三轴仿真转台外框电液位置伺服系统自适应神经元网络控制

本文针对三轴飞行姿态仿真转台外框电液位置伺服系统的特点和技术要求，采用自适应神经元网络控制策略对其控制。仿真结果表明，自适应神经元网络控制以其特有的自学习、非线性等优点，完全满足三轴飞行姿态仿真转台外框电液伺服系统对控制策略的要求，由其构成的控制系统既具有良好的动态性能，又具有较强的鲁棒性与适应性。

双马达同步驱动系统自适应神经元网络控制

针对三轴飞行姿态仿真转台中框架双电液伺服马达同步驱动系统的特点和技术要求，采用自适应神经元网络控制策略，实现了两通道的静态解耦．仿真结果表明，自适应神经元网络控制以其特有的自学习、非线性等优点，使控制系统具有良好的动态性能及强的鲁律性与适应性，取得了良好的同步效果。

基于DSP的自适应神经元网络控制系统的研究

某大型设备的液压系统在工作中需要一定的油压对其进行支撑,所以要保证油压根据要求维持在某一稳定值。针对于此,研究并设计了一个基于DSP的自适应神经元网络控制系统,通过该控制算法可以调整油泵电机的频率使得油压达到要求的稳定值。由于该液压控制系统在实际运行中油压值会出现波动,因此调节的快速性和稳定性是本控制系统的关键。该控制算法经由现场采样和实验的仿真测试,证实了其有效性。

自适应量化神经网络滑模无人船编队控制

针对复杂海洋环境下欠驱动水面无人船(unmanned surface vehicle,USV)编队控制存在的模型不确定性、参数摄动、控制输入量化等问题,提出一种自适应量化神经网络滑模控制算法。在USV运动学子系统中,设计基于内外环控制策略的制导律,解决USV欠驱动问题。由于所采用的动力学模型中含有未知项和外界环境干扰,故在USV动力学子系统中通过使用径向基函数神经网络实现对干扰的估计。采用一种线性解析模型来描述输入量化过程。所设计的控制系统不需要量化参数的先验信息。基于输入-状态稳定性理论证明了系统稳定性。通过仿真实验验证了所提算法的有效性。

考虑储能约束的神经网络VSG参数自适应控制策略

虚拟同步发电机(Virtual Synchronous Generator, VSG)控制策略常用于处理高比例新能源并网导致系统惯量、阻尼缺失的问题,储能单元的配置制约着VSG惯量阻尼的设定。首先,建立考虑储能荷电状态(State of Charge, SOC)约束的VSG小信号模型,计算多约束条件下惯量阻尼取值范围。然后,借助径向基函数(Radial Basis Function, RBF)神经网络算法处理连续非线性函数的优点,提出一种计及储能约束的RBF神经网络VSG惯量阻尼自适应控制策略。该策略取频率偏差量和频率变化率为输入,输出为VSG转动惯量,根据二阶系统最优阻尼比确定阻尼系数取值。最后通过Matlab/Simulink仿真验证,结果表明所提计及多约束的VSG自适应控制策略能够快速响应系统频率变化,优化系统动态调节能力;减小直流母线电压跌落,增强系统鲁棒性。

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。

四旋翼飞行仿真器的PID神经元网络控制器设计

针对四旋翼飞行仿真器系统具有多输入、多输出及多变量等特点,设计了一套基于四旋翼飞行仿真器的PID神经元网络控制器。首先建立四旋翼飞行仿真器系统模型,然后以四旋翼飞行仿真器为控制平台,并以MATLAB/Simulink软件为实验平台,搭建PID控制器和PID神经元网络控制器模型,并分别使用两种控制方法进行实时飞行仿真实验。最后实验结果表明,相比PID控制,PID神经元网络控制方法对四旋翼飞行仿真器的调节时间更短、超调量更小,具有更优的控制性能。

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。

船舶类量化神经网络自适应运动控制方法研究

研究船舶类航向自适应运动控制方法有助于加快解决船舶在海上通讯带宽受限情况下航向跟踪检测困难和控制效果差的问题。基于RBF神经网络,采用一种经典非线性运动解析模型来描述通信信号输入量化过程,无限逼近于航向控制系统中的未知非线性项来消除隐性不确定项因子对控制系统的影响,与此同时模型中所设计的RBF自适应量化控制器不需要对先验信息进行量化参数处理,不仅可以保证有效跟踪和控制的同时,还可以减轻通信的传输负担、减少执行频次和降低系统控制幅度。本文基于Lyapunov稳定性理论证明了所提出的带有输入量化的RBF神经网络自适应闭环控制系统的稳定性,并在Matlab Simulink环境中构建仿真模型分析,论证了所设计的运动控制方法的有效性。

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。

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。

潮流发电系统的无传感器自适应神经元控制策略

在恶劣的海洋环境中,潮流发电系统的非线性、外部干扰和传感器故障等关键问题,使潮流发电机组难以准确运行于最大功率点处。为了提高潮流发电系统的能量转换效率和可靠性,提出了一种基于模型参考自适应系统(model reference adaptive system,MRAS)的自适应神经元控制(adaptive neural control,ANC)方法。考虑到湍流和浪涌扰动对潮流发电装置转子速度跟踪的影响,利用MRAS无传感器方法对ANC控制器的输入进行预处理,以准确获取潮流发电机组的转子速度信息;同时引入自调整灵敏度系数,设计神经元速度控制器自适应机制,提高系统的动态跟踪响应和抗干扰能力。仿真结果表明,所提控制策略可以提高潮流发电系统的功率捕获效率,具有良好的自适应性和可靠性。

四旋翼飞行器的RBF神经网络鲁棒自适应控制

针对具有模型不确定性和有界外部扰动的四旋翼飞行器,提出了一种基于径向基函数神经网络的鲁棒自适应全局控制方法(RRAC)。所提方法结合了神经网络控制对未知非线性的强拟合能力和鲁棒控制的全局稳定性,解决了神经网络控制仅能实现半全局一致最终有界的问题,实现了控制精度和鲁棒性的双重提升。所设计的控制器由在近似域内工作的神经网络控制器和在近似域外工作的鲁棒控制器组成。引入一种新型切换函数来实现两者之间的平滑切换,以保证闭环系统的所有信号是全局一致最终有界的。利用Lyapunov函数和Barbalat引理严格证明了非线性四旋翼飞行器系统的稳定性。仿真表明,所设计的控制器在模型不确定性和有界外部扰动下对参考轨迹依旧保持良好的跟踪性能,且跟踪误差趋近于零。

基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。

组合故障的无人机神经网络自适应容错控制

针对四旋翼无人机在传感器偏差故障、双执行器效率损失故障和外界干扰下的容错控制问题进行研究。首先建立组合故障下的四旋翼无人机动力学模型;其次将神经网络融入到观测器的设计,构建一种新的基于神经网络的扩张状态观测器来估计不同故障类型;然后结合自适应理论来设计位置和姿态控制器,并通过权值函数来调节控制器的控制律参数;最后通过李雅普诺夫理论证明了系统的稳定性,数值仿真验证了所提出设计方法的有效性,使得无人机在组合故障下具有更好的容错控制能力。

桥式起重机神经网络自适应滑模定位防摆控制

针对桥式起重机非线性、存在外界干扰的特点,提出了一种神经网络自适应滑模控制器。首先采用拉格朗日法建立桥式起重机动力学模型;然后在分层滑模控制器的基础上,设计了径向基函数神经网络权值自适应更新率,利用径向基函数神经网络补偿系统的非线性与外界干扰引起的不确定上界,并利用粒子群算法对控制器参数寻优,通过构造Lyapunov函数证明了系统的稳定性;最后设计了1组仿真实验和1组在搭建的实验平台上的验证实验,仿真结果表明:在非线性及外界干扰作用下,神经网络自适应滑模控制器可以快速实现小车定位和负载消摆,控制器可以消除不确定上界对系统的影响。实验结果也表明,所设计的控制器可以使桥式起重机达到控制目标,具有一定的抗干扰能力。

基于RBF神经网络优化光伏储能并网自适应控制的方法研究

常规的光伏储能并网自适应控制,主要采用电压动态调节实现,忽略了并网电流波形偏差对控制结果造成的影响,导致控制结果超调量较大。因此,提出基于RBF神经网络优化光伏储能并网自适应控制的方法。根据光伏储能并网的等效电路分析输出特性,建立基于RBF神经网络的等效电路连接架构,辨识储能作用方式,基于辨识分类结果计算并网电流的谐波补偿值,分析补偿后的内环电流,引入能量需求参数对并网输出功率控制策略进行自适应优化。实验结果表明,所提方法应用后得出的控制结果,表现出的超调量较低,仅为1.8%,控制效果较优,满足了光伏储能并网的现实应用需求。

基于RBF神经网络的双臂手术机器人自适应导纳控制

针对双臂机器人在辅助头颈部手术拉开软组织过程中环境刚度变化而导致的力跟踪误差较大问题,提出一种基于径向基函数(RBF)神经网络的自适应导纳控制策略,减小力跟踪误差,提升系统的响应速度。通过在手术过程中利用RBF神经网络在线调整导纳参数,提高机械臂对不同接触条件和操作要求的适应性,实现快速精确的力跟踪。仿真实验将基于RBF神经网络的自适应导纳控制策略引入双臂力同步导纳控制系统并与传统定参数导纳控制对比,证明其在接触环境参数变化情况下的接触力控制效果。结果表明,基于RBF神经网络的自适应导纳控制策略可以有效提升双臂手术机器人力跟踪精度、响应速度以及抗干扰能力。

基于神经元自适应PID控制的汽车自动离合器双层控制

本文设计了一种将神经元自适应PID控制和PID控制相结合的双层控制器,上层控制采用PID控制,计算离合器的接合速度;下层控制采用神经元自适应PID控制,计算液压元件的控制油压。仿真结果表明,该双层控制与传统PID控制相比,换挡过程中产生的冲击和滑磨均有较大程度的降低,提高了换挡过程的平顺性。