自适应模糊神经控制器在MIMO系统中的应用研究

首先给出一种适用于 MIMO系统的自适应模糊控制器 ,然后针对该控制器用于复杂系统时 ,存在模糊规则过多且建立规则的时间随规则数增加呈指数增长的问题 ,提出了另一种适用于 MIMO非线性系统的自适应模糊神经控制器 .该控制器采用“全逼近”的控制策略 ,依据李亚普诺夫方法给出了模糊神经自适应输出反馈控制律和参数自适应律 .仿真研究证明了

自适应模糊神经控制器的电动舵机控制

针对电动舵机采用PID控制器响应速度慢、超调大的问题,提出了采用人工神经网络和模糊控制来自整定比例因素的控制策略,建立了电动舵机的模型,分析了自适应神经网络控制器原理,并且结合模糊逻辑控制器,构成模糊神经网络来自动调整比例因素,设计了由两个输入变量和一个输出变量的电动舵机控制器。所提的控制算法应用于电动舵机系统,并通过建模仿真和原理样机的弹簧钢悬臂梁加载实验验证,采用该算法电动舵机系统的响应时间达到25 ms,几乎无超调,且舵机系统的位置指令跟踪和力矩干扰抑制能力较强,具备在常规弹药弹道修正中应用的可能性。

基于模糊滑模控制器的机械臂自适应控制研究

为提高机械臂自适应控制精度,研究了基于模糊滑模控制器的机械臂自适应控制方法。通过设计干扰观测器,可以估计机械臂动力学模型内的外界干扰值;依据外界干扰值,对机械臂进行前馈补偿控制;以前馈补偿控制力矩为基础,设计模糊滑模控制器,完成机械臂自适应控制。实验结果表明,该方法可有效自适应控制机械臂,令机械臂各关节运行轨迹精准跟踪指定轨迹,且控制后的运行轨迹平滑,无抖动现象,即该方法可提升机械臂自适应控制精度与抗干扰性。

汽车半主动座椅悬架自适应模糊神经滑模控制

针对含有人体模型的5自由度座椅悬架系统,设计一种基于自适应模糊神经网络(Adaptive Neuro-Fuzzy Inference System,ANFIS)的滑模控制器(ANFIS-SMC)。首先,设计一种时变滑模面,通过调整其斜率使系统状态点快速到达滑模面,从而提升系统控制速度;其次,通过ANFIS对切换增益在线调节,用切换项消除干扰,实现控制器在复杂多源干扰下精确控制;最后,仿真验证采用双曲正切函数代替切换项中的符号函数,使得输出更连续,有效降低抖振。仿真结果表明:该控制器能有效提高系统的跟踪性能和响应速度,对不确定性干扰具有较好的鲁棒性,带有该控制器的座椅悬架乘坐舒适性明显改善。

自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

基于PLC控制器的医院网络通信故障自适应监控系统

传统的医院网络通信故障监控系统未对故障警报信息进行分类,通信故障点定位不准确。为此,提出基于PLC控制器的医院网络通信故障自适应监控系统。采用BP网络对医院网络通信故障警报信息分类处理,通过人工神经网络对医院网络通信故障数据进行训练,依据BP神经网络计算动量项、速率以及抽象处理等不同的数据训练结果,对故障点定位分析。构建以UPnP技术为核心设计系统网络构架,为系统提供有力的实时数据支持,实现大数据量的远程实时在线监测。结果表明,所设计系统监控故障监控时延较短,能够实现故障精准定位,能够快速发现故障并及时报警。

基于自适应积分补偿神经网络模糊气压解耦控制

多支路气压系统中的各支路气压的变化不仅会影响其他支路气压的变化,还会影响总管气压的变化,导致各支路气箱中的气压与总管的气压产生了耦合震荡。针对气压控制系统中多支路气压的耦合震荡的问题,提出了自适应积分补偿神经网络模糊控制方法对气压控制系统进行解耦控制,采用自适应神经网络对模糊规则进行训练和学习,并引入了自整定积分控制器共同控制多路高速开关电磁阀,达到多路气压精准跟踪控制效果。试验平台采用AMESim搭建了64支路的气压控制系统仿真模型,并结合MATLAB/Simulink进行联合仿真分析。仿真实验结果表明,所提出的自适应积分补偿神经网络模糊控制算法对气压稳定控制效果提升明显,在气压控制系统中具有控制精度高、鲁棒性好、稳定性强等特点。

基于模糊自适应串级PID控制器的仿生机器鱼位姿控制

为提高仿生机器鱼位姿的控制精度,针对串级PID控制器中固定的内环比例、积分、微分系数不能较好地适用于仿生机器鱼所面临的复杂水环境,且控制参数整定难度大等问题进行了研究。首先,在串级PID控制器的仿生机器鱼位姿控制的基础上,利用模糊控制实时调整串级PID控制器中内环的控制参数,提出基于模糊自适应串级PID控制器的仿生机器鱼位姿控制算法。然后,在多水下机器人协作控制系统平台下进行对比实验。实验结果表明,与串级PID控制器相比,模糊自适应串级PID控制器减少了仿生机器鱼到达目标位姿的时间,降低了位姿误差,验证了算法的有效性。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

涡轴航空发动机转速的自适应模糊控制研究

常规的涡轴航空发动机转速的自适应模糊控制技术,对发动机转速扭矩参数的调整不太精准,导致转速控制效果较差;因此,提出涡轴航空发动机转速的自适应模糊控制研究;文章首先对逻辑进行模糊化处理,得到相应的隶属度函数,对其进行模糊推理,并采用重心法进行去模糊化;将模糊子集的参数作为控制器的主要参数,形成涡轴航空发动机转速模糊控制器;再基于此,构建转速模糊控制器系统结构,以便后续对实施自适应模糊控制;最后对变化率的调整规则进行设计,将转速波动控制在较小的范围内,并建立参数调整规则表,按照模糊自整定数值关系,对发动机转速扭矩参数进行精确调整,从而对发动机转速进行自适应模糊控制;仿真结果表明,使用文章设计的方法,对涡轴航空发动机转速进行自适应模糊进行控制后,能够较好地将发动机转速控制在3000 rpm附近小波动振荡,说明该方法的控制效果较好;当阶跃干扰为10 N·m时,转速波动在11.38~17.77 rpm之间,当阶跃干扰为15 N·m时,转速波动的平均值在11.69~17.81 rpm之间,相对于对比方法均较小,说明该方法具有较好的应用价值。

神经元自适应模糊控制器应用于弯辊板形自动控制系统的研究

液压弯辊是板形控制系统最基本的环节,它的动态特性和稳态性能对于整个板形控制系统的性能起着至关重要的作用。针对其非线性、时变性及不确定性,设计了一种基于单个神经元的自适应模糊控制器并应用于带材板形控制中。仿真结果表明,神经模糊控制是对液压弯辊板形控制的有效工具,大大提高了液压弯辊系统的动态响应速度及对目标弯辊力给定值的跟踪精度,改善了板形控制质量。探索了一种非解析原理的弯辊板形自动控制建模方法,解决了系统建模带来的诸多困难。

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求 ,提出模糊径向基 (RBF)神经网络结构的简化模型及相应算法 ,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析 ,提出一种系统动态增益的处理方法和基于过程最优的改进方案 .仿真实验结果表明该控制器可实现实时自适应控制 ,改进算法是有效的 .

变量喷药自适应神经模糊控制器设计与仿真

为了减少除草剂用量,采用变量喷施除草剂方式进行除草.根据分别建立的杂草面积、喷药机械行驶速度与喷药量关系模型,得知杂草面积和喷药机械行驶速度是影响变量喷施效果的主要因素.为了获取喷药量与车速及杂草面积关系试验数据,设计了室内变量喷药试验台,使用DSP处理器及编码器分别得到杂草面积及喷药机械前进速度信息.结合所获试验数据,设计了一种基于自适应神经模糊推理(ANFIS)的双输入、单输出控制器.对控制器设计过程中输入输出变量的选取、隶属函数的选择及控制器的训练等进行了研究,数据经过30次训练后误差为1.47×10-5.对控制器的速度采集、串行通信、电磁阀驱动等硬件电路及模糊控制软件流程,进行了设计.在Matlab中建立了自适应神经模糊控制仿真模型,仿真结果表明:在喷头打开时间为0.2 s,喷药机械速度为0～1 m/s,杂草面积在0～100 cm2时,控制器可自动调节喷药量在0～4 mL变化.与采用传统模糊控制方式相比,该控制器自适应性强,具有较好的应用前景.

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器，着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案，并把它用在电阻加热炉中。实际应用表明，模糊神经网络控制器具有良好的控制效果。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

基于模糊神经网络滑模控制器的一类非线性系统自适应控制

虽然滑模控制具有控制简单和对不确定性与扰动不灵敏等优点,但是控制信号中的颤动是其应用中需解决的主要问题。该文首先针对一类非线性系统提出了一个新型控制器—模糊神经网络滑模控制器。新控制器不仅能消除颤动,而且比一般滑模控制器具有更强的鲁棒性。然而它与一般滑模控制器相比有较大的跟踪误差。为了解决这个问题,提出了结合滑模控制器和模糊神经网络滑模控制器的自适应控制方法。这种自适应控制方案可以减小跟踪误差,增强系统的鲁棒性和消除控制信号中的颤动。仿真结果说明了控制方案的有效性。

基于单个神经元的自适应模糊控制器及其应用

本文利用单个神经元在线调整常规模糊控制器的模糊控制查询表，以改善其性能．仿真和铣削加工过程控制试验结果表明，本文提出的神经元模糊校制器性能优于常规模糊校制器．

用B样条神经网络设计自适应模糊控制器

本文提出一种可用于设计自适应模糊控制器的模糊化Ｂ样条神经网络，并给出了合适的训练算法．由于这种网络在每次训练时仅需对少量权重进行调整，因此构成的模糊控制器学习速率快，可应用于过程控制中．本文最后以电厂中过热汽温的控制为例，说明本文的设计方法是有效的．

用于气动伺服系统的自适应神经模糊控制器

研究了一种基于压力比例阀的气动伺服系统自适应神经模糊控制器。其中的神经网络辨识器（NNI）通过离线训练可以充分逼近非线性动态系统的模型，并能够在线调整模糊控制器的控制规则。系统的位置控制精度和伺服特性有了很大改善。试验结果表明，所提出的控制器对该气动伺服系统具有很好的控制特性以及很强的自适应能力。