非线性关联大系统分散自适应滑模控制研究

基于滑模控制原理,针对具有强关联作用并且各子系统内亦有不确定性干扰的非线性大系统的控制进行了研究,提出了一种分散自适应控制策略,根据神经网络逼近理论,用前向神经网络逼近控制增益函数,给出了逼近误差的自适应律,较好地解决了控制增益函数的确定问题,这样在控制算法中,只需要知道系统中各非线性函数的上界即可,最后用Lyapunov方法证明了闭环系统的稳定性,而且跟踪误差收敛到零的一个领域。     

神经网络在直流无刷电机控制系统中的应用

采用多层神经网络结构控制电传动系统中的无刷直流电机。首先，离线训练神经网络；然后，采用神经网络在线控制电机的速度。建立了带有神经网络的电传动系统仿真模型来验证所采用的神经网络结构，仿真结果表明，系统抗扰动性很明显。     

定位平台非线性摩擦的神经网络补偿

提出了一种基于BP神经网络的机械伺服系统非线性摩擦的补偿方法，根据方法设计出一种将经典的PD控制与神经网络控制相结合的控制器，该控制器既有PD控制的优点，又能神经网络逼近非线性函数的能力，较好地补偿了系统中的非线性摩擦和外部扰动，应用Lyapunov稳定性定理，证明了系统的稳定性，并得到系统跟踪差的边界值，采用刚毛摩擦动力学模型，对X－Y定位平台进行仿真和实验，结果表明该控制器能够补偿系统的非线性因素，保证了系统的稳定，减少了跟踪误差，该方案控制效果明显优于PD控制，可用于工业设备的控制中。     

挠性卫星姿态快速稳定智能控制

针对挠性卫星本身存在的参数不确定性和外部扰动的控制问题,设计了以径向基函数神经网络和小脑神经网络为基础的复合变结构智能控制器.该控制器利用变结构控制系统对被控对象的模型误差、参数变化及外扰等的不敏感性的优点,再结合神经网络能够迅速逼近未知函数、泛化能力强的特点,可以适应挠性卫星参数不确定性和抑制外加干扰,实现对挠性卫星的有效控制.仿真结果表明复合控制能够提高卫星姿态的稳态精度和快速性.     

基于神经网络的永磁同步电动机转矩脉动补偿

永磁同步电动机的转矩波动补偿多采用转矩估计方法，但在不同电机运行点和电机参数不断变化的情况下，准确估计瞬时转矩非常困难．因此提出了采用径向基函数神经网络作为转矩波动补偿器的永磁同步电动机伺服控制方法．利用神经网络在线逼近非线性因素和外部干扰，对转矩波动进行补偿，然后根据反步控制方法得到神经网络权值调整规则和控制器输出．采用数字信号处理（DSP）进行了实验研究，结合神经网络和Backstepping的优点实现永磁同步电动机的转矩波动补偿．仿真和实验结果证明，采用上述方法可以实现不同转矩脉动的补偿。     

基于理想轨迹学习的机械手神经自适应控制

在机械手鲁棒控制的基础上,讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法,这里神经网络用于补偿系统的不确定性,提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入,此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法,并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后,一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。     

基于遗传神经网络的多元渣系活度预测模型

基于遗传神经优化BP神经网络权值和阈值建立了多元熔渣活度模型.人工神经网络能实现任意函数逼近,结构简单;遗传算法是建立于遗传学和自然选择原理基础上的一种全局优化搜索算法,能根据个体的适应度函数,通过对个体施加遗传操作实现群体内个体结构重组的迭代处理,逐代演化出越来越好的近似解.通过对CaO-SiO2,CaO-SiO2-Al2O3,CaO-SiO2-Al2O3-MgO渣系组元活度的计算和仿真表明,遗传神经网络具有很强的非线性拟合能力,计算结果在不同的情况下均能很好地吻合文献值,因此能够准确预报多元渣系中组元活度值.     

容错控制系统的一种神经网络控制策略

基于神经网络的函数逼近能力及其容错性，提出了一种神经网络容错控制策略：首先利用系统重构的方法设计控制系统在各种故障情况下的控制律，然后采用一个神经网络来学习这些控制律的特性．学习结束后，将该神经网络作为控制器对系统实施控制．对一个具体的线性系统在传感器故障情况下的神经网络控制进行了仿真研究，结果表明：神经网络控制器能够代替系统原有的控制器．而且在系统发生未知故障时，同样具有容错性．     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。     

基于深度学习的分数阶Nernst-Plank方程求解

摘要：在这篇文章中,我们构建了一个物理机制神经网络PINNs求解时间分数阶Nernst-Plank方程。PINNs是近年来基于深度学习求解偏微分方程新的方法。PINNs采用标准的前馈神经网络,将偏微分方程编码进神经网络中并构造损失函数,通过最小化损失函数学习网络的参数,在得到最优的网络参数的同时偏微分方程的解也被求出。分数阶物理机制神经网络fPINN是在PINNs基础上提出的用于求解分数阶偏微分方程的新方法。本文用fPINNs求解时间分数阶Nernst-Plank方程,并对其解决时间分数阶N-P的正问题与反问题的准确性和有效性进行了说明。在这基础上,我们分析了离散化时间分数阶算子所导致的离散误差、采样误差、神经网络优化误差对最终求解的影响。我们也分析了离散误差与取样误差的关系,并发现当固定离散误差后存在最好的训练点集大小使得求解误差最低。最后我们展示了神经网络求解反问题的准确性与效率。     

具有输入时滞的随机非线性系统的自适应神经网络控制

考虑一类具有输入时滞的随机非线性系统的自适应神经网络控制问题。通过定义含输入积分项的设计变量,将输入时滞系统转变为非时滞系统。结合神经网络控制、积分中值定理与Decoupled Backstepping技巧,针对该类系统提出一套自适应控制策略。所提出的控制器保证闭环系统的所有信号皆4阶矩半全局一致最终有界,并且跟踪误差收敛于原点附近的小邻域内。仿真实验结果验证了所提出控制策略的有效性。     

人工神经网络在数控加工中的应用

描述了采用BP算法的三层感知器神经网络模型的工作原理,研究了神经网络实时监控系统基本原理和方法及其在数控加工控制中的具体运用,该方法可以实现数控加工过程自适应优化控制。     

一种基于粗集理论的BP神经网络加速算法

应用粗糙集理论 ,对控制系统采样数据进行简化处理 ,构造一种新型神经网络结构 .提出一种误差反向传播BP(BackPropagation)神经网络加速算法 ,并将此算法应用于移动机器人的控制系统分析设计 .通过仿真结果的分析研究 ,验证了此算法在减少网络冗余 ,提高神经网络学习速度 ,提高网络实时控制能力等方面的良好的性能 .     

Application of FNN to the Modeling of FCCU

IntroductionThe Fluidized Catalytic Cracking ( FCC )process is stable under normal conditions,butsometimes the whole process deviates from theoptimal track due to environmentaldisturbances oraging of the equipment.The optimal productionconditions and the best profit can be found bystudying the stable optimization state.There iscurrently little research or state optimizationapplications due to the difficulties of oldmeasurement and control equipment,modelingdifficulties,formidable research an…     

基于反步法的CSTR神经网络非奇异自适应控制

针对一类参数不确定连续搅拌釜式反应釜(CSTR:Continues Stirred-Tank Reactors)系统中的参数不确定性,研究了一种基于反步(Backstepp ing)方法的神经网络自适应控制器。该控制器采用多层神经网络,可较好地逼近系统的复杂非线性动态,网络权值能在系统先验知识不多的情况下在线调整,更新律可用Lya-punov综合法在线获得;通过构造类加权形式Lyapunov函数,使控制器能有效处理自适应控制中可能的奇异性问题。系统仿真验证了方法的有效性和可行性。结果表明:该控制器能保证闭环系统全局稳定,并对系统参数的不确定性和有界干扰具有一定的鲁棒性。     

基于神经网络逼近的磁浮列车动态悬浮控制

为了有效提高磁浮列车悬浮系统在负载扰动和轨道不平顺扰动下的动态特性,提出了一种基于Lyapunov稳定性分析的径向基神经网络逼近算法使悬浮间隙能够在有界范围内达到最优。首先,以悬浮负载为受控对象建立系统垂向动力学方程和电压控制方程,以此构造能够表征系统非线性的状态空间方程。其次,确定径向基函数(radial basis function, RBF)神经网络基本结构,根据悬浮间隙误差约束条件和控制电流构造输入输出,并以此设计控制律保证所输出悬浮间隙能够在多种扰动的综合作用下持续稳定;再次,基于Lyapunov稳定性第二判据证明系统闭环稳定,能够在误差整定过程中使得间隙误差收敛于无穷小。最后,通过与目前应用较为广泛的比例-积分-微分(proportion-integral-derivative, PID)控制算法进行仿真对比,在非线性负载力和不平顺扰动下分析验证所提出控制算法的有效性。结果表明:所提控制算法比PID控制算法具有更好的鲁棒性。     

输入受限下机器人关节神经网络自适应控制

针对机器人关节控制输入受限以及动力学模型中存在非线性摩擦、柔性变形和未知外部干扰力矩等问题,提出了一种基于径向基函数（radial basis function, RBF）神经网络的输入饱和指令滤波自适应控制方法。基于指令滤波反步法,采用饱和函数约束控制输入的幅值,使用RBF神经网络在线逼近未知干扰,并利用Lyapunov稳定性理论证明了闭环系统的所有误差最终一致有界。仿真结果表明,控制算法不仅使系统的控制输入幅值被严格约束在规定的范围之内,完成了对目标轨迹的高精度跟踪（跟踪误差约为±0.003 rad）,而且还可抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响,保证系统的高精度与强鲁棒性,性能优于PID (propotional integral derivative)控制和普通指令滤波反步控制（command filter backstepping control, CFBC）,对机器人关节在高精度领域应用与智能控制具有重要价值。     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

基于递归函数链模糊神经网络的永磁直线同步电动机位置控制

针对高精度永磁直线同步电动机(permanent magnet linear synchronous motor,PMLSM)存在参数变化、负载扰动、摩擦力等不确定性因素而影响电机伺服性能的问题,提出递归函数链模糊神经网络控制(RFLFNN)保证系统的伺服性能。首先在磁场定向控制下建立PMLSM伺服系统动态数学模型。其次,将函数链神经网络(FLNN)和递归模糊神经网络(RFNN)相结合设计RFLFNN控制策略,利用FLNN实现神经网络的函数扩展,提高系统的非线性逼近能力并对系统参数进行辨识; RFNN采用反向传播算法实时更新并调整神经网络的参数值,对系统中存在的不确定性因素进行估计以抑制不确定性因素对系统的影响。最后,通过系统实验证明所提方法的有效性,实验结果表明,与RFNN相比,该方法极大地改善了PMLSM伺服系统的位置跟踪性能。     

燃料电池空气供应系统自适应神经网络滑模控制

聚合物电解质膜燃料电池(polymer electrolyte membrane fuel cell, PEMFC)空气供应系统易受参数不确定性和外部干扰的负面影响,难以实现高精度数学建模和鲁棒控制.设计了一种自适应神经网络滑模控制器,用于将PEMFC空气供应系统过氧比调节至其最优参考值,以维持最大系统输出净功率并避免氧饥饿.利用径向基函数神经网络在线逼近系统的未建模动态,而无需对外部干扰与模型参数摄动的界的先验信息.由Lyapunov理论分别推导出神经网络权值和滑模增益的自适应律,以保证闭环系统稳定性.仿真结果表明,所设计的控制器不仅改善了过氧比控制的动态行为,还有效减弱了控制输入的大幅超调和抖振.