漂浮基空间机器人的智能融合自适应控制器设计

提出了一种智能融合自适应控制策略用于带外部干扰及模型不确定性的漂浮基空间机器人系统.首先建立不确定空间机器人动力学模型,利用径向基神经网络在逼近域内来补偿模型中出现的未知非线性部分,为保证权值及网络参数在线调节,采用线性化技术将非线性的RBF网络部分线性化,其高阶项量及逼近误差通过自适应鲁棒控制器消除,无须预先估计系统的不确定性程度和外部干扰,包括网络权值和基函数宽度及中心在内的所有参数均能在线实时调整,从而提高了控制精度.该控制器在神经网络控制器的暂时失效的情况下也能保证系统鲁棒性,基于李雅普诺夫理论证明了整个闭环系统信号一致最终有界（UUB）.仿真结果表明该智能融合控制器能够达到很好的控制精度.     

自由漂浮空间机械臂基于神经网络的H_∞鲁棒控制

考虑到自由漂浮状态的空间机器人模型不确定性,提出了神经网络的H∞鲁棒控制策略.首先建立自由漂浮空间机器人的动态模型,再利用径向基函数(RBF)神经网络良好的逼近能力自适应补偿系统的未知非线性模型,逼近误差作为外界干扰通过鲁棒控制器消除,该方法从整个闭环系统的稳定性出发建立了神经网络权值在线学习算法,利用H∞理论设计的鲁棒控制器保证了系统的稳定性,并使系统L2增益小于给定的指标.仿真结果表明了所提出的控制器的有效性.     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

输入受限下机器人关节神经网络自适应控制

针对机器人关节控制输入受限以及动力学模型中存在非线性摩擦、柔性变形和未知外部干扰力矩等问题,提出了一种基于径向基函数（radial basis function, RBF）神经网络的输入饱和指令滤波自适应控制方法。基于指令滤波反步法,采用饱和函数约束控制输入的幅值,使用RBF神经网络在线逼近未知干扰,并利用Lyapunov稳定性理论证明了闭环系统的所有误差最终一致有界。仿真结果表明,控制算法不仅使系统的控制输入幅值被严格约束在规定的范围之内,完成了对目标轨迹的高精度跟踪（跟踪误差约为±0.003 rad）,而且还可抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响,保证系统的高精度与强鲁棒性,性能优于PID (propotional integral derivative)控制和普通指令滤波反步控制（command filter backstepping control, CFBC）,对机器人关节在高精度领域应用与智能控制具有重要价值。     

神经网络分数阶PID在网络控制系统中的应用

文章针对网络控制系统(NCS)存在的网络延时问题,设计了一种基于RBF神经网络的分数阶PID控制器,并将该控制器应用在网络控制系统中,减小网络延时对控制系统的影响。该控制器利用RBF神经网络具有任意精度逼近非线性函数及训练速度快的优点,在线整定分数阶PID控制器,并采用分数阶PID控制器直接控制被控对象;选取Ethernet控制的弹簧-阻尼控制系统作为实验对象。实验结果表明:该控制系统具有响应速度快、控制精度高、鲁棒性强的特点,有效地减少了网络延时对NCS的影响。     

基于RBF神经网络的全向智能轮椅自适应控制

在外界扰动为有界不可测条件下,利用径向基函数(radial basis function,RBF)神经网络在线逼近全向智能轮椅的非线性逆运动学模型,提出对轮椅轨迹跟踪的直接自适应控制方法.首先,在分析全向智能轮椅平台动力学模型的基础上,设计了基于径向基函数神经网络的全向智能轮椅自适应控制器;并进一步利用李雅普诺夫稳定性理论,证明了在外界扰动及神经网络权值误差逼近有界的条件下,该控制器在全向智能轮椅轨迹控制中跟踪误差的一致稳定且有界;最后,通过全向智能轮椅轨迹跟踪仿真实验,验证了所提出控制方法的有效性和稳定性.     

基于泰勒级数的空间机器人时延神经网络控制

探讨载体位置与姿态均不受控的漂浮基空间机器人在存在时间延迟环境下的关节空间轨迹跟踪的控制问题.在传统漂浮基空间机器人系统动力学模型基础上,融合泰勒级数展开法,建立适用于时延情况下的改进的动力学数学模型.并设计一种基于模糊递归的神经网络跟踪控制方案,利用其对任意不确定非线性项的整体逼近,来消除模型中存在的时延误差.运用Lyapunov第二类方法证明所设计控制系统的渐近稳定性.所提及的控制方案能够有效克服时延对系统稳定性的消极影响,并在提升系统控制品质的基础上得到理论延迟值的适用范围.计算机数值仿真结果验证了上述控制方案的有效性与精确性.     

谐波驱动系统自适应神经网络动态面控制

针对谐波驱动系统动力学模型中存在的非线性摩擦、柔性变形和外界未知干扰力矩等因素的问题,为了提高系统的位置跟踪精度,提出了一种基于径向基函数(RBF)神经网络的谐波驱动系统自适应动态面控制.采用LuGre摩擦模型描述系统的非线性摩擦特性,用RBF神经网络在线逼近摩擦参数变化和外界未知干扰力矩对系统的影响,并通过李雅普诺夫稳定性理论证明了闭环系统的所有误差最终一致有界.仿真结果表明:与普通动态面控制相比,本控制策略对摩擦参数变化和外界未知干扰力矩具有较强的鲁棒性,提高了系统的位置跟踪精度.     

基于RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

空间柔性双臂机器人的动力学建模及控制

空间柔性多臂机器人是一个高度非线性、强耦合的复杂动力学系统。该文首先基于假设模态法、拉格朗日方程和系统动量守恒,推导了自由浮动空间柔性双臂机器人协调操作刚性负载闭链系统的动力学模型,并利用位置-力混合控制算法对该动力学模型实现了轨迹跟踪控制,最后进行了动力学控制仿真,验证了方法的有效性。     

基于神经网络及综合电机特性的柔性关节空间机器人全阶滑模控制

研究了载体位置、姿态均不受控的自由漂浮柔性关节空间机器人机械臂轨迹跟踪及关节柔性振动主动抑制问题,利用系统动量、动量矩守恒关系及第二类Lagrange法,并综合考虑关节驱动电机特性,导出了其全系统动力学模型;然后基于奇异摄动理论将该动力学模型分解为描述机械臂刚性运动的慢变子系统及描述关节柔性振动的快变子系统,并结合关节电机输出力矩与电枢电流的关系,将对控制力矩的设计转化为对电流控制的设计。之后,针对关节柔性振动快变子系统,采用速度差值反馈控制方案对其进行了振动主动抑制;针对机械臂刚性运动慢变子系统,则基于RBF神经网络提出了一种全阶滑模控制方案;其中RBF神经网络用于逼近由系统不确定参数带来的未知非线性项,全阶滑模控制方案的引入在于使控制系统在兼备传统滑模控制方案鲁棒性强特点的同时,还能克服抖振问题。最后,系统数值仿真结果说明了所提方案的有效性。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

RBF神经网络主成分分析法在交通量预测中应用

文章基于径向基函数(RBF)神经网络应用于交通量预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降这一问题,提出了一种改进的RBF神经网络主成分分析法。用实例证明,该方法在模拟预测中与一般的RBF神经网络模型相比有较好的效果。     

基于RBF逼近不确定项的机械手自适应控制研究

针对机械手控制系统中的不确定因素,提出了RBF神经网络逼近不确定项的自适应控制策略。在逆动力学计算力矩方法的基础上,设计了鲁棒自适应控制器。利用RBF神经网络对模型中的不确定项分块进行逼近,并用Lyapunov稳定性理论建立了网络权重自适应学习律,证明了系统的全局稳定性;最后进行了仿真,结果表明该方法能够有效的消除模型不确定性的影响,准确地实现了轨迹跟踪。     

基于单元应变模态差和RBF神经网络的网架损伤检测方法

为对网架进行损伤检测提出应用杆单元应变模态差和RBF神经网络相结合的方法。在ANSYS下建立正放四角锥网架和蜂窝形三角锥网架的有限元模型,采用单元应变模态差作为损伤指标对结构进行杆单元的单杆、多杆损伤位置识别;应用RBF神经网络对杆单元损伤程度进行定量判定。分析结果表明该方法可以比较准确地判断网架杆单元的损伤位置和损伤程度,并对实际网架结构的损伤检测具有一定的指导意义。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

基于GA优化的RBF网络算法

针对RBF神经网络易于陷入局部最大值的缺点,把遗传算法引入RBF神经网络中,利用遗传算法具有全局搜索的优点,对RBF神经网络的权值进行优化,并把优化后的神经网络模型用于DNA序列的分类.仿真实验表明,采用遗传优化的RBF神经网络比传统RBF神经网络分类有更高的分类效率和正确率.     

基于RBF人工神经网络的电动机振动故障诊断

针对电动机转子不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动等常见的几种振动故障,用RBF网络对提取出的6种故障信息进行分类,判断故障类型,并进行了仿真试验,最后将试验结果与BP网络的诊断结果进行了详细的分析比较.结果表明,RBF网络可以应用于电动机转子振动故障诊断,其诊断速度比BP神经网络快,诊断结果也更为准确.