基于动力学系统的非完整移动机器人的跟踪控制

为解决具有两个驱动轮的受非完整约束移动机器人的轨迹跟踪问题,文章从机器人的动力学和运动学模型出发,设计出一种结构简单的控制器,该控制器利用单神经元网络的自学习和自适应能力,来克服未建模的系统扰动,并用Lyapunov函数对所设计的控制器进行了稳定性分析。最后仿真结果验证了所设计的控制器的有效性。     

基于粒子群的状态反馈控制特征向量的配置

状态反馈控制特征结构的配置分为特征值的配置和特征向量的配置,在特征值已经确定的情况下,特征向量矩阵的条件数对于系统鲁棒稳定性有着直接的影响.因此以减小特征向量矩阵的条件数为直接目的对特征向量进行配置,是提高系统鲁棒稳定性的最直接的办法.由于在状态反馈控制中特征向量的配置存在自由度,因此以特征向量矩阵的条件数为适应度函数,采用粒子群算法进行优化.同时针对粒子群算法中存在的后期收敛速度慢,搜索精度不高,并可能陷入局部极值的缺陷,对粒子浓度进行调节以保持粒子的多样性,防止算法陷入局部极值.同时建立优秀粒子记忆库,克服粒子群算法后期收敛速度慢的缺点.最后通过实例将改进后的粒子群算法与其它算法进行了比较,验证了本算法对于减小特征向量矩阵的条件数和提高系统鲁棒稳定性的优越性.     

模糊控制用于高精度 CNC 系统多轴轨迹联动研究

分析了数控机床伺服进给系统的动特性对多坐标联动轮廓加工误差的影响规律，提出了模糊推理耦合轮廓误差补偿方法的原理，并给出了相应的控制算法及实现措施。该方法依据系统的轮廓误差，通过自适应模糊控制手段向各联动轴提供附加补偿作用，进而提高ＣＮＣ系统的轮廓加工精度。通过在四轴数控机床上实验，证明该补偿方法的可行性。     

基于模糊数据融合的AGV导航策略的研究

自动导向车(Automated Guided Vehicle,简称AGV)能够在具有一定地形特征的环境中顺利到达期望目的地或沿期望路径行驶。AGV通常通过多种类型的传感器来感测周围环境,从而实现轨迹跟踪和路障躲避。本文应用模糊逻辑对来自视觉和超声波传感器的数据进行融合以实现AGV在不确定环境下的自主导航,仿真结果证明其可行性与有效性。     

基于干扰观测器的轮廓误差耦合控制研究

针对多轴运动的轮廓误差，提出了基于干扰观测器的轮廓误差耦合控制。该方法通过构造干扰观测器来预测各单轴系统的内部和外部干扰，并根据预测到的干扰信息对各轴进行补偿以消除干扰对系统的影响。考虑到系统的动态特性，拟采用模糊神经网络对干扰信号进行动态分配，并依据轮廓误差耦合控制思想补偿到各轴，达到轮廓误差最小控制。而文章采用遗传算法对网络进行训练以加快网络训练速度，且不易陷入局部最小。仿真结果证明其可行性与有效性。     

动态环境中基于模糊神经网络的AGV路径规划

动态环境中AGV路径规划是一较难解决的问题,针对该问题提出了一种基于速度障碍、碰撞危险度概念的动态环境模型,并在此基础上结合模糊神经网络给出了AGV的路径规划方法。最后给出了在有静止和运动障碍物的动态环境中路径规划仿真结果,结果表明该方法是可行的。     

逃逸人工势场法局部极小值策略的研究

人工势场法由于其算法的简洁性和有效性在实际问题中获得了应用,但其存在容易陷入局部极小值、在障碍附近震荡现象的缺点,如何解决这些问题是人工势场法研究的主要热点。论文将作为势场模型的Gaussian函数进行了适当变形,使其能更准确地反映势场环境。通过分析震荡现象产生的原因,以及局部极小值点的特点,将粒子群算法引入到势场的探测过程中,在此基础上提出了等位线法用于逃逸局部极小值。仿真结果表明本文方法能有效消除运动路径的震荡现象,极大地降低了陷入局部极小值的概率。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于永磁操动机构的同步合闸时间预测方法研究

为了提高相控开关动作时间预测精度,抑制电容器投切产生的过电压和涌流,文章建立了以控制电压和环境温度为输入的前馈网络预测模型;为了提高模型预测精度,提出基于遗传算法(genetic algorithm,GA)和粒子群算法优化神经网络的补偿方法,并对算法优化前、后网络预测性能进行比较。研究结果表明,经过遗传算法和粒子群优化后的前向神经网络模型比没有优化的有更好的预测精度。     

基于模糊控制的叉车线控转向系统变传动比研究

叉车是工业搬运车辆,对于转向特性要求比其他车辆更高。文章根据理想传动比的概念,以线控转向传动比的控制为研究对象,线控转向系统整车二自由度模型为基础,结合叉车自身特点与转向要求,提出了传动比模糊控制策略,旨在进一步改善系统的转向性能。根据TE30型托盘搬运叉车的数据进行实际计算和分析,给出了基于车速、方向盘转角的叉车动态转向系统变传动比的模糊设计方法。仿真结果表明,利用模糊控制方法确定的传动比可使车辆在低速行驶时"灵活",高速行驶时"迟钝",使灵敏度趋近于常数,有利于提高叉车操作稳定性,减轻驾驶员的负担。