机械手轨迹规划的神经网络逆模控制

针对二自由度机械手动力学模型的非线性和参数的不确定性,提出了一种神经网络与逆模控制相结合的控制策略。针对传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺点,提出一种快速启发式学习算法。采用所提出的快速启发式网络学习算法训练多层前馈神经网络,建立机械手的逆动力学模型,实现对机械手的非线性控制。仿真结果表明了所提出控制策略的有效性和快速启发式网络学习算法的快速收敛性。

漂浮基空间柔性机械臂基于神经网络的逆模控制

针对传统控制方法对强耦合柔性空间机械臂难以有效控制的问题,提出基于神经网络的逆模控制策略。建立了非线性空间柔性机器人的动力学模型,根据增广变量输入法推得其控制律;利用具有良好逼近能力的前馈神经网络来自适应补偿柔性臂的未知非线性逆模型;采用Kalman滤波算法来保证网络权值在线实时调整(系统的误差代价函数由PID控制器提供)。仿真证明了所提出的控制方案的有效性,具有较高工程应用价值。

钢轨在线热处理过程同步逆模控制系统研究

目的控制钢轨在线热处理过程中钢轨头内的分布参数温度,使钢轨头等温转变为均匀的细珠光体组织。方法①将钢轨热处理过程中的分布参数温度系统处理成集中参数温度模型,并用逆模型控制方法进行控制;②采用对钢轨表面温度进行偏离度补偿的方法来测量钢轨集中参数温度;③提出了单元冷却器控制信号的切换速度与钢轨的运动速度一致的同步切换控制方法。结果表明初始温度在620-820℃随机分布的60 kg/m^2碳钢轨,6 s后钢轨断面平均温度偏差可以控制在±10℃范围内,符合实际工艺条件;解决了钢轨在线热处理中金相组织均匀等温转变的控制问题以及钢轨首尾温差和通长温度分布不均的控制问题。结论钢轨的等温转变温度是最重要的被控参数,等温转变温度越低,处理后的钢轨硬度越高。

单级倒立摆系统的神经网络逆模控制

给出了单级倒立摆的一种神经网络逆模控制方案。首先,采用PD控制器控制倒立摆,采集倒立摆的输入输出数据;然后,以这些数据为基础训练倒立摆的神经网络逆模型;再采用比例控制器与逆模型串联构成逆模控制器。整体结构上单级倒立摆系统是一种闭环的逆模控制结构。仿真结果表明,所采用的神经网络逆模控制比传统的PD控制具有更短的调节时间和更小的超调,能更好地实现倒立摆的稳定控制。

基于PSO的机械手神经网络逆模控制

针对机械手动力学模型的非线性和参数的不确定性,提出一种神经网络逆模控制策略。通过采用改进的粒子群算法训练神经网络,建立机械手的逆动力学模型,实现对机械手轨迹跟踪控制。仿真结果表明,该方法能克服传统BP算法在神经网络训练中存在的收敛速度慢且容易陷入局部极小的缺点,具有较好的机械手轨迹跟踪控制效果。

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。

神经模糊逆模/PID复合控制在CSTR中的应用

研究了基于广义基函数神经模糊模型的逆系统实现及其直接逆模控制 ,并提出将直接逆模控制与PID反馈控制相结合的复合控制策略 .该控制策略已应用于CSTR的反应浓度控制 .仿真结果表明 ,神经模糊逆模 /PID复合控制能克服因辨识逆模型不精确引起的缺陷 ,并具有良好控制性能 .

基于混合径向基神经网络的建模及其逆模控制研究

传统的基于机理或局部线性化模型的控制策略不足以解决越来越复杂的控制问题,而神经网络用于控制也存在泛化能力差等缺陷,因此本文提出一种将被控对象已知机理和RBF神经网络结合起来卖现逆模控制的方法,一方面能发挥神经网络非线性逼近的强大功能,另一方面利用被控对象已知机理信息指导神经网络的收敛方向,改进神经网络的泛化能力。由此方法设计的逆模控制器,在保证控制精度的前提下,速度远快于标准径向基神经网络逆模控制器,且对扰动、时延、非线性及对象参数的摄动有较强的适应能力,具有良好的控制品质。

机器人逆模神经控制及其应用

提出了一种机器人的神经控制方法，把神经网络和ＰＩＤ控制相结合构成一种混合性的机器人逆模学习控制方案，分析了神经控制系统的稳定性与学习算法的收敛性．此外，还提出了一种启发式学习算法，并用于机器人的神经控制．最后给出两关节机器人的仿真结果．其结果表明所提出的逆模学习神经控制具有较快的收敛速度和较高的精度，能够满足实时控制要求，是一种有效的控制方法．

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。

基于径向基函数网络的非线性系统内模控制

针对非线性系统的内模控制,从理论上分析了神经网络控制器的可实现问题,并且用径向基函数(RBF)神经网络实现内部模型及逆模控制器,同时改进了径向基函数中心的学习算法.仿真结果表明,基于RBF网络的非线性系统内模控制的动态性能较好,对于对象参数扰动具有一定的抗扰性.

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.

轴对称推力矢量喷管喉道面积的精度分析与补偿

研究运用控制补偿系统对轴对称推力矢量喷管喉道面积精度补偿的问题。建立喉道正逆运动学模型;考虑机构的加工误差、输入误差以及铰链间隙误差的影响,进行喉道的精度分析;依次运用开环逆模控制及单神经元PID加逆模前馈控制设计控制补偿系统,实现对喉道面积精度的补偿,运用仿真测试的方法验证了后者对喉道面积精度补偿效果更佳。经控制系统补偿后,喉道面积的偏差不大于1%,对轴对称推力矢量喷管的精确控制及补偿控制器的研发提供了一定的理论基础。

强非线性系统的一种快速神经网络控制策略

采用传统的神经网络逆模策略控制具有强非线性的系统,因其计算量过大导致在线实时性能不佳,本文提出一种新型快速径向基神经网络在线逆模控制策略,并利用锥度准则对控制系统的稳定性进行了理论分析,对强非线性对象的控制仿真结果表明,在保证控制精度的前提下,该算法大大提高了控制器运算的速度,且对扰动、时延、非线性及对象参数的摄动有较强的适应能力,具有较好的控制品质,适合应用于复杂工业过程控制器的设计.