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
针对四旋翼无人飞行器的强耦合、欠驱动、非线性强以及参数不确定等因素, 将小脑模型(CMAC)神经网络算法引入系统, 并与传统PD控制算法结合, 以改善系统的动静态性能。以传统PD控制实现对高度的反馈控制, 以CMAC神经网络进行前馈控制, 实现对高度模型的逆模型控制。仿真结果表明,该方法较传统PID控制的动态过程超调量小、响应快速, 且稳定性好, 系统抗干扰能力强。
四旋翼无人机 小脑模型 高度跟踪 复合控制 quadrotor UAV CMAC altitude tracking compound control
中国工程物理研究院 总体工程研究所，四川 绵阳 621999
针对机电伺服系统中存在的不确定因素和多余力扰动问题，提出一种自适应比例－积分－微分(PID)控制策略。该自适应控制器由最优PID 控制器和小脑模型关节控制器(CMAC)组成，最优PID 控制器用来整定系统的标称模型，CMAC 控制器用来克服系统中含有的不确定项和多余力扰动，自适应PID 控制器能确保系统跟踪误差和CMAC 权值误差收敛到零。仿真结果表明，本文提出的控制器具有令人满意的跟踪性能，对系统中的不确定因素和多余力扰动具有一定的鲁棒性。
比例－积分－微分控制器 小脑模型关节控制器 鲁棒控制 Proportion-Integration-Differentiation controller Cerebellar Model Articulation Controller robust control 太赫兹科学与电子信息学报
2016, 14(1): 117
1 浙江大学 现代制造工程研究所 流体传动与控制国家重点实验室,浙江 杭州 310027
2 华北科技学院 机电系,河北 燕郊101601
提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。
超磁致伸缩智能构件 小脑模型神经网络(CMAC) 滑模变结构控制 前馈补偿 迟滞非线性 giant magnetostrictive smart component CMAC neural network sliding mode variable structure control feedforward compensation hysteresis nonlinearity
中国科学院光电技术研究所, 四川 成都 610209
根据(CMAC)小脑模型处理非线性系统的特点,分析了应力盘系统的结构和盘控系统,引入了CMAC神经网络实现应力盘形变控制的模型。提出了将CMAC神经网络应用于应力盘逆变形智能控制的创意和实现方法,以应力盘面形参数和对应的驱动器电压参数作为样本训练CMAC神经网络,将训练成功的CMAC神经网络作为控制器控制应力盘变形,取得了误差小于5%的计算机仿真结果。
计算机神经网络 光学加工 应力盘 小脑模型神经网络 非球面
