一种新的重复自适应摩擦补偿方法及其在高精度伺服系统中的应用

针对高精度转台直流力矩电机系统中存在的非线性动态摩擦及周期性波动力矩扰动,为提高转台位置的跟踪精度,提出了一种新的重复自适应摩擦补偿方法,将重复控制机制引入到基于自适应控制的摩擦补偿策略中.电机中摩擦模型采用摩擦参数非一致性变化的LuGre动态模型.该方法的控制律包含一个参数自适应律、等效PD控制律和一个重复控制律.其中,参数自适应律用来估计未知模型参数并予以补偿,而插入的重复控制器用来提高系统运动曲线的跟踪性能.Lyapunov方法证明该补偿方法保证了闭环系统全局稳定性和对期望位置信号的渐近跟踪.最后,通过对高精度伺服系统的仿真研究证明了该改进补偿方法的有效性.     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

非线性系统神经网络输出稳定控制器的设计

针对一类非线性系统,以线性化后的布鲁诺标准型为新被控对象,提出一种基于李雅普诺夫定理的神经网络稳定控制器。该非线性控制器采用神经网络补偿的方式来抵消外界干扰的不利影响,减少系统达到平衡状态的时间。分析了系统的稳定性,并将该方法应用到单机无穷大电力系统中,仿真结果验证了该控制器在非线性系统稳定性控制中的有效性。     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

变负载柔性机械臂复合学习控制

针对末端负载质量变化的柔性连杆机械臂运动轨迹跟踪控制问题,提出了一种结合径向基神经网络(RBFNN)和干扰观测器(DOB)的复合学习控制方法。利用RBFNN逼近连杆柔性引起的非线性不确定性,构造DOB实时估计包括负载变化、非线性摩擦、RBFNN逼近误差等效应的集中干扰,将两者用于控制器的前馈补偿设计以提升系统跟踪性能,同时设计鲁棒反馈控制律保证系统的稳定性。通过Lyapunov稳定性理论证明了所提控制方法可保证跟踪误差的有界性和闭环系统的稳定性。基于柔性机械臂平台的对比实验结果表明:所提控制方法在不同负载下可以保持跟踪精度在0.5%以内,负载变化引起的误差变化不超过2%;与仅使用神经网络的控制方法相比,跟踪性能提升了24.7%。     

考虑非线性摩擦的电动伺服缸加载系统鲁棒自适应控制

非线性摩擦、外界扰动以及参数不确定性对电动伺服缸加载系统加载精度和响应特性带来不利影响。针对该问题,引入LuGre非线性摩擦模型,建立了电动伺服加载系统动力学模型,将非线性摩擦纳入系统总扰动中,设计了一种鲁棒自适应控制器(ARC);应用Lyapunov稳定性理论证明了所设计的鲁棒自适应控制器的稳定性。经仿真表明,相较于传统PD控制器,本文所设计的ARC控制器能使电动伺服缸加载系统具有更优的加载力跟踪精度和良好的鲁棒性。     

稳定的神经网络自适应控制

本文主要从理论上研究神经网络控制器实现SISO离散时间非线性系统的轨迹跟踪问题，在反向传播算法的基础上，提出了一种新的神经网络训练方法，该算法可以直接估计出动态系统所需要的前馈控制，并在一定条件下证明了此神经网络控制系统的稳定性，另外还给出了将其应用于几个不同非线性系统的仿真结果。     

积分变结构间接自适应神经网络控制

针对一类不确定非线性系统,基于变结构控制原理,提出多层神经网络投影算法,并设计了一种具有监督控制器的积分变结构间接自适应神经网络控制方案.该方案引入综合误差的自适应补偿项来消除建模误差的影响, 同时通过监督控制器保证闭环系统全局一致终结有界,且跟踪误差收敛到零,仿真结果表明该方法的有效性.     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

一种精密转台系统自适应摩擦补偿方法

为克服精密转台系统中存在的非线性动态摩擦力,提高转台摇摆工作状态下的位置跟踪精度,提出了一种新的基于Lugre动态摩擦模型的自适应摩擦补偿方法.该方法利用非线性观测器/滤波器结构来补偿转台系统中摩擦参数的不确定性,通过引入双非线性滤波器并调节滤波器增益,能够提高系统的位置跟踪性能.文中采用基于Lyapunov的方法证明了整个闭环系统的渐近稳定性,并通过仿真证明了所提出方法的有效性.     

基于神经网络的STATCOM非线性鲁棒逆推设计

针对带有STATCOM的单机无穷大总线系统,提出了一种新的神经网络逆推控制方法,设计了STATCOM的非线性控制器.这个方法对于参数变动是系统化的和鲁棒的,且是根据众所周知的逆推控制技术.所得的控制器能够保证跟踪误差和连接权有界.同时不需要预先知道神经网络连接权最优值的上界.神经网络的连接权值在线进行调整,而无需离线学习.仿真结果表明该方法的有效性.     

基于区间二型模糊神经网络反演控制抑制二惯量系统的机械振动

针对带有不确定性和扰动的二惯量伺服系统,提出了一种基于区间二型模糊神经网络的自适应反演控制策略抑制系统的机械振动.首先建立了二惯量系统的动力学模型,设计了反演自适应控制律;其次系统中负载和电机两端未知的扰动变量定义为待估计项,采用区间二型模糊神经网络对其进行估计,给出了基于区间二型模糊神经网络的参数自适应律.基于李雅普诺夫稳定性理论,证明了闭环系统输出跟踪的收敛性,并且跟踪误差可以通过调节控制参数达到任意小.仿真结果表明该方法具有较好的控制性能.      

输入受限非线性系统的自适应零误差跟踪控制

针对非线性系统面临的不确定动态、未知外部扰动和输入受限问题，提出了一种考虑输入饱和的零误差跟踪控制器。首先将系统的未建模动态和外部扰动综合为有界的“总扰动项”，进而设计控制律和自适应律补偿这一扰动项，使跟踪误差渐进收敛至零而不仅仅收敛至有界的紧集内。相比于传统的考虑不确定动态和外部扰动的非线性控制方法，所提控制方法的控制器结构更加简单，跟踪精度更高。此外，通过设计辅助误差补偿系统，使得控制器能较好地应对输入饱和情形，在饱和情形消失后，补偿信号能够渐进收敛至零。最后，通过仿真验证了所提方法的有效性。     

空间机器人的SVM非线性补偿滑模控制研究

为提高机械臂末端跟踪目标轨迹速度, 提出了一种基于SVM(Support Vector Machine)非线性模型估计的滑模控制方法。该方法通过SVM对参数不确定非线性项进行估计, 对空间机器人动力学模型进行补偿。这种从整个闭环系统稳定性出发设计的SVM非线性补偿滑模控制器, 不需要确切的数学模型, 从而提高了快速跟踪目标轨迹, 减小跟踪误差的动力学系统性能。仿真结果验证了该控制方法的有效性、可行性。     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

Robust Adaptive Neural Control of a Class of MIMO Nonlinear Systems

In this paper we present a robust adaptive control for a class of uncertain continuous time multiple input multiple output (MIMO) nonlinear systems. Multiple multi-layer neural networks are employed to approximate the uncertainty of the nonlinear functions, and robustifying control terms are used to compensate for approximation errors. All parameter adaptive laws and robustifying control terms are derived based on Lyapunov stability analysis so that, under appropriate assumptions, semi-global stability of the closed-loop system is guaranteed, and the tracking error asymptotically converges to zero. Simulations performed on a two-link robot manipulator illustrate the approach and its performance.     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.