可重构模块机器人分散容错控制

针对可重构模块机器人的执行器故障,提出一种基于自适应模糊系统的分散被动容错控制方法.该方法不需要机器人动力学模型与模块之间的信息交换,模块控制器分别采用间接和直接自适应方法设计,自适应参数的更新律基于Lyapunov稳定性理论设计,保证了系统的稳定性和H∞跟踪性能.数值仿真结果表明了所提出方法的有效性.     

机器人操作器的自适应模糊滑模控制器设计

针对机器人动力学系统提出了一种基于模糊逻辑的自适应模糊滑模控制方案.根据滑模控制原理并利用模糊系统的逼近能力设计控制器,基于李雅谱诺夫方法设计自适应律,证明了闭环模糊控制系统的稳定性和跟踪误差的收敛性.控制结构简单,不需要复杂的运算.该设计方案柔化了控制信号,减轻了一般滑模控制的抖振现象.仿真结果表明了所提控制策略的有效性.     

油浸式变压器内部检测球形机器人的深度悬停控制研究

为实现设计的油浸式变压器内部检测机器人在实际作业过程中能针对深度方向某具体点进行观测,对机器人的深度悬停控制进行研究.通过对机器人控制策略的分析,根据水下机器人动力学理论,建立机器人在变压器油特殊介质的动力学模型.基于鲁棒反演控制方法及滑模自适应控制理论,提出一种鲁棒反演滑模控制方法,采用模糊控制器设计滑模面切换增益,以削弱不确定干扰带来的系统抖振,并通过Lyapunov理论分析证明控制器稳定性.解决了机器人在变压器油中因耦合、外界扰动等造成的深度悬停定点过程自旋及抖动问题,仿真及实验表明了所提出控制器的有效性.     

基于模糊算法的Sigmoid函数的AUV控制

自主式水下机器人(AUV)运动的S面控制是一种传统的有效方法,为解决其完全依靠人工经验调整控制参数的问题,依据具备一定自适应与学习能力的模糊参数自适应PID控制器,提出了一种基于模糊的改进S面控制方法,将S面控制和模糊自适应控制相结合,设计了基于模糊的改进S面控制系统.在相同实验条件下,该系统较S面控制在达到平衡时间上缩短了30s,收敛时间缩短了60s.实验结果表明,该方法是一种有效的控制策略,系统的自主性与适应性得到了加强.     

柔性关节微操作机器人自适应模糊预测控制

对一种柔性关节微操作机器人系统提出了多输入多输出直接自适应模糊广义预测控制方法,此方法先基于机器人理论模型设计出广义预测控制器,再构造直接自适应模糊控制器逼近广义预测控制器,并用机器人视觉误差信息对控制器参数和广义误差向量估计值中的未知向量进行自适应调整,以增强对建模误差的鲁棒性,并证明了所设计的控制器可使微操作机器人跟踪时变参考轨迹时的广义误差估计值收敛到原点的小邻域内,以达到控制要求,仿真结果验证了此方法的有效性.     

基于模糊技术的水下机器人运动控制

发展水下机器人有着重大而深远的意义,水下机器人的运动控制是实现其智能化的关键,是国内外研究的热点。本文将模糊技术应用于水下机器人,根据水下机器人的六自由度运动模型,设计了水下机器人模糊控制器与PID控制器,并进行了仿真环境下的试验比较。试验结果表明,基于模糊技术的方法显然有较大优势,更有利于控制水下机器人的运动。     

高阶耦合机器人的自适应模糊滑模分散控制

针对一类存在模型不确定性和未知非线性扰动的机器人系统,考虑其不确定项和未知扰动项的上界是关于系统状态的普通高阶多项式,结合模糊系统的逼近能力,提出了一种基于滑模控制原理的自适应模糊分散控制方法.该方法不仅能够使得关节之间相互耦合的机器人各关节的控制器仅由本关节的信息就能完全确定,而且消除了现存文献在设计机器人分散控制器...     

软体机械臂水下自适应鲁棒视觉伺服

水下仿生软体机器人在水底环境勘测,水下生物观测等方面具有极高的应用价值.为进一步提升仿章鱼臂软体机器人在特殊水下环境中控制效果,提出一种自适应鲁棒视觉伺服控制方法,实现其在干扰无标定环境中的高精度镇定控制.基于水底动力学模型,设计保证动力学稳定的控制器;针对柔性材料离线标定过程繁琐、成本高,提出材料参数自适应估计算法;针对水下特殊工作条件,设计自适应鲁棒视觉伺服控制器,实现折射效应的在线补偿,并通过自适应未知环境干扰上界,避免先验环境信息的求解.所提算法在软体机器人样机中验证其镇定控制性能,为仿生软体机器人的实际应用提供理论基础.     

基于人工势场和模糊规则的多水下机器人队形控制方法

人工势场法是常用机器人队形控制方法之一,它的基本原理是将机器人看做质点,通过势场作用于质点的力来规划机器人的运动;基于人工势场的队形控制方法大都是针对这种质点模型提出的,不能直接应用于多水下机器人系统,由此,提出一种人工势场和模糊规则相结合的多水下机器人队形控制算法;首先定义一组势函数,然后根据水下机器人的运动特性,设计一个模糊控制器,将势场力映射为水下机器人的期望速度和航向角;以三个水下机器人组成三角形队形为例,进行了仿真实验;实验中,初始位置散乱的水下机器人较快地形成队形,并稳定地保持队形行进,证明了该算法的可行性和有效性。     

基于模糊混合控制的自治水下机器人路径跟踪控制

基于模糊混合控制策略,本文提出了一种用于非线性欠驱动自治水下机器人的鲁棒路径跟踪控制方法.利用Sugeno型模糊推理系统,将PD滑模控制器与非奇异终端滑模控制器光滑连接,构造了模糊混合控制器.它能充分融合这两类控制器的优势,无论系统远离平衡点还是在其附近,都能取得快速收敛的效果.如果,借助于非时间参考量,将该混合控制器用于自治水下机器人路径跟踪控制,将有利于提高它在不确定环境中的跟踪能力.最后,通过仿真计算结果验证了该控制策略的有效性.     

欠驱动AUV模糊神经网络L2增益鲁棒跟踪控制

提出基于模糊神经网络欠驱动水下自主机器人(AUV)的L2增益鲁棒跟踪控制方法,该方法通过在线学习逼近动力学模型的不确定项.控制器克服了由于缺少横向推力对跟踪误差的影响,在考虑未知海流干扰情况下,实现了系统对模糊神经网络逼近误差的L2增益小于γ.利用Lyapunov稳定性理论证明了闭环控制系统误差信号一致最终有界.最后,通过精确模型参数和参数扰动仿真实验验证了该控制方法具有很好的跟踪效果和较强的鲁棒性.     

Nonlinear modeling and adaptive fuzzy control of MCFC stack

To improve availability and performance of fuel cells, the operating temperature of molten carbonate fuel cells (MCFC) stack should be controlled within a specified range. However, the most existing models of MCFC are not ready to be applied in synthesis. In this paper, a radial basis function neural networks identification model of MCFC stack is developed based on the input–output sampled data. A novel adaptive fuzzy control procedure for the temperature of MCFC stack is also developed. The parameters of the fuzzy control system are regulated by back-propagation algorithm, and the rule database of the fuzzy system is also adaptively adjusted by the nearest-neighbor-clustering algorithm. Finally using the neural networks model of MCFC stack, the simulation results of the control algorithm are presented. The results show the effectiveness of the proposed modeling and design procedures for MCFC stack based on neural networks identification and the novel adaptive fuzzy control.     

SoHyFIS-Yager: A self-organizing Yager based Hybrid neural Fuzzy Inference System

The Hybrid neural Fuzzy Inference System (HyFIS) is a multilayer adaptive neural fuzzy system for building and optimizing fuzzy models using neural networks. In this paper, the fuzzy Yager inference scheme, which is able to emulate the human deductive reasoning logic, is integrated into the HyFIS model to provide it with a firm and intuitive logical reasoning and decision-making framework. In addition, a self-organizing gaussian Discrete Incremental Clustering (gDIC) technique is implemented in the network to automatically form fuzzy sets in the fuzzification phase. This clustering technique is no longer limited by the need to have prior knowledge about the number of clusters present in each input and output dimensions. The proposed self-organizing Yager based Hybrid neural Fuzzy Inference System (SoHyFIS-Yager) introduces the learning power of neural networks to fuzzy logic systems, while providing linguistic explanations of the fuzzy logic systems to the connectionist networks. Extensive simulations were conducted using the proposed model and its performance demonstrates its superiority as an effective neuro-fuzzy modeling technique.     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于模糊神经元网络的智能车辆个性自动驾驶系统的设计与实现

介绍了一种利用模糊神经元网络实现车辆自动驾驶的设计方案.其基本设计思想 是首先通过模糊逻辑描述驾驶者的驾驶行为,然后利用驾驶者实际驾驶时采集的车辆运行情 况作为训练数据,通过神经元网络的自学习功能修改和改进模糊控制所需的输入/输出信 号的隶属度函数以及模糊推理的运算关系,做到简单控制实现与复杂学习算法的有效结合, 从而实现模糊神经元控制.本方案为智能车辆实现个性化自主或辅助自动驾驶提供了一种非 常有效的机制.     

基于观测器的水下机器人神经网络稳定自适应控制

给出了基于观测器的水下机器人神经网络自适应控制算法．控制算法由3部分组成：输出反馈控制、神经网络以及滑模项，其中输出反馈控制为了保证系统的初始稳定性；神经网络用于逼近系统的非线性动力学；滑模项用于补偿和抑制系统的外部扰动、神经网络逼近误差等．控制算法中所需要的速度量由状态观测器来提供．基于Lyapunov稳定理论给出了系统闭环稳定条件和稳定域．水池试验结果验证了算法的有效性．     

基于自适应RBF神经网络的超空泡航行体反演控制

针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究.为此, 首先对其动力学特性进行分析, 并建立了超空泡航行体的动力学名义模型, 随后将其改写为不确定反馈系统, 然后利用反演控制方法设计超空泡航行体姿轨控制器, 针对模型中的未知函数利用径向基函数(Radial basis function, RBF)神经网络进行逼近并补偿, 由基于Lyapunov稳定理论设计的自适应方法计算神经网络的权重, 并给出稳定性证明.仿真研究验证了控制器设计的有效性.     

Adaptive fuzzy neuro-observer applied to low cost INS/GPS

A combined MEMS Inertial Navigation System (INS) with GPS is used to provide position and velocity data of land vehicles. Data fusion of INS and GPS measurements are commonly achieved through a conventional Extended Kalman filter (EKF). Considering the required accurate model of system together with perfect knowledge of predefined error models, the performance of the EKF is decreased due to unmodeled nonlinearities and unknown bias uncertainties of MEMS inertial sensors. Universal knowledge based approximators comprising of neural networks and fuzzy logic methods are capable of approximating the nonlinearities and the uncertainties of practical systems. First, in this paper, a new fuzzy neural network (FNN) function approximator is used to model unknown nonlinear systems. Second, the process of design and real-time implementation of an adaptive fuzzy neuro-observer (AFNO) in integrated low-cost INS/GPS positioning systems is proposed. To assess the long time performance of the proposed AFNO method, wide range tests of a real INS/GPS with a car vehicle have been performed. The unbiased estimation results of the AFNO show the superiority of the proposed method compared with the classic EKF and the adaptive neuro-observer (ANO) including a pure artificial neural network (ANN) function approximator.     

基于ANFIS的火电单元机组协调控制设计方法

基于自适应网络模糊推理系统,将模糊推理、变结构控制和神经网络结合起来,提出了一种针对某火电厂300MW单元机组协调控制的方法。给出了控制系统的传递函数模型、结构图和自适应训练方法。仿真结果表明,该算法鲁棒性好,抗干扰能力强。自适应控制效果良好。     

Nonlinear control structures based on embedded neural system models

This paper investigates in detail the possible application of neural networks to the modeling and adaptive control of nonlinear systems. Nonlinear neural-network-based plant modeling is first discussed, based on the approximation capabilities of the multilayer perceptron. A structure is then proposed to utilize feedforward networks within a direct model reference adaptive control strategy. The difficulties involved in training this network, embedded within the closed-loop are discussed and a novel neural-network-based sensitivity modeling approach proposed to allow for the backpropagation of errors through the plant to the neural controller. Finally, a novel nonlinear internal model control (IMC) strategy is suggested, that utilizes a nonlinear neural model of the plant to generate parameter estimates over the nonlinear operating region for an adaptive linear internal model, without the problems associated with recursive parameter identification algorithms. Unlike other neural IMC approaches the linear control law can then be readily designed. A continuous stirred tank reactor was chosen as a realistic nonlinear case study for the techniques discussed in the paper.