四旋翼无人机高度控制——基于CNF与自适应非光滑控制

针对受限环境下四旋翼无人飞行器在参数不确定及外部扰动影响下的高性能高度控制问题,设计一种基于复合非线性反馈（CNF）和自适应非光滑轨迹跟踪控制的高度控制方法。通过四旋翼无人飞行器的垂直通道动力学模型分析和变换,将高度轨迹规划问题转换为输入受限的线性系统控制问题,设计CNF控制器实现轨迹生成;建立参数不确定及外部扰动影响下的垂直通道动力学模型,设计一种自适应非光滑轨迹跟踪控制器,并理论证明了闭环系统稳定性。最后,通过仿真实验验证所提出方法的有效性。结果表明,所设计方法能够有效提高参数不确定及外部扰动下的高度控制品质,且简单实用。     

CMAC神经网络与PID复合控制在电液伺服控制系统中的应用

针对典型电液伺服控制系统非线性、参数时变的特点,常规PID控制无法满足控制性能要求．文中提出将小脑模型（CMAC）神经网络和PID相结合的控制策略．仿真结果表明,经过CMAC神经网络对常规PID控制器的输出不断在线学习,系统能够有效抑制扰动,并具有实时性好,输出误差小,鲁棒性强等优点．在系统参数变化,外界扰动的影响下,其控制性能得到明显提高．     

基于自抗扰控制的典型RLC系统仿真研究

为有效解决二阶线性系统的时变参数与外部干扰的控制问题,提出采用自抗扰控制方法对系统进行鲁棒跟踪控制。以经典的串联RLC电路为研究对象,在考虑时变参数、外部干扰及其他不确定性因素的基础上,建立二阶系统模型;根据模型设计自抗扰控制器,其工作原理是通过扩张状态观测器实时观测系统扰动,进而补偿到自抗扰控制器中用以抑制扰动。应用Matlab进行系统仿真分析,验证了所设计控制器的有效性。     

基于动态神经网络非线性仿射系统H∞控制（一）

基于神经网络,对一类非线性系统H∞控制进行研究,通过构造动态神经网络来逼近非线性系统,在这个模型基础上,给出系统状态反馈控制方案,利用H∞控制来消除模型误差和外部扰动,使被控系统达到较好的性能,反馈增益矩阵转化为线性矩阵不等式问题,通过LMI来解决.     

基于RBF神经网络的不确定机械臂自适应反演控制研究

针对机械臂位置跟踪问题,基于RBF神经网络控制理论,提出了一种自适应反演控制方法．该方法利用反演控制技术解决了系统的非线性问题,通过神经网络对系统中不确定函数进行逼近,实现神经网络自适应反演控制,最后通过Lyapunov稳定性理论证明所得闭环系统的最终一致有界．仿真结果证明该算法的有效性．     

基于多层神经网络的饱和非线性输入自适应控制

针对一类具有未知饱和模型的单输入单输出非线性系统的控制问题,根据滑模控制原理和多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器的设计新方案。该方法将控制增益推广到未知函数,通过补偿饱和模型方法取消了饱和模型各参数已知的条件。鲁棒项的引入消除了建模误差和参数估计误差的影响。理论分析证明了闭环系统是半全局一致终结有界,跟踪误差收敛到零的邻域内。仿真结果进一步表明所提控制方法的有效性。     

基于动态神经网络非线性仿射系统H∞控制（二）

基于神经网络,对一类非线性系统H∞控制进行了研究,反馈增益矩阵转化为线性矩阵不等式问题,通过凸优化方法在线解决.最后,通过仿真实验说明本方案的有效性.     

不确定机器人的自适应H∞神经滑模控制

针对不确定机器人的轨迹跟踪控制,本文提出了一种自适应H∞神经滑模控制器。在设计系统标称控制律的同时,通过利用神经网络估计模型产生系统不确定性的补偿信号,并利用一个滑模控制项消除网络建模误差的影响,以改善标称控制律的控制性能,最后,基于H∞控制技术将外部干扰的影响抑制到期望水平,从而实现对不确定机器人系统的H∞跟踪控制。仿真实例证实了该控制方案的有效性。     

一类非线性不确定系统的多通道鲁棒故障诊断

针对一类含有状态时滞和扰动的非线性不确定系统,研究了一种基于状态估计的执行器故障诊断方法。在通过变换得到等价系统的基础上,构造全阶时滞观测器(TDO),削弱外扰影响,并利用神经网络设计的故障估计器在线估计出系统故障,实现多通道诊断,最后采用域值处理技术提高故障估计的鲁棒性。仿真示例表明了该方法的有效性。     

基于RBF神经网络逆系统的机械手轨迹跟踪控制

目的:针对机械手系统的高度耦合、非线性等动力学特性,系统结构和参数在实际工作中存在诸多不可预知因素,研究机械手的轨迹跟踪问题.方法:利用神经网络来构建机械手的逆系统模型,将其与被控对象串联构成伪线性系统,从而将非线性问题转化为线性问题,实现了机械手的在线建模、解耦控制.结果:仿真实验结果表明,迅速的跟踪给定的期望轨迹,脉冲干扰并未系统带来明显影响.结论:方案对控制系统有较强的适应性、稳定性以及抗干扰性能,有效地解决了机械手的轨迹跟踪问题.     

无人机飞行控制半实物仿真系统设计与实现

为保证无人机飞行试验的安全性,提升无人机飞控系统设计的可靠性,自主研发了无人机飞行控制半实物仿真系统。结合准确的无人机6自由度非线性数学模型和xPC实时系统模块模拟生成无人机飞行状态信息,根据地面站控制指令、传感器故障模注入指令解算获得不同飞行模式和飞行状态下的舵面偏转量,实现了实时系统闭环反馈控制,并驱动舵面偏转检验控制系统的响应速度。该系统不仅能验证飞控系统的逻辑性和实时性,而且借助虚拟现实技术和航迹地图显示,具备在线整定控制律参数的功能。该系统模块化程度高,相关硬件和软件对无人机平台和飞控计算机通用性广,依据多平台实验和多架次试飞的实验流程实用性强,为无人机飞控系统开发提供了切实可行、高效可靠的途径。     

基于P3D的飞机飞行航迹数据回放演示程序设计

在传统的飞机飞控系统教学中,通常以曲线形式显示飞机的姿态、舵面等数据,直观性不强,学生的学习难度较大,针对这一问题,利用虚拟仿真技术,基于P3D平台,设计了飞机飞行航迹数据回放演示程序,能够直观地将飞机的飞行姿态、舵面等数据以真实形象的三维场景表现出来,降低了学生的抽象思维难度,提高了学习效率。     

大型民机系统纵向Nz控制律设计

针对国内民机系统纵向稳定性较差、飞机纵向短周期模态响应稳定性不足等问题,以某大型民机为研究对象,基于特征结构配置方法,利用逆模型的思路确定控制系统前馈增益系数,并基于某典型配平状态点,利用线性模型设计该飞机纵向控制律。线性仿真分析中,利用俯仰角速率q响应准则评价控制方案效果。仿真结果表明,采用特征结构配置方法设计的纵向飞行控制律具有良好控制效果,可以改善系统飞行品质使其达到一级飞行品质要求,相比于经典控制理论,通过特征结构配置方法进行纵向Nz控制律设计可以一次性确定反馈增益系数,缩短控制律设计时间。     

大型民机飞机在环关键技术研究

我国民用航空工业起步较晚,全机级系统综合集成验证试验能力与试验设施尚不健全,没有达到工程实用、全飞行剖面模拟飞行的目标。在调研国内外相关文献及开展原理性试验的基础上,充分分析飞机在环试验原理及方法,明确了飞机在环关键技术,包括信号抽引、信号注入、仿真模型及试验设备等,并提出开放测试口的方法,以提升飞机在环集成验证技术成熟度到5级以上,为后续开展全机系统机上试验打下良好的技术基础。     

基于CMAC神经网络和Kalman滤波器的三维视觉跟踪

采用Kalman滤波器来预测图像特征点的位置，然后在其周围建立图像处理窗口，以达到减小特征点搜索区域及提高图像处理速度的目的．根据基于图像的视觉伺IBVS（image based visual servoing)的原理，在视觉伺服控制环中加入CMAC(cerebellar model articulation controller)神经网络来实现从图像空间的误差信号向输入空间的控制信号的非线性映射，从而避免了图像雅可比矩阵的不断调整及其复杂的求逆过程．模拟结果表明：采用Kalman滤波器能有效预测特征点的位置，同时采用CMAC神经网络能实现在线有导师学习，末端执行器能较好地对目标物体进行跟踪．     

Interval standard neural network models for nonlinear systems

INTRODUCTION Neural networks have been successfully em- ployed for controlling nonlinear systems since the 1990’s (Narendra and Parthasarathy 1990; Hunt et al., 1992; Suykens et al., 1996). In these nonlinear control systems, neural networks have been used either for modelling the system to be controlled, or for design- ing a controller, or both. Recently, the robustness issue has been an important focus of research in neuro-control circles (Suykens et al., 1996; Wams et al., 1999; Aya…     

Identification and control of a small-scale helicopter

Designing reliable flight control for an autonomous helicopter requires a high performance dynamics model.In this paper,a nonlinear autoregressive with exogenous inputs （NLARX） model is selected as the mathematical structure for identifying and controlling the flight of a small-scale helicopter.A neural network learning algorithm is combined with the NLARX model to identify the dynamic component of the rotorcraft unmanned aerial vehicle （RUAV）.This identification process is based on the well-known gradient descent learning algorithm.As a case study,the multiple-input multiple-output （MIMO） model predictive control （MPC） is applied to control the pitch motion of the helicopter.Results of the neural network output model are closely match with the real flight data.The MPC also shows good performance under various conditions.     

Modelling and control PEMFC using fuzzy neural networks

INTRODUCTION With worldwide increase of air pollution and the environmental consciousness of governments,people have to look for new resources to mitigate the energy crisis and improve the present environmental status(Baschuk and Li,2000;Rowe and Li,2001).Fuel cells are highly efficient and environmentally clean electricity generators(Berning et al.,2002)that convert the chemical energy of a gaseous fuel directly into electrical energy and play an important role in solving the energy pro…     

基于RBF神经网络的X型四旋翼飞行器优化控制

为使X型四旋翼无人机系统能够在受到扰动时快速调整状态以适应环境变化,对X型四旋翼无人机进行区别于传统的受力分析,建立动力学数学模型,采用RBF神经网络和PID联合控制方法,依靠神经网络自学习和非线性映射特征实现系统控制参数的动态整定。以MATLAB/Simulink为实验平台,对RBF神经网络PID控制系统和单纯PID控制系统分别进行仿真。实验结果表明,RBF神经网络PID控制比传统的PID控制调整时间更短、控制效果更好,增强了系统自适应性。     

Nonlinear modelling of a SOFC stack by improved neural networks identification

The solid oxide fuel cell (SOFC) is a nonlinear system that is hard to model by conventional methods. So far,most existing models are based on conversion laws,which are too complicated to be applied to design a control system. To facilitate a valid control strategy design,this paper tries to avoid the internal complexities and presents a modelling study of SOFC per-formance by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of mod-elling,the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. The validity and accuracy of modelling are tested by simulations,whose results reveal that it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. Furthermore,it is possible to design an online controller of a SOFC stack based on this GA-RBF neural network identification model.