从感应伺服电机驱动的自适应神经控制中学习

针对系统参数完全未知的感应伺服电机驱动系统,为提高系统的控制精度,通过分析间接磁场定向控制感应伺服电机驱动模型,使用RBF神经网络设计了一种新的自适应神经网络控制器,使系统的输出跟踪给定参考轨迹,并在稳定的控制过程中实现了确定学习,使分神经网络权值收敛到最优值及未知闭环系统动态的局部准确逼近,学过的知识可应用到后续相同或相似的控制任务中,提高系统的控制精度。最后,用实例仿真说明了所设计控制算法能实现在控制中学习。

虚假数据注入式攻击下无人水面船舶自适应神经输出反馈轨迹跟踪控制

本文主要研究网络环境下无人水面船舶(Unmanned surface vessels,USVs)遭受虚假数据注入式(False-data-injection,FDI)攻击的跟踪控制问题.其中,内部和外部不确定以及输入饱和约束等实际因素均考虑在设计中.在控制设计过程中,为避免将船舶速度的攻击信号引入闭环系统,采用分类重构思想,构造一种新的神经网络(Neural network,NN)状态观测器,同时重构船舶速度和攻击信号.进一步,在backstepping设计框架下,利用重构的攻击信号补偿USVs运动学通道因虚假数据注入式攻击引起的非匹配不确定项.在动力学设计通道中,利用自适应神经技术和单参数学习法,重构由内部和外部不确定组成的复合不确定部分,进而提出自适应神经输出反馈控制方案.理论分析表明,即便在FDI攻击、内外不确定以及执行器饱和约束的情况下,所提控制方案仍能迫使USVs跟踪给定的参考轨迹.同时,仿真和比较结果证实了所提控制方案的有效性和优越性.

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。

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。

空间天文望远镜自适应精密稳像闭环控制

针对空间天文望远镜低频段视轴扰动补偿问题,提出了一种基于主动光学技术的自适应精密稳像闭环控制方法。该方法以精细导星仪(Fine Guide Sensor,FGS)为高精度视轴扰动检测器,以四点支撑压电驱动大口径快摆镜机构(Fast Steering Mirror,FSM)为视轴扰动补偿器。首先,采用位置式PID控制器串联积分环节进行精密稳像闭环控制,得到补偿FGS检测出的二维视轴扰动所需FSM的二维摆动角度,进而根据驱动结构转换为每个支撑点的压电陶瓷执行器(Piezoelectric actuators,PZT)的伸缩量。然后,利用基于广义Bouc-Wen逆模型的压电动态迟滞前馈补偿方法进行高精度的压电陶瓷执行器定位控制。最后,根据有监督的Hebb学习规则,利用具有自学习和自适应能力单神经元对PID控制器参数进行调整,从而得到最优控制器参数。实验结果表明,所提控制方法能够有效地补偿空间天文望远镜的视轴偏差,可以将精细导星仪X方向和Y方向的星点质心位置偏差功率谱密度在0~6 Hz频段内积分值分别抑制了98.54%和98.62%。

机械臂的自适应神经网络控制与学习

使用径向基函数(Radial basis function,RBF)神经网络为参数完全未知的机械臂在关节空间设计一种新的自适应神经控制算法。以前的自适应神经控制算法对神经网络能否学习到系统未知动态很少进行研究,因为不满足持续激励(Persistentexcitation,PE)条件,神经网络权值的收敛性不能得到保证,以至对于重复执行相同的工作任务,自适应神经控制器也不得不进行冗余而繁琐的重新训练,浪费时间和能量。所设计的自适应神经控制器不仅实现了闭环系统所有信号的最终一致有界,而且在稳定的控制过程中,沿着周期或回归跟踪轨迹实现了部分神经网络权值的收敛以及未知闭环系统动态的局部准确逼近,即确定学习。学过的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,可以用来改进系统的控制性能,也可以应用到后续相同或相似的控制任务中,节约时间和能量。仿真验证了所设计控制算法的正确性和有效性。

从机器人输出反馈自适应神经控制中学习

针对系统参数完全未知且仅输出可测的机器人,使用径向基函数(RBF)神经网络和高增益观测器设计了一种自适应神经控制算法.该算法不仅实现了闭环系统所有信号的最终一致有界,而且沿周期跟踪轨迹实现了对未知闭环系统动态的确定学习.学过的知识可用来改进系统的控制性能,也可应用于后续相同或相似的控制任务以节约时间和能量.仿真研究表明了所设计的控制算法的正确性和有效性.

基于事件触发机制的自适应神经网络永磁同步电机跟踪控制

针对具有输入时滞的永磁同步电机(PMSM)系统的信号跟踪问题,采用基于事件触发机制的自适应神经网络控制方法,能够在含有输入时滞的情况下通过该控制方法完成对永磁同步电机系统的跟踪控制。通过仿真试验证明,所提出的事件触发控制策略可以有效追踪到参考信号,并显著减少控制器的更新次数,从而延长执行器寿命,提高系统控制性能。

基于极限学习机的机械臂自适应神经控制

针对刚性机械臂系统的控制问题,提出基于极限学习机(ELM)的自适应神经控制算法.极限学习机随机选择单隐层前馈神经网络(SLFN)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度获得良好的推广性.采用李亚普诺夫综合法,使所提出的ELM控制器通过输出权值的自适应调整能够逼近系统的模型不确定性部分,从而保证整个闭环控制系统的稳定性.将该自适应神经控制器应用于2自由度平面机械臂控制中,并与现有的径向基函数(RBF)神经网络自适应控制算法进行比较.实验结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,表明了所提出控制算法的有效性.

移动机器人自适应神经滑模轨迹跟踪控制

针对质心和几何中心不重合情况下轮式移动机器人的轨迹跟踪问题,提出了一种鲁棒项系数自调整的自适应神经滑模轨迹跟踪控制策略。首先选择适当的Lyapunov函数设计运动学控制器,其次基于反演方法和积分滑模控制思想设计出自适应神经滑模动力学控制器。利用自适应径向基神经网络（RBF）分别调节控制律的等效控制部分和切换增益,有效地消除了系统不确定参数和未知扰动的影响,并运用Lyapunov方法证明了系统的稳定性和渐进收敛。仿真结果验证了该控制策略的有效性和正确性。

变频泵控马达调速系统单神经元自适应PID控制

针对大惯性负载变频泵控马达调速系统动态性能差的特点 ,提出了采用不必基于模型的单神经元自适应 PID控制。介绍了单神经元自适应 PID控制器的结构和算法。仿真结果表明 ,单神经元自适应 PID控制器较常规 PID控制器具有更快的响应特性和良好的动态特性 ,对模型失配和负载扰动表现出更强的适应性和鲁棒性 ,而且不论是在加速段、等速段还是减速段 。

单神经元自适应PID控制交流调速系统

针对转子磁场定向矢量控制中转速PI调节器鲁棒性能较差的问题,提出了用单神经元自适应PID控制器代替转速PI控制器,进一步改善了异步电动机矢量控制系统的性能；将无监督的Hebb学习规则与有监督的Delta学习规則相结合,提高了单神经元自适应PID控制器的学习能力,实现了单神经元控制器的参数优化与在线自调。构造了基于单神经元自适应PID控制器和空间矢量脉宽调制(SVPWM)的异步电机矢量控制系统。仿真实验结果表明,该系统不仅具有很好的静、动态性能,而且又具有很强的自适应性和鲁棒性。

液压半主动悬架的自适应神经网络控制

提出了液压半主动悬架系统的自适应神经网络控制策略 ,分析了系统模型及自适应神经网络控制器的设计和实现 ,并对控制效果进行了仿真研究。结果表明通过这种控制策略可以得到比较好的控制效果。

基于自适应神经网络控制的光伏MPPT算法改进

基于自适应神经网络控制(DANC)算法提出一种改进的最大功率追踪(MPPT)算法。针对DANC在权值更新的过程中采用的梯度下降算法因初始权值而导致局部收敛的问题,该文根据光伏(PV)阵列部分遮挡情况下的功率-电压(P-V)特征曲线,提出一种反馈负载电压遍历和DANC相结合的算法。首先通过反馈负载电压遍历方法快速达到参考电压附近,然后利用DANC在线学习算法稳定到峰值,通过比较峰值大小,最终找到全局最优解。通过Matlab仿真和硬件实验验证改进算法的可行性。

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.

基于确定学习的机器人任务空间自适应神经网络控制

针对产生回归轨迹的连续非线性动态系统,确定学习可实现未知闭环系统动态的局部准确逼近.基于确定学习理论,本文使用径向基函数(Radial basis function,RBF)神经网络为机器人任务空间跟踪控制设计了一种新的自适应神经网络控制算法,不仅实现了闭环系统所有信号的最终一致有界,而且在稳定的控制过程中,沿着回归跟踪轨迹实现了部分神经网络权值收敛到最优值以及未知闭环系统动态的局部准确逼近.学过的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,可以用来改进系统的控制性能,也可以应用到后续相同或相似的控制任务中,节约时间和能量.最后,用仿真说明了所设计控制算法的正确性和有效性.

扰动补偿的陀螺稳定平台单神经元自适应PI控制

针对陀螺稳定平台受未知非线性干扰的影响,提出了一种基于扰动补偿的单神经元自适应PI控制策略。利用扰动观测器观测出各种扰动,将其作为补偿信号前馈到控制输入端,提高平台的抗干扰能力;同时利用神经元的自学习和自适应力对PI参数进行在线调整,保证了平台在外界扰动和系统参数变化情况下对目标稳定跟踪的能力。通过在某型号实验装置上的试验结果表明,该方法对不确定扰动具有较强的抗干扰能力,提升了稳定平台的自适应性和鲁棒性。

单神经元自适应控制器在液位控制中的应用

介绍了单神经元自适应控制器在液位控制中的应用;在控制算法中提出了自调整学习速率和学习初期的分层控制方法.

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

基于改进单神经元自适应PID励磁控制器

介绍了一种新型的基于改进单神经元自适应比例积分微分(PID)的励磁控制器,使神经元比例系数K在线自适应修正。在动态响应初期,误差较大,K取较大,使系统响应具有快速性;进入稳态后,K取较小,确保系统渐趋稳定。描述了该控制器控制算法。该控制器应用自学习、自适应的控制原理,具有一定处理非线性系统的能力。以单机无穷大系统为例,在Matlab/Simulink环境中进行仿真,结果显示,改进单神经元自适应PID控制器结构简单,基本只需整定1个参数即可达到控制要求,且对于不同工况均有稳定的控制效果,体现出良好的鲁棒性。