基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

不确定轮式移动机器人统一自适应神经网络H_∞控制

提出了一种基于自适应神经网络控制和H_∞控制的轮式移动机器人光滑全局跟踪和镇定统一的控制器。首先采用横截函数方法,扩展系统控制输入,建立与原系统等价的、输入输出完全解耦的无奇异全驱动系统,再对新系统设计自适应神经网络H_∞控制器。自适应神经网络控制可有效补偿系统的复杂不确定项。H_∞控制器可同时对系统扰动和神经网络逼近误差进行预定水平抑制,进一步提高控制器的适应性,优化系统的控制性能。仿真结果验证了算法的有效性。     

X-Y定位平台自适应神经网络的摩擦补偿控制

针对X-Y定位平台中摩擦等非线性部分对控制精度的影响问题,提出了基于自适应神经网络的鲁棒控制策略。设计神经网络控制器对摩擦及干扰等不确定部分进行补偿,其网络逼近误差作为外界扰动通过鲁棒控制器消除,保证X-Y平台的定位精度;设计神经网络参数学习算法,保证权值的在线自适应实时调整。基于H∞的HJI理论证明了控制系统的稳定性,并保证了系统L2增益小于给定的指标。试验结果表明所提控制方法能够很好补偿摩擦模型,提高了定位精度,具有重要工程应用价值。     

自由漂浮空间机械臂基于神经网络的鲁棒自适应控制

考虑数学模型难以精确获得及带外部干扰情况下,针对自由漂浮空间机械臂的轨迹跟踪控制问题,提出一种基于神经网络的自适应鲁棒控制策略。基于Lyapunov稳定性理论设计理想控制器,进而推出系统的不确定模型。利用神经网络的学习能力逼近系统不确定模型,从而避免保守上界的估计。利用线性化技术并结合Lyapunov函数,设计包括权值及隐层参数在内的在线自适应学习律及鲁棒控制器,加快了误差收敛速度及控制精度,并消除了高阶逼近误差及扰动,保证了系统的一致最终有界,仿真比较表明了该控制策略的有效性。     

交流位置伺服系统自适应模糊PID控制器设计

为实现机电伺服系统的高精度位置跟踪控制,针对实际系统运行过程中所存在的转动惯量和负载力矩变化大等各种不确定因素,提出了一种基于滑模面的自适应模糊PID策略。利用梯度下降法实时修正PID控制器的参数,使用模糊逻辑系统逼近系统中不确定量,以使控制器能根据伺服系统运行过程中的负载特性实时调整速度给定值,从而减小系统参数变化和外部干扰对伺服系统性能的影响,最后通过Lyapunov方法推导出了模糊补偿器中不确定参数的自适应律。仿真结果表明：该控制策略与传统PID控制相比具有系统跟踪误差小,响应速度快,跟踪性能好的优点,对参数摄动及外界负载扰动具有较强的鲁棒性。     

坐卧式下肢康复机器人的被动训练控制

考虑到下肢康复机器人很难获得精确、完整的数学模型,而且在建立模型时需要进行合理的近似处理,因此忽略了外部干扰、参数误差、未建模的动态和摩擦等不确定因素,这些原因导致控制性能不佳。基于此提出了一种基于计算力矩法的神经网络鲁棒控制器,通过计算力矩法对标称模型进行控制,RBF神经网络控制器对系统中未知的不确定项进行补偿,而自适应鲁棒控制器则用来补偿神经网络的逼近误差及外部的干扰,从而提高了系统的动态性能和控制精度,并对算法的稳定性进行了证明。通过实验验证,证明了控制算法的有效性,在被动训练时具有较好的轨迹跟踪性能。     

基于RBF神经网络的谐波传动自适应反演控制研究

由于自身结构上的特点，谐波传动系统存在柔性变形、摩擦和外界不确定干扰等非线性因素。传统控制器大多对系统进行了一定程度的简化，或未考虑非线性外界扰动，导致所设计的控制器性能达不到预期效果。为了提高系统精度，建立了考虑系统非线性刚度和非线性摩擦的谐波传动系统动力学模型；基于试验数据，采用最小二乘法对模型进行参数辨识；采用径向基函数（Radial Basis Function,RBF）神经网络在线逼近系统非线性摩擦和外界不确定干扰力矩，并提出了一种基于RBF神经网络的自适应反演控制器；利用Lyapunov稳定性理论，证明了其闭环系统的收敛性。仿真结果表明，与普通Back-stepping控制相比，在受到外界未知干扰后，所提出的RBF神经网络自适应反演控制能有效地逼近系统非线性摩擦和外界未知干扰，其跟踪误差峰-峰值能迅速稳定到0.000 82 rad；而Back-stepping控制对外界未知干扰比较敏感，其跟踪误差峰-峰值增大至0.012 3 rad左右。所提出的RBF神经网络自适应反演控制能抑制参数动态变化和外界干扰对系统传动精度的影响，提高系统的传动精度。     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

数控机床直线同步电动机磁悬浮系统的神经网络直接自适应控制

针对数控机床可控励磁直线同步电动机磁悬浮系统的强非线性、外部扰动不确定性的问题,设计基于RBF神经网络直接自适应控制器.通过分析磁悬浮系统的运行机理,推导运动方程及悬浮力方程,进而建立系统的状态方程;用悬浮高度的跟踪误差和误差的变化量构造误差函数,设计直接自适应理想控制器并采用RBF神经网络对其进行逼近;设计自适应律来估计神经网络理想权值,对误差函数的变化率构造二次型Lyapunov函数,利用Lyapunov稳定性理论来证明系统稳定;通过Matlab对控制系统进行计算机仿真,结果表明该方法设计的控制器与自适应模糊滑模控制器和PID控制器相比,空载启动时调节时间减少了23.5％,突加负载时动态降落减少了64.7％,恢复时间减少了38.2％,具有稳态误差小,调节时间和恢复时间短,抗扰性较强的优点,能有效提高磁悬浮系统的控制性能.     

麦克纳姆轮移动底盘的自适应滑模控制器设计

针对麦克纳姆轮移动机器人的轨迹跟踪问题,设计了一种自适应滑模控制器.首先,考虑外部干扰以及参数变化,建立了麦克纳姆轮移动机器人的运动学和动力学模型,在动力学模型的基础上设计一种自适应滑模轨迹跟踪控制器.其次,为了实现较好的运动控制,径向基神经网络被用来在线逼近动力学模型中的不确定项.同时,具有σ修正的自适应学习法则被用...