基于BP网络的非线性系统无模型误差自学习控制

针对未知非线性系统提出了一种基于BP神经网络的无模型误差自学习控制方案，其控制思想是利用BP网络及其冲量BP算法实现对系统输入输出量的速度辨识，同时构造了误差控制器，并通过速度辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的自学习、自适应无模型控制。作者在matlab6．0平台下进行了仿真实验，其仿真结果令人满意。     

电液伺服结构加载系统的神经网络直接自适应输出跟踪控制

本文利用神经网络的学习能力和非线性映射能力研究了电液加载系统的神经网络直接自适应输出跟踪控制方法，控制器是由一个具有反馈动力学的多层前馈神经网络及其学习算法组成。该控制器不需要被控对象的先验知识，也不依赖于被控对象的辨识模型，能快速跟踪对象的动力学行为，具有良好的自适应性和动态输出跟踪响应性能。     

神经网络在线自学习跟踪控制及其在伺服系统中的应用

针对传统自适应和自校正控制中存在的问题，提出一种基于神经网络的在线自学习控制方法，既做到了对象模型的在线辨识和控制器的在线设计，又避免了神经网络控制方法通常存在的实时控制的困难，使复杂系统的在线学习控制成为可能。仿真表明该方法具有良好的鲁棒性和控制精度。     

基于神经网络的疲劳试验机控制系统仿真及实验研究

针对疲劳试验机控制系统，设计了基于BP神经网络和PID的并行控制器。该控制器充分利用了经典PID控制算法简单的特点，又利用了神经网络良好的自适应能力，首先通过PID控制为神经网络的在线学习提供训练样本，然后神经网络逐渐学习被控对象的动态逆模型并取代PID控制器起主导作用。该方法降低了PID参数的调整难度，同时对控制对象的刚度变化表现出良好的鲁棒性，并通过仿真证明了所设计系统的有效性。     

基于神经网络的直流电动机位置控制

本文研究了三层对角回归神经网络（DRNN）用于直流电动机实时控制的方法，首先，采用动态反传算法训练神经网络以辨识直流电动机的逆模型，然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压以控制系统跟踪位置或速度指令，该算法简单，计算量小，适于实时控制，实验经表明了该方法的有效性。     

液压伺服系统的直接自适应神经网络控制

针对液压伺服系统中的非线性和不确定特性,研究了一种基于神经网络的直接自适应控制方法。引入的神经网络模型可以通过学习从而跟踪对象的动力学特性,控制器的设计较少的依赖于对象的先验知识,控制器参数的调整是基于被控系统的测量信号,利用在线辨识的神经网络参数来实现的。仿真结果证明该系统有较好的控制效果。     

神经网络在电液位置伺服系统中的应用

设计了基于BP神经网络的自适应PID控制器，该控制器充分利用了经典PID控制算法简单的特点，又利用了神经网络良好的自适应和抗干扰能力，通过神经网络的学习和对系统的在线辨识，自适应调整PID参数，使控制系统对参数变化表现出良好的鲁棒性和控制性能，并通过仿真证明了所设计系统的合理性。     

基于神经网络的异步电机无速度传感器直接转矩控制系统

常规速度辨识器中的辨识模型易受到积分初值和漂移问题的影响,产生辨识结果不准确的问题。本文在研究模型参考自适应和直接转矩控制理论的基础上,设计了基于神经网络的无速度传感器模型。仿真结果表明,与传统速度辨识模型相比,神经网络辨识系统有较好的性能。     

基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型。针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型。通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结果表明:基于GA-BP神经网络的辨识模型精度较高,适用于非线性系统辨识。     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化（CAPSO）的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进〖JP+1〗行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

轧机独立传动系统的PID与状态观测组合控制

为了提高轧机多电机传动系统的同步性,提出了参数自学习PID与状态观测的组合控制方法,分析了轧机主传动系统的工作原理,建立了电机-轧辊的二质量旋转体模型。设计了参数自学习PID控制的同步控制器,基于BP神经网络进行参数自学习,实现了实时的最佳PID控制。为了消除传动轴扭振引起的系统震荡,设计了状态观测器,对轧辊转矩进行预先估计和补偿;同时,将状态观测值进行反馈,实现极点配置,获得了期望的极点位置和控制性能。经验证,与单独使用参数自学习PID控制器相比,组合控制器在启动阶段的调节时间降低了81.8%;在受扰阶段的最大同步误差降低了87.4%,调节时间减少了29.3%。以上数据说明PID与状态观测的组合控制器能够实现较好的同步控制效果,且抗干扰能力较好。     

PID神经网络在电液弯辊伺服控制系统中的应用

针对电液弯辊伺服控制系统,设计了PID神经网络控制器.该控制器不仅具备传统PID控制器结构简单、参数物理意义明确等优点,而且具有神经网络的自适应和自学习能力,能够在线调整相关参数,使控制系统表现出良好的鲁棒性和控制性能.仿真和实验均证明了其有效性.     

采用逆神经网络模型的移动机器人速度控制回路研究

针对移动机器人运动轨迹容易受到不确定外界因素干扰的问题,采用逆神经网络模型设计移动机器人控制系统。分别采用逆神经网络控制器和传统PI控制器模型对两轮差动移动机器人运动速度和角速度进行跟踪控制。传统PI控制器模型使用了近似于线性的等效负载驱动器,而逆神经网络控制器使用前馈多层感知神经网络模型,该模型结合了其运动学和动力学的数学模型,在特定工作区域内,对逆神经网络模型进行离散训练。在平面内,对移动机器人的速度跟踪控制进行仿真。结果表明:采用PI控制器模型,移动机器人车轮运动速度和角速度与理论值存在较大误差,而采用逆神经网络模型时误差较小。采用逆神经网络模型设计移动机器人速度控制回路,可以提高移动机器人运动性能,更好地适应外界环境的变化。     

Simulation of optimum control for electrodischarge dressing using neural networks

A neural identifier and a neural controller for optimum control of the electro-discharge dressing systems are proposed. A modeling of a system is obtained from a neural identifier and a neural control structure satisfying stability is proposed. Computer simulation results show that the proposed neural identifier not only gives accurate modeling results but also can find the relationship of the electro-discharge dressing system. In addition, the proposed neural controller gives very effective control according to gap increase by the learning process in spite of the nonlinear characteristics of electro-discharge conditions.     

基于模糊神经网络滑模控制的xy平台轮廓控制

永磁同步直线电机(PMLSM)直接驱动xy平台数控系统曲线轨迹跟踪时,其轮廓精度会受负载扰动以及曲线轨迹轮廓误差模型复杂等问题的影响。针对此问题,采用具有自学习能力的模糊神经网络滑模控制(FNNSMC)进行单轴位置控制器的设计,在不失滑模控制鲁棒性的情况下,有效地削弱该控制所产生的抖振;两轴之间运用实时轮廓误差计算法建立曲线轨迹的轮廓误差模型并采用交叉耦合控制(CCC)进行轮廓控制器的设计,实现跟踪误差与轮廓误差的同时减小。仿真结果表明:该控制方案基本消除了抖振,保证xy平台具有较强的鲁棒性和较高的轮廓精度。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

Neural network-based control for the fiber placement composite manufacturing process

At McDonnell Douglas Aerospace (MDA), an artificial neural network-based control system has been developed and implemented to control laser heating for the fiber placement composite manufacturing process. This neurocontroller learns the inverse model of the process on-line to provide performance that improves with experience and exceeds that of conventional feedback control techniques. When untrained, the control system behaves as a proportional-integral (PI) controller. However, after learning from experience, the neural network feedforward control module provides control signals that greatly improve temperature tracking performance. Faster convergence to new temperature set points and reduced temperature deviation due to changing feed rate have been demonstrated on the machine. A cerebellar model articulation controller (CMAC) network is used for inverse modeling because of its rapid learning performance. This control system is implemented in an IBM-compatible 386 PC with an A/D board interface to the machine. Work supported by the McDonnell Douglas Independent Research and Development Program Export Authority: 22CFR 125.4(b)(13)