大射电望远镜柔性Stewart平台的动力学分析与控制

根据KED方法建立了柔性支腿Stewart平台的动力学模型。针对该机构为一非线性、强耦合、多输入多输出等特点,提出一种干扰观测器和基于优化神经网络结构的PID控制器(PID-NNC)相结合的控制算法来实现大射电望远镜(LT)馈源高精度轨迹跟踪。这种新方法通过构造干扰观测器来观测柔性Stewart平台的各种干扰,并对观测到的干扰信息进行补偿以抑制干扰对系统的影响,同时采用PID-NNC进行动态解耦控制。理论分析和仿真实验结果表明,该控制算法不仅能满足馈源轨迹跟踪高精度要求,而且具有较强的鲁棒性。

一种大柔性Stewart平台轨迹跟踪控制方法的研究

新一代大射电望远镜(LT)粗调系统是通过6根索长的协调变化驱动馈源舱跟踪射电源的六自由度运动,其工作特点类似Stewart平台,因此被看作大柔性Stewart平台。针对该系统变结构、非线性、大滞后、强耦合等特点,提出一种卡尔曼滤波和基于优化神经网络结构的PID控制器(PID-NNC)相结合的控制算法来实现馈源轨迹跟踪控制。这种新方法通过构造卡尔曼滤波来抑制随机干扰对系统的影响,同时采用PID-NNC来实现馈源舱轨迹跟踪。理论分析和仿真实验表明,该控制算法不仅能满足对轨迹跟踪精度要求,而且具有较强的鲁棒性。

气动比例位置系统的神经网络控制

采用加入辨识的神经网络PID控制方法对气动比例位置系统进行了实验研究, 研究表明采用该控制方法可以实现气缸活塞全行程任意位置上的精确定位。系统辨识的加入可以在线获得系统动态特性, 辨识输出可以预测系统输出, 从而使控制参数的修正更准确, 能够进一步提高控制精度, 在以抛物线作为理想缓冲曲线, 利用所编制的控制软件控制该系统时, 定位精度可达±0 15mm, 完全能够满足工业机械手的定位要求, 具有较高的工程应用价值。

基于神经网络PID的AUV控制方法研究

针对水下机器人各自由度之间存在较强的耦合和非线性特征,其精确的数学模型很难获得的问题,建立了水下机器人空间运动的数学模型,并根据实际需要和控制器设计的方便进行了适当简化,得到了水下机器人自由度运动模型.在此基础上,使用了基于神经网络的PID控制方法.结合水下机器人六自由度水动力模型,建立了基于BP网络的PID的水下机器人控制器,并进行了仿真环境下的试验.试验结果表明,以上控制方法较为适合水下机器人的运动控制.

基于DSP-NNCPID的电液位置伺服控制系统的设计

本文以电液位置伺服机械手第一关节为研究对象,提出一种基于NNC-PID的PC机+DSP控制方案。详细说明了系统硬件电路各部分的设计和系统软件各模块的设计。利用神经NNI-PID控制器的自学习、自适应能力实现PID控制参数的自整定,使系统具有良好的控制定位和伺服跟踪性能,NNC-PID控制器较好地解决了电液位置伺服系统存在的问题。

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。

基于DSP NNC-PID的电液位置伺服控制系统设计

提出一种NNC-PID电液位置伺服控制系统的设计方法。采用PC机+DSP为主控制器,NNC自学习、自适应对PID参数自整定的控制算法,以满足在非线性、参数时变性、不确定性条件下,对机械手电液位置伺服系统进行高精度和快速响应的控制要求。与常规PID控制的对比实验表明,该系统由于具有自学习和实时调整PID参数的能力,使系统很快收敛于位置稳态值,同时对参数时变表现出良好的鲁棒性,很好地解决了液压系统的非线性和参数时变问题,具有良好的定位精度和伺服跟踪性能。