半主动悬架神经网络自适应控制研究概要
360元 /年技术创新
控制系统
PLC 技术应用 200例》
半主动悬架神经网络自适应控制研究
Neural-network Adaptive Control for Vehicle Sem i-active Suspension
(华东交通大学洪家娣
赵开林
HONG JIADI ZHAO KAILIN
摘要 :本文针对半主动空气悬架这种时变的、非线性复杂系统 , 提出基于神经网络的自适应控制策略 , 设计了神经网络辨识器和控制器。通过仿真计算和分析验证了其可行性和有效性。关键词 :半主动悬架 ; 神经网络 ; 自适应控制
中图分类号 :TP311
文献标识码 :A Abstract:Given the time -variation parameters and the non -linearities in time varying semi -active suspension system , the adaptive
control strategy based on neural networks is put forward and the neural identifier and controller are designed.Simulations and experi-ments illustrate the correctness and effectiveness of the proposed method.
Key words:semi-active suspension, neural-network, self-adaptive controller
文章编号 :1008-0570(200801-1-0045-02
1引言
悬架是汽车底盘的重要总成之一 , 它对车辆的平顺性、操稳性等多种使用性能都有很大的影响。半主动悬架具有自振频率低、弹簧刚度可调、振动及噪声小、车身高度可调、使用寿命长等优点 , 因此具有广泛的应用前景。其原理是通过调节悬架阻尼量的多少来控制悬架刚度和车身高度。由于悬架弹簧具有非线性特性、较大的时间滞后以及车辆数学模型某些参数的不确定性等特点 , 本文采用神经网络自适应控制结构对 1/4悬架系统进行了仿真分析。
图 1自适应神经网络控制结
Fig.1Tunable fuzzy logic control system
图 1为神经网络自适应控制结构。图中有两个子神经网络 , 其中一个神经网络NNI 用于对系统进行在线辩识 ; 另一个具有控制作用的神经网络 NNC, 通过对控制网络的权系数进行在线调整 , 控制器经过学习 , 对悬架系统进行在线控制 , 使系统输出逐渐向期望值逼近。
2两自由度 1/4汽车模型
由于悬架系统这一被控对象的复杂性 , 在建立系统的数学模型时 , 就需要在模型的简化和精确度之间进行折衷。论文研究的是对车辆垂直方向的振动进行减振 , 不考虑车辆的横向振动和前后俯仰振动 , 为了简化研究对象 , 突出问题本质 , 采用I /4车辆两自由度模型。
图 2两自由度 1/4车辆模型 Fig.22-DOF mode of vehicle
m u -非簧载质量 , m s -簧载质量 , k t -轮胎刚度 , k s -悬架静刚度 , c 0-阻尼器阻尼系数 , x 0-路面激励位移 , x 1-非簧载质量位移 , x 2-簧载质量位移
根据牛顿第二定律 , 系统运动方程为
这里 , 将半主动悬架中的可调阻尼器看作由常规阻尼器 (阻尼力为和变化阻尼器 (阻尼力为可控力 u 两部分组成 , 即总阻尼力为 :
控制力 u 在一定范围内连续变化 , 其数值大小由可调阻尼器的结构参数所确定。
取状态向量 :
洪家娣 :教授
基金项目 :江西省自然科学基金 (0412029 45--
技术创新
中文核心期刊《微计算机信息》 (测控自动化 2008年第 24卷第 1-1期
360元 /200例》
控制系统
令 , 即认为路面输入为一白噪声。
人体对振动的反应主要以加速度评价 , 故将悬挂质量加速度作为输出变量 , 其输出
方程为 :y==CX+Du
式中 ,
3仿真计算
3.1悬架仿真参数
本节根据半主动悬架系统模型和控制系统模型 , 利用 Mat-lab+simulink 进行仿真研究。
设汽车以 v=20m/s 驶过 B 级路面 , 以白噪声作为路面速度白噪声输入 , 来对系统进行仿真研究。
图 3路面速度白噪声信号 Fig.3the white noise of road velocity
从理论上讲 , 采样频率只要大于 160Hz 就可以满足条件 , 但是我们还要考虑到计算机的处理时间 , 因此我们选取采样频率为 200Hz, 那么 CPU 的处理时间就可以达到 5毫秒 , 足以使神经网络完成全部的相关计算 , 因此本文的采样时间选定为0.005s 。
本文采用的车型为某种货车 , 各参数如下表所示 :
表 1半主动悬架模型主要参数
Tab.1Main parameters of semi-active suspension 3.2悬架仿真结果
车身加速度、悬架动挠度、轮胎动载荷的仿真结果如下 :
图 4车身加速度对比图
Fig.4the constrastive diagram of acceleration
图 5速度对比图
Fig.5the constrastive diagram of velocity
图 6悬架变形量对比图
Fig.6the constrastive diagram of displace
4结论
从仿真结果可以清楚地看出神经网络自适应控制半主动悬架仿真获得的加速度、速度、悬架动挠度性能指标都要优于被动悬架。
(1 采用非线性神经网络自适应控制方法 , 可以较好地解决半主动悬挂的控制
问题。
(2 采用半主动悬挂系统的减振性能明显优于被动悬挂系统。 (3 本文采用的神经网络自适应模型是正确的。
本文作者创新点 :提出了一种自适应神经网络控制结构 , 在保证安全性的同时 , 能大幅度地减小车身的加速度和悬架变形量 , 满足了人们对舒适性的要求。参考
文献 :
[1]戴唤云 . 车辆主动控制的鲁棒控制 [D]. 博士学位论文 . 成都 :西南交通大学 , 1995.1:1-l8. (下转第页 69
-
360元 /年技术创新
数采与监测
PLC 技术应用 200例》
拓展该技术的实用范围 , 此外多种气体同时在线监测也是本课题研究与传统设计的不同之处。而采用 SOPC 技术 , 以 FPGA 为核心搭建硬件平台对仪器小型化 , 集成化提供便利 , 其稳定性 , 可靠性得以提高 , 并能通过改变硬线结构方便设备的
升级或采用新的算法技术。参考文献 :
[1]洪喜 ; 续志军 ; 朴仁官 . 基于 DSP 的近红外光谱分析仪 [J]微计算机信息 , 2006,35,040.
[2]万峰 , 范世福 Hamamatsu 图像传感器及其在紫外可见光谱测量中的应用 [J]分析仪器 2006年第 1期
[3]NMOS linear image sensor S3922/S3923_series. Hamamatsu
Inc,2001
[4]郑朝晖 , 刘文清 , 谢品华等。烟道 SO_2浓度的紫外差分吸收光谱法测量研究 [J]光电子?激光 , 第 11卷 , 第 6期 ,2000年 12月 [5]ALTERA Cyclone FPGA Family datasheet. Altera Corporation, March 2003,ver.1.1
作者简介 :叶敦范 , 女 , 1956年 9月 , 汉 , 本科 , 教授 , 研究方向为 :电子测量与控制 ; 袁常聪 , 男 , 1982, 籍贯 :浙江省宁波市 , 硕士在读 , 研究方向为 :数字系统设计 ; 李虹杰 , 男 , 高级工程师 , 研究方向为 :精密仪器 .
Biography:YE dun -fan (1956-,Gender (han ethnic,Province (Hubei,Working company (China University of Geosciences,Ti-tle(professor,Major (electronic information enginering, Research area(electronic measurements and control .
(430074湖北武汉中国地质大学机电学院叶敦范袁常聪 (430223湖北武汉天虹仪表企业集团李虹杰
(College of mechanical&electronic engineering,China Univer-sity of Geosciences 430074,wuhan, ChinaYe dun-fan Yuan chang-cong
(wuhan Tianhong Intelligence Instrument Plant 430223, wuhan, China Li hong-jie
通讯地址 :(430074湖北武汉中国地质大学机电学院叶敦范
(收稿日期 :2007.10.05 (修稿日期 :2007.12.05
(上接第 46页
[2]肖寒松 . 汽车半主动悬架的自适应控制研究 . 学位论文 . 安徽 :安徽工学院 , 1996.
[3]余志生 . 汽车理论 . 北京 :机械工业出版社 , 1990.
[4]王辉 , 朱思红 . 半主动空气悬架神经网络的自适应控制 . 农业机械学报 , 2006.
[5]Sang YM.Wook HK.Genetic — based fuzzy control for half -car active suspensions systems.Int J Systems Science, l998,29(7:699-710.
[6]丁芳 , 李艳芳 , 费玉龙 . 智能 PID 算法在液位控制系统中的应用 [J]微计算机信息 , 2006, 6-1.
[7]蒋宗礼 . 人工神经网络导论 . 北京 :高等教育出版社 .2001年 8月 :131-177.
作者简介 :洪家娣 (1948— , 女 (汉族 , 上海市人 , 华东交通大学机电工程学院教授 , 主要从事机械控制及教学科研工作 ; 赵开林 (1979— , 男 (汉族 , 陕西汉中人 , 研究生 , 研究方向为机械电子工程 , 现为华东交通大学助教。
Biography:Hong JiaDi (1948— ,Female(Han,Shanghai,Professer of east china jiaotong university,Main research aspects are mechnical control and teaching;Zhao KaiLin (1979— , Male, , graduate student, assistant,Research Field:mechnical electronic 。 (330013江西南昌华东交通大学急电工程学院洪家娣赵开林通讯地址 :(330013江西南昌华东交通大学 15#信箱赵开林
(收稿日期 :2007.10.05 (修稿日期 :2007.12.05
(上接第 16页
[3]王纪俊 , 刘贤兴 , 王德明 , 王丽敏等 , 神经元控制器在感应电机矢量控制中的应用 [J], 江苏大学学报 (自然科学版 ,2003年 3月第 24卷第 2期。
[4]章恒 , 朱纪洪 , 蒋志宏 . 双通道伺服控制系统设计 [J]微计算机
信息 , 2007, 2-1:110-111
作者简介 :周川 , 男 , 黑龙江省佳木斯市人 , 汉族 , 中国地质大学 (武汉机械电子工程学院硕士研究生 , 研究方向 :控制理论与控制工程。
Biography:Zhou Chuan (1979.02-, Male, Born in Heilongjiang Jiamusi,
Han Nationality,
China University Of Geosciences,
Master, Control theory and control engineering
(430074湖北武汉中国地质大学机械电子工程学院周川通讯地址 :(430077湖北省湖北省武汉市中国地质大学 1200714信箱周川
(收稿日期 :2007.10.05 (修稿日期 :2007.12.05
踏破铁鞋无觅处得来全不费功夫
20余万嵌入式系统的研发人员 , 盼望已久的《嵌入式系统应用精选200例》一书 , 已经面世了 , 他含盖了数码相机、洗衣机、电话交换机、精密仪器、智能仪表、机器人应用、三表自动抄、变频器应用、电梯应用、数控机床应用、电力机车应用、变电站综合自动化应用、造纸应用、水泥生产应用、啤酒生产应用 , 各种自动化生产过程监控应用和 I 2C 总线应用、网络应用、多媒体应用、通信设备应用。同时 , 本书还含盖了嵌入式实时操作系统应用、嵌入式系统的优化设计、嵌入式系统抗干扰设计、嵌入式系统的接口设计、嵌入式系统的 internet 互连技术、嵌入式系统的仿真技术、纠错技术、逻辑分析技术等等。本书是技术设计、技术主管、设备采购人员的案头书 , 200篇应用文章总有一篇适合您。
本书已出版 , 定价 110元 (含邮费 , 预购者请将书款及邮寄费通过邮局汇款至 :
地址 :北京海淀区皂君庙 14号院鑫雅苑 6号楼 601室
微计算机信息编辑部邮编 :100081电话:010-62132436010-62192616(T/F https://www.sodocs.net/doc/c482267.html, .cn
E-mail:editor@https://www.sodocs.net/doc/c482267.html, .cn
control-2@https://www.sodocs.net/doc/c482267.html,
69--
神经网络自适应控制
神经网络自适应控制 学院：电气工程与自动化学院 专业：控制科学与工程 姓名：兰利亚 学号： 1430041009 日期： 2015年6月25日
神经网络间接自适应控制 摘要：自适应模糊控制系统对参数变化和环境变化不敏感,能用于非线性和多变 量复杂对象,不仅收敛速度快,鲁棒性好,而且可以在运行中不断修正自己的控制 规则来改善控制性能,因而受到广泛重视。间接自适应控制是通过在线辨识的到 控制对象的模型。神经网络作为自适应控制器，具有逼近任意函数的能力。 关键词：神经网络间接自适应控制系统辨识 一、引言 自适应控制系统必须完成测量性能函数、辨识对象的动态模型、决定控制 器如何修改以及如何改变控制器的可调参数等功能。自适应控制有两种形式： 一种是直接自适应控制，另一种是间接自适应控制。直接自适应控制是根据实 际系统性能与理想性能之间的偏差，通过一定的方法来直接调整控制器的参 数。 二、间接自适应系统分析与建模 2.1系统的分析 系统过程动态方程：y(k+1)= -0.8y(k)/(1+y2(k))+u(k),参考系统模型 由三阶差分方程描述： ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k) 式中，r(k)是一个有界的参考输入。如果输出误差ec(k)定义为 ec(k)=y(k)-ym(k),则控制的目的就是确定一个有界的控制输入u(k),当k趋于 正无穷时，ec(k)=0.那么在k阶段，u(k)可以从y(k)和它的过去值中计算得 到： u(k)=0.8y(k)/(1+y2(k))+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （1） 于是所造成的误差方程为： ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2) （2） 因为参考模型是渐进稳定的，所以对任意的初始条件，它服从当k趋于无穷， ec(k)=0。在任何时刻k，用神经元网络N2计算过程的输入控制，即 u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （3） 由此产生非线性差分方程：y(k+1)=-0.8y(k)/(1+y2(k))+N[y(k)] +0.8y(k)+ 1.2y(k-1)+0.2y(k-2)+r(k) （4） 故设计的要点是设计一个神经网络来逼近0.8y(k)/(1+y2(k))。 2.2系统的建模设计过程 第一步，用BP神经网络逼近，神经网络的结构包含三层：输入层、隐含层 和输出层。BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向 输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传 播。 第二步，输入测试样本，对神经网络的逼近程度进行测试，将测试后的期
9.7 机器人神经网络自适应控制
声明：应部分读者的要求，本书第9章增加“机器人神经网络自适应控制”一节，图序、公式序顺延。 9.7 机器人神经网络自适应控制 机器人学科是一门迅速发展的综合性前沿学科，受到工业界和学术界的高度重视。机器人的核心是机器人控制系统，从控制工程的角度来看，机器人是一个非线性和不确定性系统，机器人智能控制是近年来机器人控制领域研究的前沿课题，已取得了相当丰富的成果。 机器人轨迹跟踪控制系统的主要目的是通过给定各关节的驱动力矩，使得机器人的位置、速度等状态变量跟踪给定的理想轨迹。与一般的机械系统一样，当机器人的结构及其机械参数确定后，其动态特性将由动力学方程即数学模型来描述。因此，可以采用自动控制理论所提供的设计方法，采用基于数学模型的方法设计机器人控制器。但是在实际工程中，由于机器人是一个非线性和不确定性系统，很难得到机器人精确的数学模型。 采用神经网络，可实现对机器人动力学方程中未知部分的精确逼近，从而实现无需建模的控制。本节讨论如何利用神经网络控制和李雅普诺夫（Lyapunov ）方法设计机器人轨迹跟踪控制的问题，以及如何分析控制系统的稳定性和收敛性。 9.7.1 机器人动力学模型及其结构特性 n 关节机械手动态方程可表示为： ()()()(),d ++++=M q q V q q q G q F q ττ （9.30） 其中，n R ∈q 为关节转动角度向量，()M q 为n n ?维正定惯性矩阵，(),V q q 为n n ?维向心哥氏力矩，()G q 为1?n 维惯性矩阵，()F q 为1?n 维摩擦力，d τ为未知有界的外加干扰，n R ∈τ为各个关节运动的转矩向量，即控制输入。 机器人动力学系统具有如下动力学特性： 特性1：惯量矩阵M(q)是对称正定阵且有界； 特性2：矩阵(),V q q 有界； 特性3：()()2,-M q C q q 是一个斜对称矩阵，即对任意向量ξ，有 ()()()2,0T -=ξ M q C q q ξ (9.31)
半主动减振器工作原理及控制方式
半主动减振器工作原理及控制方式 丁问司 1．控制规则 1．1悬挂系统分类 悬挂系统从振动控制的角度来说可分为主动悬挂与被动悬挂，其中主动悬挂按其是否需要外界能量的供应可分为有源主动悬挂和无源主动悬挂。 有源主动悬挂也称全主动悬挂，通常由产生主动力或主动力矩的装置（油缸、气缸、伺服电机、电磁铁）、测量元件（加速度传感器、速度传感器、力传感器等）和反馈控制系统等几部分及一个能连续供应能量的动力源组成。 无源主动悬挂也称作半主动悬挂。由无能源输入但可进行控制的阻尼元件和弹性元件组成，其减振方式和工作原理与被动悬挂相似，不同的是悬挂参数可在一定的范围内任意调节，以获得最佳的减振效果。 半主动悬挂与全主动悬挂的区别是前者只能调节阻尼力的大小，而后者则可同时控制阻尼力的大小方向。 半主动悬挂的核心实际上是一种可调阻尼减振器，其阻尼力大小一般通过调振节流孔开度来获得，而对阻尼力的约束条件是：系统振动时联系于阻尼器的能量全部耗散掉。 1．2列车半主动控制原理 悬架系统的半主动控制原理在七十年代由美国人Karnopp提出，旨在以接近被动悬挂的造价和复杂程度来提供接近主动悬挂的性能。其基本思想是根据激励和系统的状态调节悬挂系统中的刚度和阻尼，以使某个性能指标达到最优。由于在半主动状态下改变系统的刚度非常困难，目前的研究实际上仅限于对悬挂系统阻尼的控制。 多年研究使得半主动悬架控制系统衍生了多种控制方式，其中包括：慢速控制、天棚控制、相对控制、最优控制、预测控制、自适应控制、神经网络控制等。从工程实践的情况来看目前只有天棚控制方式取得了较好的效果，并已运用到成熟的产品中。日本KYB公司与铁道总研联合研制的列车横向半主动减振器及是运用了天棚（Sky Hook）控制原理。 列车天棚原理的基本控制逻辑是被称为“天棚悬架”的数学模型，如图1所示。假设列车是沿一道虚拟的刚性墙移动，在虚拟墙与车体之间通过一虚拟减振器的作用来减小车体振动，此虚拟减振器称天棚减振器。 按照天棚原理，列车运行时理想的状况是天棚减振器始终处于工作状态以提供减振力。由于天棚减振器是虚拟的，则其应提供的减振力实际上由安装于车体与转向架间的横向减振器模拟提供。 假设车体的绝对速度X1为正（设向右为正），相对速度也为正时（车体相对转向架向右运动），虚拟的“天棚减振器”应产生一向左的力，实际中的横向减振器也产生一向左的力，此两力的方向相同，则F r = F s。 仍假设车体的绝对速度X1为正，而相对速度为负时（车体相对转向架向左
MATLAB和神经网络自适应控制
自动控制理的研究离不开人类社会的发展。电子计算机的迅速发展、计算和信息处理的水平提高不断地促使着自动控制理论向更复杂的方向发展。自适应控制的提出是针对系统的非线性、不确定性、复杂性。它的研究主要目标不再是被控对象而是控制系统本身。自上世纪年代初神经网络控制系统，提出了基于理论和应用方面都有了新的突破。 MATLAB简介 MATLAB是美国MathWorks公司开发的用于教育、工程与科学计算的软件产品，它向用户提供从概念设计、数据分析、算法开发、建模仿真到实时实现的理想集成环境，是国际控制界公认的标准计算软件。经过十多年的不断地完善和扩充，MATLAB已经拥有了数十个工具箱和功能模块，可以实现数值分析、优化、统计偏微分方程数值解、自动控制、信号处理、图像处理、声音处理、系统建模等诸多领域的计算和图形显示功能。 MATLAB提供了一种用于编程的高级语言——M语言。M语言是一种面向科学与工程计算的高级语言，其最大的特点是简单和直接。它允许用数学形式的语言编写程序，MATLAB的程序文件和脚本文件通常保存为后缀为“.m”的文件，可以称之为M文件。MATLAB是一种基于不限维数组数据类型的内部交互系统，它既能够进行矩阵和向量计算，也能够采用特定的方法在标量语言中编写程序。它采用一些常用的数学符号来表示问题及其解决方案，将计算、可视化和编程等功能集成于一个简单、易用的开发环境中，为用户工作平台的管理和数据的输入/输出提供了便利的方法，同时还提供了M文件的扩展和管理工具。 神经网络自适应控制 人工神经网络ANN( Ar tif icial Neur al Netw ork) 简称神经网络，是在现代神经学的基础上提出来的，是对人脑或自然神经网络基本特征的抽象和模拟。神经网络很早之前就被证明出来有逼近任意连续有界非线性函数的特殊能力。因此它有很多优点，比如强鲁棒性、容错性、强自适应能力强等。复杂的系统控制提供了一条全新的思路和选择。神经网络控制系统的结构形式有很多种，本文着重介绍神经网络自适应控制方法。一般包括补偿器和自适应处理单元。自适应控制系统的本质是一个非线性随机控制系统，很难为其找到合适的数学模型。为了充分发挥出自适应控制系统的优越性能，提高控制系统的鲁实时性、容错性、鲁棒性以及控制系统参数的自适应能力，能更有效地实现对一些非线性复杂过程系统的
列车横向半主动悬挂控制策略
列车横向半主动悬挂控制策略 及其油压减振器控制机理研究 李贵平, 王广丰, 刘宏友, 徐伟 ResearchontheControlStrate gyoftheLateralSemi 2activeSus pension oftheTrainandtheWorkTheor yofDam per LIGui 2ping,WANGGuan g2feng,LIUHon g2you,XUWei (青岛理工大学机械工程学院,266033 ) 摘要:介绍了列车横向半主动悬挂的基本控制策略及其改进,分析了一种半主动减振器的基本原理及 对控制阀的设计要求,对半主动减振器的研究应用具有一定的指导意义。 关键词:天棚阻尼原理; 横向半主动悬挂; 减振器; 电液比例溢流阀中图分类号:TH137 文献标识码:B 文章编号:100024858 (2008) 0420007203 1 前言 铁路车辆的横向振动对乘坐舒适度的影响很大,依 靠提高线路等级的办法又需要投入巨额费用,而采用全 主动悬挂和半主动悬挂却能有效地抑制机车车辆的横 向振动,提高乘坐舒适度。与全主动悬挂相比较,半主 动悬挂采用无源但可控的阻尼器,能够根据预定的阻尼 控制规律及时调节阻尼力大小,除控制器件的驱动外,
不需输入外来能源(如气缸、液压泵) ,其结构相对简单, 成本低,而且能够达到期望的控制效果。更为方便的 是,这种减振器可以和被动减振器相互换,而不需要改 造原来的悬挂系统。目前对列车横向半主动悬挂系统 的研究,国外最为典型的是日本,并且已经在部分高速 列车上使用[1 、2、4] 。国内在这方面也展开了大量的研究,但还没有走向实际应用阶段。 本文对列车半主动悬挂系统的基本控制策略、阻 尼器的实现等方面进行研究分析。 2 横向半主动悬挂基本控制策略及其改进 天棚阻尼原理是车辆悬挂系统半主动控制最常用 的方法,该方法简单有效,易于实施[3] 。采用天棚阻 尼(skyhook ) 原理作二系横向悬挂系统的基本控制原 理见图1 。假设列车沿一道虚拟的刚性墙移动,在虚 拟墙与车体之间装设一个虚拟减振器(称作天棚减振 器) 来减小车体横向振动。按天棚阻尼原理,天棚减振 器在列车运行中需始终处于工作状态以提供阻尼力。 但天棚减振器是虚拟的,在实际应用中由安装于车体 F s —天棚减振器阻尼力C s —天棚减振器阻尼系数 F —实际减振器阻尼力 C —实际减振器阻尼系数 v 1 —车体横向速度v 2 —转向架横向速度 图1 横向天棚阻尼原理图
机械臂神经网络自适应控制
机械臂神经网络自适应控制 一.前言 由于经典控制方法和现代控制方法在控制机器人这种复杂系统时所表现的种种不足，近年来，越来越多的学者开始将智能控制方法引入机器人控制，实现机器人控制的智能化。主要的控制方法有：模糊控制Fc，神经网络控制NNc，专家控制Ec等等。对于复杂的环境和复杂的任务，如何将人工智能技术中较少依赖模型的求解方法与常规的控制方法来结合，正是智能控制所要解决的问题。因此，智能控制系统必须具有模拟人类学习和自适应、自组织的能力。现代智能控制技术的进步，为机器人技术的发展尤其是智能机器人技术的研究与发展提供了可能。神经网络的研究已经有30多年的历史，它是介于符号推理与数值计算之间的一种数学工具，具有很好的学习能力和适应能力，适合于用作智能控制的工具，所以神经网络控制是智能控制的一个重要方面。由于神经网络在许多方面试图模拟人脑的功能。因此神经网络控制并不依赖精确的数学模型，并且神经网络对信息的并行处理能力和快速性，适于机器人的实时控制。神经网络的本质非线性特性为机器人的非线性控制带来了希望。神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。同时神经网络还具有很强的自适应能力和信息综合能力，因而能同时处理大量的不同类型的控制输人，解决输入信息之间的互补性和冗余性问题，实现信息融合处理。这就特别适用于像机器人这样具有复杂的不确定性系统、大系统和多变量高度非线性系统的控制。近年来，神经网络在机器人控制中得到了广泛的应用。 二、机械臂系统设计 机械臂是一个多输人多输出、强耦合的复杂机电系统，要对其实现精确的控制比较困难。为此，先不考虑机械臂的动态控制，只对其进行运动控制，使其能够准确的跟踪给定的轨迹曲线。其基本的控制结构，如图1所示。 (一)机械臂的模型设计 本文针对两关节机械臂进行设计，两关节机械臂的控制图如下 n一连杆平面机械臂的动力学模型如下式： （2-1）其中分别代表各关节的角度位置、角速度以及角加速度； 为惯性矩阵；为向心矩阵；为重力向量；代表控制输入向 量。
智能控制神经网络的自适应PID控制器综述
HUNAN UNIVERSITY 2016 年6 月 25 日 课程 智能控制理论 题 目 基于神经网络的自适应PID 控制器的设计 学生姓名 学生学号 专业班级 学 院 名 称
基于神经网络的自适应PID控制器的设计 摘要 神经网络由于其固有的自学习、自适应、自组织和大规模并行处理能力，已经在控制及其优化领域取得了广泛的应用。利用神经网络来可以处理控制系统的非线性、不确定性和逼近系统的辨识函数等问题并取得了大量研究成果。PID控制是最经典的控制算法，其简单、稳定、高效的性能使其在工业控制领域具有绝对的统治地位。但是面对现代控制系统规模大，复杂度高的情况，单纯使用传统的PID控制已经无法满足要求。本文结合神经网络与PID两者的优势，提出了一种基于神经网络的自适应PID控制器的设计的方法。实验证明该方法具有一定的实际应用价值。 近年来，智能控制在工业领域的应用受到了广泛的关注，硬件性能的不断提高与硬件成本的不断降低起到了至关重要的作用。目前在工业中单纯使用传统的控制方法具有一定的局限性，在面对复杂系统与大规模控制的情况下不能保证在任何时刻都提供准确无误的控制信号，将传统的PID控制方法结合智能控制中的神经网络控制可以克服信息的不完备性和不确定性，更加准确地控制被控对象，从而做出正确的判断和决策。 1.神经网络控制 神经网络用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进行的。资料显示，国内外将神经网络用于控制系统设计的方式和结构还未有一种统一的分类方法。目前，对神经网络控制系统比较公认地研究方向可以分为监督控制、神经自适应控制、预测控制和逆控制，这时根据控制系统的结构划分的。本文利用到的就是神经自适应控制。 本文结合神经网络自适应控制与PID控制，提出了一种有效的控制器设计方法，并在在MA TLAB中进行控制系统仿真。 2.控制器原理 根据当前产生误差的输入和输出数据，以及误差的变化趋势作为神经网络的输入条件，神经网络将根据当前PID控制器的误差情况以及过去所有进行的PID控制历史数据，共同作为样本数据，重新进行神经网络的参数的训练，得到神经网络内部传递函数的新的表达式，之后PID参数调整将依据新的神经网络进行自动的控制和调整，从而以实现PID控制器具备自适应调节的能力。 图2-1 单神经元自适应PID控制实现原理图 为此设计了PID控制器实现原理图，如图2-1所示。从图2中可以看出PID控制器在完成正常PID功能之外设计了基于神经网络的PID参数调整模块。模块依照前期生成的神
(用含Simulink图)汽车悬架的半主动控制系统MATLAB
汽车悬架的半主动控制系统MATLAB/SIMULNK仿真 S0705234 沙小伟 摘要:分析当前轿车的悬架系统，对之进行简化。首先建立其1/4模型，利用仿真软件MATLAB里面的附件Simulink对悬架的简化模型进行仿真，考察其加速度，输出位移等特性。在此基础上进一步建立悬架系统的1/2模型，继续考察车身的加速度，输出位移，转角等系列特性。Simulink软件在整个的仿真过程中显示出强大的能力。 关键词：汽车悬架，半主动控制，仿真 Abstract: Analyze the suspension system of modern car, and then simplify it. First the model was analyzed with 2 degrees of freedom by the software simulink. Based on this, and then building 12 degrees of the suspension system. Inspect the acceleration and rotation angle and some other characters. In the whole process, the software simulink displayed powerful capacity. Keywords: car suspension,semi – active control, simulation 引言 汽车悬架系统简介。悬架系统是车辆的一个重要组成部分。车辆悬架性能是影响车辆行驶平顺性、操作稳定性和行驶速度的重要因素。传统的被动悬架一般由具有固定参数的弹性元件和阻尼元件组成，被设计为适应某一种路面，限制了车辆性能的进一步提高。20世纪70年代以来工业发达国家就已经开始研究基于振动主动控制的主动、半主动悬架系统。 近年来随着电子技术、测试技术、机械动力等学科的快速发展，使车辆悬架系统由传统被动隔振发展到振动主动控制。特别是信息科学中对最优控制、自适应控制、模糊控制、人工神经网络等的研究，不仅使悬架系统振动控制技术在现代控制理论指导下更加趋于完善，同时已经开始应用于车辆悬架系统的振动控制[1]，使悬架系统振动控制技术得以快速发展。随着车辆结构和功能的不断改进和完善，研究车辆振动，设计新型悬架系统，将悬架的振动控制到最低水平是提高现代车辆质量的重要措施。 当代轿车的悬架系统。当代轿车悬架系统最常见的形式有：摇臂滑柱式(麦弗逊)、双A臂与多连杆式悬架系统。摇臂滑柱式悬架具有结构简单、成本低廉等优点。常见的欧洲车采用的较多。它存在的问题是：在持续颠簸的路面行驶，驾驶员容易疲劳，即车辆的操作稳定性不好，舒适性欠佳。但是由于其结构简单、易维修保养及成本低，因此在一些中低价位车上广泛地用着。 一些新型轿车上常见的多连杆式悬架系统，具有极佳的舒适性。多连杆式悬架系统的最大的优点是：其可平衡的达到其它悬架系统所达不到的性能要求，它是目前最先进的悬架系统。以日产兼具舒适性和操作稳定性智能型“QT悬架系统”为例，它具有极佳的操作稳定性转弯及直线行驶稳定性，能有效的克服路面的颠簸状况及改善制动时汽车的点头现象，可有效地降低车辆行驶的噪音[2]，使车内更加宁静，全面提高的汽车的舒适性，且具备结构简单，体积更小，噪音更小的优点。此种悬架极有可能成为未来悬架系统的主流。 双A臂悬架系统是一种兼具舒适性条件和操作稳定性的组合方案。但其成本高昂，生产工艺难度大，且要求具有极高的定位精度,因此只有在赛车和高价位车上才应用。双A臂悬架再加上防倾平衡杆，能很好的适应急转弯的操作。丰田LUXUS IS 200就装用了此类悬架，再加上低高宽比轮胎、创立了驾车者十分信赖的行车稳定性。
一种递归模糊神经网络自适应控制方法
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006
神经网络自适应控制地原理
神经网络自适应控制的原理 自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规 反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应 控制系统存在某种类型的闭环系统性能反馈。原理图如下： 图2-7自适应控制机构框图 人工神经网络（简称ANN）是也简称为神经网络（NNS ）或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的 生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面 的功能。人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。 人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型。目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类： （1）利用神经生理与认知科学研究人类思维以及智能机理。 （2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经
网络模型，深入研究网络算法和性能，女口：稳定性、收敛性、容错性、 鲁棒性等；开发新的网络数理理论。 应用研究可分为以下两类： （1） 神经网络的软件模拟和硬件实现的研究。 （2） 神经网络在各个领域中应用的研究。 神经网络具有以下?特点： （1） 能够充分逼近任何复杂的非线性关系； （2） 全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强 的容错性和鲁棒性； （3） 使用并行分布处理的方式，让大量运算成可以快速完成； 神经网络自适应的一般结构 神经网络自适应控制有两种基本结构形式，一种是神网络模型参考自适应 控制 （NNMRAC ），—种是神经网络自校正控制（NNSTC ）。神经网络模型参考自 适应控制又分为直接型与间接型。结构如图（2 -8 ）所示。构造一个参考模型使 其输出为期望输出，控制的目的是使y 跟踪。 （a ）直接型 (b)间接型 图2-8神经网络模型参考自适应控制结构 y
神经网络控制修订稿
神经网络控制 公司标准化编码 [QQX96QT-XQQB89Q8-NQQJ6Q8-MQM9N]
人工神经网络控制 摘要: 神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，详细的论述了神经网络控制的应用以及发展。 关键词: 神经网络控制；控制系统；人工神经网络 人工神经网络的发展过程 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。 生物神经元模型 神经元是大脑处理信息的基本单元，人脑大约含1012个神经元，分成约1000种类型，每个神经元大约与 102~104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式，同时，如此大量
自适应神经网络ANFIS设计
自适应神经网络(ANFIS)设计 5/29/2004 自适应神经网络模糊推理系统(ANFIS) (Adaptive Network-based Fuzzy Inference System) 第一篇 体会函数anfis函数中参数的含义. x=(0:0.1:10); %定义自变量x y=sin(2*x)./exp(x/5); %定义因变量y trnData=[x' y']; %训练学习的输入输出数据距阵 numMFs=5; %5条隶属度函数 mfType='gaussmf'; %采用高斯型隶属度函数,可以选择其他的形式来进行比较 epoch_n=2000; %训练的次数为2000次 in_fismat=genfis1(trnData,numMFs,mfType); %无冗余的系统 out_fismat=anfis(trnData,in_fismat,epoch_n); %训练输出 plot(x,y,'o',x,evalfis(x',out_fismat),'k'); %画图 legend('Training Data','ANFIS Output'); %显示原始数据和训练输出数据 训练图形
第二篇 在这个例子中,不但提供了训练数据,而且提供了效验数据,两种数据在输入空间均匀采样. 注：tic toc用来计算时间 numpts=51;%数据点个数为51 x1=linspace(-1,1,numpts)'; y=sin(pi*x1)+0.8*sin(3*pi*x1)+0.2*sin(5*pi*x1); data=[x1 y]; %整个数据集 trndata=data(1:2:numpts,:); %训练数据集 chkdata=data(2:2:numpts,:); %检验数据集 figure(1) plot(trndata(:,1),trndata(:,2),'o',chkdata(:,1),chkdata(:,2),'kx') %绘制训练数据集和检验数据集的分布曲线 legend('训练数据集','检验数据集'); %建立用于模糊建模的Sugeno型模糊推理系统 %采用genfis1函数直接由训练数据生成模糊推理系统 nummfs=5;%隶属度函数个数 mftypes='gaussmf';%隶属度函数类型 fismat=genfis1(trndata,nummfs,mftypes); %绘制模糊推理系统的初始隶属度函数 [x,mf]=plotmf(fismat,'input',1); figure(2) plot(x,mf) title('初始隶属度函数') 附图 训练数据和检验数据ANFIS的初始隶属度函数
高速列车半主动悬挂
高速列车半主动悬挂系统的研究与发展 1.车辆悬挂系统概述 列车悬挂控制系统的减振效果直接影响列车运行的平稳性和旅客乘坐的舒适度。对高速列车悬挂控制系统进行优化设计,是衰减列车横向振动、提高列车横向平稳性的有效方法,对我国高速列车的发展有着重要的现实意义。高速列车的悬挂系统与两个主要性能即平稳性和稳定性密切相关。目前应用的悬挂系统主要有三种：被动悬挂，全主动悬挂和半主动悬挂。传统的被动悬挂系统由于其弹性元件和阻尼元件的参数不能实时调节，因而不能使高速列车的乘坐平稳性和操作舒适性同时达到最优。全主动悬挂系统结构复杂，成本高，因而难以得到应用。阻尼可调的半主动悬挂系统与全主动悬挂系统相比，虽然对振动控制的性能略差，但其结构相对简单，价格低廉，同时，在控制品质上又能接近于主动悬挂，因而有着广阔的应用前景。特别是磁流变减振器的出现，加快了半主动悬挂产业化的进程,半主动悬挂目前已经成为高速列车车辆悬挂控制领域研究的热点之一。 2.半主动悬挂控制系统工作原理 半主动悬挂是为克服全主动悬挂系统所需较大的控制能量和高成本作动器而提出的。由于改变刚度同样需要较大的能量，而改变阻器的阻尼值相对容易实现。它与全主动悬挂控制系统不同之处在于:半主动悬挂系统用可控阻尼器代替主动悬挂系统中的主动力作动器，它与被动悬挂系统一样都是利用弹性元件与阻尼元件并联来支撑悬挂质量。但二系阻尼器是一个可控阻尼器，控制系统通过实时调节阻尼值来控制阻尼力，从而改善悬挂系统的动力学性能。半主动悬挂系统在工作时，以消耗系统较少内部能量为约束条件，因此，基本不需要系统外部能量的输入，其用于控制阻尼器的能量相对于全主动悬挂所需要的能量是微不足道的，故也称无源主动悬挂控制系统。其原理如图1一8所示，如图1一9所示为半主动悬挂控制系统的方框图。半主动悬挂系统从轨道不平顺输入到车体振动输出的动力学模型与被动悬挂系统的相同。但二系悬挂阻尼器的阻尼值是根据车体振动而时变的参数，即
基于神经网络的自适应噪声抵消
基于神经网络的自适应噪声抵消 摘要：噪声抵消技术是信号处理的主要问题之一。基于神经网络的自适应噪声抵消技术是一种能够很好的消除未知噪声源噪声影响的信号处理技术，克服了传统自适应噪声抵消技术的不足。本文通过对误差反向传播学习算法的多层前向人工神经网络的分析研究，结合传统的自适应噪声抵消系统的基本原理，建立了基于人工神经网络的自适应噪声抵消器，经过基于MA TLAB仿真实验，证明它具有较强的噪声滤除能力。 关键词：自适应滤波；噪声抵消；神经网络 Adaptive Noise CancellationTechnology Based on Neural Network Abstract:Noise cancellation technology is one of the major problems of signal processing. Adaptive noise cancellation technology based on neural network is a very good to eliminate noise effects of unknown signal processing technology, overcome the traditional adaptive noise cancellation of technology. This design,Through the back-propagation learning algorithm of multilayer feedforward neural network analysis and research, combining traditional adaptive noise cancellation system of basic principle, Established a adaptive noise cancellation based on artificial neural network, after simulation experiments based on the Matlab prove it has strong noise filtering ability. Keywords: adaptive filter;noise cancellation;neural network 1 引言 在工程实际中，经常会遇到强噪声背景中的微弱信号检测问题。在信号的传播路径中以及在信号处理过程中，都会引入噪声。噪声的引入影响了对真实信号的处理。有时候，较强的噪声会“遮盖”了信号，从而难以得到准确、稳定的真实信号。噪声对信号的污染在绝大多数情况下是不可避免的，因而，对噪声的消除和抑制是信号处理中极其重要的工作。通常实现最优滤波的滤波器为维纳滤波器与卡尔曼滤波器。它们均要求已知信号和噪声的先验知识，但在许多实际应用中往往无法预先得知。为此，发展了自适应滤波器，1965年美国斯坦福大学建成了第一个自适应噪声抵消(ANC)系统[1]，随着计算机技术与集成电路技术的进步，新的自适应算法不断涌现出来，自适应噪声抵消在理论和应用上都得到了很大发展。如果滤波器的输入和输出具有非线性的映射关系，那么对应的滤波器称为非线性滤波。生活中在许多的实际信号里含有系统非线性引起的噪声或者存在非高斯噪声等，因而研究非线性滤波显得非常重要。因此引入基于神经网络的自适应噪声抵消技术[2]。 自1986年开始，神经网络随着反向传播(BP)算法的出现而得到复兴，此后对于神经网络的研究再度掀起高潮。由于神经网络具有高度并行性、很强的非线性、变换能力和学习能力，因此具有很大的应用潜力，也为自适应非线性滤波器提供了一种全新的思路和方法。其中，激活函数为Simoid的多层前向神经网络能够以任意精度实现非线性函数逼近[3]，所以可用BP神经网络组成非线性自适应滤波器。通过将滤波器的误差信号与神经网络中能量函数对应起来，可实现神经网络自适应滤波器[4]。 2 自适应噪声抵消 滤波是现代通信和控制工程中常用的信号处理方法之一，所谓滤波，就是通过对一系列带有误差的实际测量数据进行处理来滤除信号中的干扰，从而尽可能地恢复一个被噪声干扰了的信息流的问题。滤波的种类很多，最简单的滤波器是权系数固定的线性滤波器。为了提高滤波性能，滤波的权系数（传
列车悬挂系统半主动控制以及主动控制的现状
列车悬挂系统半主动及主动控制的现状 摘要：铁道车辆的高速运行增加了列车振动幅度，这不仅会损伤车辆结构，而且振动所引发的车轮动载荷变化和加速度效应，弱化了列车运行的安全性和舒适度，同时这种状态随着行车速度的提高而显著增大。因此，控制车辆振动是提高列车运行平稳性的核心技术。为了确保行车安全性和提高乘坐舒适度，一方面可以通过提高线路的质量状况;另一方面则可以通过改善车辆悬挂系统的性能。为此，设计合适的悬挂系统改善车辆的性能，对机车车辆研究具有重要意义。结合我国铁路现状，采用半主动悬挂控制系统是我国目前高速列车悬挂系统的最佳方法。而全主动悬挂系统用于控制算法研究，为半主动控制算法积累经验。本文针对半主动及主动悬挂系统作详细介绍。 关键字：主动控制；半主动控制；轨道不平顺:广义预测控制;虚拟阻尼器 1.1 列车被动悬挂分析及主动控制问题的提出 行驶中的列车受到轨道不平顺的影响、空气动力的作用、牵引力和制动力等的作用，列车将做多自由度的随机振动，从而影响列车运行的稳定性(安全性)和平稳性(舒适性)。列车悬挂系统是轮对与构架、构架与车体之间一切传递力的装置的总称，它由弹性元件和阻尼元件组成。悬挂系统对于稳定性和平稳性的影响常常是相互矛盾的，若单从提高某方面的性能来进行悬挂系统的设计，将会造成顾此失彼。传统列车悬挂系统的设计方案往往是综合线路质量、列车设计速度、载荷、强度等多方面的因素多目标约束下折衷优化的结果，不可能使列车各方面的性能都达到最佳状态。这种传统方法设计出的列车悬挂系统的弹性元件和阻尼元件，在列车行驶过程中是不变的，并且不需要外界提供能源，只是暂时储存振动能和逐渐耗散振动能量，这种悬挂方式即为被动悬挂，如图l一1所示。当列车运行载荷、速度、线路等级偏离设计条件时，列车的平稳性将发生变化，影响旅客乘坐舒适度。下面对被动悬挂车辆向轻量化、高速化发展对运行平稳性的影响进行进一步的分析。
利用simulink对自适应控制系统模型进行仿真分析
第一章前言 1.1 课题的意义： 本毕业设计旨在学习并比较各种自适应控制算法，掌握matlab语言，利用simulink对自适应控制系统模型进行仿真分析。 自适应控制是人们要求越来越高的控制性能和针对被控系统的高度复杂化，高度不确定性的情况下产生的，是人工智能渗入到应用科技领域的必然结果。并在常规控制理论的基础上得到进一步的发展和提高。进入21世纪以来，智能控制技术和远程监测技术继续飞速发展，逐渐被应用到电力、交通和物流等领域。从卫星智能控制，到智能家居机器人；从公共场所的无线报警系统，到家用煤气、自来水等数据的采集。可以说，智能控制技术和远程监测技术己经渗透到了人们日常生活之中，节约了大量的人力和物力，给人们的日常生活带来了极大的便利。目前，自适应控制的研究以认知科学、心理学、社会学、系统学、语言学和哲学为基础，有效的把数字技术、远程通信、计算机网络、数据库、计算机图形学、语音与听觉、机器人学、过程控制等技术有机的结合，提供了解决复杂问题的有效手段。 自适应控制是在人们在追求高控制性能、高度复杂化和高度不确定性的被控系统情况下产生的，是人工智能渗入到应用科技领域的必然结果，并在常规控制理论的基础上得到进一步的发展和提高。主要研究对象从单输入、单输出的常系数线性系统，发展为多输入、多输出的复杂控制系统。自适应控制理论的产生为解决复杂系统控制问题开辟了新的途径，成为当下控制领域的研究和发展热点。 1.2 国内外研究概况及发展趋势： 1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。