神经网络监督控制在液压舵机伺服系统中的应用

针对液压舵机伺服系统中存在的非线性因素和工作环境的不确定干扰,提出将改进的神经网络监督控制算法应用到舵机伺服控制系统设计中。该算法采用单神经元PID控制取代常规线性控制用于神经网络控制器学习,以提高控制系统的鲁棒性及神经网络模型学习初期系统的稳定性。在Simulink环境中建立液压舵机伺服控制系统模型并进行仿真,仿真结果表明:改进的神经网络监督控制,在液压舵机伺服系统中,具有良好的控制效果和较强的鲁棒性,为舵机伺服系统设计提供了一条新的思路。

APF的一种神经网络监督控制方法研究

由于非线性负载的广泛使用,电力系统中的谐波和功率因数降低的问题日益严重。针对上述问题,设计了一种RBF网络监督控制的三相并联有源电力滤波器(Shunt Active Power Filter,简称SAPF),用以抑制谐波和提高功率因数。首先,建立SAPF的数学模型,对谐波信号即控制信号进行RBF网络监督控制来控制开关的通断,通过Matlab仿真来证实该算法的有效性,神经网络通过DSP实现。

气动3-UPU机器人的神经网络监督控制仿真

以基于气浮无摩擦缸驱动的3-UPU并联机器人为研究对象,对其进行运动学、工作空间仿真分析以及气动比例位置系统数学建模与控制仿真。由于气动比例位置系统具有很强的非线性,而且易受环境因素影响,当采用传统PID控制时,很难使系统保持良好的控制效果。考虑到神经网络具有很强的逼近特性,于是引入RBF神经网络监督控制算法进行仿真分析。仿真结果表明,上述机器人具有较大的工作空间,同时在气动比例位置系统中,RBF神经网络监督控制具有更优的控制效果,在保证系统稳定的前提下提高了输出响应速度。

在线优化参数的神经网络预测监督控制

使用具有辅助变量的全格式动态线性化方法逼近系统,构建了神经网络监督控制预测模型。利用线性跟踪-微分器建立过渡过程,应用线性扩张状态观测器估计输出预测值及其微分,给出了线性PID控制算法。根据对角回归神经网络构成直接逆控制,提出了改进的控制目标函数。依据非线性递推最小二乘法在线优化了PID控制参数和对角回归神经网络的连接权。当系统控制误差大于一定值时,重置PID控制参数。最后提出了在线优化参数的神经网络预测监督控制,克服了已有的神经网络监督控制存在建模难的问题。仿真研究结果表明控制算法的响应具有理想性能。

基于CUCKOO算法的RBF网络监督磁悬浮自适应控制

磁悬浮技术应用前景广泛,其先进控制方法值得长期研究。针对存在干扰时的系统精确控制问题,提出基于前馈加反馈的神经网络监督控制方案(NNSC)。RBF前馈监督通过对反馈控制器的学习调整其网络权值,逐渐成为系统主控方式。当干扰出现时,反馈控制重新起作用,确保系统的稳定性和鲁棒性。引入布谷鸟算法,实现网络权值的优化搜索。以固高GML1001磁悬浮装置参数为基础,试验结果表明,22 g的小球可在既定平衡位置小范围内稳定、快速地跟踪目标信号。监督网络以其自学习功能主导系统的稳定性和控制精度,反馈控制又能够在干扰存在时保证系统的鲁棒性,二者共同作用提高了系统的控制性能。

基于粒子群算法的烧结炉系统辨识及神经网络控制

烧结炉在加热过程中,模型参数易发生变化,而传统的PID控制很难达到理想的控制效果.本文运用粒子群优化算法辨识烧结炉的数学模型,针对烧结炉惯性大、时变、大滞后等特点,采用基于RBF神经网络的监督控制,将PID控制与神将网络控制相结合.当温度或模型参数发生较大变化时,PID控制起主要作用,神经网络起调节作用,补偿PID控制的不足.MATLAB软件仿真结果说明,该方法能够提高烧结炉的控制精度,具有一定的实用性.

基于LSTM网络辅助无迹粒子滤波的列车定位方法研究

针对列车在实际运行过程中,在通视性不良区域难以获得全球定位系统(Global Positioning System,GPS)信号,致使GPS/捷联惯性导航系统(Strapdown Intertial Navigation System,SINS)列车定位系统精度下降的情况,提出一种基于长短时记忆(Long Short Term Memory,LSTM)网络无迹粒子滤波(Unscented Particle Filter,UPF)的定位方法.在GPS信号有效的情况下,使用UPF1进行列车定位,并利用UPF1输出的位置速度信息训练LSTM1;当GPS信号缺失时,引入神经网络监督控制思想,使用训练好的LSTM1代替GPS信号,并将其与SINS输出信息作为反馈控制器UPF2的输入,使用UPF2的输入输出搭建神经网络控制器LSTM2;系统的输出由UPF2和LSTM2的输出共同决定,但随着LSTM2不断逼近系统模型,会取代UPF2决定最终输出结果.仿真结果证明,采用LSTM辅助UPF的方法可以满足列车定位的要求.