基于MAS和RL的舰船设备协同控制方法

在构建舰船设备协同控制多智能体系统(MAS)过程中,各Agent之间存在某种内在的冲突、联系和规律,为了有效地发现和消解这些问题,引入智能控制解决方案和强化学习方法,能为MAS系统的构建提供有效的技术保障.本文提出了基于强化学习(RL)算法即改进的遗传算法并辅之以贝叶斯学习算法,来解决舰船MAS中各Agent中的任务分配问题、实现设备协同控制的优化和学习,并以舰船运动目标下的设备协同控制来具体验证上述算法,从而体现舰船运动控制MAS的可行性.     

基于主从控制模式的铺带机控制技术

针对某型号工程大型复合材料筒段成型需求,以通用缠绕机为平台,提出一种基于主从式控制系统的专用自动铺带机系统方案.在分析铺带机控制功能的基础上,以西门子802C为主控制系统和PMAC为从控制系统构建了数控系统;为实现主从式控制系统间开关量协同控制,研制了主从系统间协同控制的PLC程序模块.经过实验验证,此控制系统完全满足实时性的控制要求.     

质量统计过程控制SPC技术及其应用

介绍SPC发展过程、特点及SPC技术适用范围,阐述控制图设计原理;并对SPC技术在质量管理中的应用方法和在计算机系统中实现的思路进行论述和研究,提出SPC质量控制应用流程图。     

精确复现机翼摇滚运动的控制技术

为快速、精确地复现自由摇滚实验得到的机翼摇滚运动,在控制伺服电机的传统PID参数基础上增加了基准速度修正系数Kv,并将其视作PID参数的一部分,在此基础之上给出了一种PID参数的快速估计方法.利用该方法可以快速得到不同试验状态下控制伺服电机复现机翼摇滚运动的PID参数,提高了调试反馈控制量的效率.同时,发现在进行PID参数调节之前对速度时序曲线进行光滑化预处理,能为进一步进行PID调节打下坚实基础,提高电机驱动模型复现机翼摇滚运动的精度.最后,通过风洞试验对给出的方法进行了实验验证.     

基于鲁棒性参数设计法的多超声电机驱动机器人的控制

由于超声电机复杂的能量转换机制和参数受温度和工作环境影响的非线性变化,使得很难对超声电机进行数学描述。为了使超声电机驱动的多关节机器人有较好的表现性能,根据超声电机的运动特点,提出了一种新颖的速度——位置双闭环反馈控制方式。鉴于该控制方式需要调节的控制参数有18个,为了获得一组具有鲁棒性的控制参数,选用了鲁棒性参数设计法。实践结果表明,所提出的控制方式能够获得机器人的良好运行性能,鲁棒性参数设计对超声电机而言是有效而方便的。     

NF-3风洞神经网络自适应稳风速控制系统研制

介绍西北工业大学NF-3大型低速直流式翼型风洞改进后的稳风速控制系统的结构、控制原理和性能特点.针对低速直流风洞风速控制系统建模困难,易受外界干扰影响,且自身参数时变不确定,控制难度大的特点,新系统采用了多线程、数字式数据采集方式,带死区控制的PSD神经网络自适应控制算法.通过在NF-3风洞三元试验段和二元试验段的实际应用,与正在使用的模糊控制系统相比较,新系统的适应性和鲁棒性更强,调试时间大为缩短,风速控制精度在风速大于10m/s时从国军标的合格指标0.3%提高到先进指标0.1%,稳定时间减少了10%左右,人机交互也更加友好.     

基于双环滑模的导弹控制系统设计与仿真

基于滑动模态控制理论设计了一种导弹姿态控制器,这个控制器应用双环滑模控制的方案,可以获得对角速度及姿态角的同时跟踪并具有较好的鲁棒性能和解耦性能.仿真结果表明,该控制系统具有良好的跟踪性能和鲁棒性.     

基于含间隙吸振器的半主动振动控制

提出一种基于刚度分段线性动力吸振器的半主动振动控制策略，通过调节弹性元件的间隙实现吸振器工作频率连续跟踪外激励频率的变化。文中根据基波平衡导出了使主系统近似完全消振所需的弹性元件间隙控制律。数值仿真表明：这种半主动控制策略对于单自由度主系统和多自由度主系统均有很好的消振效果和相当宽的工作频带     

双臂机器人协调动力学及其优化

通过引入“虚铰”概念，将双臂机器人协调动力学问题统一归结为约束多体系统的动力学问题。利用子系统牛顿－欧拉递推法获得的单臂机器人的动力学方程以及静力传递与速度传递间的对偶关系，很方便地导出了双臂机器人的动力学方程与回路约束方程，回路约束方程的建立无需增加额外的计算。此外，文中还对双臂机器人协调动力学的求解及其优化问题进行了讨论，最后以一搬运双臂机器人为例进行了动力学的计算机辅助优化，获得了令人满意的结果。文中所得结论对双臂机器人的设计与控制均具有一定的参考价值。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能