定系统,通过构建动态干扰观测器系统,提出一种快速神经网络干扰观测器。根据干扰观测误差在线调节神经网络权值,实现对未知综合干扰的逼近,逼近误差一致最终有界。基于神经网络干扰观测器设计了自适应Terminal滑模控制方案,严格证明了闭环系统状态在有限时间内收敛到零,从而提高了状态的收敛速度。最后,通过一个倒立摆的仿真例子,验证了系统的快速性和神经网络干扰观测器的逼近能力。

基于神经网络滑模观测器的飞控系统故障诊断

为了提高控制系统的安全性和可靠性,针对含有扰动的飞控系统执行器微小故障诊断问题,基于神经网络滑模观测器,提出了一种对系统执行器故障进行检测及估计的办法,并证明了该神经网络滑模观测器的稳定性.通过坐标变换将线性系统解耦成两个子系统:一个子系统不含扰动,对其设计神经网络观测器,实现对微小故障的检测;另一个子系统受到扰动和微小故障的双重影响,对其设计滑模观测器,消除未知扰动的影响,保证系统的强鲁棒性.通过飞控系统故障诊断试验平台验证了该方法的有效性.

基于多观测器的UVMS自适应神经网络抗扰控制

水下机器人机械臂系统(UVMS)往往面临高度非线性、模型不确定、复杂海洋干扰及执行器死区非线性等因素,严重影响控制精度。首先将UVMS水动力学模型与死区非线性特性变换为模型已知和未知两部分,其中未知部分与其他干扰归结为总干扰。接下来利用基于径向基函数(RBF)的自适应神经网络逼近未知非线性函数,并构造神经网络性能估计器,利用其估计误差设计了一种新颖的神经网络干扰观测器来估计总干扰。在此基础上提出了一种基于神经网络干扰观测器、性能估计器以及多补偿器的自适应神经网络抗扰控制算法,并利用李雅普诺夫方法分析了闭环系统的稳定性。最后将所提的算法运用到6自由度UVMS进行仿真实验,并通过对比验证了本文所提控制算法的有效性。

全状态约束切换系统的自适应神经网络控制

为了解决非线性约束切换系统的控制问题,针对一类具有非对称时变全状态约束、状态不完全可测以及未知外部干扰的切换严格反馈非线性系统进行研究,引入状态观测器、自适应神经网络和动态表面控制技术,设计了一种基于径向基函数(RBF)神经网络的自适应输出反馈控制方法.通过采用非对称时变障碍李亚普洛夫函数(barrier lyapunov function,BLF)使系统的全部状态满足非对称时变约束条件,而Lyapunov方法和平均驻留时间理论则保证了闭环系统所有信号是半全局一致最终有界.最后,在所提控制律的作用下,输出跟踪误差可以减小到任意小,2个仿真实验结果也验证了所提控制算法的有效性.