基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于NDO的飞行模拟转台伺服系统跟踪控制

针对飞行模拟转台伺服系统跟踪控制问题,提出了一种基于非线性干扰观测器(nonlinear disturbance observer, NDO)的反推全局滑模控制方案。该方案利用NDO观测系统的参数不确定性及非线性摩擦干扰,通过选择适当的设计参数使观测误差指数收敛,进而对引入NDO的系统采用反推全局滑模设计控制器,控制律的设计保证了闭环系统的稳定性。仿真结果表明,所提控制方案能够有效克服参数不确定性及非线性摩擦干扰的影响,实现了转角位置的精确跟踪,并且有效去除了控制抖振。     

改进单神经元PID控制器在伺服系统中的应用

单神经元PID以其计算量小,结构简单的优点被广泛应用。对基于单个神经元的直接PID控制算法进行改进,改进算法中采用不同的学习速率和权值调整方法,更好的体现了PID控制器中比例、积分、微分环节的作用。通过对典型的转台动态伺服系统仿真表明,改进算法比一般的单神经元PID算法控制效果好,抗干扰性好。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

基于强跟踪滤波器的液压伺服系统实时故障诊断

为了在线监测运行工况和提高其可靠性,研究了液压伺服系统的实时故障诊断模型和方法.使用强跟踪滤波器联合估计系统的状态和未知时变参数,使用修正的贝叶斯算法检测故障和估计出故障的幅值,从而建立故障诊断模型和实现液压伺服系统的实时故障诊断.仿真结果证实了模型的合理性和可行性,参数估计误差小于1.2%.该方法对模型参数的不确定性具有较强的鲁棒性,能正确检测和分离液压伺服系统的故障.     

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.     

不确定Liu混沌系统的动态面跟踪控制

针对一类含有常参数不确定性及外部干扰的Liu混沌系统的跟踪控制问题,采用动态面控制方法设计了一个新颖的非线性自适应鲁棒跟踪控制器。该方法由于在逆推设计过程中结合使用了一阶低通滤波器,从而避免了因“微分项的膨胀”而引起的算法复杂性。理论分析及仿真结果均表明所得到的控制器能够保证闭环系统的半全局渐近稳定,使得输出渐近期望跟踪轨迹,且对不确定性具有良好的适应性及鲁棒性。     

高精度伺服系统神经网络自适应控制研究

经典的、基于对象模型的PI控制方法简单、易于实现,但对于一些负载扰动和模型参数的变化,往往不能起到很好的抑制作用。针对上述问题,提出了一种神经网络自适应PI的控制方法,利用负载干扰观测器和神经网络自适应地调整PI控制器的参数,从而来有效地减少负载的干扰和模型参数的变化对系统造成的影响,提高了系统的鲁棒性。仿真结果表明了该方法的有效性。     

高精度飞行仿真转台的鲁棒自适应控制

针对高精度直流伺服系统,提出一种基于Lyapunov直接法的鲁棒模型参考自适应控制方法.在算法中,通过调节增益系数,以适应系统中参数的变化,通过引入鲁棒补偿项,实现对摩擦环节的补偿,使得在具有参数不确定性和未知非线性摩擦特性的情况下,跟踪误差渐进收敛于零.并以三轴转台为例,进行了数值仿真,其结果表明该方法的有效性和鲁棒性.     

基于模糊自适应PID的伺服系统控制

以飞行仿真转台伺服系统为研究对象,设计了一种带比例因子的模糊自适应PID控制器,通过误差和误差变化率在线模糊推理并调整比例因子和PID控制器的修正值.通过引入积分分离控制方法,在保证系统动态性能的前提下,一定程度上克服了模糊控制方法无法消除静差的缺点,也满足转台控制的实时性要求.仿真实验结果表明,该方法与传统PID控制相比,能够有效提高转台伺服系统的动态性能和鲁棒稳定性.     

基于改进BP神经网络的智能控制方法研究

针对典型BP神经网络存在的缺陷提出了一些有效的改进措施。通过采用改进的BP神经网络来对控制规则样本进行学习和训练 ,使网络记忆控制规则 ,以达到智能控制的目的。仿真和实验结果证明 ,该方法具有优良的控制特性 ,能满足伺服电机控制的需要。     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

超球聚类模糊神经网络在跟踪控制中的应用

采用简化的标准模型的模糊神经网络的基本形式而将模糊集的概念由一维推广到n维并利用超球聚类方法定义了一类n维模糊集及其隶属函数,提出一种基于超球聚类的模糊神经网络.这种模糊神经网络可以根据样本自动产生模糊规则,在一定程度上可避免"维数灾难”.将这种网络用于一类非线性系统的在线跟踪控制,定理表明,当聚类半径足够小时可使跟踪控制的静态误差任意小.     

连续MFN神经控制系统的稳定性判据

针对广泛应用的多层前向神经网络 (MFN) ,建立了连续MFN控制系统的数学模型 ,给出了其闭环稳定性判据 ,利用Lyapunov方法 ,进行了严格的数学证明 ,并且在证明过程中给出了系统的Lyapunov函数 ,同时进一步得出了系统为线性系统时的稳定性条件 ,最后讨论了目前神经控制系统稳定性研究中存在的有关问题 ,指出了将来的研究方向。     

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点，采用一种模糊RBF神经网络复合控制的方法控制伺服转台，用模糊RBF网络进行伺服系统辨识，在线修改复合控制的参数，用来提高复合控制的鲁棒性。实际控制结果表明，所采用的方法具有很好的辨识能力和控制品质，并具有较高的鲁棒性。     

飞机动力模拟系统的模糊神经网络控制研究

讨论了一种基于电液速度伺服系统的飞机动力地面模拟系统的计算机控制结构，研究了该地面模拟系统的性能。建立了相应的数学模型，提出了新的模糊神经网络控制策略，该策略提出新的综合目标函数和权值修正方法，是传统PID控制思想和方法在智能控制器的延伸。实验表明，本文提出了并建立的数学模型合理，采用的控制策略可以大幅度地提高系统性能。     

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。     

基于反馈线性化的非线性气动伺服系统跟踪控制

针对气动位置伺服系统跟踪控制中系统受压力波动、摩擦力扰动等非线性因素影响较大的特点，提出基于压力反馈线性化、摩擦力补偿的内外双环型控制算法。仿真与实验结果表明，该算法结构简便又宜于实用、跟踪精度较高，控制效果较好。