基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.

基于RBF神经网络逆系统的多变量解耦控制

针对工业生产过程中的多变量耦合系统难以实现解耦的问题,建立了一种改进的规划算法的RBF神经网络逆系统,构造了多变量神经网络控制器,用来对多变量耦合系统进行解耦控制。对一组给定的二变量耦合系统进行了仿真,结果表明:基于改进的进化规划算法的RBF神经网络逆系统的解耦控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该解耦控制使得解耦后的多变量系统具备良好的动、静态特性,达到了理想的控制效果。

基于RBF神经网络逆系统的机械手轨迹跟踪控制

目的:针对机械手系统的高度耦合、非线性等动力学特性,系统结构和参数在实际工作中存在诸多不可预知因素,研究机械手的轨迹跟踪问题。方法:利用神经网络来构建机械手的逆系统模型,将其与被控对象串联构成伪线性系统,从而将非线性问题转化为线性问题,实现了机械手的在线建模、解耦控制。结果:仿真实验结果表明,迅速的跟踪给定的期望轨迹,脉冲干扰并未系统带来明显影响。结论:方案对控制系统有较强的适应性、稳定性以及抗干扰性能,有效地解决了机械手的轨迹跟踪问题。

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。

无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。

基于RBF神经网络的光伏并网系统自适应等效建模方法

针对广义负荷建模中的光伏并网系统模型难以适应不同逆变器控制和频率扰动的动态响应问题,提出了一种基于径向基函数(radialbasisfunction,RBF)神经网络的光伏并网系统自适应等效建模方法。首先,建立了光伏并网逆变器不同控制策略响应波形的检测判据。然后,构建了以电压-频率扰动为输入,有功功率和无功功率为输出的光伏并网系统RBF神经网络模型。最后,在Matlab/Simulink中搭建了光伏并网系统模型,并将其接入IEEE14节点配电网进行仿真验证。结果表明,构建的光伏并网自适应等效模型能够有效辨识电压频率给定控制、有功无功给定控制、下垂控制策略类型,能够准确反映光伏并网系统在不同电压、频率扰动下的有功功率、无功功率的动态响应特性。

基于ICPSO优化的PMa-BSynRM神经网络逆系统解耦控制

针对永磁辅助式无轴承同步磁阻电动机(PMa-BSynRM)存在的强耦合和非线性问题,以及神经网络逆系统解耦控制收敛速度慢和易陷入局部极值的问题,提出了一种将BP神经网络与改进混沌粒子群优化(ICPSO)算法相结合的PMa-BSynRM解耦控制方法。基于PMa-BSynRM的结构和工作原理建立转矩和悬浮力的数学模型并进行可逆性分析,再建立BP神经网络作为逆系统,利用ICPSO算法优化其初始连接权值,通过仿真验证优化效果,经过充分训练后,将BP神经网络与原系统串联形成伪线性系统,从而实现PMa-BSynRM的解耦控制。仿真及试验结果表明,采用ICPSO算法优化的BP神经网络逆系统收敛速度和解耦性能均优于传统神经网络逆系统,改善了PMa-BSynRM的动态与静态性能。

基于LMI和扰动观测器的电动伺服系统RBF神经网络控制

为了提高电动伺服系统的加载力跟踪精度,基于线性矩阵不等式(LMI)设计扰动观测器和控制器。针对系统中的非线性因素,采用RBF神经网络逼近系统的数学模型;在建立系统跟踪目标模型的基础上,根据LMI设计扰动观测器对控制器进行多余力的补偿,利用李雅普诺夫函数证明扰动观测器和控制器的收敛;在MATLAB/Simulink中搭建仿真模型,分析扰动观测器和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与PID控制相比较,证明所提控制策略的控制性能更优。

基于扰动观测器的双容液位系统RBF神经网络滑模控制

针对双容液位系统存在的外部扰动、模型参数不确定等问题,设计了一种基于非线性扰动观测器(nonlinear disturbance observer,NDOB)的径向基函数神经网络滑模控制(radial basis function neural network sliding mode control,RNNSMC)方法。建立双容液位系统数学模型,采用积分型滑模面来提高系统的鲁棒性,在常规积分滑模控制的基础上,通过RBF神经网络(RBF neural network,RNN)对系统的非线性函数进行逼近,并设计非线性扰动观测器估计外部扰动,选用Lyapunov稳定性判据证明了控制策略的闭环稳定性。仿真结果表明,所提控制策略与积分滑模控制(integral sliding mode control,ISMC)方法相比,不需要精确的数学模型,且控制精度更高,抗干扰能力更强。

机载LiDAR姿态角稳定装置的神经网络逆系统解耦控制研究

机载激光雷达(LiDAR)工作过程中,机载平台姿态角波动会造成激光扫描点云的密度分布不均匀,导致后续数字表面模型重建时精度降低,因此设计了一种推转式姿态角稳定装置,可实现机载平台姿态角波动的实时补偿。设计的姿态角稳定装置具有非线性和强耦合的运动控制特点,为消除其运动耦合关系、提高运动控制精度,基于神经网络逆系统解耦控制策略对姿态角稳定装置进行解耦处理,取得了满意的控制效果。首先,建立了姿态角稳定装置动力学系统的多变量神经网络逆系统模型;其次,采用PID闭环反馈控制器与神经网络逆系统前馈补偿器组合的前馈-反馈复合控制器,实现控制系统的实时解耦,改善动态控制性能;最后,进行了实验验证。结果表明,设计的神经网络逆系统解耦控制方法可有效提高姿态角稳定装置控制精度,并对误差干扰具有优良鲁棒性。

基于神经网络逆系统的车辆动力学模型解耦法

为了消除车辆各系统纵横向之间的耦合影响,对车辆动力学模型进行了神经网络逆系统解耦控制。选用的研究对象为四轮驱动、前轮转向的无人驾驶车辆。首先,将包含侧向运动和横摆运动两个自由度的车辆动力学模型通过Interactor算法进行可逆性分析;其次,搭建卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)逆系统结构构建逆系统,并验证该方法的可行性;将该解耦方法应用于无人驾驶车辆的轨迹跟踪控制设计中,通过CarSim和Matlab/Simulink联合仿真试验证明,设计的CNN+LSTM神经网络逆系统解耦控制在多种工况下都具较好的跟踪特性及稳定性。

基于RBF神经网络的磁悬浮时滞系统Backstepping控制与仿真

磁悬浮系统能使铁磁性物体悬浮在空中,可以应用于科研、医疗、娱乐、交通等多个领域。为了解决非线性、不稳定磁悬浮系统的控制问题,建立了磁悬浮时滞系统的数学模型,采用了Backstepping控制以及RBF神经网络和Backstepping控制结合的方法进行研究,采用李雅普诺夫稳定性理论分别设计非线性控制器,保证闭环系统的理论稳定。在此基础上,利用Radial basis function (RBF)神经网络的逼近特性,设计了自适应律,研究了对系统中未知函数的拟合。最后,通过MATLAB对两种控制方法的效果进行对比,仿真结果表明,两种方法均能使系统稳定,RBF神经网络与Backstepping控制结合的方法能较快实现稳定,效果更好,且RBF神经网络对未知函数的拟合效果也良好。

基于神经网络逆系统的市政清淤机器人避障路径研究

在市政管道清淤工作中,机器人技术可以提高工作效率,减少人力成本,提高清淤质量。然而,在清淤机器人工作过程中,经常会遇到各种障碍物,需要进行避障路径规划,以提高机器人的安全性、工作效率和适应性。该文在介绍清淤机器人的总体结构设计、控制系统、传感器系统设计以及人机交互系统设计的基础上,阐述神经网络逆系统的基本原理和方法,以及清淤机器人的设计和实现,探讨神经网络逆系统在清淤机器人避障路径规划中的应用。通过仿真验证证明,基于神经网络逆系统能有效地控制非线性时变对象,不需要建立精确的数学模型,其鲁棒性强、适应性良好。针对清淤机器人运动和控制特点,搭建和训练基于神经网络逆系统深度学习的目标障碍物检测模型,应用于实际问题的模型求解,通过人工势场图中梯度信息的随机树新增节点,结合路径规划与缺陷或障碍物等目标的时空信息,优化机器人的避障路径,可以提高避障路径规划算法的运行效率。

基于RBF神经网络与SLAM的全捷联导引头定位研究

针对全捷联导引头探测器和IMU传递函数的需要进行相位匹配的问题,利用在线学习的RBF神经网络进行相位匹配算法设计,利用Z变换进行离散化处理;针对全捷联单模和多模导引头的相位匹配算法进行了设计与分析,并通过Matlab/Simulink联合仿真实验验证了算法的效果。同时,结合SLAM系统进行同时定位矫正,提升导弹的定位精度与全捷联导引头的导引准确度。

基于神经网络的船舶综合电力系统负荷组合预测研究

随着纯电动船舶的高速发展,其用电负荷在电力市场交易中的影响日渐突出,为此该文提出一种船舶综合电力系统负荷神经网络组合预测方法,旨在提高预测精度。首先,分析纯电动船舶综合电力系统在多种工况下的负荷特性。然后,研究基于典型神经网络的船舶综合电力系统负荷预测方法,揭示其在复杂工况下预测的局限性。针对以上问题,提出了基于BP和RBF神经网络相结合的船舶综合电力系统负荷组合预测方法。此组合预测方法集合了BP和RBF神经网络模型的优势,提高了预测模型的泛化能力和容错率。最后,以江苏某纯电动船舶为实际算例,针对复杂工况下的船舶综合电力系统负荷进行对比预测。结果表明,所提方法与单一预测算法相比,预测精度从96.63%提高至98.98%。

基于神经网络的舰船混沌保密通信系统研究

以提升舰船通信安全性及同步性为出发点,设计基于神经网络的舰船混沌保密通信系统。基于舰船混沌同步保密通信系统一般模型,在系统发射端设计基于径向基函数神经网络(RBFNN)的跟踪器,跟踪舰船信息信号,通过混沌调制模块调制系统的状态量参数,并加密舰船信息信号将其混沌视为载波进行混沌掩盖后,通过信道进行传输,经噪声消除器去除信号噪声后,在混沌解调模块设计基于RBFNN的同步控制器,输出同步解调后的原始舰船信息信号传输至接收端,实现舰船信息保密同步通信。实验结果显示,该系统加密后,信息可有效掩盖信号真实情况,信号去噪后可还原信号本真,解调后可在接收端实现高精度的信号还原;且该系统应用后的信息可有效防止攻击者窃取。

改进GA-RBF神经网络的水厂混凝投药预测

为了提高水厂混凝剂投加量预测准确性,针对投药系统易受多种水质因素影响,且投药后净水过程存在高度非线性的特点,通过改进遗传算法(GA)优化径向基函数神经网络(也称为RBF神经网络)的权值ω_i和高斯基函数中心宽度向量σ_i,构建GA-RBF神经网络净水厂投药量预测模型。Matlab仿真结果表明,GA-RBF神经网络预测模型可通过实现全局逼近来回避极值陷阱,提高了稳定性和全局寻优能力,相较于单一RBF神经网络预测模型,GA-RBF神经网络预测模型的拟合优度提高5.474%,平均绝对误差降低了4.14%,根均方误差降低3.392%,迭代速度和预测精度都有所提高,数据拟合能力更强。

基于ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。

基于FA-RBF神经网络的导弹导引系统状态预测

导引系统是导弹组成部件中故障率相对较高的部分,对其状态进行预测和预防性维修是保持导弹完好率和保障作战效能的关键环节。导引系统具有内部组成复杂、测试指标繁多、系统状态难以确定等特点。为了快速准确地对导引系统进行状态预测,提出一种基于FA-RBF神经网络的状态预测方法。该方法根据自动测试设备给出的系统测试指标数据,采用因子分析(factor analysis, FA)方法降维处理测试指标数据,得到潜在关键因子,并计算因子得分。然后以因子得分为输入,反映系统状态的内部测点为输出,建立训练样本,运用径向基函数(radial basis function, RBF)神经网络进行导引系统状态预测。最后通过示例说明方法的实用性和有效性。

模糊PID神经网络逆控制多电机系统分析

本文围绕模糊PID神经网络逆控制多电机系统展开一系列探究分析。在工业生产技术进一步发展的时代背景下,生产线凸显出复杂化特点,因此会在一定程度上受到电机功率大小的影响。受到科技进步和社会需求增大的影响,传统的单电机控制模式明显已经无法满足工业生产需求,多台电机协同控制已经成为社会工业生产的必然要求,特别是在轧钢、造纸、经纱和印花等现代工业领域中获得了一定运用。