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.     

基于响应不变法的GM(1,1)模型的动态特性分析

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差,导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的无偏GM(1,1)模型.对基于响应不变法的GM(1,1)模型的动态特性进行了分析,明确了该模型的特性和适用条件.     

基于滤波器的自适应变结构机器人控制器研究

结合自适应控制和变结构控制的优点,设计了一种基于滤波器的自适应变结构机器人控制器.在控制信号输出端加滤波器,削弱由开关不连续性引起的系统抖振.利用机器人矩阵线性特征,将各模型参数误差表示为一列向量,基于Lyapunov能量法推导变结构控制率和模型误差向量的自适应率.实现在线估计参数误差,并基于估计值进行变结构控制,削弱由模型参数不确定性引起的系统抖振.针对实际机器人轨迹跟踪控制系统进行了仿真,结果表明控制策略的有效.最后,对滤波器削弱抖振的结构进行了分析与总结.     

基于AAFDE-RBF算法的PID参数整定

针对工业过程中PID(proportional integral derivative,比例积分微分)参数整定难的问题，提出一种自适应调整因子的差分进化算法(adaptive adjustment factor differential evolution algorithm, AAFDE)的神经网络(radial basis function, RBF)方法整定PID控制器的参数。先在差分进化算法中引入自适应调整变异因子，通过定义个体优劣系数引入自适应调整交叉概率因子；再采用AAFDE算法优化RBF的初始参数，建立RBF模型，接着由RBF在线辨识得到梯度信息；最后根据梯度信息对PID的3个参数在线调整。直流电机系统的仿真实验表明，与RBF-PID和DE-RBF-PID相比，AAFDE-RBF-PID控制器动态性能更好、抗干扰性能更强，控制精度更高。     

多模型自适应PID解耦控制器

对于一类非线性、强耦合、离散时间系统,提出了基于多模型的多变量自适应PID解耦控制策略,取消了系统平衡点参数已知的条件.控制策略包括一个完全自适应PID解耦控制器,一个参数重赋值自适应PID解耦控制器,多个参数固定PID解耦控制器和一个切换机制.理论分析表明,通过合理地选择切换函数,自适应PID控制器保证系统BIBO稳定,参数重赋值自适应PID控制器和参数固定PID控制器改善系统性能.     

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。     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于响应不变法的GM(1,1)模型

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的GM(1,1)模型.该模型具有白指数重合律,它突破了|a|较大时GM(1,1)模型不能应用的禁区,拓广了GM(1,1)模型的应用范围.     

基于行为建模的机器人混合模糊-神经控制方法

本文提出了一种设计机器人模糊－神经控制器的新方法。因为模糊逻辑控制器的控制信号是由系统的响应行为而不是由其分析模型决定的，所以机器人的开环响应可以用一系列二阶系统来描述。然后，用Ｎｅｌｄｅｒ－Ｍｅａｄ单纯形算法离线优化与该系统相关的模糊逻辑控制器的参数，并用人工神经网络来训练开环响应与这些优化了的参数之间的匹配关系。该方法的优点在于当它用于设计模糊－神经控制器时，在自适应过程中不必考虑收敛问题     

基于奇异摄动的宏—微机器人控制方法

物理上包含快过程和慢过程的系统可以用奇异摄动方法分析和控制,通过集中微机械手的小参数,提出了将宏－微机器人的动力学模型表示的为标准的奇异摄动模型的方法,这一方法对刚体连杆机械手具有一般性,基于奇异摄动方法设计了宏－微机器人控制器,宏机械手采用计算力短控制,微机械手采用非线性反馈控制,四自由度宏－微机器人的仿真研究证明了方法的有效性。     

采用自适应模糊PID控制的多级齿轮振动主动控制

针对齿轮传动系统在动态激励的作用下产生的多谐波复杂振动,设计一种在低速轴和高速轴分别安装有压电促动器的主动控制结构;提出一种将传统PID控制和自适应算法相结合的自适应模糊PID算法,抑制能量较高的多个谐波振动.在ADAMS平台建立齿轮传动系统虚拟样机,作为被控对象子模块,并在MATLAB/Simulink平台上加载控制算法对系统进行联合仿真.仿真结果表明:在不同转速下,自适应模糊PID控制算法对谐波振动具有良好的控制效果,且优于经典PID控制.     

电液伺服系统的参数自适应控制

本文针对电液伺服系统的特点,在极——零点配置的基础上提出一种形式简单、运算量小并适用于非最小相位系统的自适应控制算法,克服了一般极——零点配置自校正调节器实用上的困难。仿真与实验证明,用这种算法控制的电液伺服系统具有良好的动态及自适应性能。     

基于知识的自适应电梯群控制策略

为获得更低的平均候梯时间和长候梯率,提出一种基于知识的自适应电梯群控制策略.该控制策略汇集了区域权重控制算法、电梯运行操作知识以及层站召唤再分配规则,基于自适应的长候梯时间阈值,对长候梯层站召唤执行再分配操作,凸现了电梯群控制策略对复杂电梯交通的自适应性.与经典THV算法、基于知识的区域权重控制算法、人工免疫动态优化算法比较,该方法能获得更低的平均候梯时间和长候梯率.同时,其自适应能力使得该控制策略更易于应用在实际电梯群控制系统中.     

严格反馈非线性系统的鲁棒自适应逆最优跟踪

针对具有未知定常参数和未知有界扰动的严格反馈非线性系统,结合参考信号,构造了误差系统,并解决了其逆最优控制问题.使用Backstepping算法,设计了误差系统鲁棒自适应逆最优控制器和参数自适应律,从而解决了原系统的鲁棒自适应逆最优跟踪问题,并给出性能估计.仿真结果表明该控制算法的有效性.     

液压回转系统的计算机自适应控制

本文介绍了作者在液压回转系统的计算讥自适应控制方面进行研究的成果。作者首先对液压回转系统试验台建立了数学模型，同时根据自适应控制理论提出了一种数字控制系统及自适应控制算法．并以汇编语言编制了程序．得出了具有实用价值的结果。     

无人机三轴稳定云台的模糊PID控制

以无人机三轴稳定云台的内框作为研究对象,将自适应卡尔曼滤波算法与模糊PID控制算法相结合,提出了一种基于自适应卡尔曼滤波的模糊PID控制算法.经过Matlab仿真实验表明,相对于经典PID控制算法和模糊PID控制算法而言,该算法在无人机三轴稳定云台的控制上,不仅响应速度快、精度高,而且对控制干扰噪声和测量噪声也起到了较好的抑制作用     

基于全参数在线辨识的鲁棒自校正控制

受控系统中，模型结构参数（模型时延及模型阶次）和模型参数是自适应类控制的基础，采样这些参数，并即时送给控制器，是实现自适应控制的前提，也是优化该类算法的重要依据。笔者给出了对上述自适应控制的有关参数的在线辩识方法，并基于此，改进了经典的自适应类控制算法，算法中引入了对结构参数（模型阶次）的智能辩识方法和鲁棒极点配置原理，从而构成了鲁棒自校正控制，使算法得以进一步优化，整个控制方案给出了自适应类控制的新模式。     

二自由度关节型机器人的自适应模糊滑模控制

针对二自由度关节型机器人控制问题,通过分析传统滑模控制的不足,提出一种自适应模糊滑模控制算法。采用自适应单输入单输出模糊系统来计算控制增益,同时设计了基于Lyapunov稳定性理论的自适应律,最后利用Simulink软件对自适应模糊滑模控制进行仿真实验。结果表明,机器人各关节控制力矩的抖振现象明显减弱,系统性能得到提升;自适应算法的加入使模糊滑模控制能在短时间内随着系统状态的变化自动地进行调节,稳态收敛为常数;在关节型机器人参数不确定和存在外界干扰的情况下,自适应模糊滑模控制算法依然具有良好的鲁棒性和跟踪精度。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

基于神经网络的PID参数自整定控制及其Matlab仿真研究

将神经网络自适应PID算法与传统的PID控制算法进行比较分析,通过仿真实验,验证神经网络自适应PID控制算法在总体上优于传统的PID控制算法.该方法有利于系统控制效果的提高,并且受环境的影响较小,在一定程度上弥补了传统PID控制的不足.