TCP网络的非线性自适应滑模控制

针对TCP网络存在网络参数高度变化和UDP流的情况,提出了两种非线性自适应滑模控制算法.考虑到系统不确定的上界很难获得,针对系统不确定的上界设计了一种自适应滑模控制器.由于使用了符号函数,该算法不能有效地抑制抖振.为此,设计了一种直接对不确定进行自适应的滑模控制器.仿真结果表明,对不确定的上界自适应的滑模控制器优于对上界自适应的滑模控制器,对上界自适应的滑模控制器优于PI控制器.     

基于微粒群算法的PID控制器优化研究

微粒群算法是近年来提出的一种新型群体智能优化算法,它具有结构简单,收敛速度快,所需参数少等优点.为改善传统PID参数整定问题,提出了基于微粒群算法整定PID控制器参数的优化设计方法.通过对双容水箱建模并与传统整定方法进行仿真比较.仿真结果表明,采用微粒群算法来优化PID参数,可以获得综合性能良好的PID控制器参数.对控制器的设计具有一定的指导意义.     

桥式起重机神经网络自适应滑模定位防摆控制

针对桥式起重机非线性、存在外界干扰的特点,提出了一种神经网络自适应滑模控制器。首先采用拉格朗日法建立桥式起重机动力学模型;然后在分层滑模控制器的基础上,设计了径向基函数(RBF)神经网络权值自适应更新率,利用RBF神经网络补偿系统的非线性与外界干扰引起的不确定上界,并利用粒子群算法对控制器参数寻优,通过构造Lyapunov函数证明了系统的稳定性;最后设计了1组仿真实验和1组在搭建的实验平台上的验证实验,仿真结果表明:在非线性及外界干扰作用下,神经网络自适应滑模控制器可以快速实现小车定位和负载消摆,控制器可以消除不确定上界对系统的影响。实验结果也表明,所设计的控制器可以使桥式起重机达到控制目标,具有一定的抗干扰能力。     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

基于微粒群算法的模糊滑模控制

针对一类非线性控制系统,提出一种新的基于微粒群算法的模糊滑模控制方法。将模糊控制和滑模控制相结合,利用滑模控制使系统的跟踪误差进入给定的边界层内,启用模糊控制取代切换控制;同时为保证模糊滑模控制系统的全局稳定性,加入监督控制以柔化控制输入;最后基于微粒群算法对滑模面系数和不均匀隶属度函数因子寻优,不仅加快了系统到达滑模面的速度,减小了误差,而且有效地消除了高频抖振。仿真结果表明了该方法的有效性。     

电液伺服系统的自适应模糊滑模控制

针对电液系统的非线性特性及其参数不确定性,设计一种自适应模糊滑模控制器。该控制策略基于带积分补偿的变结构控制器,并利用自适应模糊控制方法,把滑模控制器中的不确定项进行模糊逼近。将此控制策略应用到电液系统中,仿真结果显示此控制方法具有较强的鲁棒性和良好的跟踪性能。     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

融合自适应曲线预瞄的驾驶机器人转向操纵粒子群优化滑模控制

为提高不同工况下驾驶机器人操纵试验车辆的转向精度和自适应能力,提出了一种基于自适应曲线预瞄的驾驶机器人转向操纵粒子群优化滑模控制方法。首先建立了试验车辆动力学模型和驾驶机器人转向机械手动力学模型,并构建了驾驶机器人转向操纵试验车辆的集成系统动力学模型,接着研究了一种融合路径曲率和车速的驾驶机器人转向操纵自适应曲线预瞄方法,其预瞄点位置能够根据车速和路径曲率做出自适应调整。在此基础上,设计了用于驾驶机器人转向操纵的粒子群优化滑模控制器,并进行了稳定性分析,同时利用粒子群算法在线优化滑模控制切换项的反馈增益系数,以减小控制抖振。仿真及试验结果表明,所提出的方法能够在不同工况下根据路径曲率和车速做出自适应调整,实现驾驶机器人操纵车辆的精确转向控制。     

一种无模型终端滑模桥式起重机的控制方法

针对桥式起重机在不同运输任务中负载质量和吊绳长度多变的现象,提出了一种无模型自适应终端滑模控制方法.通过对系统模型部分反馈的线性化处理,利用自适应策略预测系统物理参数,在此基础上,提出了一种基于非奇异终端滑模面的无模型自适应控制器,并通过Lyapunov定理证明了该闭环系统的稳定性.将本文控制方法与LQR和EC控制方法进行仿真实验对比,验证了本文方法具有更优越的控制性能,且对系统物理参数摄动具有更强的鲁棒性;控制器不仅能够实现台车的精准定位和负载的快速消摆,而且可以实现台车的平滑启动.     

基于微粒群优化的自动电压PID调节器

为提高微粒群算法的搜索性能,提出一种基于Logistic方程的退火微粒群算法优化自动电压调节器(AVR)系统的PID参数.在微粒群算法的基础上,对部分较优微粒进行退火操作.在退火操作中,结合Logistic方程的特点,设计了一种新的错位调整方式,对当前已知最优区域重点搜索.该方法能有效改善微粒群算法易于陷入局部极值的缺点,提高算法精度.将采用该方法的PID控制器应用于实际AVR系统,计算结果表明该PID控制器可以获得较好的控制性能指标,具有一定的实用价值.