电液伺服系统的神经网络在线学习补偿自适应控制

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想，提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制，避免控制器的输出产生振荡或进入饱和状态。工程应用表明，该方法将过程辨识和“参征器”引入神经网络的学习和控制中，可有效地提高了系统的控制品质。     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点，提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强，所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且，模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则，从而进行客观准确的控制。与普通模糊控制方法相比较，仿真试验说明了系统设计的有效性。     

基于小波神经网络的控制方法及其应用研究

提出一种基于小波神经网络的控制方法,该方法利用两个小波神经网络作为控制系统的辨识器和控制器来构成控制系统。小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能产生复杂的最佳控制规律。仿真结果表明系统具有逼近精度高、控制效果好、抗干扰能力强等优点。     

基于神经网络的电动舵回路容错控制方法研究

为了克服电动舵回路故障和非线性因素的影响,提出一种基于神经网络误差反馈学习的电动舵机容错控制器设计方法,根据电动舵机系统动力学特征建立系统非线性数学模型,采用反馈误差学习控制律进行神经网络容错控制,由参考信号和实际输出信号对比产生的误差信号驱动神经网络学习从而产生控制信号,以达到实现容错重构控制的目的,仿真结果表明,神经容错网络控制器能够达到满意的控制效果。     

二次调节控制系统的模糊-神经网络自学习自适应控制

文中提出了一种基于神经网络的在线自学习模糊自适应控制策略，控制器的设计不依赖于系统的先验知识，控制参数的调整是结合模糊控制，利用反馈误差学习算法实现。该方法应用于二次调节速度控制试验台，并取得优良的控制效果。     

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。     

电液伺服系统的模糊神经网络并行自学习鲁棒控制

基于模糊神经网络结构，提出了一种复合式控制方案，解决了传统自适应控制中模型的在线辨识和控制器的在线设计问题。达到了对不确定非线性系统的高精度输出跟踪；通过引入运行监控器，解决了模糊神经网络实时性差的问题；同时，利用一个鲁棒反馈控制器，来保证模糊神经网络学习初期闭环系统的稳定性。应用到电液力伺服加载系统中，获得满意控制效果。     

脉冲TIG焊熔宽动态过程的自学习模糊神经网络控制

对脉冲ＴＩＧ焊工艺中熄接电流一正面熔宽动态过程提出了一种自学习模糊神经网络控制方法，模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程的建模，实现对模糊加权因子的自学习优化调整。将上述方法用于控制仿真和实际脉冲ＴＩＧ焊过程控制试验，结果表明提出的自学习模糊神经网络控制方案有效。     

基于模糊神经网络的梭式窑自适应控制系统应用研究

针对梭式窑温度控制过程存在非线性、时变性和不确定性等情况,设计了基于模糊神经网络的自适应控制(MRAC)系统并运用于梭式窑中,即采用RBF径向基网络作为梭式窑温度对象的辨识网络,它产生的Jacobin信息与控制误差一起提供给模糊神经网络控制器作为其学习信号,经过MATLAB仿真调整初始参数。最后运用VC++软件结合数据采集卡对燃气梭式窑进行控制。该控制系统能辨识出梭式窑时变性、非线性、长滞后性的对象特性,实时修正控制器参数,以适应对象特性的变化,在实际应用中取得了良好的控制效果。     

压电工作台的神经网络建模与控制

建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响.采用双Sigmoid激活函数对神经网络激活函数进行了改进,同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同.设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型,推导了网络权值、阈值及激活函数阈值修正公式.最后,基于神经网络模型设计了压电工作台的自适应控制方案,该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整.实验结果表明:提出的神经网络在线辨识模型平均误差为0.095 μm,最大误差为0.32 μm;自适应控制方案跟踪三角波的平均误差为0.070 μm,最大误差为0.100 μm;跟踪复频波的平均误差为0.80 μm,最大误差为0.105 μm.实验数据显示压电工作台的定位精度得到了有效提高.