为了提高某随动负载模拟器响应的快速性和准确性,对其进行神经网络滑模控制研究。结合伺服系统的模型,通过非奇异终端滑模控制器对其非线性动态变化做出响应。采用非线性量化小脑模型神经网络控制器输出补偿滑模控制器输出,用梯度下降法更新其权值。非线性量化小脑模型神经网络控制器的泛化能力强、收敛速度快,结合非奇异滑模控制器的鲁棒性强等优点,可以有效降低负载模拟器中非线性因素的影响。仿真实验表明,此方法可以保证系统的稳定性,加快动态响应的速度,提高控制精度。
随动负载模拟器 非线性量化小脑模型 滑模控制 梯度下降法 follow-up load simulator nonlinear quantitative cerebellar model Sliding Mode Control (SMC) gradient descent method
为了提高某随动系统负载模拟器加载系统的力矩跟踪精度, 提出一种模糊RBF神经网络终端滑模复合控制方法。首先通过对随动负载模拟器的系统组成和工作原理的分析, 简化力矩电机模型, 根据扭矩传感器和惯量盘的模型, 建立随动负载模拟器的简化等效模型。随后设计了一种快速终端滑模控制器, 为了提高滑模的动态品质, 利用模糊神经网络方法动态调节滑模面参数。同时, 为了提高模糊RBF神经网络的学习和训练速度, 用最近邻层次聚类和共轭梯度算法调整网络各参数, 并对算法进行局部优化以提高算法性能。最后进行仿真, 证明该方法提高了系统控制精度且具有良好的动态特性。
负载模拟器 模糊RBF神经网络 快速终端滑模 最近邻层次聚类 改进共轭梯度算法 load simulator fuzzy RBF neural network fast terminal sliding mode nearest-neighbour hierarchical clustering improved conjugate gradient algorithm
针对炮控系统随动模拟加载系统存在的摩擦、间隙、耦合等复杂非线性和参数时变等不确定性特征, 提出了一种自适应神经滑模控制策略。对于系统中存在参数时变等不确定性, 利用RBF神经网络自适应逼近不确定部分; 另外, 利用RBF神经网络动态调节切换函数的切换增益, 改善系统的动态品质。采用Lyapunov理论推导出自适应律, 在线估计神经网络权值和未知函数, 并证明了系统稳定性。仿真表明, 该控制策略能够较好地抑制干扰力矩, 响应快, 保证了系统静、动态的加载控制精度和鲁棒性。
随动模拟加载系统 滑模控制 RBF神经网络 自适应律 干扰力矩 servo simulated loading system sliding mode control RBF neural network adaptive law disturbance torque