多机械臂系统无模型自适应神经网络同步控制

针对模型未知的多机械臂系统,利用多个独立的RBF神经网络,对每个子机械臂系统进行逼近,基于图论原理定义了每个子系统之间的同步耦合关系,结合滑模控制方法设计出一种机械臂无模型自适应同步控制器。通过神经网络权值的不断在线迭代过程,随机械臂工作任务的变化可以实现对其动力学模型的实时逼近,摆脱了数学模型的限制,扩大了控制器的应用范围,在初始误差较大的情况下也可以保证对期望轨迹实现快速跟踪,并且系统在载荷发生改变等不确定的情况下依然能够实现同步,提高了控制器的鲁棒性。最后通过Lyapunov稳定性分析和Matlab仿真对所设计的同步控制器进行了验证。     

基于动力学模型分块逼近的水下机械臂RBF滑模控制算法研究

本文利用切片理论与Morison方程计算了双关节水下机械臂在水中运动时受到的附加质量力、水阻力和水体流动对机械臂产生的冲击力,在传统机械臂动力学模型的基础上建立了完整的双关节水下机械臂动力学模型.基于推导的水下机械臂动力学模型提出了一种RBF滑模控制策略,采用多个RBF神经网络对水下机械臂动力学模型中的不确定项进行分块...     

采用RBF神经网络辨识的柔性机械臂抑振控制策略

针对柔性机械臂在运动过程中受到柔性因素的影响会出现剧烈振动的问题,提出一种采用径向基(RBF)神经网络辨识的柔性机械臂抑振控制策略,通过减弱机械臂转角波动的方式间接抑制振动。首先,根据拉格朗日原理和假设模态法建立柔性机械臂的动力学模型,其中的不确定项由模态坐标和转角耦合的非线性项构成;其次,在控制律的设计中采用RBF神经网络对动力学模型的不确定项进行辨识补偿,从而提高驱动力矩的精度;最后,通过调整神经网络权重自适应律的系数,使包含辨识结果的控制律满足李亚普诺夫稳定性定理,从而保证动力学系统的稳定性,其中权重自适应律由高斯函数和误差向量组成。采用柔性机械臂实物控制平台的对比实验结果表明：所提出的控制策略能够有效减小柔性机械臂的转角误差和振动幅值;当柔性机械臂长度为1.5 m时,相比常规比例微分控制策略,采用RBF神经网络辨识的控制策略使机械臂末端振动敏感方向的加速度的方差下降了5.8%。该控制策略为柔性机械臂的振动抑制提供了新思路。     

SCARA型机械臂的智能神经网络控制研究

在传统机械臂动态控制基础上,将RBF神经网络与模糊逻辑控制相结合,提出一种新的智能控制方法——RBF模糊神经网络控制方法。该方法使用两个子网络分别对关节1和关节2实施控制,最后通过协调级网络来消除和减小两个关节之间的耦合作用。以仿真实验结果说明该网络结构简单明确,计算更加有效,并通过适时地修正网络参数,在线调整了模糊隶属函数的中心值和宽度,所设计的控制器能快速、稳定地跟踪到期望轨迹。     

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AMEsim的起重机伸缩臂液压系统动态仿真

选取了QY-8型液压起重机的伸缩臂液压系统为研究对象,采用AMESim软件建立了液压回路仿真模型,通过模拟不同工况下的负载,对液压系统工作过程进行了动态仿真。分析不同的动态特性曲线发现,动态仿真结果与理论预期效果相符合,且仿真过程平稳,为更大载荷汽车起重机液压系统设计和参数优化提供了依据。     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

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.     

基于虚拟样机技术的机械臂建模与仿真

应用机械系统动力学仿真分析软件MSC．ADAMS，建立了机械臂抓取的虚拟样机模型，包括对机械臂各部件的简化、在ADAMS中的模型描述及仿真过程控制。在仿真过程中通过预估末端件的运动规律，依据运动仿真结果求得控制主动件的运动输入曲线。最后对该虚拟样机模型进行了运动学和动力学分析，实现了使用CAE仿真软件来对机械臂的运动和动力性能进行分析，为机械臂系统的设计、制造和模拟运动作业提供了理论依据和主要参数，为工程设计提供了一套有效的分析方法。     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法;RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种...     

磁控开关型故障限流器RBF神经网络自适应偏置电流控制

基于新型磁控开关型故障限流器偏置电流控制系统复杂的非线性时变特性,提出一种基于径向基函数神经网络的限流器偏置电流自适应控制系统,采用2个RBF神经网络来分别构成自适应控制网络和辨识网络,实现了偏置电流的实时控制.试验证明,利用该偏置电流控制系统,限流器的响应速度和限流效果可以得到保证.     

输电线路带电作业机器人机械手RBF神经网络控制

针对完全依靠人工带电拧紧高压输电线路耐张跳线引流板螺栓作业效率低、劳动强度大、高空高压危险设计了一种双臂、双机械手的螺栓紧固带电作业机器人.在整个作业过程中着重对螺栓拧紧的关键问题进行了理论分析,建立了螺栓拧紧过程控制的RBF神经网络模型.将机器人的螺栓拧紧过程抽象为神经网络的非线性逼近控制问题,提出了基于RBF神经网络的机器人螺栓拧紧状态监测控制方法.最后带电作业试验结果显示经过该控制方法机器人拧紧的螺栓联接可靠性增强,验证了所提出方法具有较强的工程实用性,同时进一步提高了作业效率、作业安全性及作业可操作性.     

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.     

机械手控制算法研究

本文对目前机器人柔顺性控制方法——阻抗控制方法、力/位混合控制方法、自适应方法、智能控制方法做了较全面的介绍;并着重论述了阻抗控制算法的研究进展情况。阐述了与一些先进的控制算法——自适应方法、智能控制方法相结合是目前阻抗控制算法研究的热点。