神经网络阻尼比模型及工业机器人导纳控制

在工业机器人打磨过程中,环境刚度随未知环境的变化,将对力控制精度产生不利的影响,针对环境刚度变化的问题,该文提出一种基于神经网络阻尼比模型的自适应导纳控制方法。在导纳控制设计中,根据力误差与系统阻尼比之间的机理关系,设计激励函数,构造神经网络阻尼比模型;通过该模型使阻尼比在线调整,适应末端环境的刚度变化,实现力到位置自适应转换的导纳控制。与常规导纳控制进行仿真比较,结果表明所提出的力控制策略力误差更小,响应速度更快,能适应变刚度的未知打磨环境。

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。

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。

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。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

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。

基于RBF神经网络的超声波电机参数辨识与模型参考自适应控制

超声波电机(USM)是近年发展起来的一种新型微特电机,与传统的电磁驱动型电机的工作原理截然不同。由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点,因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景。但USM的高度非线性、时变性和强耦合增加了它的控制难度。该文提出一种新的USM自适应控制策略。系统采用双闭环控制,内环用来补偿定子环机械谐振频率的漂移;外环利用径向基函数神经网络(RBFNN)控制器调节USM的驱动频率,实现速度的自适应控制。经实验证明,该控制系统具有响应迅速、适应性强等优点,具有较高的控制精度和较好的稳定性。

两电机调速系统的神经网络逆无模型自适应鲁棒解耦控制

为了解决非线性强耦合的多输入/输出的两电机调速系统存在较大负载扰动的问题,提出一种基于神经网络逆(neural network inverse,NNI)的鲁棒解耦控制策略。首先,根据逆系统理论,分析系统的可逆性,利用神经网络逼近原系统逆模型,将强耦合的两电机非线性系统线性化解耦为一伪线性复合系统。其次,针对两电机调速系统中负载扰动的问题,根据动态线性化理论,设计无模型自适应(model-freeadaptive,MFA)补偿控制器;将MFA补偿控制器与伪线性化复合系统相结合,以提高神经网络逆控制的两电机调速系统在负载扰动下的抗扰性能。基于Matlab/Simulink和PLC实验平台进行仿真和实验。实验结果表明:基于神经网络逆系统的MFA鲁棒控制策略不仅能很好地实现两电机转速与张力的解耦,还对负载扰动具有很强的抗扰性能。

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统,提出了基于神经网络与多模型的非线性广义预测自适应控制方法．该自适应控制方法由线性鲁棒广义预测自适应控制器,神经网络非线性广义预测自适应控制器和切换机制三部分构成．线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界,神经网络非线性广义预测自适应控制器能够改善系统的性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．给出了所提自适应方法的稳定性和收敛性分析．最后通过仿真实例验证了所提方法的有效性．

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果 ,发现该算法使控制器存在严重的“过学习”现象 .为避免这一现象 ,设计了一种新的误差函数结构 ,得到改进的BP算法 .针对一个存在大惯性环节的线性时变系统 。

基于自适应模糊神经网络系统的转炉终点磷的预报控制模型

根据冶炼工艺和现场数据 ,对转炉终点磷含量的预报方法进行了研究。采用自组织神经网络模式识别方法对 30 3炉现场数据进行了分类 ,分析了转炉冶炼各变量对终点磷含量的影响 ,确定了终点磷含量的控制变量 ,建立了基于自适应模糊神经网络系统的转炉终点磷含量的预报控制模型。研究表明 ,本模型能够对终点磷含量进行很好的预报和控制。模型计算值与实际值的相关性达到 0 .5 86 7;磷含量 (质量分数 ,% )控制在± 0 .0 0 3范围内的命中率达到 79.2 1%。该模型以低于目标值 0 .0 0 4 %的磷含量来对冶炼过程进行控制 ,冶炼合格率超过 91%。

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。

基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。

新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统,即控制器具有不可分离结构的离散非线性系统,提出新型神经网络模型参考自适应控制.该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计,只需一个神经网络辨识器.统一了任意神经网络模型参考自适应控制的设计方法,更接近于工程实际.仿真结果证明了该方案的合理性和有效性.

基于神经网络多模型自适应切换控制研究

针对传统自适应控制和现有多模型自适应切换控制理论和方法中存在的问题,提出面向复杂系统的神经网络多模型自适应切换控制方法。采用最近邻聚类学习算法对样本分类,并利用RBF神经网络的学习能力和非线性逼近能力进行离线建模。同时,引入动态模型库技术来动态建立多模型。系统运行时在线实时检测系统当前状态,若超出现有各子模型所构成的状态空间,则利用在线神经网络学习新状态并建立新模型加入动态模型库中,从而改善动态系统的暂态响应和增强系统的鲁棒性。计算机仿真结果,表明了该算法的有效性。

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器，依靠参考模型产生理想的控制系统闭环响应，从而随时得到控制系统的输出误差．用梯度法实时修正模糊控制器的输入和输出隶属度参数，得到一种在线模糊自适应控制的新方法．通过倒立摆的仿真实验表明，该方法是可行的并能适应对象特性的大范围变化．

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向,提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法,利用神经网络建立了参考模型和船舶航向运动的辨识模型.并将模糊控制与神经网络相结合,设计了模糊神经网络控制器.利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正,以提高其自适应能力.仿真结果表明该算法对船舶转向控制有良好的效果.

基于BP神经网络的模型参考自适应姿态控制

采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的三层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。

基于BP神经网络的模型参考自适应控制

基于BP神经网络的误差反向传播机制 ,探讨了建立在BP神经网络基础上的模型参考自适应控制方法。该方法用 2个BP神经网络分别作辨识器和控制器 ,其中辨识器兼作间接传递误差的通道 ,从而解决了控制器权值的修正问题。仿真结果表明 ,经过学习该控制结构具有较好的有效性。

参数在线跟踪的交流传动系统双神经网络模型参考自适应控制

该文研究的目的在于将一种具有优越的非线性并行处理特性的神经网络引入自适应控制器的设计中 ,将其并行收敛特性和便于实行的参数设计原则与模型参考自适应控制模式结合起来 ,进行具有很高自适应控制要求的交流传动系统控制器设计。该文将Hopfield神经网络引入交流传动系统的模型参考自适应控制 ,通过神经网络控制器来给出交流传动系统的励磁及速度控制器输出 ,使控制效果具有对某些参数变化的一定程度的鲁棒性。对于不可控的负载转矩分量 ,加入参数自动跟踪神经网络 ,构成上有参数在线跟踪功能的交流传动双神经网络模型参考自适应控制模式 ,进一步提高了系统的控制性能。