基于模糊聚类SCARA机器人自适应动态控制

针对工业机器人的不确定性问题,本文提出了基于模糊聚类算法的SCAR A机器人自适应动态控制方法。该方法利用聚类算法去除机器人的运动轨迹数据中的噪声,将简化的数据送入模糊神经网络学习,在线生成模糊规则,调整规则参数。该神经网络在SCAR A机器人上进行验证,控制效果稳定可靠。     

基于自适应控制的2-DOF不确定机器人系统研究

由于操作机器人的环境及目标性质在工作过程中会随时发生变化,导致控制因素具有未知性和不确定的特性,而使控制系统的性能变差。所以运用自适应控制的优点,利用给定的期望轨迹,设计自适应控制器,进而控制不确定机器人系统的机械臂的运动轨迹。仿真结果表明,在误差允许的范围内,控制器可达到预期目标。     

基于自适应模糊滑模控制在交流伺服系统中的应用

在伺服电动机控制系统的使用中,由于电动机存在端部效应引起的动子磁链非正弦性、摩擦非线性以及负载的变化等都将使高精度位置伺服系统性能变坏,因此必须采用鲁棒性强的控制策略来抑制这些扰动。本文设计了一种带积分滑模面的自适应模糊滑模控制系统,并将其应用于伺服电动机的位置控制系统中。自适应模糊滑模控制系统由模糊控制和切换控制组成,运用模糊控制器来模拟反馈线性化控制率,使用切换控制来补偿滑模控制器的输出误差。调节算法是从李雅普洛夫稳定性理论得到的,从而可以保证系统的稳定性。经仿真验证,所设计的系统性能令人满意,而且对参数变化和外部负载扰动具有较强的鲁棒性。     

神经网络自适应控制及其发展应用

文章系统地阐述了神经网络自适应控制的本质、优势与研究进展,介绍了神经网络自适应控制的不同结构模型及其所具有的特性,分析了目前神经网络自适应控制尚存在的问题,及其日后的研究重点与方向,指出了神经网络与自适应控制相结合,应用于控制系统中的优越性和可行性。     

神经网络自适应逆控制在铝电解过程控制中的应用

通过采用神经网络自适应逆控制方法来解决铝电解过程中存在的时变和大时滞问题,可以提高其控制性能。本文就铝电解过程进行建模,并将神经网络与自适应逆控制算法相结合,发现神经网络自适应逆控制模型的输出能很好地跟踪铝电解生产过程,控制效果好。在这里提出一个能使铝电解过程很快进入稳态、超调量较小的控制方案,提高铝电解过程的动态和稳态性能。     

应用模糊神经网络综合评定混凝土强度

钻芯和回弹是两种常用的混凝土测强方法。为了充分利用这两种测强手段的特点,本文将模糊神经网络应用到混凝土强度综合评定中。由于模糊神经网络具有很强的自学习、泛化和模糊逻辑推理功能,它可以有效地映射出钻芯、回弹数据间复杂的非线性关系。通过对试验数据的仿真计算,其强度预测精度高于常规的综合方法．     

基于模糊神经网络的变频空调控制研究

空调控制房间温度时,由于被控系统具有非线性、变参数、大延迟、干扰多的特性,很难构建精确的数学模型。基于模糊控制理论设计了空调控制器,由于控制规则很难确定,采用神经网络优化训练模糊控制参数及规则,并对变频空调控制房间温度进行了仿真。实验分析,设计的控制器具有很好控制效果,并具有优良的鲁棒性、自适应能力。     

变桨距风电机组的桨距角自适应模糊滑模控制

由于变桨距风力发电系统具有复杂非线性,参数变化等特性,精确建立变桨距风电机组的数学模型是十分困难的,这就要求控制器对被控对象的模型误差、参数变化以及外部干扰有极佳的不敏感性。将提出的自适应模糊滑模控制器应用到变桨距风力发电机组的桨距角控制策略中。仿真结果表明：此方法具有很强的鲁棒性,能够较好的抑制风速波动的影响,改善了风力发电机组的变桨距控制效果,整个控制系统具有速度响应快、跟踪能力强、控制精度高、自适应能力优的特点。     

参数自适应模糊PID控制在热轧活套上的应用

传统PID控制在热轧活套控制上动态性能不佳,导致活套头部波动很大,本文讨论了用参数自适应模糊PID控制代替传统PID控制,应用在宝钢热轧活套上,并验证了使用效果。     

Deadzone compensation based on constrained RBF neural network

In this paper, a modified adaptive neural network for the compensation of deadzone is described, and simulated on a hydraulic positioning system, in which the dynamic model is separated into a series of connection of a nonlinear (deadzone) subsystem and a linear plant. The proposed approach uses two neural networks. One is the radial basis function (RBF) neural network, which is used for identifying parameters of deadzone. Based on the penalty function used in optimization theory, a multi-objective cost function with constraint is adopted to provide the best deadzone approximation. The result is used to train the other neural network for the inverse compensation of deadzone. The RBF neural network also generates the parameters of the linear plant for the design of an adaptive controller. A convergence analysis for the network training process is also presented.     

Adaptive control of PLL using neural network

This paper proposes a method for increasing capture range of a phase-locked loop (PLL). The behavior of PLL in the initial condition is nonlinear. This nonlinearity phenomenon is caused by phase detector (PD). A method using neural network as controller in PLL is proposed for overcoming this problem. In the proposed method, the reference frequency and frequency of VCO converted to voltage by FTV. Frequency tracking is achieved by neural network. The circuit has been fabricated in a standard 0.13 μm CMOS process. Simulation results show a tracking range of 110 MHz, and a capture range of 90 MHz while operating from a 2 V supply with maximum 2.18 mW power consumption.     

Auto-structuring fuzzy neural system for intelligent control

An auto-structuring fuzzy neural network-based control system (ASFNS), which includes the auto-structuring fuzzy neural network (ASFNN) controller and the supervisory controller, is proposed in this paper. The ASFNN is used as the main controller to approximate the ideal controller and the supervisory controller is incorporated with the ASFNN for coping with the chattering phenomenon of the traditional sliding-mode control. In the ASFNS, an automatic structure learning mechanism is proposed for network structure optimization, where two criteria of node-adding and node-pruning are introduced. It enables the ASFNN to determine the nodes autonomously while ensures the control performance. In the ASFNS, all the parameters are evolved by the means of the Lyapunov theorem and back-propagation to ensure the system stability. Thus, an intelligent control approach for adaptive control is presented, where the structure and parameter can be evolved simultaneously. The proposed ASFNS features the following salient properties: (1) on-line and model-free control, (2) relax design in controller structure, (3) overall system stability. To investigate the capabilities, the ASFNS is applied to a kind of nonlinear system control. Through the simulation results the advantages of the proposed ASFNS can be validated.     

Adaptive output feedback neural network control of uncertain non-affine systems with unknown control direction

This paper deals with the problem of adaptive output feedback neural network controller design for a SISO non-affine nonlinear system. Since in practice all system states are not available in output measurement, an observer is designed to estimate these states. In comparison with the existing approaches, the current method does not require any information about the sign of control gain. In order to handle the unknown sign of the control direction, the Nussbaum-type function is utilized. In order to approximate the unknown nonlinear function, neural network is firstly exploited, and then to compensate the approximation error and external disturbance a robustifying term is employed. The proposed controller is designed based on strict-positive-real (SPR) Lyapunov stability theory to ensure the asymptotic stability of the closed-loop system. Finally, two simulation studies are presented to demonstrate the effectiveness of the developed scheme.     

基于arm的家用清洁机器人的控制系统设计

文章提出了一种基于ARM处理器的家用清洁机器人控制系统,包括硬件设计和软件设计。硬件部分包括主控器模块、电源及欠压检测模、传感器模块、人机交互模块、驱动模块以及清洁模块。软件部分设计了清洁机器人的主要控制流程。该控制系统以通用性和功能完备为目标,使机器人具备智能清洁能力。     

基于SOM神经网络的负荷特性分类

负荷模型对电力系统仿真结果有重要影响,由于负荷特性的辨识是负荷建模的主要方面之一,故提高负荷模型的准确度就需要对负荷特性分类进行研究。文章在详细分析SOM自组织映射神经网络结构的基础上,采用了基于SOM神经网络的负荷分类方法,以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对负荷特性进行分类,并对分类结果进行测试,结果表明该方法可有效地对负荷样本进行分类。     

基于模糊控制的三级倒立摆系统仿真

倒立摆是理想的自动控制试验对象,应用模糊控制方法,研究了三级倒立摆系统的稳定控制问题。通过对系统的线性化模型设计LQR最优控制反馈权阵,并基于最优线性控制的反馈参数选择模糊控制参数。仿真结果表明该方法可实现三级倒立摆系统的稳定控制,具有参数选择简单、动态性能较好等特点。     

基于BP神经网络的企业人力资源配置模型研究

通过对企业人力资源特点的分析与比较,指出了决定企业人力资源配置和影响人员流动的若干因素.在此基础上,运用人工神经网络理论建立了对应的人员流动预测模型,同时利用Matlab软件对模型进行了仿真分析.     

基于人工神经网络的汉字识别方法研究

电子计算机广泛应用于信息处理中,有极强的算术和逻辑运算能力,有极高的运算速度、精确度和可靠度。但是,它的形象思维能力与人相距甚远。如果计算机具备了模式识别能力,人们就可以使用机器来执行感知任务。文章运用了人工神经网络,模式识别的方法及原理,以Matlab软件作为平台来探讨应用神经网络对汉字进行识别。并通过对汉字样本图象采集输入,汉字图象二值化,行字切分,十进制存储等预处理,分别在有、无干扰的情况下对汉字进行识别,从而评价其性能的优劣。     

基于BP神经网络的中国煤炭安全评价研究

本文从资源、供需、运输、灾害、环境、市场六个方面构建涵盖供给安全和使用安全在内的煤炭安全评价体系,应用BP神经网络进行中国煤炭安全评价的实证分析。研究发现:凭借BP神经网络在能源等非线性复杂系统高效的仿真能力和逆向输出的优势,仿真训练结果准确率高,模拟预测简便易行。虽然丰富的资源储量和较高的自给水平确保了煤炭的供给安全,但CO2和SO2排放造成严重的环境问题和温室效应,使得使用安全仍是煤炭安全需要关注的焦点。今后,需要在降低煤炭在能源结构中的比重,提升电煤消费份额,大力发展洁净煤技术等方面采取有效的应对措施。