机器人的鲁棒自适应分散跟踪控制

提供了一种鲁棒自适应控制策略,用于不确定性机器人的发迹跟踪,该控制器由一个ＰＤ线性反馈、一个立方项偿和非线性项构成。控制律采用分散形式,通过对二自由度机器人的仿真,证明该方法能使跟踪误差快速趋近于零。     

不确定机器人轨迹跟踪的自适应神经网络控制

提出了一种新的基于Lyapunov理论的自适应神经鲁棒控制方案 ,用于不确定性机器人的轨迹跟踪控制。这种控制器是一个基于神经网络动态补偿的PD反馈控制 ,可以保证机器人跟踪误差的渐近收敛性。仿真试验结果进一步证明了这种控制算法的有效性。。     

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点，设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界，并利用模糊推理机产生的分目标学习误差进行训练，避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外，在反馈回路还设计了固定比例增益控制器FC，起着监督的作用，对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。     

模型不确定的下肢康复机器人轨迹跟踪自适应控制

为了实现康复训练过程中高精度的轨迹跟踪控制,针对下肢康复机器人的模型参数和外界干扰等不确定性因素对其轨迹跟踪造成严重影响,提出一种模型不确定的下肢康复机器人轨迹跟踪自适应控制方法。根据所提方案,设计了相应的轨迹跟踪自适应控制器;并进行了轨迹跟踪控制仿真实验对比分析,结果表明,计算力矩控制方法在系统模型不确定时,膝关节的最大角度跟踪误差高达11.3°,髋关节最大稳态误差4.6°;而轨迹跟踪自适应控制方法在模型不确定的情况下,髋关节和膝关节的角度跟踪稳态误差均收敛于零;轨迹跟踪自适应控制方法可以显著提高下肢康复机器人轨迹跟踪的精度。     

基于自适应模糊滑模控制的机器人轨迹跟踪算法

针对控制参数的不确定性以及存在未知外部扰动情况下移动机器人的轨迹跟踪问题,提出一种基于光滑非线性饱和函数的自适应模糊滑模轨迹跟踪控制算法。通过建立不确定非线性移动机器人运动控制模型,利用自适应模糊逻辑系统构建自适应模糊滑模控制器。为了增强轨迹跟踪控制算法对随机不确定外部扰动适应能力的同时削弱滑模控制算法中的输入抖振现象,利用有界输入有界输出(BIBO)稳定的方法,通过带有自适应调节算法的模糊系统对滑模控制律中非线性函数项进行自适应逼近,并设计了模糊系统中可调参数的自适应控制律,保证了控制系统的稳定与收敛。实验结果表明,所设计的控制器对系统参数不确定性和外界扰动均具有较强的轨迹跟踪性能和鲁棒性。与传统的滑模控制算法相比,该算法不仅能有效减小输入抖振而且轨迹跟踪控制精度提高了18.89%。     

不确定机器人的间接模糊自适应轨迹跟踪控制

针对不确定的机器人系统轨迹跟踪控制问题,依据自适应模糊控制算法和H∞控制理论,提出了一种间接模糊自适应控制方法。该方法将自适应模糊控制和H∞控制理论相结合,用稹糊逻辑系统直接为机器人建模,不需对机器人的数学模型进行转换,并结合H∞控制理论,将建模误差和外部干扰衰减到预先规定的指标。基于Lyapunov方法,给出了学习自适应率,H∞跟踪特性的证明。对二自由度机器人的仿真结果表明了所提出的控制算法有效性。     

自适应神经元控制在机器人手指关节控制中的应用

对机器人手指关节驱动用直线驱动器的位置控制提出了单神经元自适应控制方案。通过实验验证了控制方案的正确性，为机器人手指关节的位置控制提供了一种有效方法。     

自适应控制在工业机器人中的应用

采用李雅普诺夫函数法，设计了一个信号综合形式的模型参考自适应控制器，该控制器算法简单，易于微机实现，文中给出了部分实验结果。     

基于神经网络内模控制在机械手中的研究

将内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模作为内模控制中的模型,训练方法采用前向网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别.PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度.实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能.     

输入受限下非完整轮式移动机器人迭代学习跟踪控制

为了解决输入受限下非完整轮式移动机器人的跟踪控制问题,考虑迭代学习控制方法,设计了一种迭代学习控制律,这里所设计的迭代学习控制律结合了系统的跟踪误差和约束下的上一代控制律.通过应用范数分析理论,对跟踪误差的收敛性进行了理论分析,验证了设计的控制律的有效性.最后,给出了一个仿真实例以证明理论分析结果的正确性,仿真结果表明...     

基于优化极限学习机的直流微电网并网等效建模

针对直流微电网的并网建模问题,提出了一种基于优化极限学习机的直流微电网并网等效建模方法。以直流微电网并网接入点的电压和功率数据分别作为极限学习机的输入和输出,构建基于极限学习机的直流微电网并网等效模型。由于极限学习机在初始化过程中,输入权值和隐层阈值随机设定且不再改变,会导致极限学习机建模缺乏自适应性,影响建模精度。利用鲨鱼气味优化算法对极限学习机的输入权值和隐层阈值进行优化,进一步提高建模精度。鲨鱼气味优化算法通过模拟鲨鱼捕猎过程进行寻优,通过气味粒子浓度引导鲨鱼位置的更新,是一种效率极高的优化算法。通过与微电网的实际仿真模型对比,验证了建模方法的合理性和准确性,说明所提方法具有较好的实际应用价值。     

掘进机截割臂运动轨迹的迭代学习控制

悬臂式掘进机截割臂系统受参数不确定、非线性、时变和负载干扰等因素的影响,使截割头不能精确按照预定的轨迹截割,导致超挖或欠挖的现象发生,断面成形质量差。为了实现断面精确成形,采用自适应迭代学习控制算法对截割头运行轨迹进行跟踪控制。建立掘进机截割臂的动力学模型,设计相应自适应迭代学习控制算法。仿真结果表明随着学习次数的增加截割臂横向摆角误差趋近于零,纵向摆角误差小于0.0007rad且逐渐趋于零,满足实际现场的精度要求,验证了该控制方法对截割轨迹跟踪的有效性,为掘进机器人断面自动截割成形的研究奠定理论基础。     

Adaptive tracking control design of constrained robot systems

Both dynamic state feedback as well as output feedback tracking control designs are presented in this paper for constrained robot systems under parametric uncertainties and external disturbances. The previous studies on tracking control design, not considering the velocity measurements, address only the unconstrained robot design. In contrast, a dynamic output feedback controller based on a linear and reduced-order observer that uses only position measurements is proposed here for the first time to treat the trajectory tracking control problem of constrained robot systems. Both adaptive state feedback control schemes and adaptive output feedback control schemes with a guaranteed H^∞ performance are constructed. It is shown that all the variables of the closed-loop system are bounded and a pre-assigned H^∞ tracking performance is achieved, in the sense that the influence of external disturbance on the tracking motion error can be attenuated to any specified level. Moreover, it is also shown that the motion and force trajectories asymptotically converge to the desired ones as the dynamic model of robot systems is well-known and the external disturbance is neglected. Finally, simulation examples are presented to illustrate the tracking performance of a two-link robotic manipulator with a circular path constraint by the proposed control algorithms. © 1998 John Wiley & Sons, Ltd.     

Adaptive integral-type terminal sliding mode control: Application to trajectory tracking for mobile robot

This paper presents an Adaptive Terminal Integral Sliding Mode Control (ATISMC) scheme for trajectory tracking problems applied to a differential Wheeled Mobile Robot (WMR). First, a terminal integral sliding variable is designed. Based on the finite-time concept, an adaptive control law has been developed in which a switching gain is adjusted adaptively by using a novel strategy. This control method aims to deal with unknown bounded disturbances and uncertainties. Moreover, it allows fast convergence of the system states to an equilibrium point. The main features of the proposed ATISMC are its robustness, fast convergence rate, and chattering avoidance. To realize trajectory tracking for WMR, the ATISMC is incorporated into a double closed loop scheme. Stability analysis is performed using the Lyapunov stability theory. Numerical simulations and real-time experiments demonstrate the feasibility of the proposed controller scheme. A comparison study with the classical ISMC was performed to show the superiority of the developed method.     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。     

基于花朵授粉优化极限学习机的高炉铁水硅含量预测

在高炉冶炼过程中,铁水硅含量是反映高炉炉内温度的重要参数之一,通过对铁水硅含量变化趋势进行预测分析,为后续高炉参数调整提供理论依据。针对铁水硅含量数据的非线性特点,提出基于花朵授粉算法的极限学习机预测方法。利用花朵授粉算法优化极限学习机参数,并通过优化后的极限学习机算法构建铁水硅含量的预测模型,以某钢铁厂生产数据作为验证。仿真结果表明,相较于传统预测方法,该预测模型在预测精度以及泛化能力均有所提高,具有良好的稳定性。