受限机械臂的自适应小波滑模位置/力混合控制

针对终端运动受约束的机械臂位置/力混合控制问题,提出了一种自适应小波滑模控制算法.该控制方案将滑模控制的鲁棒性及自适应调整能力与小波神经网络相结合,根据坐标变换得到降阶位置/力模型,针对降阶模型采用小波神经网络在线学习系统未知动力学模型中的非线性部分,同时引入滑模控制自动调整小波网络权值参数,从而对神经网络的固有逼近误差进行有效补偿,达到期望的跟踪性能.二自由度机械臂的仿真结果表明该控制器能保证系统快速有效跟踪指定参考信号.     

环境约束可重构机械臂模块化力/位置控制

针对受环境约束的可重构机械臂系统,提出了一种自适应神经网络模块化力/位置控制方法.利用雅克比矩阵将机械臂末端与环境接触力映射到各关节,将系统动力学模型描述成一组通过耦合力矩相关联的子系统集合,通过控制各子系统的位置和力矩来达到控制末端执行器位置和接触力的目的.利用神经网络估计可重构机械臂系统的非线性项和交联项,通过自适应更新律在线估计神经网络权值函数,并引入滑模控制项补偿估计误差,从而保证闭环系统渐近稳定.最后,在不改变控制器参数的条件下对2个不同构形的2自由度可重构机械臂进行数值仿真,结果验证了所设计控制器的有效性.     

基于扩张状态观测器的机械臂分散自适应模糊控制

针对机械臂控制中各子系统间交联项难于处理的问题,提出了一种基于扩张状态观测器(extended state observer,ESO)和模糊策略的分散控制方法.将机械臂系统考虑为各关节交联子系统的集合,采用扩张状态观测器去实时估计机械臂各关节间的状态、耦合交联项及非线性项,利用模糊系统去逼近机械臂动力学模型中的建模不确定项,从而设计分散自适应模糊控制器以实现机械臂的轨迹跟踪控制,给出了控制器中参数的自适应更新律,并对该控制器进行了Lya-punov稳定性分析.最后将该方法应用于一个4自由度机械臂的轨迹跟踪控制中,仿真结果表明了该方法对处理耦合交联项及在各关节轨迹跟踪控制中的有效性.     

基于Lyapunov稳定性的自适应神经网络控制方案

提出了一种基于Lyapunov稳定性的自适应控制律,使用神经网络模型综合分析非线性动力学系统的控制问题.基于Lyapunov稳定控制律开发出了一种改进的自适应神经网络控制方案,并给出了具有未知非线性一阶仿射系统的仿真控制演示,实验结果表明该神经网络自适应控制方案具有良好的非线性控制能力.     

有效因子融合的可重构机械臂分散容错控制方法

针对含有动态摩擦的可重构机械臂轨迹跟踪执行器部分失效故障的问题,提出一种基于有效因子融合的分散反演滑模容错控制方法。将可重构机械臂的每个关节模块考虑成一个子系统,将有效因子融合到子系统动力学模型中。基于Lyapunov稳定性理论,子系统误差状态空间分别采用了反演思想和终端滑模进行控制器设计,并利用径向基函数(RBF)神经网络估计系统模型的不确定项和交联项,自适应地补偿了神经网络的估计误差。最后,数值仿真结果表明了提出的分散容错方法的有效性。     

基于神经网络的机械臂任务空间滑模同步控制

针对存在不确定性的多机械臂系统,运用RBF神经网络,设计了一种新的滑模同步控制器,解决了多机械臂同步运动问题。根据无向图理论,定义机械臂之间的同步误差和交叉耦合误差。使用自适应律在线更新RBF神经网络权值,逼近并补偿机械臂的运动学不确定性和动力学不确定性。根据Lyapunov方法进行了稳定性分析。最后通过仿真验证了同步控制器的稳定性和有效性。     

采用RBF神经网络辨识的柔性机械臂抑振控制策略

针对柔性机械臂在运动过程中受到柔性因素的影响会出现剧烈振动的问题，提出一种采用径向基(RBF)神经网络辨识的柔性机械臂抑振控制策略，通过减弱机械臂转角波动的方式间接抑制振动。首先，根据拉格朗日原理和假设模态法建立柔性机械臂的动力学模型，其中的不确定项由模态坐标和转角耦合的非线性项构成；其次，在控制律的设计中采用RBF神经网络对动力学模型的不确定项进行辨识补偿，从而提高驱动力矩的精度；最后，通过调整神经网络权重自适应律的系数，使包含辨识结果的控制律满足李亚普诺夫稳定性定理，从而保证动力学系统的稳定性，其中权重自适应律由高斯函数和误差向量组成。采用柔性机械臂实物控制平台的对比实验结果表明：所提出的控制策略能够有效减小柔性机械臂的转角误差和振动幅值；当柔性机械臂长度为1.5 m时，相比常规比例微分控制策略，采用RBF神经网络辨识的控制策略使机械臂末端振动敏感方向的加速度的方差下降了5.8%。该控制策略为柔性机械臂的振动抑制提供了新思路。     

带有未知参数和有界扰动的机械臂混沌反控制

混沌反控制是指通过对在自然状态下并不存在混沌的系统设计控制方案来实现闭环系统的混沌.文中针对带有未知参数和有界扰动的机械臂,设计了一种带有自适应终端滑模项的RBF神经网络控制器,来实现机械臂的混沌反控制.采用RBF神经网络逼近系统的未知非线性函数,通过自适应终端滑模实现系统对外界扰动的鲁棒性;利用Lyapunov稳定性定理证明了闭环系统所有信号的最终一致有界;最后,以两连杆平面机械臂为例,通过仿真验证了所提方法的可行性与有效性.     

采用摩擦补偿的弹药传输机械臂自适应终端滑模控制

为处理某自行火炮弹药传输机械臂系统在负载变化和非线性摩擦干扰情况下的快速定位控制问题,构造了一种结合自适应思想的新型非奇异快速终端滑模控制策略.建立了负载变化及非线性摩擦干扰情况下的弹药传输机械臂动力学方程.为避免控制器产生奇异问题和改进控制器到达滑模面的速度,采用一种新型非奇异快速终端滑模控制策略,设计了弹药传输机械臂的控制律.针对系统不确定上界难以确定的问题,采用自适应律估计系统的不确定上界,并利用Lyapunov准则证明了系统状态的有限时间收敛.为实现系统非线性摩擦补偿控制,使用遗传算法对建立的Stribeck模型进行参数辨识.不同负载工况下弹药传输机械臂实验结果表明:文中设计的控制器实现了负载变化和非线性摩擦情况下弹药传输机械臂的快速准确定位,具有良好的鲁棒性,控制策略合理有效.     

PID神经网络混沌优化及其在机械臂轨迹跟踪控制中的应用

针对BP优化PID神经网络（BP-PDNN）易陷入局部极小的不足,提出了一种变尺度混沌优化PID神经网络设计方法,即MSCOA-PIDNN,将其应用于机械臂轨迹跟踪控制中.利用混沌运动的遍历性优化网络权值,通过压缩优化变量取值区间提高搜索效率.采用MSCOA-PIDNN建立机械臂系统的预测模型,以多步预测性能指标为目标函数,优化PID神经网络控制器,从而实现机械臂系统轨迹跟踪的有效控制.仿真结果表明,MSCOA-PIDNN在机械臂轨迹跟踪控制中性能优于BP-PIDNN.     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

神经网络监督控制在船用一体化压水堆功率控制中的应用

设计了一种船用一体化压水堆功率控制的神经网络监督控制系统,在系统中神经网络作为前馈控制器,PID控制器作为反馈控制器.对压水堆功率控制过程进行了计算机仿真,仿真结果表明,与传统的PID控制相比,神经网络监督控制具有较强的自适应能力和鲁棒性,有效地提高了控制系统的精度.     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统,将传统ＰＩＤ工程整定法与神经网络相结合,采用直接自适应控制方法,使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制,更有效地改善控制品质．     

非线性系统神经模糊自适应控制的问题与策略

针对具有未知动力学的机械臂系统 ,提出一系列神经模糊自适应控制方法。提出神经模糊动态逆稳定自适应控制方法 ,该方法使用动态神经模糊系统逼近非线性动态系统 ,设计的动态逆控制器可以通过参数的设定保证闭环系统在初始控制段的动态性能 ,而无需事先要求机械臂状态位于某一紧集的假设。结合延时神经模糊网络 ,引入降维观测器估计输出重定义后机械手的速度矢量 ,从而建立了非线性系统的控制器观测器设计的新方法。采用了动态逆和“Back-stepping(后退 )”的技术 ,将以上方法成功推广到了考虑执行电机动力学特性的柔性连杆机械臂问题上     

具有未知侧滑和打滑的WMR强化学习自适应神经网络控制

利用反演设计,提出一种强化学习自适应神经网络轮式移动机器人(WMR)轨迹跟踪控制方法.首先在极坐标下建立WMR的轨迹跟踪误差模型,并基于此设计运动学控制器.然后,针对WMR动力学系统,设计自适应神经网络控制器.结合强化学习机制,同时对系统未知侧滑、打滑和模型不确定性进行优化补偿,并引入鲁棒控制项来消除补偿误差的影响,进一步提高了控制效果.所提控制方法使得闭环系统稳定,且最终一致有界收敛,其有效性通过数值仿真结果得到了验证.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。