仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于BP神经网络PID控制器在水产温室温度控制中的应用

针对水体大比热容性造成的水产温室水温变化非线性、大滞后性、时变性等问题,考虑到传统PID控制器自适应能力差、鲁棒性不强等缺陷,提出采用基于BP神经网络的PID控制策略。在该控制策略中,PID的控制参数可以通过神经网络进行实时调节,以实现最佳的控制效果。利用MATLAB软件对传统的PID控制策略和神经网络PID控制策略的控制效果进行仿真模拟。研究结果表明,基于BP神经网络PID控制的系统动态响应更快、鲁棒性更强、稳态精度更高、超调量更小,具有更好的控制效果。     

低轨无拖曳卫星的自适应神经网络控制器设计

低轨无拖曳(Drag-free)卫星为相对论的验证、引力波探测以及地球重力场的测量提供了低干扰的试验环境。目前已有的工作主要对无拖曳卫星模型进行线性化,然后进行控制器设计,此种方法忽略了无拖曳卫星控制系统的非线性环节,因此降低了控制器的精度。本文将基于Lyapunov稳定性理论和自适应反步控制,直接针对无拖曳卫星控制系统的非线性模型进行分析,设计一种自适应神经网络控制器。针对系统建模过程中的线性化和未建模动态,利用RBF神经网络对非线性项进行拟合和补偿,建立自适应神经网络权值自适应律,保证闭环系统具有较好的鲁棒稳定性能和抗干扰性能,实现无拖曳卫星控制系统的设计要求。仿真结果表明控制器的有效性,满足了无拖曳卫星的控制精度要求。     

采摘机械臂的自适应神经网络滑模控制

针对采摘机械臂的位置终端的精确控制问题,提出了一种将自适应神经网络与滑模控制相结合的控制策略.首先通过神经网络来估计系统模型中的不确定性,提出了一种具有神经网络补偿作用的滑模控制器,基于李雅普诺夫稳定性理论证明了闭环系统的稳定性,并改善了系统的动态性能.仿真试验表明,该控制方法能够有效地削弱抖振现象,具有很好的鲁棒性和动态特性.     

神经网络自适应控制在攻击直升机中的应用

研究了神经网络自适应控制在直升机飞行控制系统中的应用。首先将直升机姿态角系统划分为快慢回路 ,并分别采用动态逆方法进行设计 ;针对动态逆方法的优点和不足 ,提出了小波神经网络自适应逆控制方案 ,把BP小波神经网络和基于李亚普诺夫稳定的小波神经网络分别应用于直升机飞行控制系统中 ;最后对典型机动飞行进行了仿真 ,说明小波神经网络方法应用的正确性和有效性。仿真结果证明 ,本文采用的小波神经网络自适应控制方法效果好 ,具有工程应用价值     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

静止无功补偿器的智能自适应PID控制器设计

将神经网络和模糊控制与有着广泛应用ＰＩＤ控制相结合,设计了一种静止无功补偿器的智能自适应ＰＩＤ控制器。利用神经网络实现系统模型辨识,采用模糊逻辑和神经网络相结合对ＰＩＤ控制器参数动态寻优。使ＳＶＣ的控制既具有模糊控制的简单,有效的非线性控制作用,又具有神经网络的自学习,自适应能力。     

神经网络自适应模糊控制器设计与应用

把神经网与模糊系统相结合，提出一种基于神经网络的自适应模糊控制器，这种控制系统由模糊神经网络控制器和模糊网络组成，具有自适应学习能力，仿真结果以及应用于温度控制系统中，其鲁棒性明显优于一般Ｆｕｚｚｙ控制。     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

木塑复合材料铣削加工表面粗糙度及其预测模型的研究

在木塑复合材料（WPC）的加工过程中,加工精度低、切削表面质量差等问题时有发生,而切削力和切削温度对刀具的寿命和加工表面质量有着非常重要的影响。采用硬质合金单齿柄铣刀对木塑复合材料进行铣削试验,研究主轴转速、进给速度、切削深度等切削参数对切削力、切削温度、加工表面粗糙度的影响。在试验数据的基础上,采用BP神经网络建立了WPC加工表面粗糙度的预测模型。结果表明,随着主轴转速增大,WPC的切削力减小,切削温度增大,表面粗糙度减小;随着进给速度增大,WPC的切削力增大,切削温度减小,表面粗糙度增大;随着铣削深度增加,WPC的切削力增大,切削温度增大,表面粗糙度逐渐增大。建立的预测模型具有较高的精度,能够用于WPC铣削加工表面粗糙度的预测,为提高WPC加工表面质量、刀具使用寿命提供了理论和实践指导。     

模糊自组织网络在刀具磨损状态监测中的应用

应用模糊逻辑和无教师自组织神经网络进行车削过程刀具磨损状态监测.根据典型切削条件组合建立由多个子网络组成的自组织网络阵列,其中每一子网络对应一种典型切削条件,并进行训练.对于具体切削条件,运用模糊逻辑技术选取对应的优化子网络.文中所建名为Fuzzy-SOM-TWC监测系统的运行基于加工过程实时采集的切削力、声发射以及电机电流信号.切削实验用于训练和检验监测系统,实验结果显示其对于刀具磨损状态的识别正确率可达到98%-100%.     

基于神经网络PID算法的优化饲料配制系统

【目的】设计饲料配制控制系统,并采用神经网络PID优化算法实现对配料精度的提高。【方法】以西门子S-200 smart型PLC为主控设计饲料配制控制系统,针对现有常规PID算法的控制策略存在超调大、收敛慢等缺陷和BP神经网络梯度下降过程容易出现局部最小化问题,提出以附加动量项的BP神经网络PID算法实现称重误差的降低。【结果】基于动量项的梯度下降法建立的BP神经网络PID算法模型解决了参数自学习整定问题,在响应速度上该算法与PID算法对比为3∶1,试验后平均精度99.6%。并在收敛速度和改善超调现象具有更高效的表现。【结论】配料系统经算法优化后误差得到有效控制。     

木材干燥过程的Elman神经网络模型研究

[目的]研究木材干燥过程的Elman神经网络模型。[方法]在人工神经网络理论的基础上,选用Elman神经网络建立木材干燥过程模型。针对木材干燥过程的特点,Elman神经网络利用木材干燥过程材堆的温度、湿度以及对应的木材含水率建立模型。[结果]通过实际干燥过程数据对模型的准确度进行验证,结果表明Elman神经网络利用少量数据就可以建立模型,并且模型预测精度高,对数据的联想记忆和优化能力强。[结论]Elman神经网络建立的木材干燥过程模型准确,对于提高木材干燥过程的控制水平具有重要研究意义。     

总线型粒子群神经网络谷物干燥机控制系统设计

针对谷物干燥过程存在本构非线性、多参数、大滞后等特点,采用Elman神经网络对干燥过程进行建模,并融合自适应粒子群优化算法设计了谷物干燥机智能控制系统,同时给出了系统测试结果。系统硬件设计采用上位工控机实现建模和优化算法,热风温度、谷物含水率等采用C8051F020单片机通过总线方式进行采集,系统控制参数由工控机计算优化获得并通过串口传送给单片机,并由其控制相应变频器和电动风阀等执行机构。     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时，存在难以建立精确的数学模型、控制精度不高等缺点，提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型，克服误差积累以及网络规模庞大的缺点；运用粒子群优化(PSO)算法完成非线性预测控制的滚动优化。仿真表明，该方案的控制效果比常规动态矩阵控制效果有所提高，该方案是可行和有效的。     

基于神经网络PID的纤维板调施胶控制系统的设计

基于神经网络的优点,设计了神经网络作为主控制器的对系统进行辨识的纤维板调施胶控制系统和神经网络作为辅助控制器来修正PID控制器的纤维板调施胶控制系统.分析了两种神经网络控制器的性能优劣.仿真表明,神经网络作为辅助控制器调节PID比神经网络作为主控制器的超调小,系统稳定时间更短.