压电自适应桁架结构智能振动控制

介绍了采用模糊神经网络模型进行振动主动控制的压电自适应桁架结构设计、应用及实验结果. 设计了一种具有自适应结构技术的压电主动构件结构, 并提出了具有5层结构能够自调整隶属函数的模糊神经网络控制模型. 为了验证控制模型的有效性, 搭建了配置压电主动构件的双跨桁架结构试验平台, 通过检测误差信号, 由模糊神经网络控制模型确定主动构件的驱动输出. 试验结果证实了模糊神经网络控制模型在振动抑制方面的有效性.     

含正反馈振动主动控制系统的混合自适应控制

对于存在结构正反馈的振动主动控制系统,传统的基于有限冲击响应的自适应前馈控制器设计方法难以同时保证控制系统稳定与良好的控制性能.本文在分析正反馈对前馈控制系统影响的基础上,基于无限冲击响应控制器设计模式,提出一种结合前馈自适应控制器和反馈自适应控制器的混合自适应振动主动控制方法.其中前馈自适应控制器采用参考传感器采集到的扰动相关信号作为参考信号,反馈自适应控制器通过构建扰动的估计量作为参考信号,控制器参数更新采用Landau参数递推算法.以一典型的具有固有正反馈性质的机械振动系统为控制对象,给出了该混合自适应控制算法的详细推导过程以及稳定性和收敛性分析过程,得到了算法稳定与收敛的严格正实条件以及相应放松严格正实条件的要求.在此基础上,通过构建实时振动主动控制实验平台,针对多种振动扰动开展对比实验分析.相关实验结果验证了本文提出的混合自适应振动主动控制方法的可行性和有效性.     

Ｓｔｅｗａｒｔ主动隔振平台的神经网络自适应控制

针对Stewart主动隔振平台,提出一种基于径向基函数(RBF)神经网络的多输入多输出自适应隔振控制方法.考虑外界振动对Stewart主动隔振平台动态特性的影响,建立了隔振平台在工作空间中的动力学模型.推导出RBF神经网络的权值矩阵、高斯基函数中心和宽度的在线自适应调节律,以使神经网络快速逼近系统的非线性动态函数.应用Lyapunov稳定性理论,证明了在扰动力和神经网络逼近误差有界的条件下,闭环控制系统滤波误差和RBF神经网络各调节参数估计误差的一致最终有界.仿真结果表明,该控制方法能有效地抑制不同方向的低频有界振动.     

车辆主动悬架的BP神经网络自适应PID控制

提出了一种主动悬架的基于BP神经网络的自适应PID控制方法,并借助于1/4主动悬架物理模型,探讨了该控制技术在车身主动减振方面的控制问题.以白噪声模拟路面输入,对车辆主动悬架系统进行计算机仿真研究.将BP神经网络PID主动悬架、PID主动悬架和被动恳架的车身加速度、悬架动挠度及车轮动位移三项指标的均方根值进行了对比分析.仿真结果表明,具有BP神经网络PID控制器的主动悬架控制效果明显优于PID主动悬架和被动悬架,可大大减少路面对车身的振动冲击,能显著地提高车辆行驶平顺性和乘坐舒适性,且鲁棒性好.     

基于FX-LMS算法的微振动主动隔振控制系统开发

控制系统是基于压电智能结构的各类微振动主动隔振系统的核心部分,而控制性能好、运算快速、实现方便的控制算法则是控制系统开发的关键.基于FIR数字滤波器,并应用FX-LMS自适应算法,对基于压电智能结构的各类微振动主动隔振系统的控制算法进行推导,并对其实现过程进行分析,以便于控制系统开发.在此基础上,利用该FX-LMS算法开发了某一维微振动主动隔振平台的自动控制系统,用于对该算法的控制效果进行实验测试和验证.实验结果表明,所推导的FX-LMS算法具有良好的控制效果,应用领域广阔.     

曳引式电梯振动的主动控制技术研究

曳引式电梯振动的主动控制技术是通过运用运动弹性动力学的方法建立曳引式电梯机械系统的动力学模型,通过动力学模型对曳引式电梯的动力特性和振动控制进行技术研究.通过模糊控制规则对电梯的自适应主动振动控制,达到曳引式电梯振动主动控制的自动调整、自动检测、自主完善的过程,从而使得曳引式电梯振动的主动控制达到优化的控制目的.动力学模型使用MATLAB编程语言建立仿真模拟效果,对曳引式电梯所设计的模糊自适应控制系统的主动振动控制效果,经过试验其各个方面都强于传统的机械被动隔振,所以,通过曳引式电梯振动的主动控制技术能够使电梯的乘坐更具有稳定性和舒适性.     

基于特征模型的挠性结构自适应振动控制

航天器是一种由中心刚体和挠性附件组成的刚柔耦合复杂系统，由于系统调姿或外部扰动作用时将引起振动，尤其是在平衡位置的小幅度振动对姿态稳定度和指向控制精度严重影响，并且难以控制．为了解决该问题，采用基于特征模型的黄金分割自适应控制方法，并引入逻辑微分阻尼项进行振动主动控制．建立了刚柔耦合结构实验平台，进行了包括位置设定点及转动振动主动控制的算法实验比较，结果表明，采用的基于特征模型的方法得到了比较理想的振动抑制效果，尤其是对低频小幅值振动的抑制，在相同条件下，与传统控制方法相比，大大减少了振动抑制的时间．实验研究表明采用的算法快速抑制振动的有效性．     

智能结构自适应消振控制系统开发与实现

从振动主动控制设计思想出发，基于自适应控制策略，对实现结构振动响应主动控制的自适应控制系统进行了研究与开发；在此基础上，应用自适应滤波前馈控制方法对一压电机敏刚架结构进行了振动主动控制实验，取得了良好的抵消振动效果，从而表明了这一系统的有效性与可靠性。     

基于物联网的机器人并联机构平稳性控制

为提高对弹性连杆机构并联机器人的平衡性控制能力,提出基于物联网的机器人并联机构平稳性控制方法。采用物联网技术实现对弹性连杆机构并联机器人的传感信息采集,采用能量补偿控制方法进行机器的运动学参数反馈设计,通过连杆负载驱动性设计方法,建立机器人的弹性连杆连续操作模型,通过物联网底层数据的在线编译方法,实现机器人控制指令写入...     

基于蚁群算法的车身振动主动控制研究

针对乘用车车身结构振动抑制问题,采用基于蚁群算法的参数自适应PID控制器,以压电元件为测量和控制元件,进行了振动主动控制仿真和实验研究;首先对白车身结构进行实验模态分析,确定了压电元件的布片位置并确定压电控制的传递关系,然后设计基于蚁群算法的PID参数自适应控制器,制定了控制方案,进行了模拟仿真分析,最后搭建试验平台,以某国产乘用车白车身为被控结构,进行了车身振动主动控制实验;系统仿真和实验结果表明,施加控制时车身的振动幅值较未施加控制时大幅减小,在振动幅值较大的低频区域,其振动幅值明显降低;从而验证了应用基于蚁群算法的参数自适应PID控制技术,不仅可以有效降低车身的振动幅度,而且对传统控制方法控制效果不佳的振动低频区域,控制效果明显。     

Robust dynamic surface control of flexible joint robots using recurrent neural networks

A robust neuro-adaptive controller for uncertain flexible joint robots is presented. This control scheme integrates H-infinity disturbance attenuation design and recurrent neural network adaptive control technique into the dynamic surface control framework. Two recurrent neural networks are used to adaptively learn the uncertain functions in a flexible joint robot. Then, the effects of approximation error and filter error on the tracking performance are attenuated to a prescribed level by the embedded H-infinity controller, so that the desired H-infinity tracking performance can be achieved. Finally, simulation results verify the effectiveness of the proposed control scheme.     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

Multivariable predictive control of a pressurized tank using neural networks

The behavior of a multivariable predictive control scheme based on neural networks applied to a model of a nonlinear multivariable real process, consisting of a pressurized tank is investigated in this paper. The neural scheme consists of three neural networks; the first is meant for the identification of plant parameters (identifier), the second one is for the prediction of future control errors (predictor) and the third one, based on the two previous, compute the control input to be applied to the plant (controller). The weights of the neural networks are updated on-line, using standard and dynamic backpropagation. The model of the nonlinear process is driven to an operation point and it is then controlled with the proposed neural control scheme, analyzing the maximum range over the neural control works properly.     

基于D-FNN的开关磁阻无位置传感器的研究

提出了一种基于扩展径向基函数(RBF)神经网络的动态模糊神经网络(D-FNN)的开关磁阻电机无位置传感器控制的新方法。动态模糊神经网络系统以在线采样的相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流和磁链、转子位置角度的非线性映射关系;训练完成后,用D-FNN输出结果取代位置传感器角度信号,实现电机无位置传感器运行。仿真和实验结果表明:由D-FNN获得的角度信号和由位置传感器获得的角度信号相比误差小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

基于GA+BP网络速度辨识的直接转矩控制

针对传统直接转矩控制中存在电流、磁链和转矩脉动较大及速度传感器的使用降低了系统的可靠性,增加了系统的成本等问题,提出了利用遗传算法(GA)优化的BP网络电机速度辨识方法,实现了异步电机无速度传感器直接转矩控制。该方法保持了直接转矩控制固有的转矩响应快和系统鲁棒性强的优点,降低了磁链、转矩脉动,加快了系统的响应速度,并对负载的扰动具有较强的鲁棒性,有效地改善了系统的动、静态性能,实验结果证实了该方法的可行性和有效性。     

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.     

Robust Control of a Two-Link Flexible Manipulator with Quasi-Static Deflection Compensation Using Neural Networks

A robust control method of a two-link flexible manipulator with neural networks based quasi-static distortion compensation is proposed and experimentally investigated. The dynamics equation of the flexible manipulator is divided into a slow subsystem and a fast subsystem based on the assumed mode method and singular perturbation theory. A decomposition based robust controller is proposed with respect to the slow subsystem, and H ^∞ control is applied to the fast subsystem. The overall closed-loop control is determined by the composite algorithm that combines the two control laws. Furthermore, a neural network compensation scheme is also integrated into the control system to compensate for quasi-static deflection. The proposed control method has been implemented on a two-link flexible manipulator for precise end-tip tracking control. Experimental results are presented in this paper along with concluding remarks.     

Dynamics and genetic fuzzy neural network vibration control design of a smart flexible four-bar linkage mechanism

In this paper, a dynamic modeling method and an active vibration control scheme for a smart flexible four-bar linkage mechanism featuring piezoelectric actuators and strain gauge sensors are presented. The dynamics of this smart mechanism is described by the Discrete Time Transfer Matrix Method of Multibody System (MS-DTTMM). Then a nonlinear fuzzy neural network control is employed to suppress the vibration of this smart mechanism. For improving the dynamic performance of the fuzzy neural network, a genetic algorithm based on the MS-DTTMM is designed offline to tune the initial parameters of the fuzzy neural network. The MS-DTTMM avoids the global dynamics equations of the system, which results in the matrices involved are always very small, so the computational efficiency of the dynamic analysis and control system optimization can be greatly improved. Formulations of the method as well as a numerical simulation are given to demonstrate the proposed dynamic method and control scheme.