基于RBF神经网络的ABS滑模变结构控制研究

针对汽车制动过程中防抱死制动系统(ABS)具有的非线性、时变性和不确定性,设计了以最佳滑移率为目标的滑模变结构控制器,并且采用径向基神经网络(RBF)实时调整滑模变结构控制器参数,以削弱常规滑模变结构控制的抖振现象。利用MATLAB/Simulink仿真平台搭建单轮车辆制动模型,并进行ABS控制策略的仿真实验。仿真结果表明:在指定路面上制动时,基于RBF神经网络的滑模变结构控制策略能够有效削弱常规滑模变结构控制输出的高频抖振,并能使车辆具有良好的制动效果。     

旋转导向钻井稳定平台的RBF网络滑模变结构控制

针对旋转导向钻井稳定平台存在的摩擦问题带来的不确定性,提出一种基于RBF神经网络的自适应滑模变结构控制方法,以提高稳定平台控制的精确性和抗干扰能力。使用RBF神经网络对稳定平台模型中的不确定性进行逼近,通过设计RBF网络节点的唤醒与激活阈值来减少网络规模,同时设计权值调整的自适应律,并结合滑模控制增强系统的鲁棒性。分别采用一般滑模变结构控制方法和RBF神经网络滑模变结构控制方法进行仿真实验,结果表明,RBF神经网络滑模变结构控制方法能够有效地逼近控制对象模型,有较强的鲁棒性。     

基于RBF补偿滑模变桨控制的风力机叶片颤振抑制

针对风力机叶片经典颤振问题,采用RBF神经网络补偿滑模控制来控制风力机叶片的变桨运动.依据弹簧-质量-阻尼器的典型叶型截面模型以及变桨激励器的二阶模型,给出了系统的非线性气动弹性方程.滑模变桨控制通过控制叶片的变桨运动,达到抑制叶片颤振、保护叶片的 目的,但是在系统到达滑模面后,滑模控制器会迫使系统沿滑模面做小幅度、高...     

一类欠驱动系统的自适应神经滑模控制

针对一类欠驱动系统在系统不确定性和外界干扰条件下的稳定控制问题,文章提出了自适应神经网络滑模控制策略。利用基于径向基函数(RBF)的神经网络在线估计系统的不确定量,采用李雅普诺夫方法设计自适应算法在线调整神经网络的参数;同时,利用带自适应算法的神经网络调节滑模控制的增益来消除滑模控制中的输入抖振现象;并通过李雅普诺夫定理论证了系统的稳定性。与传统滑模控制策略的仿真结果对比证明了系统是全局渐进稳定的,且控制器具有很好的适应性和鲁棒性。     

大摩擦力矩下电液伺服系统高精度控制与实验分析

为了实现大摩擦力矩中空液压马达系统高精度跟踪控制,提出了一种基于滑模状态观测器的变结构控制策略,分析了滑模变结构控制规律和滑模状态观测器的理论与实现方法,采用LuGre动态摩擦模型和滑模观测器实现了非线性摩擦力矩的动态补偿.实验结果表明：在超低速、大摩擦力矩存在的情况下,所提出的控制策略实现了非线性电液伺服系统的高精度轨迹跟踪控制.     

无人驾驶汽车RBF神经网络滑模横向控制策略

为了加强无人驾驶汽车横向运动控制,提出了一种优化型径向基函数(RBF)神经网络的滑模控制策略。根据视觉导航无人驾驶汽车单点预瞄模型与车辆二自由度模型得出横向运动状态方程,在滑模控制的基础上,采用RBF神经网络在线拟合滑模变结构的切换控制量,并基于改进的粒子群算法优化网络结构,使其快速达到滑模面,减小抖振。基于MATLAB/CarSim联合仿真平台,对建立的无人驾驶汽车横向运动状态模型及提出的控制策略进行不同工况下的仿真验证;基于AD 5435建立无人驾驶汽车快速原型开发平台,完成实车试验。结果表明:基于优化的RBF神经网络滑模横向控制策略能精确实现对车辆横向运动的控制,一定程度上减小了系统建模不确定性带来的影响,能有效抑制方向盘转角的抖振,将横向距离偏差与航向角偏差控制在一定范围内,可靠跟踪期望路径;车辆等速循迹行驶试验时,提出的控制策略的方向盘转角试验结果与仿真结果最大相对误差为5.8%,横向偏差的最大相对误差为6.2%,航向角偏差的最大相对误差为5.4%,试验结果与仿真结果一致性较好;Alt 3from FHWA仿真行驶工况下,相比于传统滑模控制策略,提出控制策略下的最大横向距离偏差误差和航向角偏差误差分别降低了90.8%和67.6%,双移线工况下误差分别降低了63.4%和69.9%,蛇形工况下误差分别降低了54.4%和39.6%。     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

电液伺服系统的自适应模糊滑模控制

针对电液系统的非线性特性及其参数不确定性,设计一种自适应模糊滑模控制器。该控制策略基于带积分补偿的变结构控制器,并利用自适应模糊控制方法,把滑模控制器中的不确定项进行模糊逼近。将此控制策略应用到电液系统中,仿真结果显示此控制方法具有较强的鲁棒性和良好的跟踪性能。     

不确定性系统的神经网络变结构控制

结合神经网络理论与变结构控制理论,提出一种基于神经网络的变结构滑模控制方案,该方案不依赖于系统的数学模型,它对外干扰和非线性不确定性都具有较强的鲁棒性,并能削弱抖振的发生,仿真结果表明该方法对非线性不确定性系统控制的有效性。     

基于RBF神经网络的直接模型参考自适应控制

大多数的现代被控对象均具有非线性的特性,使得采用传统的PI、PID控制很难取得较好的控制效果.人工神经网络,在一定条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力.故将其应用于非线性严重的装置的控制,可充分发挥其非线性映射能力和自学习、自适应、自组织的能力,实现对非线性装置的高性能控制.相比于Sigmoid激发函数的BP神经网络,RBF神经网络具有更简洁的网络结构和更快的收敛速度且可避免收敛于局部极值点,使得RBF神经网络更适合于在线应用同时也具有更好的控制效果.本文采用RBF神经网络构成神经网络NN进行自适应控制.为进一步加快神经网络的学习收敛速度,本文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度.本文对RBF神经网络直接自适应控制策略应用于非线性被控装置的控制进行了仿真研究,仿真结果表明,系统的动态响应快,超调小,稳态精度高,有较强的跟踪能力,具有较好的控制效果.     

RBF网络在熔窑控制系统中的应用研究

主要针对熔窑温度表现出的非线性、慢时变、大迟延和不确定性等特点,根据径向基函数神经网络具有可以逼近任意非线性映射、较快的学习速度并避免局部极小问题的能力,将RBF网络用于熔窑温度过程非线性模型的在线辨识,仿真结果表明能较好地跟踪温度的实际输出数据,具有较高的学习精度.     

基于RBF神经网络的电站锅炉燃烧系统非线性建模

应用RBF神经网络辨识方法建立了锅炉燃烧系统非线性模型,它可在运行中自动学习,适应很大工况范围及锅炉特性的时变性.应用结果表明所建立的模型能有效跟踪锅炉运行特性,具有很好的泛化能力,为锅炉燃烧系统优化控制和在线预测奠定了基础.     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

RBF网络干扰补偿的跷跷板系统解耦滑模控制研究

针对典型的不稳定、高阶次、多变量、强耦合、非线性的跷跷板系统，考虑环境对跷跷板的作用，提出了一种RBF网络干扰补偿解耦滑模控制(RBF-SMC)算法.通过解耦算法对模型进行解耦，并使用RBF神经网络对模型受到的干扰和不确定项自适应逼近补偿，使系统在较小的切换增益下实现较大干扰下的跷跷板平衡控制.在Matlab和Matlab/Adams联合仿真的环境下，对该算法进行了仿真.仿真结果表明，对比传统的SMC算法，在不确定环境下，通过RBF网络对外加干扰、建模误差、模型简化、外部激励、摩擦阻尼等建模不确定性因素进行学习评估，有效地提升了系统抗干扰能力，同时降低了系统的切换增益，并在有限时间内实现了跷跷板的平衡控制.通过仿真实验结果的比较，证明了本文提出算法的有效性与可行性.     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

基于RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

模糊 RBF 网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型．该网络由输入层、模糊化层、模糊联结层、合成联结层和输出层组成．同时,还给出网络的构造方法和自学习方法．仿真结果表明此网络对非线性、多变量函数具有良好的逼近能力．     

Design of Fault Detection Observer Based on Hyper Basis Function

In this paper, we propose the Hyper Basis Function(HBF) neural network on the basis of Radial Basis Function(RBF) neural network. Compared with RBF, HBF neural networks have a more generalized ability with different activation functions. A decision tree algorithm is used to determine the network center. Subsequently, we design an adaptive observer based on HBF neural networks and propose a fault detection and diagnosis method based on the observer for the nonlinear modeling ability of the neural network. Finally, we apply this method to nonlinear systems. The sensitivity and stability of the observer for the failure of the nonlinear systems are proved by simulation, which is beneficial for real-time online fault detection and diagnosis.     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .