康复训练患肢动力学模型参数辨识算法的研究

康复训练患者的病情千差万别,不同的患者有不同质量的患肢和不同的肌张力甚至可能发生肌肉痉挛,这些都将严重影响康复训练机器人系统的稳定性、可操作性以及从手运动的平滑性,降低了康复训练效率。为了解决这些问题,根据患肢训练时力和位置等信息反馈,提出一种用解超定方程组的方法在线辨识患肢的动力学参数,实现了患肢动力学模型的在线辨识。仿真结果证明该方法辨识患肢动力学参数效果良好,并且在一定的噪声范围内具有较强的鲁棒性,可以用于康复训练机器人的患肢动力学参数辨识,为实际康复训练机器人系统的实时控制提供了较为准确的依据。     

一种新的异步电机无速度传感矢量控制系统研究

矢量控制技术为异步电机的无速度传感提供了良好的传动性和稳定性,在辨识过程中,传统的矢量控制所依托的BP神经网络较依赖初值,其在计算中易引起局部陷入,造成控制过程辨识效果精准度降低。提出一种新的异步电机无速度传感矢量控制方法:通过粒子群优化辨识来改善BP网络,使控制器的传感作用于矢量转矩中,以加强BP网络的收敛速度。所设计的控制系统在其优化软件系统的运行过程中圆满地执行了粒子群算法与BP神经网络算法相结合的综合演练,达到期望的辨识效果,有效提升了异步电机无速度传感矢量控制的精准度。     

基于模型参考神经网络自适应异步电机无速度传感器矢量控制系统的研究

针对在传统的异步电机矢量控制系统中采用编码器、光电码盘等速度传感器来对转速进行检测给系统带来的一些缺陷,该文将模型参考方法和神经网络相结合,提出了一种模型参考BP神经网络的无速度传感器异步电机矢量控制方案,并设计了速度辨识环节.同时对系统进行了仿真和实验,结果表明:该方法具有较强的抗干扰能力,受电机参数影响小,能较好地估计电机转子的转速.     

重型机械臂电液系统的神经网络辨识与反步控制

针对重型机械臂的电液驱动系统因非线性、参数时变等因素引起的控制精度下降问题，提出了一种基于RBF神经网络辨识动态负载的反步控制策略。以某锚杆钻车重型机械臂的电液系统为例，建立了系统的数学模型，将其分解为系统内部状态反馈、控制器驱动及外部负载驱动这3个动力学部分。考虑电液系统内部参数变化的缓慢性，通过离线辨识的方法，得到系统内部状态反馈中的标称模型参数。控制器的设计采用反步法，其输出计算需要对外部负载进行辨识，对此采用RBF神经网络进行动态负载辨识，辨识与控制的动态过程及设计原则依据Lyapunov稳定性原理。仿真与实验结果表明：所设计的控制算法有效提高了机械臂的位置跟踪精度，具有响应速度快、轨迹误差小的特点；控制器输出的控制量也相对较小和平滑。     

车辆主动悬架控制策略的联合仿真研究

根据PID控制原理、模糊控制理论和神经网络控制理论,建立主动悬架单神经元控制器和神经网络PID控制系统,主要是利用S函数建立了主动悬架单神经元控制器;并建立了由三层BP神经网络进行在线辨识,并在此基础上建立对神经PID控制器权值进行在线调整的在线辨识神经PID控制系统,并进行联合仿真,将其输出的振动加速度等参数与传统的PID控制策略进行分析和比较,模糊控制理论和神经网络控制理论的应用对悬架的平顺性有更好的改善作用,也说明了采用联合仿真方法的有效性和准确性。     

基于神经网络智能结构振动控制中的辨识

以智能结构振动控制为对象,采用BP神经网络进行辨识研究。分析了神经网络系统辨识的原理及BP神经网络的算法。仿真结果表明,神经网络是建立智能结构振动控制系统模型的一种有效的方法。     

基于混沌神经网络的异步电主轴转速辨识

针对BP神经网络易陷于局部最优,且学习速度慢的缺陷,研究了采用混沌优化算法改进BP神经网络并应用于异步电主轴转速辨识的方法.该方法使用新的混沌自映射函数取代一般的有限折叠次数的Logistic自映射函数,使其兼具了混沌优化算法的全局寻优与BP算法局部寻优的优点.借助MATLAB/Simulink软件对无传感器电主轴转速辨识系统进行数值仿真.仿真结果表明,采用新方法使整个系统的辨识性能更优,学习速度更快.     

基于MRAI的伺服系统转动惯量辨识及改进研究

针对伺服系统控制参数自整定所需转动惯量参数的辨识问题,对基于模型参考自适应辨识(MRAI)思想的转动惯量辨识方法进行了研究。根据离散递推辨识机制构建了自适应辨识律,并通过分析辨识增益大小对惯量辨识响应的影响,提出了一种辨识增益自适应调整的改进算法;基于惯量辨识结果评价标准,建立了分段函数以实现辨识增益的动态调整;在仿真模型和实际系统中对不同辨识增益对惯量辨识的影响进行了对比测试。研究结果表明:改进的惯量辨识方法可以解决惯量辨识响应快速性和稳定性的矛盾,能够快速跟踪系统转动惯量的变化,可用于伺服控制参数的自整定。     

非线性广义预测控制算法及其仿真研究

为了实现对非线性广义预测控制算法的仿真研究,采用神经网络建立非线性预测模型,在其工作点附近线性化,并对线性化模型进行广义预测控制,利用单片输出BP网络所辨识的非线性模型进行分析,提出了一种基于非线性广义预测前馈补偿控制律的补偿算法,改善了线性化所带来的模型失配误差.最后通过Matlab进行了仿真.仿真结果验证了算法的有效性.     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.