基于RBF神经网络的新型AUV自抗扰控制方法

近海底复杂环境中精细观测作业与精确位置控制等技术对自主水下航行器(AUV)提出了更高的要求。为此本文提出一种基于径向基函数神经网络(RBFNN)的新型自抗扰控制方法。利用自适应RBF神经网络的自学习能力,对扩张状态观测器进行优化,使其对模型不确定部分和环境干扰能够自适应估计,并实现将总扰动在线补偿到控制输入中,实现更佳的扰动估计及控制性能。通过仿真实验发现,与传统自抗扰控制(ADRC)相比,不同阶跃输入下,改进方法具有更小的观测误差,控制稳定性更好,且在较低采样频率下依然可以取得理想的控制效果。仿真结果表明,本文方法能够优化扩张状态观测器的性能,提高AUV在不同阶跃输入及采样频率下的稳定性,简化了控制器调参过程,为实际工程应用提供借鉴。

欠驱动UUV自适应RBF神经网络反步跟踪控制

针对水下无人航行器(UUV)模型存在一定的误差以及流体中存在时变扰动问题,引入径向基函数(RBF)神经网络控制技术进行自适应补偿估计,结合反步法设计UUV的位置、姿态及速度控制器,使用虚拟速度来代替姿态误差的控制手段,将姿态跟踪控制转化为对速度控制。仿真结果说明此种方法是有效的,提高了UUV的鲁棒性及自适应能力。

基于RBF神经网络的伺服系统自适应自抗扰控制

针对伺服系统中存在的非线性,提出了一种基于RBF神经网络的自适应自抗扰控制(ADRC)方法,设计了基于RBF神经网络的自适应自抗扰ADRC控制器。通过仿真和实验验证了该方法能有效地克服采用PD控制时系统的超速超回现象和爬行现象,在参数变化时具有较好的稳态性能和较强的鲁棒性。

基于RBF神经网络的自抗扰控制器在光电稳定平台上的应用

针对光电稳定平台受到多源干扰而影响平台视轴稳定精度的问题,提出一种基于RBF神经网络的自抗扰控制策略,简化了自抗扰控制器复杂的参数整定问题,并对这种结合RBF神经网络的自抗扰控制器通过Matlab进行仿真分析。结果表明,RBF-ADRC相比常规ADRC具有更优的抗干扰能力和位置跟踪性能,具有较快的响应速度,对提高光电稳定平台的视轴稳定精度具有重要意义。

改进型LM-RBF神经网络在自抗扰控制器上的应用

为解决自抗扰控制器(active disturbance rejection control,ADRC)中参数较多且难以整定的问题,提出一种基于LM算法且网络结构可在线优化的径向基函数(radial basis function,RBF)神经网络。利用滑动窗口的思想将在线输入的样本放入一个长度固定的队列,将LM-RBF网络应用于ADRC,在线整定控制器参数,并以永磁同步电机为对象在Matlab里进行仿真分析。结果表明:与基于RBF的常规自抗扰控制器相比,改进后LM-RBF使控制器有更快的响应速度及更优的抗干扰能力,能有效提高被控系统的稳定性,满足非线性时变系统对自抗扰控制器的性能要求。

Application of improved active disturbance rejection control algorithm in tilt quad rotor

The Tilt Quad Rotor(TQR) has complex dynamics characteristics, especially in conversion mode. It is difficult to build the dynamic model of the TQR and the environmental factors have a great influence on it. To solve the problem of control in conversion mode of TQR, this paper carries out the design of the controller based on improved Active Disturbance Rejection Control(ADRC). According to the characteristics of flight in conversion mode, Tracking Differentiator(TD) with explicit model is used to solve the problem of multiple integrals when the system is high-order system. Extended State Observer(ESO) with Radial Basis Function(RBF) neural network is used to estimate and compensate for internal and external uncertainties, and the adaptive sliding mode control in Nonlinear State Error Feedback(NLSEF) is used to improve the response speed of the controller and reduce the parameters which should be tuned. Through the flight control simulation of the TQR, the validity and rationality of the control system are verified.

基于ADRC和RBF神经网络的MSCSG控制系统设计

为了克服外部扰动突变对磁悬浮转子悬浮稳定度和磁悬浮控制敏感陀螺(MSCSG)输出力矩精度的影响,提出了一种基于自抗扰控制器(ADRC)和径向基函数(RBF)神经网络相结合的MSCSG径向偏转控制方法。阐明了ADRC参数对MSCSG控制效果的影响,通过优化设计ADRC,并将RBF神经网络和ADRC结合运用,实现对控制器参数的实时调试,从而克服外界扰动突变的影响。仿真证明所提方法相较于单ADRC控制,不仅改善了解耦控制精度,而且提高了系统对外部扰动和参数变化的响应速度和鲁棒性,可应用于MSCSG的高精度、快响应、强鲁棒控制。

基于RBF-ADRC的高速列车速度控制算法

针对高速列车运行过程中的时变与非线性模型问题,提出一种基于径向基(RBF)神经网络(RBFNN)优化的高速列车速度自抗扰控制(ADRC)算法。首先,以单质点模型建立列车动力学方程;其次,将ADRC技术应用到列车上,以列车外干扰作为扩张部分,借助非线性误差反馈控制律实时观测和补偿系统扰动,设计基于RBFNN优化的ADRC控制器;然后,以CRH380型列车参数进行目标速度曲线仿真追踪,验证RBF-ADRC控制器追踪性能;最后,将设计的RBF-ADRC控制器与传统ADRC控制器在抗干扰性能和追踪误差方面进行比较。结果表明:基于RBF-ADRC的控制器抗干扰性能高于传统的ADRC控制,且追踪误差更小,适用于列车严格运行条件。

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。

基于自适应逆控制的汽轮机调速系统研究

针对汽轮机调速系统具有时滞、非线性、动态特性随工况显著变化和难以精确建模等特点,采用自适应逆控制理论并结合神经网络技术,提出了汽轮机调速系统自适应逆控制方案.该方案利用RBF神经网络在线辨识获得对象模型、逆模型和扰动消除控制器,对给定转速信号和外部扰动分别进行控制,使两者同时达到最佳控制效果.对200MW机组汽轮机调速系统进行了仿真实验,结果表明:与PID汽轮机调速控制方案相比,该方案能很好地适应汽轮机调速对象特性的变化,有效克服对象的惯性和非线性,并有效抑制外部扰动,明显改善汽轮机调速系统的控制品质.

自适应自抗扰比例积分控制下的高速铁路车网耦合系统低频振荡抑制方法

高铁车网耦合系统（electric multiple units-traction network coupling system,ETNCS）低频振荡易引发牵引封锁,严重影响高速铁路安全运行,因此研究低频振荡的机理及其抑制方法具有重要意义。该文首先建立了ETNCS阻抗模型,并利用幅相频特性曲线分析了低频振荡现象的产生机理,其中一个重要的因素是传统比例积分（proportional integral,PI）控制器无法对输入误差信号中的交流分量实施有效抑制。随后,为解决这一问题,提出一种自适应自抗扰比例积分（self-adaptive auto disturbance rejection PI,SAADR-PI）控制器。该控制器一方面继承了自抗扰控制器响应速度快、抗干扰能力强的优点,另一方面可通过fal函数自动调节PI参数使系统保持自适应能力,将其应用到瞬态直接电流控制策略中可提高系统的动态响应速度,增强系统的鲁棒性能。最后仿真和实验结果表明,基于SAADR-PI控制器的瞬态直接电流控制策略具有更好的控制性能,并能有效地抑制ETNCS低频振荡。

基于优化神经网络ADRC的机器人无标定视觉跟踪

研究机器人无标定视觉跟踪,采用基于神经网络的耦合自抗扰控制器,并用自适应遗传算法训练BP网络的初始权值,优化控制器参数,实现了六自由度机器人的无标定手眼协调控制,仿真结果验证了算法的可行性。

基于神经网络自抗扰控制的无刷直流电机控制器研究

自抗扰控制(ADRC)是在继承经典PID不依赖于对象模型优点的基础上,通过改进经典PID固有缺陷而形成的新型控制技术,性能优良。但对于对象变化范围大的系统,仍难获得理想的控制效果。为此,将神经网络与自抗扰控制器相结合,在分析永磁无刷直流电机特点及使用现状的基础上,建立了基于神经网络自抗扰控制器的无刷直流电机控制系统。仿真结果表明,该控制器对无刷直流电机模型的不确定性和外部扰动变化具有较强的适应性和鲁棒性。系统具有良好的动态响应性能。

高超声速飞行器输入受限自适应反演控制研究

针对输入受限和参数不确定时的高超声速飞行器控制问题,提出了一种基于径向基函数(RBF)神经网络补偿的自适应反演控制方法。建立了飞行器纵向运动模型,分析了由控制系统执行机构、弹性振动和避免发动机燃烧室热雍塞导致的燃料-空气比和升降舵偏角受限,通过设计辅助系统以保证受限时闭环系统的稳定性。分别采用动态逆和反演方法设计速度与高度子系统控制器,利用RBF神经网络逼近控制律的饱和特性,设计了一种非线性干扰观测器对模型不确定参数进行自适应估计,并在控制律中引入不依赖扰动上界的鲁棒项,对未观测的扰动部分进行自适应补偿,以保证控制律的强鲁棒性。引入跟踪微分器估计虚拟控制量的导数,解决了传统反演控制中"微分膨胀"问题。Lyapunov函数分析证明了闭环系统所有信号最终一致有界,闭环系统稳定。仿真结果表明:所提的控制策略能有效处理控制输入饱和问题,在受限情况下实现速度和高度对参考输入的高精度稳定跟踪,并对模型不确定性具较强的鲁棒性。

压电驱动的快刀伺服器的迟滞逆模型辨析与自抗扰复合逆控制

为了提高具有表面微结构零件的超精密加工中快刀伺服器的轨迹预测和跟踪精度与抗干扰性,设计一种新型复合控制:在前馈控制器中用Preisach逆模型补偿系统中压电陶瓷驱动器引起的非线性特性;针对前馈控制器未能补偿的非建模扰动、模型参数的不确定性以及其他外界未知扰动,设计了自抗扰控制作反馈控制器。推导了Preisach逆模型;用RBF神经网络实现了Preisach逆模型对压电陶瓷驱动器的线性化补偿;通过对快刀伺服器的建模分析,得到惯性环节和二阶振荡环节串联的等效模型,设计三阶四维扩张状态观测器,可对未知扰动的观测结果作出实时估计和补偿。根据快刀伺服器和超精密车削的特点,取消跟踪微分器,增加速度输入和加速度输入,设计了改进的自抗扰控制器。上述两种控制器组合成复合控制器。实验表明,该复合控制方法可以提高预测和跟踪精度与抗干扰性。

自抗扰控制型自动舵的优化设计研究

提高船舶航向控制的精确性、可靠性是航海技术发展的方向之一。基于人工智能技术,对普通的自抗扰控制器进行优化,引入全新的理念,综合运用神经网络和自抗扰技术能有效提高自抗扰控制器的性能。本文结合船舶航向控制过程中所受的扰动,设计了神经网络型自抗扰控制器,从仿真结果看,能够提高控制器的稳定性、自适应性和鲁棒性。

自适应神经网络四旋翼无人机有限时间轨迹跟踪控制

针对带有模型不确定性和未知外部干扰的四旋翼无人机轨迹跟踪控制问题,提出一种基于径向基(radial basis function,RBF)神经网络的自适应全局快速终端滑模控制方法,确保系统对期望轨迹的有限时间跟踪。该方法考虑到全局快速终端滑模控制在实际应用中的适应性和抖振问题,利用RBF神经网络替代等效控制量,以神经网络的在线学习能力补偿系统内部的不确定性和未知的外部干扰,有效地降低了系统的抖振;根据Lyapunov方法导出的自适应律在线调整神经网络权值,以保证闭环系统的稳定性。通过一系列仿真算例和飞行实验验证了该方法的有效性与可行性,结果表明:该控制方法相对于滑模控制的抖振更小,具有更好的收敛性和抗干扰能力,同时对模型的参数摄动具有更强的鲁棒性。

基于自适应线性自抗扰控制的飞机防滑刹车系统重构控制

飞机防滑刹车系统是确保飞机安全起飞、着陆和滑跑的重要航空机电系统.除了其动力学中的强非线性、强耦合以及参数时变外,潜在的执行器等组件故障也会严重降低防滑刹车系统的安全性与可靠性.为满足故障及扰动状态下系统的性能需求,本文提出了一种基于自适应线性自抗扰控制的飞机防滑刹车系统重构控制方法.根据飞机防滑刹车系统的组成结构及工作原理对其进行数学建模,并对执行器注入故障因子.设计了自适应线性自抗扰重构控制器,同时分析了整个闭环系统的稳定性.该控制器将组件故障、外部干扰以及测量噪声等视为总扰动,根据状态误差反馈和系统输出信息,利用BP神经网络在线优化更新扩张状态观测器和状态误差反馈律参数,从而更精确地观测与补偿总扰动带来的不利影响.最后,在不同跑道环境下的仿真结果验证了所提出重构控制器的适应性和鲁棒性.

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。

RLV再入神经网络自适应姿态控制器设计

可重复使用运载器(RLV)大包线再入过程中,广泛存在模型不确定与外界干扰,会给姿态控制器的设计带来不利影响,为此提出了一种神经网络自适应控制器设计方案。基于时标分离原理设计了快、慢双回路控制结构。在此基础上设计了径向基神经网络(RBFNN)自适应律,用于在线估计模型不确定和外界干扰力矩,并在控制器中进行补偿。仿真验证表明,RBFNN自适应控制器能良好地完成姿态跟踪控制,有效地抑制干扰力矩对姿态控制的影响。自适应律能够在线估计真实的飞行器动态和外界干扰力矩,控制器具有抗扰动能力。