平面双连杆受限柔性机器人臂的自适应模糊力/位置控制

本文对一类平面双连杆受限柔性机器人的力／位置控制问题进行研究,提出了一种新的自适应模糊控制方案．利用结构分解技术对模糊推理系统进行简化,用梯度法对参数进行自适应调整,从而实现对受限柔性机器人系统末端的混合力／位置控制．计算机仿真结果表明,本文提出的控制方案是合理、有效的     

平面双连杆受限柔性机器人臂的自适应模糊力/位置控制

本文对一类平面双连杆受限柔性机器人的力/位置控制问题进行研究,提出了一种 新的自适应模糊控制方案．利用结构分解技术对模糊推理系统进行简化,用梯度法对参数进 行自适应调整,从而实现对受限柔性机器人系统末端的混合力/位置控制．计算机仿真结果 表明,本文提出的控制方案是合理、有效的．     

机器人力／位置自适应模糊控制

在机器人力／位置混合控制的基础上，本文提出了一种对力控制回路采用自适应模糊控制的方法，有利于提高系统对机器人末端操纵器五外界工作环境接触时，其接触刚度不确定性的自适应能力，仿真结果表明，该控制方法与常规ＰＩＤ控制相比，系统的自适应能力和鲁棒性有显著的改善。     

附加力外环的机器人力／位置自适应模糊控制

提出一种由神经网络训练模糊控制规则的自适应模糊控制器,并应用附加力外环的机器人力／位置控制。在不改变一般工业机器人原有位置控制的前提下,实现力／位置自适应模糊控制。实验结果表明,该方法可使机器人控制系统对工作环境接触刚度的自适应能力得到显著改善。     

时滞柔性关节机械臂自适应位置/力控制

针对具有时滞的柔性关节机械臂自适应位置和力控制问题进行了研究.首先,通过坐标变换得出降维的位置/力控制模型.随后,将时间滞后近似表示成一阶滞后,进行时滞补偿.利用自适应算法修正机械臂系统参数,克服模型参数不确定性对系统的影响.同时,采用反步控制技术设计机械臂位置/力控制器,运用Lyapunov稳定性定理证明控制器能使机械臂位置和力跟踪误差收敛.最后的仿真研究验证了控制方案的有效性.     

基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制

基于自组织模糊CMAC(SOFCMAC)神经网络,提出了一种非线性模型参考神经网络增广逆系统鲁棒自适应跟踪控制方法.该方法的特点是通过S0FCMAC神经网络在线修正由于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出准确跟踪参考模型输出.SOFCMAC的权值调整规律由Lyapunov稳定性理论导出.文中证明了非线性闭环系统的稳定性.仿真例子表明了本文方法的有效性.     

位置伺服系统的单神经元PID/CMAC控制研究

在分析了位置伺服控制系统基本原理和数学模型的基础上,提出了一种单神经元PID/CMAC复合控制算法和控制器的设计方法。用单神经元PID替代常规PID控制,由神经元来在线调整PID控制参数,利用CMAC神经网络的自学习和自适应能力,来完成系统的实时控制。该算法直接应用于位置伺服控制系统,仿真结果表明,与传统PID控制算法相比较,该复合控制算法增强了系统的控制精度,提高了系统的响应速度,具有较强的鲁棒性和抗干扰能力。     

模型参考模糊自适应控制*

本文提出了一种模糊自适应机构的设计方法，所设计的自适应机构为偏差的非线性函数。用模糊自适应机构替代常规自适应机构，构成一个模型参考模糊自适应系统。导出了该系统稳定的充要条件，提出了一量化因子的选择方法，设计方法简单，便于工程应用。仿真结果表明：ＭＲＦＡＳ系统自适应性能好，抗内外扰动的能力强。     

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性, 提出了基于层迭CMAC的标称自适应+迭代学习控制方法．此方法将标称自适应控制中确定的 模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息, 则利用层迭CMAC进行自适应学习．仿真实验表明用本文所设计的控制系统对6 DOF并行机器 人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果．     

基于自适应模糊反步法的永磁同步电机位置跟踪控制

研究具有参数不确定性的永磁同步屯动机位置跟踪控制问题.利用模糊逻辑系统逼近系统中非线性函数,采用反步设计方法实现永磁同步电动机的自适应模糊控制.所提出的自适应模糊控制器在电机参数不确定和负载扰动的情况下,实现了永磁同步电动机的高性能位置跟踪控制.仿真结果表明了所提出方法的有效性.     

基于模糊自适应滑模算法的多机械臂力/位混合控制

针对多机械臂力/位混合控制受摩擦力等不确定因素影响的问题,该文提出了一种基于模糊自适应鲁棒滑模算法的控制方法。首先,根据机械臂及物体的动力学方程,构建多机械臂系统模型,并将模糊算法与自适应滑模算法相结合;然后,对不确定因素及未知非线性项进行补偿,利用鲁棒算法对系统可靠性进行提升;最后,基于李雅普诺夫方法,证明了该系统的稳定性。仿真结果显示,该方法可显著提升控制器的控制精度和系统响应速度。     

一种高阶模糊CMAC自适应控制及其应用

提出了一种高阶模糊小脑模型神经网络控制器(HOFCMAC),利用模糊子集对输入状态空间进行分割,同时采用多层的量化方式对输入状态进行量化,并利用代数积,代数和的方法综合各种量化方式的量化结果.由于多层量化方式的应用,这种控制器也比单纯基于广义基函数的模糊CMAC有更好的控制性能.复杂工业炉温控制试验结果证明这种方法的有效性.     

模糊免疫与CMAC控制

本文将模糊免疫与CMAC两类智能控制方法进行对比,分析了它们的主要区别和各自的优势,并将它们应用于同一个伺服系统。仿真实验表明,模糊免疫略优于CMAC控制,但CMAC在逆模型控制方面具有潜在优势,两种方法均有强鲁棒性、快速跟踪、易于工程实现等特点。     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构,并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化,加快了网络的收敛速度,提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中,网络学习率对网络收敛特性的影响,论证了自适应学习率在网络学习中的作用,并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制,给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线,并给出了分析和对比,论证了改进的学习算法的优越性。     

基于遗传算法的双臂机器人模糊力/位混合控制

近年来,适用于空间站操作的冗余度双臂机器人系统技术研究得到了较多的重视．结合已有的 研究基础和研究条件,本文开展了面向空间舱内作业的冗余度双臂机器人协调控制应用研究．针对双臂机器 人协调操作过程中的受力问题,提出了一种基于遗传算法的双臂机器人模糊力/位混合控制策略．该方法把机 器人末端的力误差通过模糊控制转变为机器人位置控制器的修正值,在不改变机器人原有位置控制器的前提 下,实现力/位混合控制．利用遗传算法离线优化模糊控制规则,为了提高遗传算法的性能,总体交叉概率和 变异概率都采用了自适应控制策略．最后,以冗余度双臂机器人合力协调搬箱为例,进行了力跟踪的三维仿 真和实验,验证了所提出控制策略的有效性和可靠性．     

模糊CMAC网络的FPGA实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法,首先,给出了模糊CMAC网络的模型及其算法,通过MATLAB仿真获取了模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络;测试结果表明:该模糊CMAC网络的FPGA实现方法是可行的,硬件化后的网络具有速度快、精度高、占用器件资源少的特点,是SOPC中实现模糊CMAC网络模块的一种有效方法.     

基于X-Y定位平台的力/位置混合控制

在确定了X-Y定位平台系统数学模型的基础上,提出了一种力/位置混合控制方法。在位置控制部分,采用了基于重复控制补偿的PID控制方法。用重复控制作为误差补偿与传统简单的PID控制器相结合作为位置控制部分所采用的控制算法。在力控制回路中采用一种自适应模糊控制方法。通过引入一个切换函数来确定控制律形式,根据所设计的模糊规则对变量进行模糊化,通过解模糊得到控制律结果,自适应律是通过调制饱和度得到的。仿真结果表明,该控制方法能使系统的自适应能力和鲁棒性均有显著改善。     

高超声速飞行器的模糊CMAC神经网络控制器设计

由于采用机体一体化设计,吸气式高超声速飞行器的气动特性难以准确获知,建立的数学模型是极不准确的;设计了一种模糊CMAC神经网络(FCMAC)控制器及其学习算法,在CMAC神经网络控制器中结合模糊逻辑理论,使得CMAC控制器具有自学习能力;仿真用高超声速飞行器的纵向模型对该控制器进行了验证,证明该控制方法能够有效地跟踪飞行器的高度和速度指令。     

冗余驱动并联机械手的混合位置/力自适应控制

针对冗余驱动并联机构研究一种自适应的混合位置/力控制算法.基于并联机构中约束子流形的几何性质,将冗余驱动并联机构的逆动力学自然投影到位形空间和约束力空间.基于投影方程,提出一种统一的具有渐进稳定性的自适应混合位置/力控制算法.采用最小二范数准则求解冗余解问题,实现了实际驱动关节力矩的优化.仿真结果验证了控制方法的有效性.