数控机床神经元自适应位置控制算法

基于神经元的自学习特性,提出了适用于数控机床位置伺服控制的神经元控制器,算法的显著特点是不需要系统建模,而且运算简单,非常适用于工程实际应用。仿真和数控机床伺服系统的实时控制实验说明本文提出的控制算法的有效性。     

基于神经网络的直流电动机位置控制

本文研究了三层对角回归神经网络（DRNN）用于直流电动机实时控制的方法，首先，采用动态反传算法训练神经网络以辨识直流电动机的逆模型，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一起输出控制电压以控制系统跟踪位置或速度指令，该算法简单，计算量小，适于实时控制，实验经表明了该方法的有效性。     

电液位置伺服系统的高精度神经网络控制研究

提出了一种采用CMAC神经网络的自学习控制器,以解决具有参数不确定和时变外扰动的电液位置伺服系统的高精度控制问题,该控制器采用动态误差作为CMAC的激励信号,从而使基于CMAC的控制器跟踪连续变化的信号成为可能。仿真结果证明了该控制器不仅是有效的,而且具有很强的鲁棒性。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于神经网络PID的液压位置伺服系统控制的研究

建立精校机电液位置伺服系统的数学模型,针对液压伺服控制系统的非线性和时变性因素,提出了一种基于BP神经网络的PID控制器.该控制器既有经典PID控制算法简单的特点,又有神经网络良好的自适应和抗干扰能力的优点.仿真结果表明,该控制器具有鲁棒性强、超调量小和运行平稳等特点.     

基于神经网络的电液位置伺服疲劳试验机控制系统研究

以电液位置伺服控制系统为研究对象,在传统PID控制的基础上,提出一种基于BP神经网络的控制策略。利用神经网络的自适应、自学习的特点,实现对电液位置伺服系统PID参数的自整定。搭建试验机并进行实验,结果表明:BP神经网络PID控制很好地解决了电液伺服控制系统中加载速度及稳定性等问题,是一种实用性很强的控制策略。     

气动比例位置系统的神经网络控制

采用加入辨识的神经网络PID控制方法对气动比例位置系统进行了实验研究, 研究表明采用该控制方法可以实现气缸活塞全行程任意位置上的精确定位。系统辨识的加入可以在线获得系统动态特性, 辨识输出可以预测系统输出, 从而使控制参数的修正更准确, 能够进一步提高控制精度, 在以抛物线作为理想缓冲曲线, 利用所编制的控制软件控制该系统时, 定位精度可达±0 15mm, 完全能够满足工业机械手的定位要求, 具有较高的工程应用价值。     

基于分数阶控制器的电液伺服系统位置控制的研究

为了适应电液伺服系统的非线性特征,提高它对期望位置跟踪的准确性,提出基于分数阶控制器的电液伺服系统位置控制方法。在对电液伺服系统进行建模的基础上,分析其工作过程,并得出伺服阀内流量的连续方程以及活塞的运动方程,建立了电液伺服系统中伺服阀的一阶模型。通过分析PID控制器,构建了鲁棒性能较好的分数阶控制器,加入了调节参数,以更好地调节控制系统的动态特性。采用遗传算法对分数阶控制器的相关参数进行调整,使其能够更好地适应电液伺服系统的非线性特征,从而控制电液伺服系统准确地对期望位置进行跟踪。实验中利用设计的分数阶控制器对阶跃以及正弦期望位置轨迹进行跟踪,以测试其控制性能。从测试结果可见:相对于粒子群控制器,采用分数阶控制器跟踪阶跃和正弦期望位置轨迹时,产生的最大超调率分别减少了7.56%和8.75%,说明设计的分数阶控制器能够较好地控制电液伺服系统对期望位置轨迹进行跟踪。     

基于RBF神经网络的数控机床故障诊断研究

本文介绍神经网络用于数控机床控制系统的故障诊断技术，分析了数控机床故障诊断的方法，并采用RBF神经网络实现数控机床控制系统故障诊断的算法和程序设计。     

基于模糊神经网络的注塑机注射缸位置控制研究

针对注塑机注射缸非线性和时变的特点,设计了基于模糊神经网络的复合控制器,并将其应用于高速注塑机注射缸的位置控制.实验结果表明:在注射缸高速变轨迹运动情况下,采用该控制器可获得比常规PID控制更高的位置跟踪精度.研究结论可为高速高精密液压注塑机设计提供参考.     

基于神经网络PID控制的液静压轴承等膜厚度研究

针对液静压轴承外部负载改变时、油膜厚度发生变化、从而出现轴承的承载力及阻尼性降低的问题,设计等油膜厚度的主动式控制方法。以比例压力阀作为压力补偿元件,控制回路以供油压力、工作台位移、油腔流量及工作压力作为回馈。计算保持稳态补偿膜厚差所需的供压压力差值作为压力阀的PID控制参数值,再结合类神经网络经训练参数找出最佳PID控制器参数,进行位移补偿控制,达到稳态等膜厚控制。实验结果表明,神经网络PID控制器比其他神经网络控制器具有更快的暂态振荡收敛,并迅速达到等膜厚的目标。     

基于模糊神经网络PID的塑料薄膜厚度控制系统设计

针对当前塑料挤出行业薄膜厚度控制系统普遍存在的强非线性、大时滞、控制精度低的现状,设计了一种将模糊控制、神经网络与经典PID控制算法结合的塑料薄膜厚度智能控制系统,通过模糊控制与神经网络自学习算法相结合,实现了控制系统PID参数的在线自整定。实验证明:与传统厚度控制方式相比,该系统可以大大降低收敛时间,提高控制精度,将薄膜厚度误差控制在2μm以内。     

基于切削颤振抑制系统的BP神经网络PID控制研究

从颤振的发生机制及集中质量系统的颤振运动微分方程出发,以镗削颤振抑制问题为背景,建立了具有连续分布质量的压电智能切削颤振抑制系统动力学模型,重点研究了BP神经网络与经典PID控制相结合的智能控制策略,为切削颤振的智能控制提供了新的方法。继而在Simulink中分别利用经典PID和BP神经网络PID对切削颤振抑制系统进行控制仿真。仿真结果表明:和经典的PID控制相比,BP神经网络PID控制自适应能力更强。     

基于模糊神经网络控制的电液系统研究

针对大功率电液伺服系统存在严重非线性和时变性,将神经网络与模糊控制理论相结合,根据系统的误差及误差变化对神经网络的学习速率和动量因子进行模糊修正,有效地改善了神经网络的学习速率.实验表明,所设计的神经网络控制器能够保证大功率电液伺服系统的静、动态性能.     

基于非线性PID的数控直线工作台位置控制

数控直线工作台双闭环位置控制多采用PID算法,但是传统PID已不能满足高品质的控制要求。通过对现有控制器结构及性能进行分析,提出一种以偏差和偏差变化率为自变量的二元非线性PID的设计方法,用于速度环控制。通过Simulink仿真,对数控工作台外环的位置阶跃响应以及内环的转速跟踪性能进行对比分析。实验结果表明:提出的二元非线性PID控制器动态跟踪性能好,抗干扰能力强,从而使数控工作台的位置响应快速、稳定,证明了该方法的有效性。     

基于神经网络的静力压桩机的液压同步控制系统

静力压桩机的液压控制系统是一个非线性、耦合的时变系统,一般的PID控制无法达到满意的效果。因此,本文提出了一种基于神经网络整定的PID和一种改进的主从位置同步系统结构,其仿真结果表明这种神经网络整定的PID的改进的主从位置同步控制方案具有比利用常规数字PID的经典主从位置同步控制方案更好的控制效果。     

电磁齿轮控制系统中神经网络PID控制的研究及其MATLAB实现

通过分析电磁齿轮工作原理及动力学模型,构建出电磁齿轮控制系统的传递函数;针对电磁齿轮本身的不稳定因素,设计了神经网络PID控制器的控制模型;在MATLAB的Simulink环境中进行动态仿真,实现了系统的稳定输出,验证了模型控制器的优良性,为今后电磁齿轮的进一步研究工作提供了参考。     

基于PID神经网络的倒立摆控制系统

倒立摆是一个典型的高阶次、自然不稳定、快速响应、非线性运动控制系统,是现代控制研究的对象.PID神经网络是一种内含比例神经元、积分神经元和微分神经元的神经网络.本文介绍了采用PID神经网络控制的倒立摆系统,包括倒立摆系统的基本构成、PID神经网络单变量控制系统的算法和结构、权重初值的选择.进行了实际系统试验,比较了传统PID控制和PID神经网络控制倒立摆的效果,证明了PID神经网络控制系统的优良性能.     

基于循环神经网络的数控机床故障诊断研究

为快速对数控机床故障进行在线定位与诊断,提出基于循环神经网络的数控机床故障诊断技术。通过提取网络节点,建立基于循环神经网络的“门”判别结构;引入模糊边界理论,对机床故障特征空间进行分类;通过组织故障诊断样本的方式,完成规则可信度率的统计与判别,实现对数控机床故障的在线诊断。以CAK6150数控机床作为研究对象,经过数据归纳可知,在循环神经网络支持下,故障诊断数据的实际输出与理论值非常接近,且收敛速度较快,能够较好解决制造类企业的机械设备应用故障问题。     

基于神经网络的工业机器人力控制研究

针对工业机器人夹持工件进行磨削时的力控制问题,提出一种基于神经网络算法的机器人力控制方法,搭建一套工业机器人磨削系统,并在Visual Studio软件环境下开发了相应的上位机软件。通过分析神经网络算法的原理,设计神经网络结构,使用从实际磨削过程中获得的训练数据对神经网络进行训练;将力传感器实时采集的力信号输出给训练好的神经网络模型,预测出机器人磨削加工的轨迹修正值并传给机器人,对磨削轨迹进行实时修正,从而实现工业机器人的间接力控制。最后,在搭建的工业机器人磨削系统上进行了力跟踪实验和钛合金试件磨削实验,验证了所提出的力控制方法和机器人磨削系统的有效性和实用性。