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.     

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。     

基于模糊神经网络的磁悬浮球位置控制研究

为了实现磁悬浮球系统高精度位置控制,提出一种基于模糊神经网络补偿PID控制的磁悬浮球系统位置控制新方法,该控制系统由模糊神经网络辨识器、PID控制器和模糊神经网络控制器组成。模糊神经网络辨识器基于PID控制器所提供的训练数据,建立控制系统误差与控制量之间的动态模型并将网络辨识参数实时传递至模糊神经网络控制器,模糊神经网络控制器基于实时辨识模型计算得到当前周期的补偿控制量,实现对PID控制的在线动态补偿,避免了离线训练过程,且无需建立精确的数学模型。方波信号仿真和实验结果表明:模糊神经网络补偿控制精度分别由PID控制的0.014 2 mm和0.221 1 mm提升至0.006 8 mm和0.073 9 mm,控制系统具有良好动态性能。     

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%。     

推土机工作装置CMAC神经网络控制

在分析以往推土机工作装置控制方法的基础上 ,引入小脑模型 (CMAC)神经网络控制技术 ,把调整手柄位置 C和发动机输出转速 n以及油门开度 a作为控制器的输入 ,工作装置扭矩作为输出 ,实现了神经网络控制器对推土机工作装置的控制。经试验 ,在阶跃激励信号输入时 ,这种小脑模型 (CMAC)神经网络控制器具有学习速率高和结构简单等特点 ,可使工作装置稳态精度达± 1mm ,效果十分明显。     

车辆半主动悬架自适应模糊控制

给出了车辆半主动悬架自适应模糊控制方法,设计了自适应模糊控制器,将模糊系统辨识和模糊控制结合起来,对自适应模糊控制规则进行了修正,使自适应模糊控制的复杂性得以简化,提高了半主动悬架控制的实时性,从而达到最佳的控制效果。与被动悬架的对比分析表明,自适应模糊控制半主动县架具有优良的减振性能。     

同步转向高地隙喷雾机模糊自适应轨迹跟踪预测控制

为提高同步转向高地隙喷雾机轨迹跟踪的稳定性与鲁棒性,提出一种基于模型预测控制理论的模糊自适应轨迹跟踪方法。首先,基于刚体运动学以及几何约束推导出喷雾机的非线性运动学模型,并对该运动学模型进行简化;然后,基于简化的运动学模型建立喷雾机的状态预测模型;最后,结合实际工况设计了模糊自适应预测控制器。仿真试验表明：与传统的预测控制器相比,模糊自适应预测控制器的跟踪速度更快、稳定性更好。场地试验表明：在进行初始误差2.5、5m的直线轨迹跟踪以及无初始误差的圆形轨迹跟踪时,其平均误差分别为0.0442、0.0602、0.0901m。本文建立的喷雾机运动学模型可以很好地体现同步转向高地隙喷雾机的运动特点,设计的模糊自适应预测控制器可以保证喷雾机路径跟踪的准确性和鲁棒性。     

基于同步整流的光伏水泵数字控制

根据光伏水泵无刷直流电动机驱动实际需要,提出一种数字控制器解决方案.为降低控制器续流损耗,基于同步整流技术采用MOSFET代替体二极管续流,并可降低控制器温升,提高系统可靠性.研究了改进的无差拍控制策略,采用自适应无轨迹卡尔曼滤波方法(Adaptive UKF)在线辨识、修正系统参数,以改善力矩电流控制效果.仿真和实验结果表明,该方案易于数字实现,参数辨识有效,电流控制精度高.提高了系统运行性能.     

车辆稳定性控制的虚拟实验

基于虚拟驾驶实验平台开发了车辆稳定性控制器.构建了由实车、虚拟场景、车辆动力学模型等组成的虚拟驾驶实验平台.用神经网络估计模型对车辆动力学系统进行了辨识,通过调整神经网络对象模型设计了神经自校正控制器,该控制器通过产生横摆力矩迫使车辆横摆角速度跟踪理想响应.在虚拟驾驶实验平台上研究了施加控制后车辆的响应及其与驾驶员的交互,对车辆在紧急避障操纵时的响应进行了虚拟仿真实验,验证了车辆稳定性控制器的有效性.     

基于神经网络算法的植保无人机硬件电路设计

针对现有的植保无人机操控较为复杂的现状,基于神经网络算法进行了硬件电路设计。植保无人机的主要组成包括控制结构、承力结构、升力结构和喷洒结构。为了提高多旋翼无人机的性能,采用BP神经网络对其控制系统进行设计,包括建立模型辨识控制器和逆模型控制器,以达到对多旋翼植保机辨识和控制的要求。为了验证该植保无人机的性能,对其进行控制性能和喷药试验。试验结果表明:植保无人机控制系统具有良好的自适应控制能力,喷药过程稳定,能够满足客户要求。     

不同车速下自适应变化的路径跟踪控制研究

路径跟踪是自动驾驶汽车的核心技术,许多控制算法已被广泛应用于路径跟踪任务。为了提高路径跟踪在不同速度下的自适应能力,提出了一种结合预测轨迹和模糊控制的自适应Stanley路径跟踪控制器。参考人类驾驶员经验,模糊控制器根据车辆的横纵向速度实时调整预瞄距离,预测轨迹根据纵向速度实时调整预测时间进行提前控制。最后设计了自适应邻域的粒子群算法来对控制器参数进行优化。通过Simulink-CarSim的联合仿真验证,证明自适应Stanley控制器可以显著提高对不同速度的适应性和跟踪性能。     

半主动空气悬架神经网络的自适应控制

针对半主动空气悬架这种时变的、非线性复杂系统，提出基于神经网络的自适应控制策略，设计了神经网络辨识器和控制器。仿真计算表明，神经网络自适应控制的半主动空气悬架具有明显的减振效果。为了验证仿真效果，还进行了台架试验，研究结果表明车身振动幅度可下降30％左右。仿真和试验研究均表明，所提控制策略是正确的和有效的。     

车辆悬架自适应模糊半主动控制系统研究

提出了一种车辆半主动悬架系统的自适应模糊控制方法。该方法以模糊控制原理为基础 ,融合自适应方法 ,将模糊系统辨识和模糊控制结合起来 ,在模糊控制器内采用“软反馈”并对自适应模糊控制规则进行修正 ,简化了运算 ,提高了半主动悬架控制的实时性 ,使系统的控制性能不断改善 ,显著地减少车辆振动及干扰 ,提高了受路面激励时车辆的舒适性 ,达到最佳的控制效果     

煤层气发动机稳态空燃比前馈控制脉谱生成

基于煤层气发动机进气系统的物理特性,采用平均值、多项式和模糊神经网络建模方法,建立了用于稳态空燃比前馈控制的递阶模型,并通过该模型生成了三维初始控制脉谱图.借助于辨识的过量空气系数自适应神经网络模糊推理系统(ANFIS)模型,进行了静态空燃比前馈控制仿真.利用前馈控制模型生成的数据,检验了实际控制效果.结果表明,前馈控制模型具有良好的预测能力,模型最大和平均预测误差分别小于8%和5%.     

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。     

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RBF网络的联合收获机脱粒滚筒恒速控制

对联合收获机行走、收割、脱粒系统进行分析,提出了系统数学模型的基本形式.针对该模型的高阶次、非线性和难以准确获得具体参数等问题,将模型差分方程的基本形式分解为与控制信号无关和有关的2个部分,利用RBF神经网络技术分别对2个部分进行在线辨识,控制器根据辨识结果进行控制,构建了自适应控制.利用该系统进行了不同条件下的仿真和试验,试验证明利用RBF网络可快速有效地拟合被控对象.当对象参数发生变化时,系统可实现跟踪适应,达到较好的控制效果.     

基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统.运用该方法对温室温度控制系统进行了Matlab 仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量.     

馈能悬架自适应离线神经网络逆控制

在馈能悬架系统馈能回路中引入Boost/Buck型DC-DC变换器,将DC-DC变换器的非线性数学模型描述为稳态分量和扰动分量之和,设计了自适应离线神经网络逆控制器。控制器由离线神经网络逆控制器和自适应控制器组成,离线神经网络逆控制器产生直流变换器的稳态输入,并利用变换器的稳态分量产生训练离线神经网络逆控制器的样本,自适应控制器产生补偿系统参数变化和不确定性扰动的动态输入。在此基础上,对控制器的性能进行了快速控制原型试验验证。最后,对馈能悬架进行了仿真研究。结果表明,自适应离线神经网络逆控制器能够使电动机电磁阻尼力较好地跟踪理想力,改善车辆的舒适性和平顺性,并有效地回收部分悬架振动能量,实现自供能控制。     

汽车牵引力控制系统神经网络控制算法

为获得汽车TCS自适应控制算法,应用神经网络算法设计了发动机油门位置和驱动轮制动压力控制器。应用自制的硬件在环试验平台对上述算法进行了调试。结果表明,汽车TCS神经网络控制算法能根据环境条件自适应地调整控制量,有效消除驱动轮过度滑转,使汽车具有良好的加速性和适应性。