基于滑模补偿的六轴机械臂RBF网络自适应控制

提出了一种基于滑模补偿的RBF网络自适应控制方法,并将其用于六轴机械臂上,实现了在模型不确定情况下高精度的位置跟踪以及快速的逼近速度.为了更好地保证其在摩擦力、外部干扰误差和参数变化等因素影响下的稳定性,采用滑模控制作为辅助控制,对系统进行鲁棒补偿,并且用模糊控制对切换增益进行时变以更好地补偿不确定项.所设计的自适应律权值不断进行在线调整,并应用Lyapunov定理验证了其稳定性.通过仿真结果和与其他文献方法进行的比较证明了所给出方法收敛速度更快、鲁棒性更强.同时也证明了在实际工程中,实际建模参数与理想值相差很大.     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

基于神经网络的多模型跟踪保性能切换控制

针对一类存在范数有界的不确定因素和外界干扰的切换系统,首先在理想条件下,利用保性能控制理论及公共李雅普诺夫函数法,推导出了在二次性能指标下的跟踪保性能切换控制律;然后针对外界干扰因素的非线性,采用神经网络补偿的方式来抵消外界干扰的不利影响,并给出了切换系统在神经网络补偿方式下的稳定性证明;最后通过实例仿真证明神经网络动态补偿改善了多模型切换控制的效果.     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

多通道协调加载控制方法

为解决电液伺服协调加载系统加载过程中各通道间具有强耦合的问题,提出一种改进的BP网络控制算法进行解耦控制。以三通道为例,在Matlab7.0软件编程环境下分别建立改进的BP网络和纯BP网络算法的模型进行仿真对比分析。仿真结果表明:改进后的算法能够降低各通道之间的耦合干扰,准确的实现各通道间的协调加载控制,比纯BP算法跟踪精度更高,精度可达到10-6。     

转炉炉口微差压的模糊滑模控制系统设计

针对转炉炉口微差压控制系统的非线性、干扰大和时变的特点,提出了一种基于干扰观测补偿的模糊滑模控制策略。通过分析滑模控制理论,得出了切换增益引起抖振这一结论。引入指数趋近律,发现切换增益与滑动因子绝对值呈正比关系。利用模糊设计规则对切换增益进行有效估计,使其更逼近滑模到达滑模面所需增益。结合基准观测器和经过处理所得到的等效干扰观测器,使得系统仅由增益就可对外界干扰进行快速反应。Matlab仿真研究结果表明:采用模糊滑模控制比常规PID控制的响应时间减少了0.14s,达到峰值时间减少了1.08s,超调量相对减少了0.025%,系统的切换增益更小,有效地遏制了抖振现象。工程实际应用表明:应用所提方法后,系统的抖振相对于滑模控制降低了10%,调节时间相对常规PID控制降低了0.38s,取压口处压力波动范围为-3.5～7Pa,比常规PID控制的效果提高了50%左右,系统抑制干扰的能力明显增强。     

一类不确定非线性系统的参数自适应滑模控制

针对一类具有不确定性的非线性系统,考虑参数摄动、未建模动态和外界干扰等各种不确定性的综合影响,提出了一种基于切换增益和sigmoid函数边界层厚度的参数自适应滑模控制策略,采用李雅普诺夫稳定性理论证明了闭环系统全局稳定性.该控制方法消除了传统滑模控制的输入抖振现象,而且跟踪精度高,无须确知不确定项的界.仿真算例验证了该方法的有效性.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响，提出了一种基于动态Bp网络的广义预测控制算法。该算法运用动态Bp网络对模型预测误差进行在线补偿，以提高预测精度。仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的。     

一类不确定非线性系统的模型偏差补偿跟踪控制算法

针对一类带有系统未建模动态和干扰的不确定仿射非线性系统,基于滑模变结构控制和模型偏差补偿控制的思想,给出一种轨迹跟踪数字控制器的实现方法.在采样周期足够小的情况下,利用连续时间系统的前向Euler近似离散模型,首先推导出等价控制项作为前馈控制.然后将导出的状态误差修正项和模型偏差补偿项代替滑模控制中的切换函数,其中状态误差修正项用来保证状态误差趋于零,模型偏差补偿项用来补偿系统的未建模动态和干扰的不确定性,从而既保证了控制系统的鲁棒性,又消除了抖动现象.最后通过构造Lyapunov函数,证明了该控制算法的稳定性,同时以两连杆机械臂的轨迹跟踪为目标的仿真实验也说明了此数字控制器的有效性.     

一种基于核ridge回归的解耦控制系统

提出了一种新的基于核ridge回归的解耦方法。该方法具有传统径向基(RBF)神经网络解耦方法对被控对象数学模型依赖性小的特点，同时又能有效地克服RBF神经网络解耦方法对训练样本要求高、噪声敏感和解耦速度慢的缺点，经核ridge解耦器补偿后的控制系统具有被调节量和调节量之间耦合作用小、动态特性好、稳定性强的优点。补偿后的控制系统具有很强的校正能力，对外界各种干扰也有较强的解耦效果和控制质量。仿真试验表明，采用核ridge解耦器的多变量控制系统能够有效地解除系统各变量之间的耦合作用，且结构简单、易于实现，大大增强了解耦控制系统的实用性能。     

非线性切换奇异系统的自适应状态反馈控制

研究了一类满足Lipschitz条件的非线性奇异切换系统的自适应状态反馈控制的设计问题.首先，研究单输入非线性奇异切换系统的基本自适应控制的设计，控制器旨在稳定系统;然后，以单输入非线性奇异切换系统所呈现的具有自适应增益和基于Lyapunov稳定性定理调整增益的机制为基础，将其扩展为多输入奇异切换系统的跟踪问题，设计了自适应控制方法;最后，采用Matlab方法做了数值仿真来说明所提出的控制方法的有效性.所提出的控制器具有非常简单的结构，并且在实践中很容易应用.     

基于蚁群算法PID神经网络的热连轧活套系统自适应解耦控制

带钢热连轧机活套系统是一个耦合的多输入多输出非线性系统。针对活套系统的解耦控制问题,通过对活套系统动态耦合过程的分析,在工作点附近建立控制对象的动态数学模型。利用基于蚁群优化多个单神经元和RBF神经网络相结合的自适应控制策略以减弱系统的耦合影响。最后的仿真结果验证了本方法的有效性,表明解耦后的活套控制系统可获得更好的控制效果。     

基于RBF神经网络整定的热风炉温控系统设计

为了提高热风炉的燃烧效率,改善热风炉温控系统的自动化程度,提出了一种基于RBF神经网络整定的PID控制策略。首先,通过RBF神经网络算法和增量式PID控制器的结合,将神经网络强大的自学习能力应用于对增量式PID参数的调整。然后,在常规热风炉温控系统的基础上,将其外环改为采用RBF神经网络整定的PID控制。热风炉温控系统中内环以煤气阀门开度为变量,外环以拱顶温度为控制变量,通过改进的串级控制来实现热风炉的燃烧优化调整。Matlab仿真分析和实际应用效果表明,RBF神经网络整定的PID控制曲线几乎无超调量,系统抗干扰能力相对传统的PID控制提高了50%。与传统的手动控制相比,所提出的控制策略使得原系统的抑制干扰能力明显增强、鲁棒性更好,在热风炉温控方面具有良好的研究和应用价值。     

两电机同步系统的神经网络控制

在对两台感应电机同步系统模型分析的基础上,依据同步系统的结构特点和控制要求,结合人工神经网络的非线性映射、自适应、自学习等能力,提出一种新的基于神经网络的两电机同步系统控制方案,其中神经网络控制器由基于RBF网络整定的自适应PID控制器和神经元解耦补偿器两部分组成.两个自适应PID控制器分别对速度控制回路和张力控制回路进行自适应控制,使系统具有更强的适应能力、更好的实时性和鲁棒性;神经元解耦补偿器综合两控制回路的耦合作用,通过训练网络权值,补偿各回路之间的耦合影响,实现速度和张力的解耦.试验结果表明:采用神经网络控制方法可以实现两电机同步系统中速度和张力的解耦控制,系统具有良好的动静态性能.     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...     

基于RBF神经网络的时间序列预测

分析了RBF神经网络的结构和学习算法,利用RBF神经网络和Matlab神经网络工具箱建立人口数量预测模型,并应用该模型对中国人口数量进行了预测.     

冷连轧机厚度和张力系统的智能解耦控制

现代冷连轧机组中的厚度和张力系统具有多变量、强耦合、不确定等特点.以某厂1700mm冷轧机组为背景,以现场数据为核心,建立了厚度和张力耦合系统数学模型.针对系统模型的参数扰动以及外部扰动等不确定性,提出了基于准对角递归神经网络多变量PID控制策略,该策略具有较强的表达和处理瞬态信息的能力,实现了厚度和张力系统的解耦控制.仿真结果验证了本算法的有效性,其解耦响应速度和抗干扰能力明显优于传统解耦控制效果,适合解决非线性系统的动态问题.     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.