时延力觉临场感遥操作机器人系统预测控制研究

通讯时延是造成力觉临场感遥操作机器人系统不稳定和操作性能下降的关键因素，针对时延问题，提出了一种适用于时延力觉临场感遥操作机器人系统的广义预测控制方法，该方法通过预测控制器产成实时的预测力反馈以消除时延的影响．此外，为使该方法应用于遥操作机器人未知环境作业，本采用AUDI辨识算法对环境模型进行辨识．构造实验系统，通过实验验证了该方法的有效性．     

时延力觉临场感遥操作机器人系统预测控制研究

通讯时延是造成力觉临场感遥操作机器人系统不稳定和操作性能下降的关键因素 ,针对时延问题 ,提出了一种适用于时延力觉临场感遥操作机器人系统的广义预测控制方法 ,该方法通过预测控制器产成实时的预测力反馈以消除时延的影响 .此外 ,为使该方法应用于遥操作机器人未知环境作业 ,本文采用AUDI辨识算法对环境模型进行辨识 .构造实验系统 ,通过实验验证了该方法的有效性 .     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

时延下遥微操作机器人系统滑模变结构控制研究

针对遥微操作机器人系统在实际远程手术应用中存在时延而易导致系统不稳定且难以控制的问题,通过系统动力学建模和时延下系统理想性能的定义,设计了一种保持系统稳定和良好操作性能的新型控制方案.在该方案中主机械手采用基于期望特性的阻抗控制而从机械手采用基于指数趋近律的滑模变结构控制策略.仿真实验结果表明了该方案的有效性和鲁棒性,系统能在时延下较好地实现位置比例跟踪和力比例跟踪.     

遥操作机器人系统基于前向观测器的状态反馈控制

针对遥操作机器人系统传输通道中存在的通讯时延,建立系统的状态空间表达并提出用时间前向观测器预测从手系统状态,用力、位置和速度反馈以消除或减小时延对系统的影响.以系统的渐近稳定性,主、从机械手静态跟踪误差为零为目标,设计反馈控制器并对控制器的设计参数进行了分析.仿真结果表明提出的方法是有效的.     

基于主动时延神经网络的从机械手碰撞研究

提出了一种基于主动时延神经网络的遥控机械手碰撞感知和控制方法，该方法可对碰撞进行预测感知和补偿控制。仿真实验表明了这种方法的有效性。     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。     

基于即时线性化的Wiener非线性系统预测控制

采用一种Laguerre网络与SBP神经网络构成的组合模型和即时线性化方法实现了对Wiener非线性系统的自适应预测控制策略。组合模型无需动态系统的阶次和时延的结构先验知识；即时线性化，即是在线依据每个控制周期由模型获得的系统未来各步预测输出yo(k i)|k,(i=1,…，P）对非线性模型进行线性化，进而利用线性化模型进行控制优化求解，即时线性化避免了非线性控制优化求解的困难。文中还给出了实现即时线性化的算法，最后仿真表明所提的算法与策略是有效的。     

基于事件触发GrHDP碳纤维角联织机张力控制方法

针对碳纤维角联织机经纱张力控制中存在的张力控制精度低与通信网络资源受限问题，提出一种基于事件触发目标再现启发式动态规划(Event-Triggered Goal Representation Heuristic Dynamic Programing, ET-GrHDP)的张力控制方法。首先，分析碳纤维织机的织造原理，构建张力系统控制模型。其次，在GrHDP算法的基础上，采用小波神经网络(Wavelet Neural Network, WNN)设计评价网络，BP 神经网络(Back Propagation Neural Network, BPNN)设计执行网路和目标网络，以增强GrHDP近似最优控制的能力，同时引入事件触发机制，实现小波GrHDP张力控制器仅在事件触发时刻更新控制信号。最后，使用MATLAB软件对张力系统进行仿真控制实验。与经典GrHDP张力控制相比，所提控制策略在系统状态跟踪响应时间上缩短近22.9%，送经、卷取线速度均无超调量，张力超调量为1.8%，且抗干扰能力强，提高了张力系统的控制性能。在事件触发机制下，张力控制器降低近84%的计算次数，有效减少了通信资源的浪费。     

三温区电加热炉的神经网络模型参考自适应控制

提出了一种基于神经网络非线性系统的模型参考自适应控制方法，通过在线训练获得反映对象动态持性的神经网络辨识器和神经网络控制器，对三温区电加热炉进行实时控制，仿真结果表明该方法的有效性及其优良性能。     

基于模型参考的锅炉燃烧系统神经网络控制和辨识

大纯时延、煤种多变和蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。对非线性延迟系统延迟时间的神经网络辨识方法进行了研究,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于神经网络动态补偿的模型参考自适应控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明:这种神经网络模型对非线性大纯时延系统的控制具有控制速度快、鲁棒性能好等优点。     

基于BP神经网络的静液压变速器控制研究

静液压变速器(HST)的操控性是农用车辆性能提升的关键,采用一种基于BP(back propagation)神经网络的新型控制策略,对HST马达输出转速的动态特性进行研究.基于变量泵—定量马达静液压传动系统的数学模型,首先对比研究了传统PID控制、模糊控制以及BP神经网络控制3种方法的控制效果,结果表明:与传统PID控制和模糊控制相比,BP神经网络控制能有效抑制系统超调量并降低马达转速波动,减小系统达到稳态的调节时间,具有良好的鲁棒性.基于此,提出采用BP神经网络控制方法对具有更大马达转速变化范围的变量泵—变量马达传动系统进行调查,研究结果表明,在对变量泵、变量马达分段控制中,该方法能实现较稳定的切换效果;在不同的负载等效转动惯量下,马达转速均能达到稳定状态,且由负载引起的转速波动也得到降低.研究结果表明,BP神经网络控制方法对变量泵—变量马达传动系统具有潜在的控制优势.     

基于递归函数链模糊神经网络的永磁直线同步电动机位置控制

针对高精度永磁直线同步电动机(permanent magnet linear synchronous motor,PMLSM)存在参数变化、负载扰动、摩擦力等不确定性因素而影响电机伺服性能的问题,提出递归函数链模糊神经网络控制(RFLFNN)保证系统的伺服性能。首先在磁场定向控制下建立PMLSM伺服系统动态数学模型。其次,将函数链神经网络(FLNN)和递归模糊神经网络(RFNN)相结合设计RFLFNN控制策略,利用FLNN实现神经网络的函数扩展,提高系统的非线性逼近能力并对系统参数进行辨识; RFNN采用反向传播算法实时更新并调整神经网络的参数值,对系统中存在的不确定性因素进行估计以抑制不确定性因素对系统的影响。最后,通过系统实验证明所提方法的有效性,实验结果表明,与RFNN相比,该方法极大地改善了PMLSM伺服系统的位置跟踪性能。     

火灾模拟实验智能测控系统

按国际标准ISO834升温特性, 针对火灾模拟实验炉开发了一套火灾模拟实验过程智能测控系统. 该系统包含带智能通信的多路温度采集、带主元分析神经网络炉温数据融合、炉温智能PID控制等多种智能信息处理技术. 智能通信同时拥有RS-485串行和EPP并行接口, 保证了所采集的多路温度数据的实时性;采用带主元分析和RBF神经网络的炉温数据融合模型使炉温估计精度比采用常规的最小二乘方法所得的拟合精度明显提高;采用智能PID控制则使炉膛的实际升温曲线符合ISO834国际标准升温要求.     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.     

基于状态模型的CAN总线系统的仿真

文中在分析CAN(controller area network)总线通信控制协议的基础上,运用有限状态机理l论,在MATLAB/Simulink软件Stateflow仿真环境中建立了CAN总线通信系统的仿真模型。通过运行此仿真模型,求取了如网络传输数据和不同优先级信息平均传输时延等性能指标。最后,文中还研究了CAN总线系统中字节量和传输速度对上述性能指标的影响,充分分析了CAN总线的高实时性。仿真分析结果进一步证明此种仿真方法对于研究总线是可行的。     

燃煤循环流化床锅炉模型化的人工神经网络方法

采用多层前向型神经网络，对燃煤循环流化床锅炉模型化进行了研究。以机理数学模型产生的数据样本对神经网络进行训练，结果表明，训练后的神经网络不仅可以精确地再现机理数学模型现有计算结果，而且可以比较精确地和机理模型一样对锅炉的性能进行预测。由于神经网络模型预测时间极短，并且可以不断随着新的数据样本进行自适应学习，从而为循环流化床锅炉的模型化及其实时应用（如实时训练仿真器、模型预测控制等）提供一个有效的新途径。