汽车EPS伺服变幅加载系统PID建立DNN控制优化

为了进一步提高汽车电动助力转向电液伺服加载系统运动精度,设计了一种PID建立DNN控制系统。通过柔性联接的模式构建电液位置伺服系统,确保在瞬态平衡响应过程中快速完成控制。搭建了柔性电液位置伺服调控测试,并开展调控效果分析。研究结果表明:通过PID建立的DNN控制器在校正柔性联接电液位置伺服参数方面发挥了关键作用,整体响应时间大幅缩短,确保系统频段动态控制效果获得明显改善。采用DNN控制器调节柔性连接电液伺服系统时,能够有效增强系统低频负载位移精度,避免发生幅值衰减的问题,能够以更高精度跟踪柔性连接电液位置伺服参数,促进了系统跟踪性能获得明显改善。该研究对提高汽车运行稳定性以及节能具有很好的理论支撑作用。

视觉校对约束下生产线搬运机械手抓取定位控制

针对智能生产线环境中存在的随机振动、噪声等干扰因素会对机械手的传感器精度产生影响,导致生产线搬运机械手抓取定位控制精度低的问题,提出智能视觉约束的生产线搬运机械手抓取定位控制方法。分析生产线搬运机械手的动作流程,了解机械手在进行抓取操作时需要确定目标物体位置存在的问题;通过改进的YOLOv2模型识别待搬运物体的位置,估计出待搬运物体的大小;使用改进K-means聚类算法通过聚类过程估计出待搬运物体与机械手之间的相对距离和大小,改进单纯依靠传感器的弊端。设计PLC控制器来实现对机械手的定位控制;同时引入小脑模型神经网络模拟人类小脑的运动控制能力,优化PID控制算法,使机械手在抓取和定位控制中更加稳定和精确。实验结果表明:所提方法使生产线搬运机械手抓取定位时抗干扰性较强,精度较高,抓取定位控制效率较好。

基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

无刷直流电机小脑模型网络与PID复合控制

为提高无刷直流电机调速驱动系统的性能,提出了无刷直流电机的小脑模型神经网络与PID复合控制策略。介绍了小脑模型神经网络的原理,给出了复合控制器的结构框图及适于数字控制的算法离散化过程,并对控制系统在转速指令和负载转矩变化时的性能进行了仿真和实验验证。结果表明,所提出的智能控制策略在减小转速超调的同时保证了响应速度,能快速平稳的跟踪给定指令,有效的抑制了负载扰动的影响,动、静态性能均优于PID控制。

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点 ,提出一种基于模糊小脑模型神经网络的遥感图像分类算法。首先阐述小脑模型神经网络的工作原理 ,然后将模糊理论引入小脑模型神经网络 ,提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络 ,并将其应用于遥感图像分类。实验结果表明 ,这种基于模糊小脑模型神经网络的分类器经过训练后 ,可应用于遥感图像的分类 。

短裤特征截面廓形分析及间隙量预测模型构建

为探究短裤松量变化对截面廓形的影响,选取与裤装造型密切相关的腰围、臀围等特征截面进行研究。通过[TC]~2三维扫描仪获取截面点云数据,利用小脑神经网络进行曲线拟合,提取最小外接矩形面积、厚宽比及间隙量表征截面廓形变化,通过回归分析构建短裤间隙量与松量的预测模型。结果表明:短裤松量与臀围、裆围及裤口围截面厚宽比呈负相关,臀围、裆围处间隙量主要向截面两侧及后中部位累积,截面形状趋于宽扁;经两配对样本T检验,间隙量的预测值与实际测量结果之间无显著差异,间隙量预测模型的拟合优度较好。研究结果可为建立人体、服装截面廓形及三维仿真之间的关系提供参考。

基于模糊神经网络的导弹直接力/气动力复合控制系统设计

为了提高导弹的机动性、敏捷性和导引精度,新型导弹大多采用直接力/气动力复合控制方案。由于神经网络对于系统非线性变化具有较强的适应能力,因而在解决直接力/气动力复合控制中的时变非线性问题时有较明显的优点。在建立导弹非线性模型的基础上,采用模糊小脑模型神经网络(FCMAC)与动态逆相结合的方法设计导弹控制器,该方法结构简单,收敛速度快,易于硬件实现。数字仿真结果表明该方法对导弹系统参数的非线性变化具有很强的适应性。

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例,分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明,CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点,比较适用于短期电价预测。

基于自组织小波小脑模型关节控制器的不确定非线性系统鲁棒自适应终端滑模控制

针对一类不确定非线性系统的跟踪控制问题,在考虑建模误差、参数不确定和外部干扰情况下,以良好的跟踪性能及强鲁棒性为目标,提出基于自组织小脑模型(self-organizing wavelet cerebellar model articulation controller,SOWCMAC)的鲁棒自适应积分末端(terminal)滑模控制策略.首先,将小脑模型、自组织神经网络和小波函数各自优势相结合,给出一种SOWCMAC,以保证干扰估计方法具有快速学习能力和更好的泛化能力.其次,设计两种改进的terminal滑模面构造方法,并分别给出各自的收敛时间.然后,基于SOWCMAC和改进的积分terminal滑模面,给出不确定非线性系统鲁棒自适应非奇异terminal控制器的设计过程,其中通过构造自适应鲁棒项抑制干扰估计误差对系统跟踪性能的影响,并利用Lyapunov理论证明闭环系统的稳定性.最后,将该方法应用于近空间飞行器姿态的控制仿真实验,结果表明所提出方法有效性.

基于CMAC的船舶操舵系统负载模拟器复合控制

利用键合图建模与仿真方法 ,建立了某船舶操舵系统负载模拟器与操舵系统联动的扩展键合图模型 .针对多余力严重影响施力系统动态加载性能的特点 ,提出了基于 CMAC神经网络的复合控制来提高施力系统的动态加载性能 ,并给出了具体的控制结构和算法 .通过对系统的动态仿真表明 。

基于FCMAC神经网络的PHEV转矩分配策略

针对混合动力汽车转矩分配策略对整车的燃油经济性和排放性能具有重要的影响,提出了基于模糊小脑模型(FCMAC)神经网络控制的整车转矩分配方法.以某变速箱前置式双轴转矩耦合并联混合动力汽车为研究对象,建立了以发动机的输出转矩为目标的FCMAC神经网络控制策略,将输入量离散化后的高斯基模糊隶属度进行规则相乘后作为FCMAC神经网络的输入,经过hash映射及权值调整输出发动机转矩,实现了混合动力汽车的转矩分配.在AVL-Cruise及Matlab/Simulink平台上建立仿真模型,将其控制策略与基于逻辑门限值控制策略的仿真结果进行比较.结果表明:在NEDC工况下FCMAC控制策略较逻辑门限值控制策略,油耗与排放都有改善,提升了并联式混合动力汽车的燃油经济性和排放性.

基于连续映射小脑模型的广义预测控制快速算法

文中把改进后的小脑模型（CMAC）应用于广义预测控制（GPC）算法中，避免了该算法需实时进行的复杂计算．本文的方法对GPC在实际中的应用有重要的意义．

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把 HCMAC(Hyperball Cerebellar Model Articulation Controller)与模糊逻辑理论有机结合起来 ,形成 FHCMAC(Fuzzy HCMAC) ,它便于从输入输出数据中提取模糊规则 ,直接用作控制器 .可以将 FHCMAC看作用基函数网络实现的模糊逻辑系统 ,兼有 HCMAC神经网络和模糊逻辑两者的优点 ,既可以较容易表达定性或模糊的经验知识 ,又具有很好的学习性能 .应用仿真实例验证了其有效性 .

电液负载模拟器的自适应最优控制

研究了电液负载模拟器的自适应最优控制问题。将线性二次型最优控制与GCMAC神经网络相结合,提出了一种自适应最优控制策略。该控制策略把最优控制器作为辅助控制器,采用GCMAC神经网络在线学习使闭环系统满足理想性能要求的控制量。Lyapunov稳定性分析证明该控制策略具有渐近稳定性。仿真结果表明系统具有较好的动态性能和较高的载荷谱跟踪精度。

舵面电动加载系统的自适应CMAC复合控制

针对无人机舵面电动加载系统具有非线性及多余力矩的特点,提出了一种自适应CMAC(Cerebellar Model Articulation Controller)神经网络与自适应神经元控制器并联构成复合控制结构.该控制策略以系统的指令输入和实际输出作为CMAC的激励信号,以系统的当前控制误差作为CMAC的训练信号.提出了利用误差在线自适应调整学习率的方法,消除了常规前馈型CMAC的过学习和不稳定现象.建立了无人机舵面电动加载系统的数学模型,给出了具体的控制结构和算法.仿真结果表明:该方法有效抑制了加载系统的多余力矩,增强了系统的稳定性,明显改善了舵面电动加载系统的动态性能.

用于机器人运动控制的通用小脑认知模块的构建

用具有神经生理学性质的小脑模型实现对机器人系统各种不同感觉协调运动的控制,这是当前机器人控制领域的一个研究热点。但针对一种控制任务就要构建一种对应的小脑模型,这种方式效率很不理想。文中以运动控制为基础,构建了一种包括所有主要细胞类型及其连接的通用小脑认知模块(General Cerebellum CognitiveModule,GCCM)。对给定的背景知识,GCCM能够通过学习生成理想输出,因而,可用于各种不同的机器人感觉运动控制任务。仿真实验证明,通过将脊髓层次上的轨迹误差检测与小脑中的记忆轨迹结合起来,嵌入的GCCM控制系统能对快速手臂延伸运动进行精确的鲁棒控制。

CMAC神经网络结构参数及其结构优化的研究

CMAC神经网络具有学习算法简单、收敛速度快、局域泛化等优点,被广泛应用于机器人控制、信号处理、模式识别以及自适用控制等领域。但是网络的训练过程需要大量的存储单元,最优结构参数的选取是CMAC网络设计中一个重要问题。文中通过对函数逼近问题的研究,说明了量化精度和泛化参数如何影响网络对函数的逼近质量。仿真结果表明,通过对结构参数的调整,可以达到最小的逼近误差。而通过对网络结构的优化不但可以节约网络的训练时间而且可以大幅度减少存储单元的数量。

基于模糊算法的多小脑神经网络在混凝投药系统中的应用

净水工艺中的混凝投药是一个受多变量影响的非线性系统,无法建立准确的数学模型,且滞后时间较长。为了将混凝投药后的出水浊度控制在设定的范围内,并且有效地减少投药量,通过对混凝投药过程的分析,设计一种基于模糊算法的多小脑神经网络(CMAC神经网络)前馈控制器,并设计控制器离线建模和在线学习的方法。最后使用MATLAB进行仿真验证,结果表明,该前馈控制器能够在原水浊度和原水温度变化的情况下,有效地将浊度控制在设定的范围内,并且能够实现投药量的优化。

抑制高超声速飞行器级间分离气动干扰的预置舵偏设计方法

高超声速飞行器级间分离时,飞行速度约为6 Ma,动压约为70 kPa,前后体之间会有较强的气动干扰,造成飞行器出现姿态偏差。为了抑制这种气动干扰,提出了一种基于CMAC神经网络的预置舵偏设计方法。该方法利用CMAC神经网络的非线性映射作用,并对CMAC神经网络结构进行改进,不以网络输出量为网络自适应学习的输入,而是以分离后的攻角为网络学习的输入,计算不同的分离干扰所需的预置舵偏值。通过仿真验证,文中提出的预置舵偏设计能够有效抑制分离气动干扰对攻角和侧滑角的影响,能使角度偏差由4°减小到0.02°。

基于CMAC控制器的可变幅电液伺服系统优化及验证

为了构建更高运动精度的机械模型,本文设计了一种柔性联接结构建立的可变幅电液伺服系统。分析液压伺服系统阀控缸动平衡方程,并给出了系统控制流程。根据小脑模型神经网络(CMAC)控制方法,利用柔性联接方法建立可变幅电液伺服系统,使瞬态平衡响应阶段实现优异动态控制效果。研究结果表明:以PID构建的CMAC对可变幅电液伺服系统形成了稳定性更高的闭环系统,更大幅度的低频段增益效果,提升系统控制精度,实现对柔性联接可变幅电液伺服系统起到理想的校正作用。以CMAC控制器对电液伺服控制结构调控,提升了系统低频状态下的负载位移输出精度,有效控制了幅值衰减程度,达到了更高跟踪精度,显著提升了系统的整体跟踪效果。