神经滑模控制在转台伺服系统应用

以直流电机为执行机构,分析了飞行仿真转台伺服系统的数学模型。滑模控制具有对系统扰动和参数摄动的自适应性,可实现伺服系统的快速响应,同时有效克服低速状态下摩擦力矩的影响。系统抖振问题是滑模控制的突出问题,利用径向基神经网络的非线性逼近能力,给出以切换函数为网络输入,以滑模控制器为网络输出,构建了神经滑模控制器,软件仿真结果表明所设计的滑模控制器能达到较好的控制品质,有效的克服系统抖振和外部扰动,实现系统低速摩擦补偿。     

自主式水下机器人自适应区域跟踪控制

研究自主式水下机器人的区域跟踪控制问题,提出一种基于PD神经滑模的自适应区域跟踪控制方法。针对自主式水下机器人自适应控制器中仅在线调整网络权值的径向基函数神经网络存在收敛性能差的问题,给出同时对径向基函数神经网络权值、径向基函数中心与方差进行自适应调整的方法,使径向基函数神经网络无须离线选取径向基函数中心与方差,即可进行在线自适应学习。考虑到控制器中滑模控制项易引起系统抖振的问题,提出一种基于指数函数的滑模切换增益调节方法,使滑模切换增益能够依据跟踪误差实时调节以降低系统抖振。基于Lyapunov理论对所提自适应区域跟踪控制方法的稳定性进行分析。通过自主式水下机器人的仿真试验与水池试验验证所提方法的有效性。     

机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

不确定机器人鲁棒自适应控制

针对不确定、时变和非线性机器人系统的实时性要求,提出了采用滑模变结构和RBF神经网络相结合来构造控制器.用带有符号函数的滑模变结构控制器来产生一个控制输入信号,同时利用具有快速学习能力的RBF神经网络来学习外界的不确定性,增强系统的自适应能力,使之达到更佳的控制效果,并在文中证明了系统的稳定性.最后给出了对两连杆机器人的仿真,验证了控制效果.     

基于RBF神经网络的PMSM滑模控制

针对永磁同步电机(PMSM)系统中经典滑模控制器产生的抖振现象对机械结构带来的损耗问题,设计了基于径向基(RBF)神经网络的滑模控制算法.采用RBF神经网络实时调节滑模控制中指数趋近律的切换增益,通过梯度下降法优化RBF神经网络的权值,增强电机的动态特性与抗干扰能力.与滑模控制进行对比仿真实验,仿真实验结果表明,该控制...     

挖掘机的4自由度自适应模糊滑模控制

为实现挖掘机回转和工作装置的轨迹跟踪控制,建立挖掘机回转和工作装置的4自由度运动学和拉格朗日动力学方程.挖掘机工作装置具有明显的非线性和不确定性特征,并存在外部干扰,所以将滑模变结构理论用于其控制系统.针对滑模控制的抖振可能激活高频动态和破坏控制器部件的缺点,设计自适应模糊滑模控制器.控制规则包括3部分:等效控制、调整控制和切换控制.利用自适应模糊系统输出动态调节切换增益以逼近系统不确定性的上界,将滑模控制的切换项转化为连续的模糊输出,削弱了滑模控制的抖振现象,并且有较强的自适应跟踪能力.针对一个完整的挖掘卸料过程,将所设计的控制器用于仿真试验,给出自适应模糊滑模控制的跟踪性能及控制输入的效果.     

车辆磁流变半主动悬架滑模变结构优化控制

对悬架系统所用磁流变阻尼器进行阻尼特性试验,利用Levenberg-Marquardt优化算法对磁流变可调Sigmoid模型进行参数辨识,运用最小二乘法对辨识的参数进行拟合;基于天棚阻尼系统,设计了四分之一车辆悬架系统滑模控制器;采用极点配置法确定切换面参数,使用饱和函数代替符号函数,缓解滑模控制系统抖振问题,运用模糊控制、RBF神经网络对半主动悬架滑模控制器进行优化;以随机路面激励作为输入,分别对模糊控制、RBF神经网络优化的滑模控制器半主动悬架进行仿真分析.仿真结果表明:该优化算法辨识的可调Sigmoid模型具有良好的控制性能,利用该模型可实现对阻尼力的准确控制,所设计的RBF优化滑模控制器具有比模糊滑模控制器更优异的性能.     

采用RBF神经网络滑模控制的冗余机械臂避障研究

机械臂在有障碍物运动的环境中工作,其运动轨迹跟踪容易受到干扰,导致跟踪误差较大。对此,建立了机械臂动力学模型,推导了机械臂关节运动速度和加速度方程式,添加了机械臂运动约束关系式。引用滑模控制器,采用RBF神经网络算法对滑模控制器输出误差进行逼近,将RBF神经网络滑模控制器用于控制冗余机械臂运动轨迹,并与滑模控制器的跟踪效果进行对比分析。结果显示:在有障碍物运动的环境中,采用滑模控制器,机械臂容易受到障碍物移动的干扰,其跟踪误差较大;采用RBF神经网络滑模控制器,机械臂能够避免障碍物移动的干扰,其跟踪误差较小。采用RBF神经网络滑模控制器,不仅可以使机械臂成功躲避障碍物,而且提高控制系统的输出精度和运动的稳定性。     

电液位置伺服系统神经滑模控制仿真

分析了电液位置伺服控制系统的数学模型,提出利用线性化反馈技术构建滑模控制率,并应用神经网络进行参数逼近,实现了自适应神经滑模控制器的设计.仿真结果表明所设计的滑模控制器能进行有效的参数估计,有效的克服系统抖振,取得较为满意的控制品质.     

基于小波神经网络模糊滑模控制的轮式移动机器人避障研究

轮式移动机器人避障响应速度慢,在急转弯过程中容易发生侧翻现象,对此,本文设计了小波神经网络模糊滑模控制器,对移动机器人避障效果进行仿真验证。创建了轮式移动机器人平面简图,推导出机器人运动轨迹跟踪方程式。引用滑模控制器,根据小波神经网络理论和模糊规则,设计了小波神经网络模糊滑模控制器,采用李雅普诺夫函数对小波神经网络模糊滑模控制器运动稳定性进行证明。在不同移动速度下,采用Matlab软件对移动机器人避障效果进行仿真,并与滑模控制器避障效果进行对比。结果显示:在低速移动过程中,采用滑模控制器和小波神经网络模糊滑模控制器,轮式移动机器人避障响应速度相差不大;在中速和高速移动过程中,采用滑模控制器,轮式移动机器人反应速度慢,而采用小波神经网络模糊滑模控制器,轮式移动机器人反应速度快。采用小波神经网络模糊滑模控制器,可以提前预测障碍物,迅速做出调整路径规划,从而避免轮式移动机器人急转弯而发生侧翻现象。     

汽车电泳涂装输送用新型混联机构的动力学控制

由于汽车电泳涂装输送用新型混联机构存在高度非线性和耦合性,因此难以实现高性能控制。为此,首先采用拉格朗日法推导该机构的动力学模型。然后,在任务空间设计一种PD滑模神经网络动力学控制器并进行稳定性证明。最后,对该控制器进行了仿真,并将所得结果与PD滑模控制器仿真结果进行比较。比较结果表明：该动力学控制器通过神经网络前馈控制的作用有效解决了PD滑模控制器存在的剧烈抖振问题,使得汽车电泳涂装输送控制系统呈现良好的控制性能。     

神经网络滑模控制在位置伺服系统的应用

针对直流无刷电机伺服系统参数摄动、非线性以及其他不确定因素等问题,提出一种神经网络滑模变结构控制方案。利用一个三层RBF神经网络和滑模变结构控制器实现了无刷电机伺服系统位置的精确控制。该方案综合径向基神经网络和滑模变结构算法的优点,对系统参数变化和外部扰动具有很强的鲁棒性,是一种较理想的智能控制策略。仿真结果表明控制器具有良好的动静态品质,工程实现简单,具有广阔的应用前景。     

基于反演设计的机械臂非奇异终端神经滑模控制

针对具有建模误差和不确定干扰的多关节机械臂的轨迹跟踪问题,设计反演非奇异终端神经滑模控制。该方案是采用能有限时间收敛的非奇异终端滑模面,根据滑模控制原理和反演方法设计反演滑模控制器;对于反演滑模控制系统中由于建模误差和不确定干扰造成的不确定因素的上界,设计径向基(Radial basis function, RBF)神经网络自适应律,在线估计不确定因素的上界;利用李亚普诺夫定理证明了系统的稳定性。仿真结果表明,该方法具有良好的轨迹跟踪性能,提高对于建模误差和不确定干扰等因素的鲁棒性,削弱了抖动。     

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.     

基于神经网络的超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料（giant magnetostrictive material GMM）智能构件精密加工活塞异形孔方法。 为了消除GMM智能构件迟滞非线性影响,提出一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制。将智能构件的输出位移及其变化率作为小脑模型神经网络（CMAC）输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型,神经网络的建模近似误差以及外界干扰通过离散滑模变结构控制器来消除。仿真结果表明此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,可实现智能构件的精密位移控制。     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

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。     

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.