线控转向系统的自适应神经网络滑模控制

传统滑模控制(SMC)方法应用到线控转向系统时,需要预先获取系统干扰的上界值,且系统干扰变化会导致转角控制稳定性变差.为了提高线控转向系统的车轮转角跟踪性能,提出了一种考虑系统干扰的自适应神经网络滑模控制(RBFSMC)方法.RBFSMC先采用径向基神经网络对系统的不确定性和电机力矩扰动进行实时估计,再结合传统滑模控制...     

基于非线性动力学模型补偿的水下机械臂自适应滑模控制

为满足特大型水利水电工程中的大直径超长距离引水隧洞定期检测的重大需求,智能化水下机器人系统成为当前的研究热点。为提高水下机械臂建模的准确性与控制能力的精准性,该文首先提出一种融合Newton-Euler方程、 Morison方程与非线性摩擦力的水下机械臂动力学模型建模及参数辨识方法,并在补偿已辨识模型的基础上,设计了一种利用径向基函数(radial basis function, RBF)神经网络补偿系统未建模与建模误差的自适应滑模控制方法。通过仿真,该文证明了该方法比传统比例积分微分(proportional integral differential, PID)控制和一般RBF网络自适应滑模控制具有更高的控制精度。     

桥式起重机神经网络自适应滑模定位防摆控制

针对桥式起重机非线性、存在外界干扰的特点,提出了一种神经网络自适应滑模控制器。首先采用拉格朗日法建立桥式起重机动力学模型;然后在分层滑模控制器的基础上,设计了径向基函数(RBF)神经网络权值自适应更新率,利用RBF神经网络补偿系统的非线性与外界干扰引起的不确定上界,并利用粒子群算法对控制器参数寻优,通过构造Lyapunov函数证明了系统的稳定性;最后设计了1组仿真实验和1组在搭建的实验平台上的验证实验,仿真结果表明:在非线性及外界干扰作用下,神经网络自适应滑模控制器可以快速实现小车定位和负载消摆,控制器可以消除不确定上界对系统的影响。实验结果也表明,所设计的控制器可以使桥式起重机达到控制目标,具有一定的抗干扰能力。     

磁控开关型故障限流器RBF神经网络自适应偏置电流控制

基于新型磁控开关型故障限流器偏置电流控制系统复杂的非线性时变特性,提出一种基于径向基函数神经网络的限流器偏置电流自适应控制系统,采用2个RBF神经网络来分别构成自适应控制网络和辨识网络,实现了偏置电流的实时控制.试验证明,利用该偏置电流控制系统,限流器的响应速度和限流效果可以得到保证.     

基于RBF神经网络的全向智能轮椅自适应控制

在外界扰动为有界不可测条件下,利用径向基函数(radial basis function,RBF)神经网络在线逼近全向智能轮椅的非线性逆运动学模型,提出对轮椅轨迹跟踪的直接自适应控制方法.首先,在分析全向智能轮椅平台动力学模型的基础上,设计了基于径向基函数神经网络的全向智能轮椅自适应控制器;并进一步利用李雅普诺夫稳定性理论,证明了在外界扰动及神经网络权值误差逼近有界的条件下,该控制器在全向智能轮椅轨迹控制中跟踪误差的一致稳定且有界;最后,通过全向智能轮椅轨迹跟踪仿真实验,验证了所提出控制方法的有效性和稳定性.     

一类耦合系统的直接自适应神经网络控制

针对一类具有未知常数控制增益的耦合大系统，根据滑模控制原理，利用多层神经网络的逼近性质，提出了一种直接自适应滑模控制器的设计方案．通过在线调节神经网络的连接权、滑模控制增益，实现了对动态不确定性及建模误差的自适应补偿．利用李亚普诺夫方法，证明了自适应控制系统是全局稳定的，跟踪误差收敛到零．     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

恒压网络静液传动系统的神经网络滑模控制

根据恒压网络条件下的静液传动系统的特点,建立用于转速控制的二自由度动力学模型.针对恒压网络静液传动系统的参数摄动和不确定性,选择液压泵/马达的角速度和角加速度为控制变量,设计一种神经网络自适应滑模控制器,采用径向基函数神经网络(RBFN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,应用李亚普诺夫稳定性理论推导网络权值的在线自适应率,保证闭环控制系统的稳定性.在模拟试验台上进行了阶跃信号和斜坡信号的转速控制响应分析,并与常规PID控制以及基于神经网络的PID(NNPID)控制进行对比.试验结果表明:所设计的控制器具有良好的控制效果,能使系统具有良好的跟踪性和强的鲁棒性,有效地消除高频抖振现象.     

基于神经网络自适应逆控制的火电厂过热汽温控制系统的研究

本文将径向基函数神经网络与控制相结合,提出了一种基于神经网络自适应逆控制的方法,设计了两个结构和学习算法完全一样的神经网络,从而解决了在线学习难题。将该方法应用于火电厂过热汽温控制系统进行仿真研究,结果表明该方法能较好地适应对象特性的变化,且控制性能比常规串级控制系统有较大的提高。     

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。     

小型吊舱式无人艇航向控制

针对小型吊舱式无人艇航向控制系统精度问题,考虑模型中的不确定性和风、浪干扰等未知项,设计一种基于RBF神经网络和迭代滑模算法的自适应控制器.在建立吊舱式无人艇运动数学模型基础上,采用迭代滑模算法提高收敛时间,并通过RBF神经网络权值逼近模型参数不确定项和未知扰动,最终将该算法与迭代滑模算法进行仿真比较.结果表明,所提出...     

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...     

基于一种改进自适应模糊神经技术的PEMFC系统建模和控制

从质子交换膜燃料电池(PEMFC)实际应用的角度出发，应用自适应模糊神经网络技术对PEMFC系统进行建模与控制．在建模过程中，同时应用实验数据和专家经验对模型进行辨识，使模糊节点具有明确的物理意义和初始参数的选择更加容易．在控制过程中，将训练好的网络模型作为PEMFC控制系统的参考模型，采用自适应神经网络学习算法(ANA)在线对控制器参数进行自适应调整，采用最近邻聚类算法(NCA)对控制器的模糊规则库进行更新．在仿真实验中，将自适应模糊控制算法与PID和传统模糊算法进行比较，结果表明本算法控制性能优良．     

基于改进型径向基函数网络的船舶非线性航向自适应逆控制

针对非线性船舶控制中传统自适应控制方法存在的实时参数调整复杂、鲁棒性差等缺陷,提出了一种基于改进型径向基函数(RBF)网络的自适应逆控制(AIC)方案,RBF网络相比通常的非线性自适应模型,结构更为简单且不存在局部极小问题.对“The R.O.V Zeefakkel”散装船非线性模型的仿真结果表明,AIC在显著改善对象动态响应性能的同时,具有良好的鲁棒性和扰动消除能力,适用于对机动性要求较高的中小型船舶控制.     

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Matl...     

不确定非线性系统的自适应反推终端滑模控制

针对一类具有未知非线性函数的严格反馈型不确定非线性系统,提出了一种自适应反推终端滑模控制方法。反推控制的前n-1步结合动态面控制技术设计虚拟控制律,第n步仅采用一个神经网络函数逼近器补偿系统所有未知非线性函数,得到了基于全局快速终端滑模控制的自适应神经网络控制器；通过引入一阶滤波器，不仅避免了传统反推控制存在的复杂计算,提高了系统的收敛速度,而且通过引入逼近误差和不确定干扰上界的自适应补偿项来消除建模误差和参数估计误差的影响,改善了稳态跟踪精度。理论分析证明闭环系统所有信号半全局一致终结有界，仿真结果验证了该方法的有效性。     

机器人的自适应神经全局滑模轨迹跟踪控制

针对具有不确定性的机器人系统,提出一种自适应神经全局滑模轨迹跟踪控制方案.控制器采用一种新的全局滑模面,使得系统在整个响应时间内都具有鲁棒性;并基于径向基函数神经网络自适应学习不确定性的未知上界,从而自适应调整控制律的切换增益.而且基于Lyapunov稳定性理论证明这种新型控制器能够保证机器人系统关节角位置矢量和角速度矢量的跟踪误差渐近收敛于0.仿真结果表明提出的控制策略能够使机器人系统仅在0.5 s内就实现快速的轨迹跟踪,可见该方案是可行且有效的.     

基于神经网络的三相Vienna整流器全局快速终端滑模控制

针对Vienna整流器采用传统PI控制输出电压超调大,功率因数低,当系统参数发生变化时难以收敛,对交流侧输入电流干扰大等问题,提出一种基于神经网络的全局快速终端滑模控制策略。针对系统参数在实际环境中发生摄动和受到外界扰动,重新建立系统的不确定模型,将不确定项合并为总扰动并利用所建立自适应神经网络对其进行估计,并运用Lyapunov定理证明该非线性控制系统在系统参数摄动及外界扰动中可实现有界稳定。仿真结果表明:利用该方法提高了Vienna整流器功率因数,有效优化了输出电压超调高的问题并且有效降低了系统的谐波污染。最后搭建了实物样机,实验结果验证了上述结论的正确性。采用文中方法电压未出现超调,并且稳态响应时间减少了69%,切换负载电压波动减少了87%,动态响应时间减少了84%,谐波含量减少了68%。     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。