介电型电活性聚合物驱动转动关节控制技术研究

介电型电活性聚合物(Dielectric electroactive polymer,DEAP)具有大应变、高效率、高能量密度等优点,在仿生机器人领域具有广泛的应用前景。基于生物关节驱动原理及圆柱形驱动器特点设计了单自由度转动关节。根据弹性大变形理论建立驱动器DEAP膜的机电耦合模型,通过微分方程组的迭代求解可获得关节输入电压与输出角度之间的非线性关系,但计算工作量大。将小脑模型关节控制器CMAC(Cerebellar model articulation controller)神经网络与PD控制器相结合实现输出角度与输入电压之间的非线性映射,避免了复杂计算过程。阶跃和正弦参考信号的跟踪控制试验验证了CMAC神经网络控制的可行性。     

基于CMAC神经网络的自适应渠道输水自动控制研究

介绍了小脑模型神经网络CMAC的原理及基于CMAC的自动控制方法。在渠道输水控制技术的基础上,依据CMAC神经网络学习速度快、能够表达复杂非线性关系、适合于适时控制的特点,提出了基于CMAC的渠道输水控制模型。仿真结果表明,基于CMAC的渠道输水控制,算法简单方便,具有实时性、稳定性和较强的鲁棒性,控制效果较为理想。     

推土机半物理试验系统与作业效率复合控制研究

针对推土机研制中的试验难题,构建一个模拟推土作业全过程的半物理试验系统.通过推土机动力学特性分析和模型研究,为推土作业自动控制提供理论基础.试验系统采用液压对顶缸装置实时模拟作用在推土工作装置液压缸上的负载,同时推土工作装置的液压执行机构根据硬件控制器的命令信号调节铲刀的位置,通过铲刀的虚拟样机模型和整车动力学模型实现半物理仿真试验.提出了一种变论域模糊神经网络控制方法,将其应用于发动机转速的调节与控制中,并结合滑转率极限控制和发动机管理系统,研究了推土机作业效率的复合控制策略.试验结果表明,该控制策略能有效地稳定发动机转速,提高推土作业效率.     

xPC环境下CMAC NN在淀粉生产线液位控制中的应

在分析CMAC神经网络的基础上，提出了利用自适应CMAC神经网络来调节淀粉生产线中乳液的液位。通过对淀粉生产线中某一液位回路进行数学建模，然后对常规PID和自适应CMAC神经网络两种控制器进行了设计与仿真。仿真结果表明，自适应CMAC神经网络在控制效果上明显优于常规PID，并且具有很高的鲁棒性。在Matlab实时开发环境xPC Target下建立了液位实时控制系统，采用快速原型控制方式，具有系统组建方便、成本低、开发周期短等特点，该系统可实现精确的过程控制。     

xPC环境下CMAC NN在淀粉生产线液位控制中的应用

在分析CMAC神经网络的基础上,提出了利用自适应CMAC神经网络来调节淀粉生产线中乳液的液位.通过对淀粉生产线中某一液位回路进行数学建模,然后对常规PID和自适应CMAC神经网络两种控制器进行了设计与仿真.仿真结果表明,自适应CMAC神经网络在控制效果上明显优于常规PID,并且具有很高的鲁棒性.在Matlab实时开发环境xPC Target下建立了液位实时控制系统,采用快速原型控制方式,具有系统组建方便、成本低、开发周期短等特点,该系统可实现精确的过程控制.     

液压并联平台神经元PSD与模糊CMAC复合控制

为了克服六自由度液压并联平台的耦合及负载扰动对轨迹控制的影响,基于神经网络自适应PsD控制器无需辨识过程参数和模糊CMAC控制器能提高系统逆动态模型辨识精度的特点,提出了一种神经元自适应PSD控制器与模糊CMAC神经网络控制器相结合的复合控制.仿真结果表明,该控制方法具有较高的控制精度、优良的鲁棒性和自适应能力,满足平台轨迹控制的实时要求.     

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此，基于模糊控制规则的模糊神经网络控制器，利用遗传算法(Genetic Algorithm, GA)进行人工神经网络模型的优化，对拖拉机转向系统进行优化设计，得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台，进行了输出响应测试和角度测试，并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明：模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间，减少超调量，提高转向精度，是一种更加有效的田间作业的控制方法。     

异步电动机调速系统自适应辨识的CMAC-ADRC算法

针对异步电动机调速系统快速响应时启动超调量大的问题,提出了一种基于自适应参数辨识的小脑模型神经网络复合自抗扰控制(CMAC-ADRC)的控制算法。将CMAC与ADRC各自的优点相结合,利用CMAC神经网络实现前馈控制,通过在线学习来抑制系统的超调量,增强系统的鲁棒性能,提高系统的快速性能,利用ADRC技术实现反馈控制,进一步增强系统的抗干扰能力。利用参考模型自适应参数辨识技术对转动惯量进行辨识,优化自抗扰补偿系数。以变频器结合异步电动机为控制对象,进行仿真,基于自适应参数辨识的CMAC-ADRC控制算法的干扰响应幅度是一阶优化自抗扰控制下干扰响应幅度的44.57%,是小脑模型神经网络复合比例-微分(CMACPD)控制下干扰响应幅度的17.69%,干扰恢复时间是一阶优化自抗扰控制下干扰恢复时间的50%,是CMAC-PD控制下恢复时间的60%。搭建MCU-CPLD-DSP控制平台进行了实验,基于自适应参数辨识的CMAC-ADRC控制算法的超调量是一阶优化自抗扰控制的45.49%,上升时间是一阶优化自抗扰控制的53.33%,干扰响应幅度是一阶优化自抗扰控制干扰响应幅度的71%,干扰恢复时间是一阶优化自抗扰控制干扰恢复时间的76.47%。     

智能车辆自主导航神经网络控制器设计

针对自主设计、制造的智能车辆,提出了设计新的神经网络控制器来实现对车辆导航路径的自主跟踪控制。分析了神经网络导向控制器的设计方法,选择了神经网络导向控制器的输入、输出变量,并建立了神经网络导向控制器的结构。在此基础上,采用人工驾车采集的数据对控制器进行了训练。完成了计算机仿真和实际路径跟踪控制试验,试验结果表明该神经网络控制器能够很好地实现对导航路径的自主跟踪控制。     

基于自适应预测控制的PEMFC动态特性研究

质子交换膜燃料电池(PEMFC)是具有多参数影响的复杂系统,针对其时变、非线性及不确定性导致其输出动态特性难以控制的问题,设计了自适应预测控制器。该控制器以PEMFC系统的神经网络模型作为预测模型,充分利用神经网络对非线性系统的拟合能力,并在控制过程中实时对神经网络连接权值、阈值进行优化,实现自适应预测的滚动优化,保证了控制器对PEMFC控制的实时性;在控制过程中将输出电压分别反馈至自适应模型及预测控制前端,以提高系统的响应速度和控制精度。验证结果表明:基于自适应预测的控制方法具有较强的鲁棒性,学习能力强,控制精度高,并具有自适应能力,对质子交换膜燃料电池输出动态特性的稳定性具有较好的控制效果。     

基于LM算法的溶解氧神经网络预测控制

针对污水处理溶解氧时变、非线性以及设定值难以跟踪控制的问题,提出了一种基于Levenberg-Marquardt算法(LM算法)的溶解氧浓度神经网络预测控制器的设计方法。首先在国际水协会提出的活性污泥1号模型(ASM1)基础上,经过合理的假设和约束,得到简化的溶解氧浓度模型,经过BP神经网络系统辨识和模型预测设计了溶解氧神经网络预测控制器。并采用LM算法改进了BP神经网络,克服了容易陷入局部极小值、收敛速度慢的缺点,提高了神经网络预测精度。仿真结果表明,神经网络预测控制具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。     

渠道供水系统的神经网络控制模型

在最优控制器的基础上并联两个神经网络模型NNM和NNC，将人工神经网络所具有的并行性、自适应、自学习等能力应用于渠道运行现有的最优控制，作为控制系统中的补偿环节，来完成精确模型的建立和稳定控制，从而提出一种新的渠道运行控制非线性最优控制器。本文探讨神经网络在渠系运行控制的应用，为用神经网络理论研究渠道运行自动控制提供一种理论和方法上的探讨。     

基于神经网络的底盘测功机控制策略研究

针对底盘测功机控制系统在动态控制方面延迟较高和误差大的问题,提出一种基于RBF(径向基函数)神经网络的底盘测功机控制策略。通过对比分析汽车实际运行工况与底盘测功机加载工况的动力学特征,建立了底盘测功机输出力加载模型。基于电涡流测功机的加载力输出特性设计了控制系统框架和RBF神经网络控制器。通过MATLAB中的S-function函数语言编写了控制策略,且在DCG-10E型底盘测功机上进行了硬件在环试验。对比PID控制下的加载力输出曲线,结果表明,输出力上升过程稳定且快速。本文验证了在底盘测功机上应用RBF神经网络PID控制策略的可行性。     

SD9高驱推土机前工作装置简单受力分析

前工作装置是推土机的重要组成部分,因SD9推土机采用液压操纵控制,故前工作装置可在液压系统的控制作用下实现推土机的推土和铲运等任务。其主要部分包括推土板、顶推梁(2个)、斜撑杆、侧倾油缸、提升油缸(2个)和平衡补偿机构(此处称为斜支撑)、油缸支撑臂(2个)。本文对SD9高驱推土机前工作装置进行了简单的受力分析。     

基于RBF神经网络的混合输入机构自适应控制

提出一种伺服电动机对常速电动机运动进行闭环跟踪的控制策略,控制伺服电动机的运动,以实现对常速电动机速度波动的补偿。由于系统精确模型难以获得,设计了基于名义模型的径向基函数网络自适应控制器,进行混合输入机构轨迹的跟踪,应用径向基函数(RBF)神经网络对系统中摩擦、外部扰动和动力耦合等不确定因素的和进行逼近,网络输出权值由自适应算法学习确定,并对该控制器进行稳定性分析。仿真结果表明,所设计的控制器稳定有效, 具有较强的鲁棒性。     

基于神经网络控制的知识表示获取新方法

提出了基于神经网络控制的人工智能知识表示，获取及训练的一种新方法，以输出误差及其变化率为两个基本状态向量来反映系统输出动力学特性，用ＣＭＡＣ作为神经网络控制的方案，进行了知识获取及在线训练等研究；再通过仿真对比了本方法与常用的ＰＤ控制及模糊控制的控制效果；最后将基于ＣＭＡＣ模糊控制器及其知识表示、获取、训练方法应用于两关节机械手的控制系统，在不同条件下进行实验研究。研究结果表明，本方法有显著的优越     

基于RBF神经网络的混合输入机构自适应控制

提出一种伺服电动机对常速电动机运动进行闭环跟踪的控制策略,控制伺服电动机的运动,以实现对常速电动机速度波动的补偿.由于系统精确模型难以获得,设计了基于名义模型的径向基函数网络自适应控制器,进行混合输入机构轨迹的跟踪,应用径向基函数(RBF)神经网络对系统中摩擦、外部扰动和动力耦合等不确定因素的和进行逼近,网络输出权值由自适应算法学习确定,并对该控制器进行稳定性分析.仿真结果表明,所设计的控制器稳定有效, 具有较强的鲁棒性.     

智能轨迹控制割草机器人设计——基于FPGA神经网络

为了提高割草机器人自主导航和定位的精确性和智能性,设计了一种新型的基于FPGA神经网络算法的割草机器人。该设计采用FPGA可重构技术,以3层误差反向传播神经网络作为典型的模型来展开;利用成熟的BP算法公式,设计了割草机器人智能控制的模型;利用FPGA技术,设计了割草机器人的硬件系统;最后采用文本输入的设计方法,利用田间试验的方式,对机器人的轨迹规划能力和控制精度进行了验证。试验结果表明:利用FPGA和神经网络模型可以有效地穿越5个障碍物,并可得到满意的轨迹规划结果。将普通的PID控制器和神经网络PID控制器得到的控制结果误差进行了对比,结果表明:神经网络PID控制器得到的割草机器人控制误差明显比传统的PID控制器误差小。该方法为神经网络的硬件实现提供了可靠的理论基础。     

静液驱动履带车辆转向神经网络PID控制仿真

根据履带车辆转向运动学和动力学分析,提出转向控制策略,可在满足系统压力限制以及保证车辆转向安全条件下自动降低平均车速以保证驾驶员期望转向半径的准确实现。转向控制器由神经网络PID控制器和泵马达排量控制器组成。运用Matlab/Simulink对系统进行神经网络转向控制仿真分析,仿真结果表明,与传统PID控制相比较,神经网络控制输出超调量由10.5%降至4.1%,控制响应时间由4.8s降至2.2s,提高了系统实时性和鲁棒性。不同转向工况的仿真结果表明,采用神经网络控制可使静液驱动履带车辆获得良好的转向稳定性和操纵性。     

基于PLC的农机控制系统可靠性研究

针对农机控制系统可靠性较低的问题,基于PLC系统对农机控制系统进行了设计,并对其可靠性进行了研究。该农机采用可编程控制器PLC进行控制,其硬件系统主要组成为踏板、方向盘、挡位和牵引装置等,软件系统对农机的自动导航和电-液悬挂系统进行控制。农机的可靠性评价采用模糊神经网络模型,通过确定神经网络结构、计算法方式和评价模型对农机进行可靠性评价。可靠性试验结果表明:基于PLC机器人的农机控制系统的可靠性较高,可以满足用户需求。