基于干扰估计的直流电动机间接自适应鲁棒控制

针对广泛存在于直流电动机伺服系统中的参数不确定性和不确定性非线性问题,提出一种基于有限时间干扰观测器的间接自适应鲁棒控制方法.间接自适应控制和有限时间干扰观测器融合在一起,分别处理参数不确定性和不确定非线性,通过李雅普诺夫方法从理论上证明了整个闭环系统的稳定性.仿真结果表明:该方法能准确地对参数和干扰进行估计,且与传统控制方法相比,具有参数及干扰估计精度高、抗扰能力及参数变化鲁棒性强的特点,为提高伺服系统的动态跟踪性能提供了理论依据.     

小型吊舱式无人艇航向控制

针对小型吊舱式无人艇航向控制系统精度问题,考虑模型中的不确定性和风、浪干扰等未知项,设计一种基于RBF神经网络和迭代滑模算法的自适应控制器.在建立吊舱式无人艇运动数学模型基础上,采用迭代滑模算法提高收敛时间,并通过RBF神经网络权值逼近模型参数不确定项和未知扰动,最终将该算法与迭代滑模算法进行仿真比较.结果表明,所提出...     

RBF网络干扰补偿的跷跷板系统解耦滑模控制研究

针对典型的不稳定、高阶次、多变量、强耦合、非线性的跷跷板系统，考虑环境对跷跷板的作用，提出了一种RBF网络干扰补偿解耦滑模控制(RBF-SMC)算法.通过解耦算法对模型进行解耦，并使用RBF神经网络对模型受到的干扰和不确定项自适应逼近补偿，使系统在较小的切换增益下实现较大干扰下的跷跷板平衡控制.在Matlab和Matlab/Adams联合仿真的环境下，对该算法进行了仿真.仿真结果表明，对比传统的SMC算法，在不确定环境下，通过RBF网络对外加干扰、建模误差、模型简化、外部激励、摩擦阻尼等建模不确定性因素进行学习评估，有效地提升了系统抗干扰能力，同时降低了系统的切换增益，并在有限时间内实现了跷跷板的平衡控制.通过仿真实验结果的比较，证明了本文提出算法的有效性与可行性.     

基于RBF神经网络的伺服系统模型参考自适应控制

为进一步提高控制质量,提出一种RBF神经网络模型参考自适应控制策略,设计出伺服系统的控制方法,并给出RBF神经网络辨识模型参数的学习过程.仿真结果表明采用该策略控制效果良好,完全满足控制要求.     

分块建模关节机器人的PI鲁棒滑模控制

为实现机器人关节位置镇定和轨迹跟踪控制,控制律的设计须针对确定的机器人动力学模型,由于机器人结构参数、作业环境的外界干扰及结构振动等不确定性因素的存在,会造成机器人动力学模型不确定.为此,设计3个RBF神经网络分别对不确定机器人模型中的3个不确定项进行分块建模,得到机器人估计模型,神经网络的权值采用自适应算法.针对机器人估计模型设计PI鲁棒滑模控制律.将所设计的控制器用于三关节机器人的三个关节的力矩控制,研究结果表明:三关节均约在1 s时达到期望位置和跟踪期望轨迹,镇定误差和跟踪误差也快速、稳定地趋于零.通过定义基于积分型的Lyapunov函数,利用Lyapunov稳定性理论证明了控制系统是全局渐近稳定的.     

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.     

含磁滞非线性的电动机伺服系统预设性能跟踪控制

针对电动机伺服系统中广泛存在的参数不确定性、不确定非线性(外干扰、非线性摩擦、磁滞等)问题,建立了包含连续可微摩擦模型和磁滞非线性的系统数学模型,提出了一种预设性能控制方法,通过定义预设性能函数,实现了对跟踪误差收敛率、最大超调量和稳态精度的预先设定,并结合自适应鲁棒控制方法实现同时存在参数不确定性、不确定非线性时的优良跟踪,且保证了较好的瞬态跟踪性能.采用李亚普诺夫函数从理论上证明了控制器的稳定性,进一步的仿真对比结果表明,该控制方法展现了优良的瞬态和稳态性能.     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

自抗扰控制器在气压伺服控制系统中的应用

为提高控制系统的鲁棒性,增强干扰抑制能力,提出了适用于气压伺服系统的自抗扰控制器方案,并讨论了控制参数的整定.自抗扰控制器为非线性控制器,由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制律3部分构成.扩张状态观测器可以实时观测系统状态和扩张状态,从而实现全状态反馈及系统不确定性和外扰的补偿控制.自抗扰控制器的设计不依赖于被控系统的精确数学模型,并对内外扰有较强的抑制能力,在整个系统工作区间都有良好的鲁棒性.仿真结果表明,自抗扰控制器对气动伺服系统模型的不确定性以及外干扰的鲁棒性较好,且具有较优的动态性能.     

基于RBF自适应观测器的转台伺服系统的滑模控制

针对转台伺服系统中的难以精确建模、易受摩擦和外界不确定干扰的影响等问题,提出了一种基于RBF神经网络的观测器,利用RBF神经可以逼近任意非线性连续函数的特性,逼近模型未知非线性函数f(?)和g(?),并利用观测器得到转速信号,结合滑模控制提高了系统的鲁棒性,实现了无需建模信息和速度测量的滑模控制系统。仿真结果表明,该方法可以实现高精度的位置和速度跟踪,同时也证明了该方法的鲁棒性和有效性,值得在其他非线性系统中推广。     

挠性卫星姿态快速稳定智能控制

针对挠性卫星本身存在的参数不确定性和外部扰动的控制问题,设计了以径向基函数神经网络和小脑神经网络为基础的复合变结构智能控制器.该控制器利用变结构控制系统对被控对象的模型误差、参数变化及外扰等的不敏感性的优点,再结合神经网络能够迅速逼近未知函数、泛化能力强的特点,可以适应挠性卫星参数不确定性和抑制外加干扰,实现对挠性卫星的有效控制.仿真结果表明复合控制能够提高卫星姿态的稳态精度和快速性.     

基于RBF网络的液压伺服系统故障诊断研究

针对液压伺服系统故障的特点,提出融合液压系统状态信息作为系统特征向量,以RBF神经网络作为模式分类算法的智能诊断方法,并论述采用RBF神经网络作为液压伺服系统故障诊断分类算法的可行性与优势。最后以仿真电液位置伺服系统为例,建立相关的RBF网络,验证以上的陈述。     

航空发动机鲁棒自适应反演控制

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的多输入多输出反演控制方法。采用径向基神经网络逼近系统中的不确定性,在控制中引入自适应鲁棒项,以克服系统中不确定性的影响。在递推过程中,虚拟控制量和实际控制量的求取始终基于Lyapunov稳定性原理,从而保证了闭环系统的一致渐近有界。最后针对某型涡扇发动机非线性模型设计了转速控制器,仿真结果验证了该方法的有效性。     

基于失配补偿Smith-RBF神经网络的 主蒸汽压力控制技术

针对燃气发电锅炉主蒸汽压力控制系统对象的大滞后、不确定性和煤气扰动大的特点,设计了一种基于失配补偿Smith预估及RBF神经网络的控制方案。利用RBF神经网络的在线学习能力整定常规PID的参数,并通过失配补偿Smith预估控制器对系统中存在的纯滞后进行补偿,有效解决了火力发电锅炉主蒸汽压力对象动态特性模型失配及纯滞后的问题。通过仿真研究及实际应用表明:该控制方法对于火力发电锅炉主蒸汽压力控制具有很好的稳定性和抗干扰能力。     

动力定位非线性自适应反步控制器设计

提出了一种基于VxWorks实时操作系统的船舶动力定位控制器设计,给出了整体框架和软件模块设计。实际工况中,存在模型参数难以精确描述和外界扰动不确定的问题,在控制方法上,设计了一种基于RBF神经网络的自适应反步控制。RBF神经网络对连续函数在紧集范围内具有任意经度的逼近能力,可有效解决船舶水动力高度非线性以及水动力系数难以准确估计的问题。海浪流引起的不确定外界扰动可通过自适应估计补偿。根据Lyapunov稳定性理论证明所设计的控制器是全局渐近稳定的,仿真结果验证了该方法的有效性。     

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题,提出了一种带有小脑模型（ＣＭＡＣ）神经网络的再励学习控制方法。将ＣＭＡＣ神经网络融入再励学习控制结构中,并进行了撞化与改进杯仅使再励学习控制器具备了泛化能力,而且提高了其学习速度,因此竽电液位置伺 服系统的快速跟踪控制。仿真结果表明,控制器不仅具有良好的处理非线性能力而且对时变外扰支具有明显的抑制作用。     

基于多级观测器的液压伺服系统自适应故障检测与隔离

针对传统的基于固定阈值的故障检测及诊断方法虚警率高,无法有效实现液压伺服系统的故障检测与隔离,提出了一套基于多级观测器的液压伺服系统自适应故障检测与隔离方法。首先,采用第1级RBF网络作为液压伺服系统观测器,通过比较观测器估计输出值与实际系统输出得到残差信号。其次,采用第2级RBF神经网络产生自适应阈值,实现了液压伺服系统自适应故障检测。最后,采用小波包分析提取残差信号特征,利用第3级RBF神经网络实现系统的典型故障隔离。实验结果表明,利用多级观测器模型能够有效实现液压伺服系统的自适应故障检测及隔离。     

基于改进遗传RBF神经网络的双电机驱动伺服系统控制

针对常规遗传算法的缺陷,提出了一种基于改进遗传算法和RBF神经网络相结合的控制方法.该方法对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值.最后在双电机驱动伺服系统中进行了仿真试验,结果表明所提出的控制策略是有效的.