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
1 光电控制技术重点实验室，河南 洛阳471009
2 西北工业大学航天学院，西安710072
在电动负载模拟器的控制系统设计中，其参数优化一般需要大量试验。根据负载模拟器的工作原理建立了伺服电机的数学模型，在分析CMAC神经网络控制结构的基础上，引入了更新系数和补偿环节，提出了一种基于CMAC神经网络的改进算法，对各控制参数进行了寻优，获得了参数的选择域。通过对系统的数字仿真表明，该方法可稳定地跟踪非线性输入，尤其在大角度高速下加载效果良好，满足项目精度性能要求，对负载梯度和频率变化具有自适应能力。
电动负载模拟器 CMAC神经网络 参数最优 自适应 load simulator CMAC neural network parameter optimization self adaptation
为增强电动负载模拟器的自适应能力以抵抗系统的非线性、时变参数及运动扰动的影响,提出利用小脑模型神经网络(CMAC)与PID的并联进行控制与调节的控制方法。利用PID控制保证系统的初始稳定性,在小脑模型神经网络引入速度信号和误差信号构成二维参考输入,使系统具有很好的自适应消扰能力,减小了多余力矩的影响。仿真证明了该方法的可行性和有效性,收到了很好的控制效果。
电动负载模拟器 神经网络控制 智能PID 多余力矩 motor-drive load simulator neural network controller intelligent PID extraneous torque
