行器舵机电动伺服加载系统研究

针对现阶段工程实践的需求,对飞行器舵机电动伺服加载系统进行了理论上的分析和研究,建立了电动伺服加载系统的数学模型,对影响其动态控制系统性能指标的多余力矩进行了分析,引入了速度和加速度补偿以减小多余力矩、提高加载系统性能。进行了相关的数字仿真,最后给出了可行性分析。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

电液系统神经网络自适应控制的研究

提出一种采用神经网络非线性系统控制的结构及原理．即采用两个ＢＰ神经网络,一个用来对被控系统进行在线辨识,另一个用做非线性自适应控制器．并对具有未知外部负载干扰的电液位置伺服系统进行了动态仿真,讨论了神经元激励函数形状因子、神经网络节点数以及神经网络训练次数对控制系统性能的影响     

混沌系统的逆跟踪控制

提出了一种混沌系统的逆跟踪控制方法。首先,采用非线性逆系统控制理论证明了二类连续混沌系统（Duffing系统和Lorenz 系统）的可逆性。通过状态反馈构造混沌系统的逆系统,将逆系统与原混沌系统串联,组成复合伪线性系统。在此基础上,利用线性系统综合方法设计闭环控制器,对复合伪线性系统进行控制,从而实现混沌系统对给定参考值的渐近跟踪。提出的混沌控制方法物理意义明确,系统结构简单,易于实现。仿真结果验证了该方法的有效性。     

一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

常规飞机的神经网络逆模型

推导了用低维的神经网络实现常规飞机逆模型的公式。先通过气动方程将飞机的角加速度转换为气动力矩系数,然后根据已知的气动力矩系数与状态变量和舵面偏转量的关系,得到低阶的逆模型方程。接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

应用复合前馈提高加载系统性能的实验研究

从理论上分析了电液伺服加载系统多余力矩的产生机理和特性,建立了相应的数学模型;提出应用速度、加速度复合前馈控制抑制系统多余力矩、提高加载性能的方法。在电液伺服加载试验台上进行相关实验,证明应用此种方法可以有效地抑制系统的多余力矩、将系统的动态响应频带提高到15Hz左右(相差10°、幅差10%)。     

基于网络逆系统的迭代学习初始控制量确定

鉴于初始控制量对迭代学习控制(ILC)算法收敛速度及跟踪精度的重要影响,为保证ILC算法对任意期望轨迹的跟踪性能,提出了一种基于小波神经网络(WNN)逆系统的ILC初始控制量确定方法.首先分析了研究对象的可逆性,在此基础上建立了对象的WNN逆模型,然后根据该逆模型求得任意期望轨迹下的网络输出,捋其作为ILC算法的理想初始控制量进行迭代学习.仿真结果表明,新算法辅助的ILC能利用先前的控制经验,在面临新的期望轨迹时能有效减少迭代次数,提高跟踪精度.     

船舶减摇鳍逆模式小波神经网络自适应控制

根据船舶横摇运动的特点，本文提出以伪随机二元序列信号(PRBS)作为波倾角仿真输入信号，将逆模式小波神经网络自适应控制方法应用于船舶减摇鳍控制系统，取得了良好的减摇效果。仿真实验表明此方法能够克服传统PID控制适应性差的缺点，具有较好的容错性和较强的适应非线性的能力。     

电液伺服系统的模糊径向基函数网络监督控制

针对电液伺服系统存在未知干扰力及参数时变等问题,提出一种新型的模糊径向基函数(简称RBF)神经网络的在线控制方法。该方法基于RBF网络与模糊推理系统的等价性,将模糊推理的思想引入RBF神经网络,从而为RBF隐层数目和中心位置初始化找到一种有效的途径,并采用Kohonen竞争学习机制在线调节网络参数,构成模糊自组织RBF监督控制策略。对典型电液位置伺服系统的仿真结果表明,该方法实时性强,具有良好的鲁棒性和跟踪性能。     

电液伺服系统滑动模态变结构控制

针对泵控电液伺服系统，用优化方式确定切换函数，用到达条件确定为结构控制律，从实际应用的观点出发，设计了降维观测器，用以观测火炮俯仰速度，再用这种估计的状态构造切换函数，解决变结构控制问题。仿真与试验表明，基于最优化方法设计的滑动模态变结构控制系统, 对外部干扰和参数不确定性具有强的鲁棒性，已成功应用于系统复杂、环境复杂和控制性能要求高的火炮电液伺服系统中，大大优于传统的PID控制系统。     

基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

RBF-Volterra级数非线性系统建模

提出一种RBF-Volterra级数非线性系统建模方法。利用基函数多项式（BFP）完备的非线性系统逼近能力,在基函数族单一尺度和平移联动约束下,导出RBF-Volterra级数模型;RBF-Volterra级数具有＂截尾不截维＂特性,对非线性强弱变化适应能力强,且结构紧凑,数值稳定性好,能效避免维数灾难问题。实例仿真说明了该方法的有效性。     

舰炮随动负载仿真系统设计及关键技术研究

简述了舰炮随动负载仿真系统在武器系统设计定型试验中的主要用途,介绍了基于双联液压马达的负载仿真系统设计、系统组成及工作原理,分析了海浪冲击对舰炮随动系统的影响,建立了海浪冲击的仿真模型,重点分析研究了液压马达的选型、力矩/压力双反馈控制、无级变速比模拟系统设计等关键技术,给出了有效的解决方法.     

基于递归神经网络的伺服系统自适应反步控制

针对伺服系统的系统参数摄动和非线性动态摩擦补偿问题,提出基于递归神经网络(RNN)的自适应反步控制(RNABC)系统设计方法.RNABC系统由反步控制器和鲁棒控制器组成,反步控制器包含RNN不确定观测器,鲁棒控制器则用来消除由于引入不确定观测器而带来的逼近误差.由于自适应反步控制的自适应律源于Lyapunoy函数的,因此系统的稳定性得到了保证.仿真结果表明,对于系统参数摄动和非线性摩擦干扰RNABC能使伺服系统具有很好的跟踪性能.     

电液伺服变距系统的二维云模型控制研究

云模型是对语言值所蕴含的模糊性和随机性的一种数学描述，它用期望值Ex、熵En和超熵He表征定性概念，将概念的模糊性和随机性集成在一起，是实现知识库中定量与定性之间相互转换的一种新途径。本文论述了模糊子集的云模型表示、基于云模型控制规则的不确定性推理，并设计了一种二维云模型控制器。仿真结果表明，该控制器简易、直观、鲁棒性强，具有良好的控制性能和较好的应用价值。     

50MN自由锻造水压机电液伺服控制系统建模仿真

大型锻造水压机的电液伺服控制系统的可靠性和鲁棒性直接影响着水压机的使用、人身安全和锻件质量。针对50MN自由锻造水压机负载的不确定性,建立其电液位置伺服系统的数学模型,设计出动态鲁棒补偿器并结合传统的PID控制方法,利用MATLAB/SIMULINK软件仿真,结果表明动态鲁棒补偿器在水压机电液伺服系统中的应用很好地抑制了外负载干扰,提高了电液控制系统精度和稳定性。     

过热汽温系统的RBF神经网络控制

采用RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。通过将该方法应用于电厂过热汽温系统的控制进行仿真研究并与常规PID串级控制系统进行比较，结果表明控制系统的性能得到较大的提高。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。