自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。     

数控机床直线同步电动机磁悬浮系统的神经网络直接自适应控制

针对数控机床可控励磁直线同步电动机磁悬浮系统的强非线性、外部扰动不确定性的问题,设计基于RBF神经网络直接自适应控制器.通过分析磁悬浮系统的运行机理,推导运动方程及悬浮力方程,进而建立系统的状态方程;用悬浮高度的跟踪误差和误差的变化量构造误差函数,设计直接自适应理想控制器并采用RBF神经网络对其进行逼近;设计自适应律来估计神经网络理想权值,对误差函数的变化率构造二次型Lyapunov函数,利用Lyapunov稳定性理论来证明系统稳定;通过Matlab对控制系统进行计算机仿真,结果表明该方法设计的控制器与自适应模糊滑模控制器和PID控制器相比,空载启动时调节时间减少了23.5％,突加负载时动态降落减少了64.7％,恢复时间减少了38.2％,具有稳态误差小,调节时间和恢复时间短,抗扰性较强的优点,能有效提高磁悬浮系统的控制性能.     

基于RBF神经网络的谐波传动自适应反演控制研究

由于自身结构上的特点，谐波传动系统存在柔性变形、摩擦和外界不确定干扰等非线性因素。传统控制器大多对系统进行了一定程度的简化，或未考虑非线性外界扰动，导致所设计的控制器性能达不到预期效果。为了提高系统精度，建立了考虑系统非线性刚度和非线性摩擦的谐波传动系统动力学模型；基于试验数据，采用最小二乘法对模型进行参数辨识；采用径向基函数（Radial Basis Function,RBF）神经网络在线逼近系统非线性摩擦和外界不确定干扰力矩，并提出了一种基于RBF神经网络的自适应反演控制器；利用Lyapunov稳定性理论，证明了其闭环系统的收敛性。仿真结果表明，与普通Back-stepping控制相比，在受到外界未知干扰后，所提出的RBF神经网络自适应反演控制能有效地逼近系统非线性摩擦和外界未知干扰，其跟踪误差峰-峰值能迅速稳定到0.000 82 rad；而Back-stepping控制对外界未知干扰比较敏感，其跟踪误差峰-峰值增大至0.012 3 rad左右。所提出的RBF神经网络自适应反演控制能抑制参数动态变化和外界干扰对系统传动精度的影响，提高系统的传动精度。     

电液伺服系统RBF神经网络滑模控制

针对阀控液压缸位置伺服系统非线性导致模型参数确定困难及干扰问题，在分析三阶位置控制的电液控制系统原理及模型的基础上，引入神经网络的RBF 径向基控制模型和自适应滑模算法，同时考虑了非1负反馈参数，建立了基于RBF 神经网络滑模控制的电液伺服控制系统数学模型。通过选取合适的Lyapunov 函数，分析了系统稳定性，解决了参数未定及挠动情况下的电液伺服系统控制器设计问题。仿真结果证明，所设计的控制器使系统的输出对给定信号的跟踪精度高，响应快，具有较强的鲁棒性。     

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.     

空间机械臂基于神经网络的死区补偿控制

针对自由漂浮空间机械臂所存在的模型误差和机械传动机构中的齿隙死区问题,提出基于神经网络的自适应补偿控制方法。对于系统的模型误差,利用神经网络的逼近能力来对不确定部分进行自适应补偿,而设计变结构控制器消除逼近误差。对于关节执行机构中的齿隙死区,利用两个神经网络来分别进行死区模型的估计与补偿,利用死区补偿原理来推导死区输出、死区补偿器及控制器三者之间的数学关系,进而设计基于神经网络的控制器、补偿器及死区估计器的自适应在线学习律。基于Lyapunov理论证明了控制系统的稳定性。仿真结果验证了控制器的有效性。     

细纱接头机器人神经网络自适应力跟踪导纳控制

环锭纺细纱工序中断纱自动接头一直是业界难题，细纱强力低易断裂、纱线张力受环境因素影响明显等因素导致机器人接头过程中纱线张力控制困难。为解决接头过程纱线张力控制问题，提出了基于交互力预测的神经网络自适应导纳控制方法。首先设计了导纳控制器参数的神经网络自适应调整策略来解决接头过程环境模型参数动态变化导致恒导纳控制器力跟踪效果差的问题；其次针对现有自适应控制器跟踪时变期望力时由于控制滞后产生的误差突变问题，提出了一种交互力预测方法，通过加入未来控制周期交互力的预测值来完成导纳控制器参数的提前调整，进而避免期望力突变时较大的力跟踪误差产生；最后进行了仿真试验，结果表明神经网络自适应控制器在动态环境下的力跟踪任务中有很好的鲁棒性，基于交互力预测的神经网络自适应控制器在动态环境下的时变期望力跟踪任务中最大误差和总体误差相比未加入交互力预测时分别降低了78.3%和29.7%，证明了所提出方法在机器人接头过程中纱线张力跟踪控制的可靠性。     

商用车RBF幂次滑模变ABS控制研究

针对商用车防抱死制动系统(ABS)的控制需求提出了商用车RBF幂次滑模变控制器;通过TruckSim软件建立了车辆多自由度动力学模型,同时通过Matlab/Simulink建立了RBF自适应调节的幂次滑模变控制器,通过RBF神经网络的自适应特性对滑膜变控制器的趋近率参数进行自适应调节;通过TruckSim与Matlab/Simulink联合仿真对ABS控制策略在高附着、低附着、对开路面工况下的制动控制进行了模拟与验证;仿真结果表明,在高附着、低附着、对开路面工况下制动时,该控制方法具有良好的控制效果。     

无模型机械臂BP神经网络状态观测及反演跟踪控制

针对摩擦阻尼及模型参数不确定的情况,运用反演控制设计策略,针对多连杆机械臂提出了一种基于神经网络观测器的无模型轨迹跟踪控制方法。运用带有修正项的自适应BP神经网络观测器对不可测状态量进行观测,同时对系统模型进行在线逼近。在此基础上设计了基于观测状态和逼近模型的反演跟踪控制器, Lyapunov稳定性理论证明了该控制器能够保证跟踪误差的有界和闭环系统中所有信号的有界。跟踪给定轨迹的仿真实验证明了该方法的有效性。     

不确定轮式移动机器人统一自适应神经网络H_∞控制

提出了一种基于自适应神经网络控制和H_∞控制的轮式移动机器人光滑全局跟踪和镇定统一的控制器。首先采用横截函数方法,扩展系统控制输入,建立与原系统等价的、输入输出完全解耦的无奇异全驱动系统,再对新系统设计自适应神经网络H_∞控制器。自适应神经网络控制可有效补偿系统的复杂不确定项。H_∞控制器可同时对系统扰动和神经网络逼近误差进行预定水平抑制,进一步提高控制器的适应性,优化系统的控制性能。仿真结果验证了算法的有效性。     

基于Narendra稳定自适应控制器交流伺服电机的控制

交流伺服电机在实际运行的过程中负载的变化,负载的变化导致控制系统参数发生改变,如系统的频率、阻尼等。针对这些本身参数发生的变化系统,变化较小时,简单的控制器对控制结果影响不大,但控制很难对其变化进行调节控制,人工智能控制器可自动适应负载的变化,而神经网络、模糊控制等,但这些控制器存在结构复杂,调整时间长等,实际应用中得不到很好的应用。利用自适应控制设计方法,将系统转换成线性的可控系统,并引入不确定参数构造控制器的自适应估计律,实时对未知参数进行调整,保证整个闭环系统的动态品质。为提高系统的动态控制品质,引入Narendra稳定自适应控制器对交流伺服电机控制进行控制,利用不同的输入信号对控制进行测试,结果表明,Narendra稳定自适应控制器对交流伺服电机控制系统具有良好的控制性能。     

基于神经网络的缠绕过程张力积分鲁棒控制

纤维缠绕系统是典型的非线性系统,缠绕过程张力控制精度决定了缠绕制品成型品质,然而系统非线性特性、摩擦及外干扰等严重制约了缠绕过程张力控制性能的提升。目前现有方法主要以收/放卷两轴同步控制为基础,通过解耦等复杂操作展开张力控制研究,计算量大且不利于控制算法的应用。为了避免上述问题并准确描述缠绕系统张力产生机理和实际的摩擦特性,建立简化的缠绕系统非线性数学模型。同时以自适应作为神经网络权值训练方法,基于自适应神经网络设计出干扰量的逼近函数,在基于连续积分鲁棒（RISE）控制器设计的控制律中补偿扰动的影响,并基于Lyapunov稳定性理论证明了系统的渐近稳定性。最后,给出所提出控制器与现有方法的对比验证实例,结果表明所提出基于神经网络扰动补偿的积分鲁棒控制显著增强了系统抑制外干扰的能力,提升了张力控制精度。     

Neural network adaptive sliding mode control for omnidirectional vehicle with uncertainties

This paper presents a novel neural network adaptive sliding mode control (NNASMC) method to design the dynamic control system for an omnidirectional vehicle. The omnidirectional vehicle is equipped with four Mecanum wheels that are actuated by separate motors, and thus has the omnidirectional mobility and excellent athletic ability in a narrow space. Considering various uncertainties and unknown external disturbances, kinematic and dynamic models of the omnidirectional vehicle are established. The inner-loop controller is designed based the sliding mode control (SMC) method, while the out-loop controller uses the proportion integral derivative (PID) method. In order to achieve the stable and robust performance, the artificial neural network (ANN) based adaptive law is introduced to model and estimated the various uncertainties disturbances. Stability and robustness of the proposed control method are analyzed using the Lyapunov theory. The performance of the proposed NNASMC method is verified and compared with the classical PID controller and SMC controller through both the computer simulation and the platform experiment. Results validate the effectiveness and robustness of the NNASMC method in presence of uncertainties and unknown external disturbances.     

基于RBF网络滑模的电动助力制动系统液压力控制

针对汽车电动助力制动系统（Electro-booster，EBooster）的液压力控制中液压负载的非线性和不一致性问题，提出一种基于径向基函数（Radial based function，RBF）神经网络的滑模变结构控制方法。设计EBooster系统压力控制架构，建立液压制动系统等效结构简化模型，据此设计基于RBF网络滑模变结构的液压力控制方法，通过设计RBF网络的自适应律来实现系统滑模控制参数的自适应调整，并利用李雅普诺夫函数方法分析算法的稳定性。最后搭建电动助力制动系统的快速原型试验平台来验证算法的有效性。试验结果表明，采用RBF神经网络滑模变结构的控制策略对电动助力制动系统液压力的控制误差在2%以内，具有良好的控制效果。研究成果为EBooster系统的压力控制提出一种具有良好自适应性的算法设计思路。     

Development of an adaptive radial basis function neural network estimator-based continuous sliding mode control for uncertain nonlinear systems

In this paper an adaptive neural network (NN)-based nonlinear controller is proposed for trajectory tracking of uncertain nonlinear systems. The adopted control algorithm combines a continuous second-order sliding mode control (CSOSMC), the radial basis function neural network (RBFNN) and the adaptive control methodology. First, a second-order sliding mode control scheme (SOSMC), which is published recently in literature for linear uncertain systems, is extended for nonlinear uncertain systems. Second, an adaptive radial basis function neural network estimator-based continuous second order sliding mode control algorithm (CSOSMC-ANNE) is adopted. In CSOSMC-ANNE control methodology, a radial basis function neural network with adaptive parameters is exploited to approximate the unknown system parameters and improve performance against perturbations. Also, the discontinuous switching control of SOSMC is supplanted with a smooth continuous control action to completely eliminate the chattering phenomenon. The convergence and global stability of the closed-loop system are proved using Lyapunov stability method. Numerical computer simulations, with dynamical model of the nonlinear inverted pendulum system, are presented to demonstrate the effectiveness and advantages of the presented control scheme.     

Neural networks for tracking of unknown SISO discrete-time nonlinear dynamic systems

This article presents a Lyapunov function based neural network tracking (LNT) strategy for single-input, single-output (SISO) discrete-time nonlinear dynamic systems. The proposed LNT architecture is composed of two feedforward neural networks operating as controller and estimator. A Lyapunov function based back propagation learning algorithm is used for online adjustment of the controller and estimator parameters. The controller and estimator error convergence and closed-loop system stability analysis is performed by Lyapunov stability theory. Moreover, two simulation examples and one real-time experiment are investigated as case studies. The achieved results successfully validate the controller performance.     

基于屏障 Lyapunov 函数的上肢康复机器人 自适应主动交互训练控制

针对上肢运动功能障碍患者进行辅助康复训练,搭建了一套上肢康复外骨骼机器人系统,并提出一种基于屏障Lyapunov函数的增广神经网络自适应导纳控制策略。首先,介绍了上肢康复外骨骼的机械机构及其控制系统。然后,推演了控制器的设计过程并进行了Lyapunov稳定性证明。最后,分别进行了不同控制内环的轨迹跟踪被动训练实验和不同导纳参数下基于人机交互力的主动交互训练实验,同时分析比对了主动训练时的人机交互力与轨迹偏差的变化关系。被动训练实验结果证明了增广神经网络对人机模型动力学的逼近效果,其轨迹跟踪峰值误差为模糊PID控制器的53%。主动交互训练实验证明了通过调整导纳参数可实现在相同训练任务下不同强度的康复训练以匹配不同康复阶段下的患者。     

机械臂反演非奇异终端的神经滑模控制

为了解决具有外部干扰以及建模误差的多关节机械臂的轨迹跟踪问题,提出了一种机械臂反演非奇异终端的神经滑模控制方法。采用非奇异终端的滑模面,基于反演方法以及滑模控制的原理,设计了反演滑模控制器。针对由于外部干扰以及建模误差引起的反演滑模控制系统中不确定的因素上界,设计了径向基(radial basis function,简称RBF)神经网络的自适应律,对不确定因素上界进行了在线估计,并对控制系统的稳定性使用了Lyapunov定理进行证明。仿真分析结果表明,所提出的方法不仅可以减少系统中存在的抖振现象,而且具有较好的轨迹跟踪性能和较强的鲁棒性。     

用于气动伺服系统的自适应神经模糊控制器

研究了一种基于压力比例阀的气动伺服系统自适应神经模糊控制器。其中的神经网络辨识器（NNI）通过高线训练可以充分逼近非线性动态系统的模型,并能够在线调整模糊控制器的控制规则。系统的位置控制精度和伺服特性有了很大改善。试验结果表明,所提出的控制器对该气动伺服系统具有很好的控制特性以及很强的自适应能力。