基于RBF神经网络的自适应PID星钟热控制

星钟的频率稳定性决定了星钟提供时间信息的精度,而频率稳定性取决于星钟物理核心温度的稳定程度.基于RBF神经网络逼近星钟热模型,设计自适应PID控制方法实现星钟物理核心的温度控制.仿真验证了算法的有效性.     

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.      

基于萤火虫优化神经网络算法的气浮台自动调平衡研究

为了利用气浮台在地面精准演示分布式多星组网技术及验证多模式高分成像过程,提出一种基于改进型BP神经网络PID控制的气浮台快速自动调平衡算法.针对以往算法调平时间较长、容易得到非最优解的问题,引入仿生萤火虫算法对神经网络初始权值进行优化,提高了算法的收敛速度和稳定性.基于构建的三轴气浮台运动学和动力学模型,通过仿真实验验证了优化算法对自动调平衡具有良好的控制效果,满足多星地面仿真的调平衡要求.      

基于改进萤火虫算法的小卫星质量特性调整 #br#

摘要： 为了消除小卫星在轨运行过程中因燃料消耗等原因造成质量特性变化的影响,提出一种基于改进萤火虫算法的卫星在轨质心调整方法.该方法运用萤火虫算法对PID控制器的参数整定进行优化,针对收敛速度慢和容易陷入局部极小值的问题,引入自适应步长因子对算法进行改进.算法通过编程注入星载计算机,进而控制电机调整机构完成卫星在轨质心调整.依托于地面气浮平台进行半物理仿真实验,实验结果表明改进算法在第48次迭代完成PID参数整定,相较于其他算法具有更快的收敛速度和动态响应特性.基于改进算法的调整系统可在59 s将单轴质心偏移量减小到精度要求,验证了系统在小卫星质量特性调整上的实时性和稳定性.     

专家-模糊PID在低速风洞风速控制系统中的应用

介绍北京航空航天大学D-4低速风洞风速控制系统的结构、控制原理和性能特点.为了解决低速风洞风速控制系统建模困难、控制系统复杂、易受外界影响,且自身参数时变不确定、控制难度大的特点,采用了模糊PID调节算法结合专家判断组成专家-模糊智能控制器的方法控制风速.现场调试运行结果表明:这种方法解决了常规PID不能在线进行参数自整定的问题,不仅具有PID控制器高精度的优点,又具有模糊控制器快速性、稳定性、鲁棒性高的特点,并且具有良好的动、稳态特性,可满足低速风洞风速控制要求.      

基于神经网络的仿真转台控制系统

在转台存在偏载、摩擦等不确定负载干扰的情况下,用神经网络与PID(Proportional-Integral-Differential)控制相结合的方法,设计了适应负载变化的转台控制系统.分析了基于BP(Back Propagation)神经网络的自适应PID控制器的基本原理,建立了转台位置控制系统的数学模型,并对控制系统进行仿真分析和实验验证,通过与传统PID控制的对比实验与仿真表明:所设计系统由于有自学习能力,能动态调整PID参数,使系统表现出良好的抗干扰能力和跟踪性能,证明了所设计系统的有效性.该算法结构简单,PID初始参数调整方便,易于在转台实时控制系统中应用.     

阀控电液位置伺服系统非线性鲁棒控制方法

为了解决电液伺服跟踪控制中存在流量非线性以及参数不确定问题,以阀控液压马达为对象设计了一种非线性鲁棒控制器.该算法基于Back-Stepping的设计思想,将阀控电液系统的位置跟踪问题转化为系统负载流量规划问题,仅需一步反步递推,即可完成控制器设计,具有较强的工程实用性.该算法综合考虑了制约电液位置系统跟踪精度的流量非线性以及系统参数不确定性问题.理论证明了该算法的稳定性.通过和传统PID(Proportional-Integral-Derivative)控制器的对比试验表明,基于该控制器,系统跟踪性能得到了显著提升.     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

采用BP算法的模糊自适应控制

在对不熟悉的过程进行模糊控制时,由于对过程的不了解,很难得到合适的控制规则.基于模糊控制器的一种解析结构,提出了将模糊控制器与神经网络相结合的方法.由神经网络对系统进行辨识,并为学习系统提供必要的信息,将控制对象视为神经网络的输出部分,采用BP算法根据神经网络提供的信息对经验规则进行修改,从而改善模糊控制系统动态响应.仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入.     

基于约束预测控制的火星大气进入轨迹跟踪

针对火星着陆任务大气进入段的轨迹跟踪控制问题,给出了一种基于约束预测控制的跟踪策略。综合考虑大气进入段动力学模型的非线性、状态初值的不确定性、控制量限幅约束以及参数摄动,设计了基于线性化阶跃响应预测模型、反馈校正和含约束滚动优化的约束预测控制器,并通过数学仿真对该方法进行了数值验证,结果表明:约束预测控制较PID对参考指令跟踪精度更高,开伞点误差圆半径远小于PID方法;能得到控制量限幅约束条件下平稳的控制曲线。     

Mars entry fault-tolerant control via neural network and structure adaptive model inversion

The capability of autonomous fault detection and reconstruction is essential for future manned Mars exploration missions. Considering actuator failures and atmosphere uncertainties, we present a new active fault-tolerant control algorithm for Mars entry by use of neural network and structure adaptive model inversion. First, the online BP neural network is adopted to conduct the fault detection and isolation. Second, based on the structure adaptive model inversion, an adaptive neural network PID controller is developed for Mars entry fault-tolerant control. The normal PID controller will be automatically switched into neural network PID controller when an actuator fault is detected. Therefore, the error between the reference model and the output of the attitude control system would be adjusted to ensure the dynamic property of the entry vehicle. Finally, the effectiveness of the algorithm developed in this paper is confirmed by computer simulation.     

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。     

基于神经网络的自由漂浮空间机械臂 自适应鲁棒控制

针对自由漂浮空间机械臂动力学模型难以精确获得,且无法表达为关于未知参数的线性形式问题,提出基于自适应神经网络的鲁棒控制方法.对于不确定性空间机械臂系统模型中存在的未知不确定部分,利用神经网络的万能逼近特性,设计神经网络控制器来补偿未知模型,避免传统控制中的保守上界估计;采用泰勒线性化技术将神经网络隐含层中的高斯函数线性化,设计包括网络权值、高斯中心及宽度在内的网络全参数自适应学习律,实现在线实时调整,提高控制精度;设计鲁棒自适应控制器来抑制外界扰动,并补偿逼近误差,提高系统鲁棒性;基于Lyapunov理论证明闭环系统的一致最终有界（UUB）.仿真试验表明所提控制方法能够获得较好控制效果,对空间机械臂控制具有一定工程应用价值.     

平流层飞艇巡航姿态自适应神经网络补偿控制

 研究了一种基于自适应神经网络补偿的平流层飞艇前向速度与姿态控制系统设计方法。针对近似模型进行常规线性动态补偿器设计,并引入自适应径向基函数(Radial Basis Function, RBF)神经网络对模型误差进行补偿。根据Lyapunov方法得到神经网络权值自适应律,保证了闭环系统误差信号一致最终有界。该控制器设计对模型参数信息仅有较少的要求。仿真结果表明对于两类不同的飞艇模型,所设计的控制器在响应性及对未知环境风速作用的鲁棒性方面均具有良好的效果。     

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。