具有伪控制补偿的自适应动态逆控制系统设计与仿真

论述了基于伪控制补偿解决自适应控制中作动器饱和问题的方法。基本控制律采用非线性动态逆方法设计，神经网络用于对逆误差进行重构。伪控制补偿消除作动器和自适应单元之间的交互影响。通过在超机动飞行控制的应用仿真表明，该控制方案弥补了动态逆要求精确数学模型的缺点，消除了作动器饱和对自适应单元的影响，提高了整个控制系统的鲁棒性。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

直升机模糊免疫自适应模型逆控制系统研究

针对直升机大包线飞行控制问题,以模型逆理论为基础,引入生物免疫应答机理和模糊控制方法,提出了模糊免疫自适应模型逆控制系统设计方案.该方案通过设计模糊免疫在线补偿模块,自适应补偿由近似逆模型带来的模型逆误差,实现大包线飞行控制.与神经网络自适应控制方法的对比仿真结果表明,本方案实时性好,在大飞行包线下能够很好地实现控制目标;在舵面受损、输出存在干扰时体现出较强的鲁棒性;且系统具有良好的三轴姿态解耦能力.     

复杂柔性车载液压机械手振动主动控制方法研究

利用动态子结构法和神经网络直接逆自适应控制研究一种柔性车载液压机械手的弹性动力学建模和振动主动控制方法。根据机械手各部件的实际边界约束条件,将机械手系统分解成由不同约束的连续梁构成的九个子结构。在建立各子结构的动力学控制方程后,借助边界条件经综合得到系统的动力学模型;在液压作动器的作用点设置边界坐标,极方便地得到系统的状态控制方程。通过神经网络学习该动力学模型的逆模型,从而产生液压作动器的电压控制信号,在控制过程中神经网络能够自适应的调整控制参数,使系统的输出达到最佳控制状态。系统仿真结果表明,神经网络直接逆自适应控制技术明显优于传统的PID控制算法,且该方法具有很强的鲁棒性和良好的减振效果。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

多入多出非仿射系统的径向基网络逆控制方法

针对多入多出非仿射非线性系统, 提出了一种径向基网络补偿逆模型误差的自适应控制方法. 将难以求逆的非仿射项分解为可逆部分和不可逆部分, 可逆部分作为理想逆来近似系统的直接逆, 逆模型误差用径向基网络的自适应控制信号补偿, 网络权值利用不可逆部分非仿射信息更新, 应用均值理论和Lyapunov函数证明了自适应控制律的稳定性. 仿真结果验证了该方法的有效性.     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

基于演化神经网络的飞机自动着陆自适应逆设计

应用基于演化神经网络的自适应逆方法对飞机纵向自动着陆控制系统进行了设计与研究。首先,提出了逆控制器的结构,并将演化神经网络用于自适应逆控制的学习过程。然后用神经网络自适应逆控制方法对飞机自动着陆系统进行设计,最后,对所设计的控制系统做了数字仿真研究。结果表明,所设计的自动着陆控制系统具有良好的可行性和鲁棒性。     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于小波神经网络的自适应逆控制及其应用

神经网络控制特别适用于具有非线性和不确定性因素的系统。采用小波神经网络(WNN)对飞行仿真转台的直流伺服系统进行实时辨识,得到其逆模型。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结合构成并行自适应逆控制器,控制转台跟踪指定的速度和位置轨线。仿真结果表明该方法的有效性。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

结构智能半主动控制系统仿真设计

通过在电液伺服材料性能实验机MTS机上进行磁流变阻尼器动态特性神经网络辨识试验，建立了MR阻尼器的神经网络逆动态特性模型。通过离线训练设计了结构的神经网络辨识器、控制器模型，并提出了MR阻尼器神经网络半主动控制方案。将所建的MR阻尼器的神经网络逆动态模型、结构的神经网络辨识器模型、以及神经网络控制器模型用于结构的神经网络半主动控制并进行仿真，结果表明所建模型及控制方案能够有效降低结构的振动响应，同时最大限度地发挥MR阻尼器的动态特性。     

Neural Network inverse Adaptive Controller Based on Davidon Least Square

1.IWTaoDUCTIONInrecedeyears,therisingofneuralnetworkcolltrolsuppliesanovelandeffectivemeansforthecontrollingoftheplatwhichhasstrongnonlinearproperty.Thereillto,theneuralnetworkinversecoDtrollersucceededincolltrollingofrobotisasakindofAnportatcolltrolstructure.Battheinversecolltrolschemecannotbeusedincolltrollingofnon-~mumphasesystemduetothenon-stabilityofinversemodelofit.Inaddition,attheaspectofneuralnetworktrainalgorithm,thetraditionalbed-propagationalgoritlunconvergesveryslow.Thesefacto…     

Intelligent control over chaos in the rolling process and its comparison with tracking control

Some existing methods for chaos control in engineering fields are analyzed and their drawbacks are pointed out. A tracking method can solve these problems to some extent, but it still depends on the mathematical model of the system to be controlled. An intelligent method based on fuzzy neural network (FNN) is used to control chaos in engineering fields. The FNN is employed to learn the inherent dynamics from the input and output of chaos, which can be used in the inverse system method, so that the method is free of the exact mathematical model of the system to be controlled. This intelligent method is compared with tracking method in the presence of measurement noise and model error. Simulation results show its superiority and feasibility.     

微型涵道飞行器的自适应逆控制方法

微型涵道飞行器可以悬停、垂直起降和前飞,且安全性高、结构紧凑、噪声低。但是,微型涵道飞行器由于大飞行包线、特殊气动布局、低速度、小尺寸和复杂飞行环境,所以具有明显的非定常和非线性飞行力学特性。针对这一问题,研究了应用动态逆控制律的新方法--神经网络自适应逆。采用动态逆控制器、神经网络补偿器、比例微分(proportion-derivative,PD)补偿器和伪控制补偿器构建了微型涵道飞行器飞行控制系统。仿真结果表明,相比动态逆 比例积分微分(proportion-integral-derivative,PID控制系统,本文设计的自适应逆控制系统具有更强的稳定性和鲁棒性。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性