基于CMAC的带有未知负载干扰电液位置伺服系统的自学习控制

针对电液伺服系统的特点 ,提出了基于 CMAC神经网络非线性控制的结构和算法。对电液位置伺服系统的动态仿真表明 。

基于CMAC的电液负载模拟器自学习控制

通过建立某飞行器舵机电液负载模拟器与操舵系统联动的数学模型 ,分析了电液负载模拟器的多余力产生原理。提出了采用结构不变性原理设计补偿环节的基于 CMAC神经网络的控制结构和算法。通过对系统的动态仿真表明 ,该方法可有效地抑制多余力 。

火箭炮交流伺服系统模型参考模糊神经网络位置自适应控制

针对多管火箭炮发射时恶劣的负载特性,设计了一种模型参考模糊神经网络自适应位置控制器。利用RBF网络作为辨识器,实现对被控对象的Jacobian信息辨识,用梯度下降法实时修正模糊控制器的输入输出隶属度参数,以使模型参考模糊神经网络能根据火箭炮跟踪发射过程中的负载特性实时调整速度给定值,从而减小火箭炮发射过程中系统参数变化和外部干扰的影响。仿真和实验结果表明,该方法可有效提高火箭炮位置伺服系统的动态响应能力和稳定性,并使系统具有很强的鲁棒性。

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 。

带有未知负载干扰电液位置系统神经网络控制的研究

本文提出了一种采用神经网络非线性系统控制的结构及算法，对具有未知外部负载干扰的电液位置系统进行了动态仿真，结果表明该方法对未知外负载的干扰具有明显的抑制作用。

基于神经网络PID控制的被动式电液加载系统

针对位置扰动型被动式电液加载系统的多余力矩和参数变化问题,文章在利用结构不变性原理进行前馈补偿的基础上,采用具有自适应能力的神经网络PID控制器来提高系统的加载性能。通过仿真表明:采用这种复合方式控制方法,可以有效减小多余力矩,同时克服了系统的非线性和参数时变等因素对系统的影响,提高了系统的鲁棒性和加载性能。

电液位置伺服系统的模糊CMAC神经网络控制研究

本文提出了一种模糊CMAC神经网络的结构和算法。该网络通过权系数的在线学习 ,实现修正模糊逻辑。将此网络作为前馈补偿单元 ,与PD控制器一起构成一种自学习控制器 ,并对带有未知负载干扰的某电液位置系统进行动态仿真。结果表明 。

基于DSP的防空火箭炮模糊神经网络位置控制器设计

针对多管火箭炮发射时恶劣的负载特性,设计了一种模糊神经网络自适应位置控制器。用梯度下降法实时修正模糊控制器的输入输出隶属度参数,以使模糊神经网络能根据火箭炮跟踪发射过程中的负载特性实时调整速度给定值,从而减小系统参数变化和外部干扰对火箭炮性能的影响。采用对空间分区建立索引表的方法,建立了一种基于TMS320F2812的新型模糊神经网络位置控制器的编程实现方法。仿真及实验结果表明该方法可有效提高火箭炮位置伺服系统的动态响应性能、稳定性和鲁棒性。

电动式位置扰动型力矩伺服系统的单神经元自适应PID控制

在位置扰动型力矩伺服系统中,由于受力对象的运动给系统带来很大的位置干扰,给系统的校正和优化带来了困难,位置扰动型力矩伺服系统设计的主要任务就是消除它的多余力矩。本文建立了电动式位置扰动型力矩伺服系统的数学模型,并提出了一种新的控制方法:采用单神经元自适应 PID 控制来抑制多余力矩和提高系统的控制性能。仿真结果表明这种控制方法有效地抑制了多余力矩的干扰,提高了系统的鲁棒性和跟踪性能。

基于单神经元自适应PID控制的位置扰动型电液伺服施力系统

针对位置扰动型电液伺服施力系统中多余力矩和参数变化问题,在用结构不变性原理进行补偿的基础上,采用单神经元自适应PID控制来确保系统有满意的跟踪性能。采用这种控制方法,可以较好地消除位置干扰的影响,同时克服系统的非线性及参数时变等因素的影响,提高了系统的鲁棒性和跟踪性能。仿真结果验证了上述结论。

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。

电液位置伺服系统的高精度神经网络控制研究

提出了一种采用CMAC神经网络的自学习控制器 ,以解决具有参数不确定和时变外扰动的电液位置伺服系统的高精度控制问题。该控制器采用动态误差作为CMAC的激励信号 ,从而使基于CMAC的控制器跟踪连续变化的信号成为可能。仿真结果证明了该控制器不仅是有效的 。

基于神经网络的伺服系统负载转矩扰动辨识器设计

针对伺服控制系统负载转矩扰动的问题,基于永磁同步电机矢量控制基本原理,提出了一种负载转矩扰动辨识算法。并结合神经网络控制理论,采用两层神经网络设计了一种负载转矩扰动辨识器。采用DSP控制器搭建了伺服控制系统,同时给出了软硬件设计方法,最后针对电机转速响应特性进行了仿真实验并与传统控制方法比较。仿真结果表明:基于神经网络的伺服系统转矩扰动辨识方法能够有效地抑制负载扰动对系统的影响,提高了控制系统动态响应速度和跟踪性能。

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题 ,提出了一种带有小脑模型 (CMAC)神经网络的再励学习控制方法 .将CMAC神经网络融入再励学习控制结构中 ,并进行了简化与改进 ,结果不仅使再励学习控制器具备了泛化能力 ,而且提高了其学习速度 ,因此适用于电液位置伺服系统的快速跟踪控制 .仿真结果表明 ,该控制器不仅具有良好的处理非线性能力 。

电动式位置扰动力矩伺服系统的控制方法仿真

在位置扰动型力矩伺服系统中,由于受力对象的运动给系统带来很大的位置干扰,给系统的校正和优化带来了困难,位置扰动型力矩伺服系统设计的主要任务就是消除它的多余力矩。针对多余力矩和参数变化问题,在建立电动式位置扰动型力矩伺服系统数学模型的基础上,提出了一种新的控制方法:采用单神经元自适应比例积分微分(PID)控制来抑制多余力矩和提高系统的控制性能。仿真结果表明这种控制方法有效地抑制了多余力矩的干扰,提高了系统的鲁棒性和跟踪性能。

随动模拟加载系统的自适应神经滑模控制

针对炮控系统随动模拟加载系统存在的摩擦、间隙、耦合等复杂非线性和参数时变等不确定性特征,提出了一种自适应神经滑模控制策略。对于系统中存在参数时变等不确定性,利用RBF神经网络自适应逼近不确定部分;另外,利用RBF神经网络动态调节切换函数的切换增益,改善系统的动态品质。采用Lyapunov理论推导出自适应律,在线估计神经网络权值和未知函数,并证明了系统稳定性。仿真表明,该控制策略能够较好地抑制干扰力矩,响应快,保证了系统静、动态的加载控制精度和鲁棒性。

永磁同步电机位置伺服系统的RBF神经网络滑模控制策略

针对永磁同步电机(PMSM)位置伺服控制系统的负载扰动、外部不确定性干扰和模型参数摄动的特点,常规PID控制策略难以达到满意的控制效果.利用滑模控制对系统扰动和参数变化不灵敏的优点,提出一种基于神经网络和滑模控制相结合的位置伺服优化控制策略.在常规滑模控制器设计的基础上,引入RBF神经网络调节滑模控制器的切换增益,削弱系统的抖振,并通过在系统中设计干扰观测器实现对扰动的补偿.仿真结果表明:与常规滑模控制和常规PID控制相比,不同参数下本文所提出的优化控制策略超调量最多降低22%,调节时间最多减少9.2 s,有效提高位置伺服系统的鲁棒性、抗干扰能力和跟踪精度,且系统抖振得到有效遏制.

基于负载观测器与新型趋近律的光电稳定平台伺服系统RBF+SMC控制策略设计

车载光电探测设备作为现代战车的“眼睛”,其性能的高低直接决定了战车能否对目标实施精准打击。因此,作为光电探测设备载体的稳定平台伺服系统要有良好的控制性能来保证光电探测设备视轴的稳定性。针对光电车载稳定平台伺服系统在实际工作中存在的摩擦力矩、不平衡力矩、路面扰动等非线性问题,设计了基于负载观测器的RBF神经网络滑模控制器以代替工业中广泛应用的PID控制器,进行稳定平台的位置控制。基于有强鲁棒性的滑模控制,利用RBF神经网络对时变未建模项进行动态自适应逼近,并利用负载观测器对时变的负载力矩进行观测后再引入控制率中削弱滑模控制器输出的抖动。仿真及实验表明,设计的控制策略能够有效地提高稳定平台的位置精度,并且使系统具有较强的鲁棒性。

PMSM位置伺服系统的复合自抗扰控制

PMSM位置伺服系统是强耦合、参数时变的非线性系统。基于自抗扰控制把系统的内扰动和外扰动通过ESO扩张成总扰动,然后对非线性实现实时精确补偿。自抗扰控制器中的非线性控制率参数的选择直接影响控制效果,设计了神经网络对非线性控制率的参数进行在线整定。同时引入了遗传算法对神经网络的重要参数进行优化。数值仿真表明该方法具有更强鲁棒性和控制精度。