BP神经网络优化参数的螺杆点胶阀无模型自适应控制技术

螺杆点胶阀因点胶效率高、精度高、胶点均匀性高等优点,广泛应用于微电子封装等领域,而电机转速的控制性能是决定螺杆点胶阀点胶质量的重要因素。针对点胶阀在外部干扰和负载扰动情况下,PID速度控制效果不理想,参数难以整定的问题,采用BP神经网络-无模型自适应控制(BP-MFAC)算法,通过BP神经网络在线整定无模型自适应控制器参数来实现对电机速度的自适应控制,无需人工整定参数。仿真和实验对比结果表明,该算法相较于PID控制算法,在电机速度控制上具有更小的超调量和稳态误差,更短的调节时间;在外部干扰和负载扰动的情况下,具有更好的抗扰动能力。

全向移动机器人的神经滑模自适应PD跟踪控制

针对四轮全向机器人数学模型中未知因数的干扰,提出了一种基于神经滑模的比例微分(Proportional plus Derivative,PD)自适应跟踪控制策略。首先,对机器人的动力学模型进行分析;其次,利用反步轨迹跟踪控制器得到虚拟速度,基于虚拟输入与实际输入的误差设计PD控制器;接着,采用神经网络来逼近动力学模型中的不确定性,并利用Lyapunov定理证明了系统的稳定性。仿真和实验结果表明,该控制策略具有有效性。

永磁球形电机的神经网络自适应控制算法

介绍了具有三维位置检测功能的三自由度永磁球形电机工作原理及其运动控制方法.结合球电机结构特性,基于XYZ欧拉角和拉格朗日方程建立了球电机运动学及动力学模型.为了解决动力学模型建模误差、摩擦力和外界干扰等对球电机工作性能的影响,设计了神经网络逼近模型,并将其应用于球电机的控制之中.仿真结果表明这种控制方法与传统方法相比可以有效提高球电机的抗干扰能力,在建模误差比较大的情况下仍可以保证球电机的运动精度,其结果可以为进一步的球电机精密运动控制理论研究和实验方案设计提供借鉴和参考.

基于改进单神经元自适应控制的光伏发电系统MPPT研究

目前光伏电池转换效率较低,为提高能量利用效率,需要进行最大功率点跟踪(MPPT)控制。针对常规MPPT法存在的快速性差、精度低、适应性差的缺陷,提出了一种改进单神经自适应控制的算法,仿真结果表明该方法不仅可以快速准确地跟踪到最大功率点,而且在外界环境变化下具有较强的适应性。

基于反步法的CSTR神经网络非奇异自适应控制

针对一类参数不确定连续搅拌釜式反应釜(CSTR:Continues Stirred-Tank Reactors)系统中的参数不确定性,研究了一种基于反步(Backstepp ing)方法的神经网络自适应控制器。该控制器采用多层神经网络,可较好地逼近系统的复杂非线性动态,网络权值能在系统先验知识不多的情况下在线调整,更新律可用Lya-punov综合法在线获得;通过构造类加权形式Lyapunov函数,使控制器能有效处理自适应控制中可能的奇异性问题。系统仿真验证了方法的有效性和可行性。结果表明:该控制器能保证闭环系统全局稳定,并对系统参数的不确定性和有界干扰具有一定的鲁棒性。

基于MPSO-RBF混合优化的过热汽温神经网络自适应控制

提出了基于改进PSO算法的RBF神经网络混合优化(MPSO-RBF)方法,该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合,克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点.针对具有较大惯性和滞后的非线性系统构造出一个基于MPSO-RBF混合优化方法的带输入迟延链的复合神经网络自适应控制系统(MPSO-NNC),针对某超临界600MW直流锅炉高温过热器的过热汽温控制进行了仿真试验,并与GA-RBF和Smith预估控制效果进行了对比,结果表明该方法具有更好的性能指标.

束晕-混沌的神经网络自适应控制

理论分析了强流离子束在周期磁场聚焦通道中传输时产生的束晕 混沌动力学行为,给出了近似反映实际聚焦磁场的余弦函数形式。然后利用神经网络方法对非线性复杂系统控制的优越性,提出前馈反传神经网络方法对强流离子束中束晕 混沌进行自适应控制。通过适当选择的神经网络控制结构和线性反馈系数以及自适应调整神经网络的权系数,可将强流离子束的包络半径达到束匹配半径的控制目标,且束包络的抖动大小明显减少,束晕 混沌现象得到了明显的抑制。

神经网络自适应控制在电加热炉中的应用

将Ｂａｎｇ－Ｂａｎｇ控制与神经网络自适应控制相结合，利用神经元的学习功能构成了自适应ＰＩＤ控制器。仿真试验和应用结果表明，这类神经网络自适应控制器可用于电加热炉系统的控制。

神经网络自适应控制的研究进展及展望

关于人工神经网络与自适应结合的研究 ,近年来已成为智能控制学科的热点之一。自适应具有强鲁棒性 ,神经网络则具有自学习功能和良好的容错能力 ,神经网络自适应控制由于较好地结合了二者的优点而具有强大的优势。本文系统地综述了神经网络自适应控制的研究进展 ,讨论了神经网络自适应的主要模型和算法 ,并就其存在的一些问题、应用与发展趋势进行了探讨。

基于神经元自适应控制的动态电压恢复器研究

针对微电网并网系统中存在的电压跌落电能质量问题,研究了一种基于神经元自适应控制的蓄电池储能动态电压恢复器(DVR)。主要由蓄电池、逆变器、LC滤波器、变压器4个部分组成。其中,为了提升该DVR的控制性能,引入神经元自适应控制算法改进了外环电压PI调节器,实现了外环控制参数的自适应调节,从而得到新的双闭环控制策略。然后,结合空间电压矢量调制法最终实现控制。最后,在MATLAB/Simulink仿真软件中搭建了基于神经元自适应控制的蓄电池储能DVR的并网系统模型。试验结果表明,采用神经元自适应控制的蓄电池储能DVR能够补偿微电网的电压跌落,具有较强的动态响应能力和抗扰能力。

基于单神经元自适应PID算法的直流有刷电机位置控制系统设计

位置控制式直流有刷电机在生产和生活中有广泛的应用。在一些控制惯量大、力矩变化、非线性强的应用场景中,现有的直流有刷电机位置控制系统具有成本高、适应性不强、鲁棒性差等缺点。因此,本文设计了基于双闭环单神经元自适应PID算法的直流有刷电机位置控制系统。搭建了基于STM32单片机的电机控制试验台并对控制系统进行了验证。实验结果表明本文设计的的控制系统具有适应性强、运行平顺、抗干扰能力强、控制精度高的优点,为低成本直流有刷电机控制系统提供了一种有效的方案。

单神经元自适应控制算法的Boost研究

分析了Boost电路的开关过程,利用状态空间平均法创建了Boost变换器的平均模型,基于增量PID控制算法和单神经元自适应控制算法进行了仿真研究。结果表明,和增量PID控制算法相比,单神经元网络自适应控制算法具有动态上升速度快,误差小等优点。

神经元自适应控制在开关磁阻电机中的应用

提出一种可应用于开关磁阻电机驱动系统的神经元自适应控制策略 ,对输出转矩进行了仿真分析 ,结果表明 ,神经元自适应控制比常规PID控制具有更好的输出转矩性能 ,提高了平稳性 ,证明了这种控制方法在开关磁阻电机驱动系统中应用的可行性和可靠性 .

泵控缸电液位置伺服系统的神经网络模型参考自适应控制

针对泵控缸电液位置伺服系统的跟踪控制问题,提出了神经网络模型参考自适应控制方法。泵控缸电液位置伺服系统由于其自身特性以及外界干扰因素的影响存在严重的非线性,因此,很难采用传统的控制方法来控制。为此,首先利用GA-BP算法离线辨识伺服系统的神经网络模型,得到网络参数的初值,然后利用改进的BP算法在线对网络参数进行微调,以得到较为准确的网络预测输出,从而为在线神经网络控制提供较准确的梯度信息。仿真结果表明,该方法能保证系统具有较快的响应速度和较高的控制精度,并具有较好的自适应性和鲁棒性。

圆锥破碎机神经元自适应控制策略研究

提出了一种具有单层神经元自适应控制方法，该方法引入了单层神经元模型（ADALINE模型）的修正函数．根据该函数对神经元自适应控制的3个输出权值进行在线、实时调整，从而实现了该控制器在尽可能小的超调情况下快速达到稳态，并且具有强抗干扰能力．经现场测定圆锥破碎机参数，给出了计算机仿真结果．

神经网络自适应控制的研究进展

关于人工神经网络与自适应结合的研究,近年来已成为智能控制学科的热点之一,已有大量的研究成果见诸各种学术刊物和会议论文.自适应具有强鲁棒性,神经网络则具有自学习功能和良好的容错能力,神经网络自适应控制由于较好地结合了二者的优点而具有强大的优势.本文较系统地综述了神经网络自适应控制的研究进展,讨论了神经网络自适应的主要模型和算法,并就其存在的一些问题、应用与发展趋势进行了探讨.

基于滑模的神经元网络自适应控制及其应用(英文)

提出一种基于滑模的神经元网络自适应控制方法,并把它应用于液压伺服系统的位置控制.基于滑模学习策略,根据从一优化了的滑模控制所得到的系统输入/输出信号,设计一神经元网络,离线训练该神经元网络的权值,然后综合一简单的自适应环节,得到完整的基于滑模的神经元网络自适应控制.仿真实验结果表明,相对于纯优化的滑模控制而言,所提出的控制方法能使系统具有响应速度快,控制精度高的特点,综合控制效果明显.

半主动空气悬架神经网络自适应控制的仿真研究

文章提出将神经网络自适应控制策略用于半主动空气悬架的控制,通过仿真研究表明半主动悬架能较好地改善车辆行驶的平顺性和操纵稳定性。

一种神经网络自适应控制算法及其改进

Brandt和Lin提出了一种没有反馈网络的自适应神经网络控制器。由于这种算法结构简单,很适合于用硬件来实现,具有相当的使用价值。但是,经过仿真表明,这种自适应神经网络控制器在被控对象的阶数比较高时会产生不稳定现象,这就限制了其应用范围。通过在Brandt-Lin算法中引入一个死区非线性环节,使得神经网络当控制误差小于一定范围时停止学习,从而在一定程度上克服了不稳定现象。经过改进后的控制算法可以使其应用范围进一步扩大。

含输入饱和的自动驾驶汽车预设性能自适应控制

为了改善含有输入饱和与未知扰动的自动驾驶车辆系统在执行轨迹跟踪任务时的瞬态和稳态性能,考虑到自动驾驶汽车横向和纵向动态的耦合,设计基于滑模控制和预设性能控制的协调控制器。针对可能出现的输入饱和,基于饱和信号设计辅助系统,并在饱和发生时利用辅助系统调整规定的性能边界,使跟踪误差始终遵守性能约束,避免穿越边界引起系统不稳定。利用神经网络对系统中存在的模型误差以及外部扰动进行拟合和补偿,并设计一种基于复合学习的在线更新算法来训练神经网络。通过Lyapunov方法严格证明了闭环系统的稳定性,并通过仿真验证了新提出的辨识和控制方案的有效性。所设计的协调控制器可以在存在强耦合特性、模型不确定性和外部干扰的情况下保证预定的轨迹跟踪性能。