基于RBF神经网络的快速伺服刀架迟滞特性建模

合集下载

一种基于RBF神经网络优化ADRC伺服电机控制方法[发明专利]

专利名称：一种基于RBF神经网络优化ADRC伺服电机控制方法
专利类型：发明专利
发明人：吴廷栋
申请号：CN202010607151.9
申请日：20200629
公开号：CN111711407A
公开日：
20200925
专利内容由知识产权出版社提供
摘要：本发明提供一种基于RBF神经网络优化ADRC伺服电机控制方法。

包括以下步骤，输入为上位机发送的信号，输出为伺服电机位置控制。

基本工作过程为控制器下达位置指令，通过位置控制，速度控制，电流控制实现伺服驱动电路的控制，伺服驱动输出脉冲信号给伺服电机，获得电机转速，输出的电机转速通过电流环，反馈过程中给电流的设定进行自抗扰控制器(ADRC)调节。

同时传感器获得将电机的速度和位置也进行反馈，实现对电机的高精度控制。

本发明实现了伺服电机转速的实时控制，控制系统的稳定性与鲁棒性增强，系统抗干扰力增强。

相对一般的伺服电机的转速控制，提高电机转速控制的响应性。

申请人：上海海事大学
地址：201306 上海市浦东新区海港大道1550号
国籍：CN
更多信息请下载全文后查看。

新型RBF神经网络及在热工过程建模中的应用

新型RBF神经网络及在热工过程建模中的应用
刘志远;吕剑虹;陈来九
【期刊名称】《中国电机工程学报》
【年(卷),期】2002(22)9
【摘要】文中提出了一种基于免疫原理的新型径向基函数(RBF—Radial Basis Function)神经网络模型。

该模型利用人工免疫系统的记忆、学习和自组织调节原理,进行RBF神经网络隐层中心数量和位置的选择,并采用递推最小二乘算法确定网络输出层的权值。

将这种新型的RBF神经网络应用于建立热工过程的非线性模型。

仿真研究表明,这种建模方法不仅计算量较小,而且精度高,并有较好的泛化能力。

【总页数】5页(P118-122)
【关键词】锅炉;过热器;RBF神经网络;热工过程;建模
【作者】刘志远;吕剑虹;陈来九
【作者单位】东南大学动力工程系
【正文语种】中文
【中图分类】TK223.32;TP183
【相关文献】
1.基于PSO的RBF神经网络在热工系统辨识中的应用 [J], 王学厚;韩璞;李岩;贾增周
2.一种热工过程RBF神经网络模型辨识方法 [J], 钱磊;雎刚
3.基于差分进化与 RBF 神经网络的热工过程辨识 [J], 薛晓岑;向文国;吕剑虹
4.基于RBF神经网络的热工过程在线自适应建模算法研究 [J], 杨戈;吕剑虹;刘志远
5.量子遗传算法优化RBF神经网络及其在热工辨识中的应用 [J], 董泽;黄宇;韩璞因版权原因，仅展示原文概要，查看原文内容请购买。

基于RBF神经网络的破障武器内模PID控制

《电气自动化》2020年第42卷第5期__________________________________ 自动控制系统与装置Automatic Control Systems & Equipments基于RBF 神经网络的破障武器内模PID 控制陶征勇，童仲志，侯远龙，黎青鑫，时尚(南京大学机械工程学院，江南京210094)摘要：针对破障武器伺服系统中存在的非线性、参数时变和不确定性等因素，提出了一种基于RBF 神经网络的内模PID 控制策略。

RBF 神经网络对内模PID 控制器的唯一参数进行，同时对RBF 神经网络LM 算法进行训练。

表，控制方法具有良好的系统动态品质、性和抗干扰能力，能有效地加快破障的速提高破障的破障。

关键词：破障；非线性;时变;RBF 神经网络；内模PID ； LM 算法DOI ： 10.3969/j. issn. 1000 - 3886.2020.05.027［中图分类号］TP13 ［文献标志码］A ［文章编号］1000 -3886(2020)05 -0087 -03IMC-PID Control oO Obstocle-destroying Weapons Based on RBF Neuil NetworkTao Zhengyong ，Tong Zhongzhi ，Hou Yuanlong ,Lr Qingxin ，Shr Shang(College of Mechanical Engi n eering , Nanjing University of Science and Technology ,Nanjing Ja n gsu 210094，Ch i a a %Abstract ： In view of such factori as nonlinearity ， parametei time-verying and uncertaintc existing in the serve system of obstacle-destroyingweapons ，an IMC-BID control strateay based on RBF neural neteork was proposed. According te this method ，the solv parametei ofthe IMC-BID 0060011x 1 was adjusted through RBF neural neteork ， and the RBF neural neteork was trained with LM alyorithm. Simulation results showed that the proposed control method had good system dynamic quality ，robustnss and anti -interference abVity ，and could rffectively accelerate gun rotation of obstacle-destroying weapons and improve theii accuracy in obstacle destroying.Keyword-:obstacle-destroying weapon ; nonlinear ; hme-verying; RBF neural netmork ; IMC-BID; LM algorithm0引言由于破障武器工作环境存在较大的扰动以及各种不稳定因素，障系统变成了非线性时变系统。

基于RBF神经网络的科研绩效评价建模研究

基于RBF神经网络的科研绩效评价建模研究迟睿;苏翔;滕瑜【摘要】Objective, fair and accurate scientific research performance evaluation is an important measure to enhance personal work enthusiasm of scientific research in universities and scientific research institutions.In this paper, a model based on RBF neural network is employed to fine evaluate scientific research performance.The weighted normalized statistical data is taken as network input, and five rating levels, such as excellent, good, medium, pass and fail is the network output.The particle swarm optimization (PSO) was performed to optimize the parameter of RBF network based on cross validation.After analyzing the structure and the input-output characteristics of RBF network, it is found that weights of trained RBF network and five rating levels are highly correlated, and network weights provide more detailed information than five rating levels in personal scientific research evaluation.Trained weights of RBF network can be directly used for the fine evaluation of scientific research performance.In this paper, the RBF network is generalized in the application of the performance evaluation of scientific research, which presents a new method for similar evaluation or assessment works.%客观、公正、准确的科研绩效评价是调动和提高高校及科研机构科研人员工作积极性和科技创新能力的重要措施.文中提出了一种基于RBF神经网络的科研绩效精细评价模型,以归一化后的科研指标数据乘以相应权系数作为网络输入,利用优、良、中、及格和不及格5级评价作为输出,采用粒子群优化算法通过交叉验证对RBF网络结构参数进行了优化.通过RBF网络结构和输入输出特性分析发现,训练后的RBF网络权值与5级评价结果高度相关,并较5级评价结果更能精细区别科研绩效差异.该权值可直接用来进行科研绩效精细评价.文中推广了RBF网络在科研绩效评价中的应用,并为进行类似评价或评估工作提供了一种新思路.【期刊名称】《江苏科技大学学报（自然科学版）》【年(卷),期】2017(031)004【总页数】6页(P525-530)【关键词】绩效评价;粒子群优化;参数优化;神经网络权值【作者】迟睿;苏翔;滕瑜【作者单位】江苏科技大学经济管理学院,镇江 212003;江苏科技大学经济管理学院,镇江 212003;江苏科技大学经济管理学院,镇江 212003【正文语种】中文【中图分类】G316科研绩效评价的准确性影响人事管理的公平和公正,是建立有效的激励机制、调动和提高高校和科研机构科研人员工作积极性和科技创新能力的重要措施,是推动深入实施科教兴国和人才强国战略的重要一环．目前常用的科研绩效评价方法通常是采用多指标评价方法,如层次分析法、平衡计分卡、德尔菲法、主成分分析法、模糊综合评判法、灰色综合评价法、数据包络分析法等．文献[1-2]中运用平衡计分卡、关键业绩指标和战略地图构建了高校绩效评价体系；文献[3-4]中综合运用层次分析法、灰色模糊理论构建了高校绩效评价体系；文献[5-6]中提出一种基于数据包络分析的科研绩效评价模型．人工神经网络(artificical neural networds,ANN)模拟人脑神经网络工作原理,建立能够“学习”的模型,并将经验性知识积累并充分利用,从而使求出的最佳解释与实际值之间的误差最小化．人工神经网络已经发展了几十种类型,其中BP网络在绩效评价中得到了广泛的应用[7-8]．BP网络简单方便,但易限于局部极小值点．径向基神经网络(radical basis function neural networks,RBF)因其优秀的函数逼近能力，在经济预测、模式识别、非线性系统建模与控制等领域有着较为广泛的应用[9-12]．文中利用RBF神经网络建立了高校教师科研绩效评价模型,并采用粒子群优化算法对RBF神经网络结构进行优化．RBF网络通过数据训练，可以完成科研指标和考核结果间的统计分析,训练的权值能较好反映科研指标和考核结果间的统计规律．与主观评价法相比能更为精确实现绩效考核．文中同时根据RBF神经网络的结构和输入输出特性对隐含层到输出层的权值给出了合理解释,推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新的思路．RBF网络是一种前馈神经网络,一般为3层,假设是单输出网络,则输出层只有1个节点，如图1．输入层由输入信号节点构成,节点个数为输入向量维数；第2层为隐含层,节点数为训练样本个数；第3层为输出层,网络的输出是隐节点输出的线性加权和,权系数为网络参数ω1,ω2,…,ωi，通过训练确定．从输入空间到隐含层空间的变换是非线性的,隐含层空间到输出层空间的变换是线性的,所以RBF网络能够逼近任意的非线性函数,并具有较快的收敛速度[13-15]．隐层通过径向基函数，即高斯函数，完成非线性变换：式中：c和σ分别是样本中心和径向基宽度．两者对输入输出影响较大,中心c不变,宽度σ分别为5和12时,对输出的影响见图2．样本中心由训练确定,径向基宽度则需要进行优化选择．粒子群优化(particle swarm optimization,PSO)算法最早是由Eberhart和Kennedy于1995年提出,它的基本概念源于对鸟群觅食行为的研究．待优化参数的取值定为粒子的位置,优化准则为适应度函数取值的大小．设共有m个粒子,在D 维空间作参数寻优．基本PSO首先随机初始化粒子的初始速度和初始位置．第i个粒子第d维参数的初始位置和速度分别由下式确定：式中:i=1,2,…,m;d=1,2,…,D;r0x和r0v为服从[0,1]上的均匀分布随机数;xmax d和xmin d分别为第d维参数的位置最大值和最小值，即寻优区间；vmax d为第d维参数的速度最大值．设定初始的速度和位移后,然后开始迭代．第i个粒子速度(即步长)迭代公式为：式中:加速常数c1和c2为非负常数;r1和r2为服从[0,1]上的均匀分布随机数．第i个粒子位置迭代公式为：在每次迭代中根据适应度函数的取值不断更新两个最优解,一个是粒子本身当前找到的最优解,一个是种群中m个粒子当前找到的最好解．另有粒子速度限制条件,即：当vid>Vmax时,取vid=Vmax以及当vid<-Vmax时,取vid=-Vmax．同样有相应的粒子位置限定条件[xmin d，xmax d]．基本PSO算法存在后期全局搜索能力不足,不易找到最优解的缺陷．算法的改进过程中在速度项中引入了惯性权重ω．即第i个粒子速度更新公式变为：vid(t+1)=ωvid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))惯性权重ω反映了上一个速度对当前速度的影响,数值动态线性递减,公式为：式中:ωmax,ωmin分别是ω的最大值和最小值;t,Tmax分别是当前迭代步数和最大迭代步数．通常称带惯性权重的PSO为标准PSO[16-18].根据对科学发展规律,科研工作的特点和过程的分析,结合教育部科技统计指标,文中构建了能够体现科研投入、产出与效益的绩效评价指标体系[19-20],见表1．3.1 评价指标体系设计文中以某高校经济管理学院的科研绩效评价建立验证算例,根据表1的科研绩效评价指标、管理学门类及该院学科特点,设计了相应的详细指标体系,见表2．3.2 RBF神经网络建模文中以某高校经济管理学院59名专职教师的科研数据指标作为RBF神经网络输入．同时根据年终科研奖励额度以及在学科评估和学科建设上贡献大小将上述59名教师划分为了优、良、中、及格、不及格5个档次,分别标记为5、4、3、2、1，作为神经网络输出．首先为了消除不同特征数值大小不一的影响,将原始数据进行归一化,同一维特征中最大值定为1,最小值为0,其他数值按照线性计算得到．将归一化后的科研指标乘以权系数(由指标的信息熵以及指标考核结果的相关系数得到,另文刊出),评价指标的权系数见表3．然后从59个样本中选取8个样本作为测试样本,剩余的用于训练．使用matlab中的newrbe()设计并训练径向基神经网络,得到绩效评价模型net,使用sim()函数,利用net模型实现对测试样本的评价测试．3.3 PSO算法对RBF神经网络模型的优化RBF网络的径向基函数的宽度的大小对net的性能影响很大．为此采用PSO优化算法进行优化．采用8个测试样本的仿真测试结果与实际评价结果的误差和作为衡量径向基宽度优劣的标准．根据训练和测试样本选择的不同,共选择5个不同的样本组合作交叉验证,用5次测试结果的误差和的均值作PSO优化算法的目标函数(适应度函数)值．粒子个数定为10个,最大迭代设为50．借助粒子群算法寻找最优粒子位置为0.970 8,即为径向基函数的最佳宽度数值．径向基函数宽度取0.970 8时,5次交叉验证中的某次仿真测试结果和实际结果见表4．表中等级5、4、3、2分别代表考核等级为优、良、中和及格．仿真结果的正确率为87.5%,仿真等级和实际等级的误差和为1．错误样本通过原始数据发现,该教师获得国家自然科学基金项目1项,但论文等其他内容几乎没有,专家定为良,而测试结果为中,导致了测试错误．3.4 对RBF网络隐层到输出层权值的分析为了探寻RBF模型的原理并验证其合理性,对隐含层到输出层权系数ωi,i=1，…,l 对输出的影响进行了深入分析．将59个样本的特征作为输入,将59个考核结果作为输出,取径向基宽度为0.970 8,对神经网络进行训练．训练后权值和样本对应的考核等级对比见图4．从上图可以看出,权系数跟训练用样本的实际考核结果高度相关．根据RBF神经网络的结构可知,隐含层节点是训练样本,隐含层输出可看作是测试样本跟该节点样本的相似度,该隐含层输出值受节点样本位置(径向基函数中心)和径向基函数宽度影响(图2)．RBF网络输出是各隐层输出乘以各相应权系数的线性加权和,故该权系数就可视为该中心样本在整个绩效评价中的比重或贡献,所以该比重与该样本的考核结果密切相关(5级:优、良、中、及格、不及格)．同一考核结果(如:良),考核结果相同,但训练后的权值可能有少许差异,该权值的差异能帮助深入区分相近样本的科研水平的高低,实现绩效考核的精细区分．同时经过对样本的分析，结合神经网络学习的原理发现,在多数样本实际考核结果合理的情况下,通过训练学习后的权值系数的大小分级能够修正个别样本在实际考核结果中的误评．因而训练后的RBF网络的权值可直接用来进行科研绩效的精细评价,从而推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新思路．3.5 方法比较分析在绩效考核中评分法因为简单曾被广泛使用,评分法通常是给评价指标设定相应分值,然后给各个考核对象进行打分,将各个指标的分值累加作为考核对象的考核总分,再按分数段划分确定考核对象的优、良、中、及格、不及格．文中的绩效评价方法是直接根据评价指标确定考核结果,结果的确定依赖于神经网络的学习,也就是从以往全体考核对象的绩效考核结果中分析统计得出规律,然后确定考核结果．在评分法中评价指标分值的给定基本是主观确定的,指标的分值无法做到精确,比如核心期刊评分为10分,B刊/EI检索评分为40分,但实际核心期刊最优分值或许为9.8或10.1,B刊/EI检索跟核心期刊的比例最佳或许是41或39．根据神经网络,文中利用RBF神经网络训练后得出的神经网络的权值和结构对以往考核结果来说，全体训练考核对象的考核误差和最小,权值(相当于评分法的分值)在数值上可以精确到小数数值,因而可以实现精细化考核,在评分法中无法做到如此精确．根据科研绩效精确确定考核结果之后,就可以建立调动和提高高校教师和科研机构科研工作人员工作积极性和科技创新能力的激励措施．如建立高职低聘和低职高聘的人事聘任制度和其他科研奖惩措施等．文中以某高校经济管理学院教师的科研成果为例,利用RBF神经网络建立了能够实现对科研工作绩效进行精细评价的模型．得出了如下结论:(1) 采用PSO优化算法对RBF网络的径向基宽度进行了优化．当径向基宽度为0.970 8时,正确识别率最高,可达87.5%．(2) 根据RBF神经网络的结构可知,隐层的输出是以训练样本为中心的径向基函数输出,所以,隐层输出可视为测试样本与训练样本的相似度度量．(3) 考察RBF神经网络隐含层到输出层的权值,发现该权值可视为对应训练样本在绩效考核模型输出中的贡献．该权值既跟考核结果高度相关,又与考核结果稍有差异．利用该权值能深入区分相近样本的科研水平高低．(4) 在多数样本实际考核结果合理的情况下,通过RBF网络的训练学习,按照隐层到输出层权值系数的大小分级能够修正个别样本在实际考核结果中的误评．(5) 文中推广了RBF网络在科研绩效评价中的应用,并为通过指标进行类似评价或评估的工作提供了一种新思路．【相关文献】[ 1 ] 唐莉. 基于战略的高校教师绩效评价体系实证研究[J]. 教育学术月刊,2012(6):55-57.[ 2 ] 杜永红,高虹,任涛,等. 基于动态平衡计分卡的民族高校精细化绩效测评体系研究[J]. 中国管理信息化,2014,17(13):132-137.[ 3 ] 李锋,尹洁. 基于层次分析法的复合型人才综合素质评价体系研究[J]. 江苏科技大学学报(自然科学版),2012,26(3):300-304. LI Feng,YIN Jie. Research on comprehensive quality evaluation system of compound talents by analytic hierarchy process[J]. Journal of Jiangsu University of Science and Technology(Natural Science Edition),2012,26(3):300-304.(in Chinese)[ 4 ] 朱永跃,马志强,陈永清. 基于BSC和灰色模糊理论的高校科技创新团队绩效评价[J]. 科技管理研究,2009(12):431-433.[ 5 ] 戚湧,李千目,王艳.一种基于DEA的高校科研绩效评价方法[J]. 科学学与科学技术管理,2008(12):178-186. QI Yong,LI Qianmu,WANG Yan. The university scientific research performance appraisal method based on DEA[J]. Science of Science and Management of S & T,2008(12):178-186.(in Chinese)[ 6 ] 陈钰. 普通高校教师教学绩效评价研究[D]. 天津:天津大学,2014:1-10.[ 7 ] 郑培,黎建强. 基于BP神经网络的供应链绩效评价方法[J]. 运筹与管理,2010,19(2):26-32. ZHENG Pei,LI Jianqiang. back propagation neural network approach on supply chain dynamic performance measurement[J]. Operations Research and Management Science,2010,19(2):26-32.(in Chinese)[ 8 ] 任秋阳,朱健,卢秉亮.基于PCA-BP的绩效综合评价研究[J]. 微处理机,2015(3):34-37. REN Qiuyang,ZHU Jian,LU Bingliang. Research of performance comprehensive evaluation based on PCA-BP[J]. Microprocessors,2015(3):34-37.(in Chinese)[ 9 ] YU L,LAI K K. Multistage RBF neural network ensemble learning for exchange rates forecasting[J]. Neurocomputing,2008,71(16/18):3295-3302.[10] 张瀛,洪珍玉,江巍. 基于RBF网络的中国信贷规模稳健预测[J]. 系统工程理论与实践,2014,34(12):3022-3033. ZHANG Ying,HONG Zhenyu,JIANG Wei. Chinese credit scale prediction using m-estimator based robust radial basis function neural networks[J]. Systems Engineering-Theory & Practice,2014,34(12):3022-3033.(in Chinese)[11] LI M,TIAN J,CHEN F. Improving multiclass pattern recognition with a co-evolutionary RBFNN[J]. Pattern Recognition Letters,2008,29(4):392-406.[12] LUENGO J,GARCIA S, HERRERA F. A study on the use of imputation methods for experimentation with radial basis function network classifiers handing missing attribute values: the good synergy between RBFNs and event covering method [J]. Neural Networks, 2010,23(3):406-418.[13] 张冬青,宁宣熙,刘雪妮. 基于RBF-HMM模型的时间序列在线预测[J]. 系统工程学报,2010,25(1):17-23. ZHANG Dongqing,NING Xuanxi,LIU Xueni. Time a series on-linepredfiction based on RBF-HMM model[J]. Journal of Systems Engineering,2010,25(1):17-23.(in Chinese)[14] 卫敏,余安乐. 具有最优学习率的RBF神经网络及其应用[J]. 管理科学学报,2012,15(4):50-57. WEI Min,YU Anle. A RBF neural network with optimum learning rates and its application[J]. Journal of Management Sciences in China,2012,15(4):50-57.(in Chinese)[15] 杨一,高社生,胡高歌. 基于敏感度方差重要性的RBF神经网络结构优化算法[J]. 控制与决策,2015,30(8):1393-1398. YANG Yi,GAO Shesheng,HU Gaoge. Optimal algorithm for RBF neural network structure based on variance significance in output sensitivity[J]. Control and Decision,2015,30(8):1393-1398.(in Chinese)[16] 黄继. 灰色多变量GM(1,N|τ,γ)及其粒子群优化算法[J]. 系统工程理论与实践,2009,29(10):145-151. HUANG Ji. Grey GM(1,N|τ,γ) model and its particle swarm optimization algorithm[J]. Systems Engineering-Theory & Practice,2009,29(10):145-151.(in Chinese)[17] 章杰宽. 智能组合预测方法及其应用[J]. 中国管理科学,2014,22(3):26-33. ZHANG Jiekuan. Intelligent integration forecasting method and its application [J]. Chinese Journal of Management Science,2014,22(3):26-33.(in Chinese)[18] FENG H M. Self-generation RBFNs using evolutional PSO learning [J]. Neurocomputing, 2006,70(1/3):241-251.[19] 戚湧,李千目,孙海华. 基于主成分神经网络和聚类分析的高校创新能力评价[J]. 科学学与科学技术管理,2009(10):112-117. QI Yong,LI Qianmu,SUN Haihua. The university innovation ability appraisal based on PCA-BP and cluster method [J]. Science of Science and Management of S & T,2009(10):112-117.(in Chinese)[20] 丁敬达,邱均平.科研评价指标体系优化方法研究:以中国高校科技创新竞争力评价为例[J]. 科研管理,2010,31(4):111-118. DING Jingda,QIU Junping. Study on the approach to optimize the indicator system of science research evaluation:a case study of the scientific and technological innovation competitiveness evaluation of Chinese universities[J]. Science Research Management,2010,31(4):111-118.(in Chinese)。

基于RBF神经网络的永磁同步伺服电机控制系统

基于RBF神经网络的永磁同步伺服电机控制系统朱卫云;付东翔;葛懂林【摘要】针对永磁同步电机控制系统, 建立其磁场定向控制数学模型. 运用增量式数字PID的方法实现对PMSM的传统PID控制策略. 在此基础上, 借助RBF神经网络的学习能力, 进行PID控制器参数的自适应整定, 进一步改善PID控制器的性能. 同时, 为提高RBF网络性能, 采用粒子群算法对网络进行优化. 仿真表明, 与传统PID控制比较, 基于RBF的PID控制系统能提高PID控制器的性能, 改善了PMSM控制系统的收敛速度和跟踪精度.%This paper first proposes the establishment of PMSM mathematical model .Then, the conventional PID control is discussed to achieve PMSM control system by using an incremental PID .The learning ability of RBF neural network offers adaptive PID controller parameter to improve the performance of PIDcontrollers .The particle swarm optimization ( PSO) is also proposed to improve the performance of RBF network in .The simulation results in-dicate that the mode control system based on RBF neural network can improve the performance of PID controller com -pared with conventional PID control with higher convergence speed and tracking accuracy of PMSM control system .【期刊名称】《电子科技》【年(卷),期】2016(029)001【总页数】5页(P161-164,168)【关键词】PMSM;FOC;PID控制器;RBF网络;PSO算法【作者】朱卫云;付东翔;葛懂林【作者单位】上海理工大学光电信息与计算机工程学院,上海 200093;上海理工大学光电信息与计算机工程学院,上海 200093;上海理工大学光电信息与计算机工程学院,上海 200093【正文语种】中文【中图分类】TM351Abstract This paper first proposes the establishment of PMSM mathematical model.Then,the conventional PID control is discussed to achieve PMSM control system by using an incremental PID.The learning ability of RBF neural network offers adaptive PID controller parameter to improve the performance of PID controllers.The particle swarm optimization (PSO) is also proposed to improve the performance of RBF network in.The simulation results indicate that the mode control system based on RBF neural network can improve the performance of PID controller compared with conventional PID control with higher convergence speed and tracking accuracy of PMSM control system. Keywords PMSM;FOC;PID;RBF neural networks;PSO algorithm永磁同步电机因其自身的结构及运行特别,在运动控制应用中起着重要作用,而被广泛应用于机器人、航空航天和国防军事等高精度速度和位置控制领域中。

基于聚类与梯度混合学习算法RBF神经网络的电液伺服系统建模及仿真

Ａｂｔａｃ：ｔＳｈｒｏｇｔｔｅｅａｔｍｏｌｏｈｌｃｒｈｙｒｕｌｃｓｒｏｓｓｅｕｓｎｉｓ— ｉｃｐｌｅｈｄｄｅｔｈｅｎｎｉａｕａｉｎｓｒｔＡｓｉ’ ａｄｔｅｈｘｃｄｅｆｔｅｅｅｔｏｄａｉｅｖｙｔｍｉｇｆｔｐｒｎｉｅｍｔｏｕｏｔｏｌｎｅｒｃａｓｔｏｓｒｓｃｓｔｅｉｈｒｎｕｘ— ｐｅｓｅｒｌｔｏｕｈａｈｎｅｅｔｆｌｒｓｕｒｅａｉｎＩＲＢＦｎｕａｅｗｏｋｗａｅｏｈｏｌｎｉｌｔｏｆｔｅｌｃｒｈｄａｌｃｅｒｌｎｔｒｓｕｓｄｆｒｔｅｍｄｅｉａｄｓｍｕａｉｎｏｈｅｅｔｏｙｒｕｉｎｇｓＩｙｔｍｆａｍｉｅｓｅｉｇｐｌｕｈｉａｎｓｓｅ．Ｓｉｅｔｕｒｌｎｔｒａｌｗｒｉｎｇｓｅｎｄｐｏｒｃｎｅｇｎｃ，ｅ￣Ｏｓｓｅｏｎｗｅｐｎｏｇｎａｗｅｐｏｙｔｍｎｃｈｅｎｅａｅｗｏｋｈｄｓｏｔａｎｉｐｅｄａｏｏｖｒｅｅ
，
ＷｕｘｉｏｉｏＣｈｎＪｉＷａｇＬａｘａｅｉｎｌｎｉ
（ｃｏｌｆＭｅａｉｌｎｉｅｒｇ，ＳｈｏｏｃｎａｇｎｅｎｈｃＥｉ
ｎｇ
ｉｃｎｅａｄＴｃｎｌｙＮｎｎｉｎｓ１０４ｈｎ）ｔｏｉｃｎｅｏｇ，ａｊｇＪｇｕ２０９，ＣｉａｙｆＳｅｈｏｉａ
豢遣鞋

基于模糊RBF神经网络的双电机驱动伺服系统研究

甍＝￡１（图机系（￡１１驱统（）＋）动示）一双伺意￡一ｄ）（ｚ一）＝ｒｌｒ２２（ｌ ∑）２电服图
式中：（０，一１２分别为主、动轮轴的转角；，分别为主、动轮轴的转速；ｂ为主动轮的转动，）从从Ｊ，惯量和粘性摩擦系数；，为从动轮的转动惯量和粘性摩擦系数；为系统输入转矩；．ｂ，叫为偏置力矩；，
第２卷第１５期
２１００年３月
安
徽
工
程
科
技
学
院
学
报
Ｖｏ．５Ｎｏ１１２．．
Ｍｓ．，００９ｉ２ｒ
ＪｕｎｌｆｎｕＵｎｖｒｉｆｃｎｌｇｎｃｎｅｏｒａｏｈｉｉｅｓｙｏｈｏｏｙａｄＳｉｃＡｔＴｅｅ
２中国电子科技集团公司第４研究所，徽合肥．３安
２０８）３０８
摘要：电机驱动例服系统中存在齿隙和摩擦等非线性。双常规ＰＤ控制不能满足其控制要求．对常规ＰＤＩ针Ｉ控制器参数固定而导致在控制中效果差的缺陷．出一种基于模糊ＲＦ神经网络整定的ＰＤ控制方法．提ＢＩ该方
文章编号：６２２７（０００－０７０１７－４７２１）１０５－５
基于模糊ＲＢＦ神经网络的双电机驱动伺服系统研究
赵海波周向红。，
（．陵学院ｃ气２程系光电子研究中心。１铜ａ１２安徽铜陵２４０；４００

RBF神经网络在机器人视觉伺服控制中的应用

１９７９年提出的。从２０世纪８０年代开始，随着图像处理技术和计算机性能的大力提高，机器人视觉技术取得了很大进步。目前影响视觉伺服系统广泛应用的主要因素有图像采集以及图像处理速度低、视觉伺服系统计算量大等。
传统的机器人视觉伺服控制是由系统雅可比矩阵的计算得到图像空间与机器人空间的非线性关系，这
６ｘｍ的偏导数矩阵，其表达式为
ａｒ１
ａｒ１
ａｇｍ
ａｇ】
Ｊｂ０ｌ＝
ｃ３ｒ
ｐ
图１基于图像的视觉伺服系统结构
Ｏｒ．
文中ＲＢＦ神经网络训练样本和测试样本均来自
ａｑ１
ａｇｍ
１．２图像雅可比矩阵
ＶＯｃｏｎｔｒｏｌｉｎｉｍａｇｅ・ｂａｓｅｄｒｏｂｏｔｗｉｔｈｃｏｏｒｄｉｎａｔｉｏｎｆｕｎｃｔｉｏｎｏｆｅｙｅｓａｎｄｈａｎｄｓ，ｔｈｅｒｅｆｏｒｅｃｏｎｒｔｏｌａｌｇｏｉｒｔｈｍｗａｓｓｉｍｐｌｉｆｉｅｄ．Ｔｈｒｏｕｇｈｆｏｌｌｏｗ — ｉｎｇｓｉｍｕｌａｔｉｏｎｅｘｐｅｉｍｅｒｎｔ，ｉｔｗａｓｐｍｖｅｄｔｈａｔｔｈｅｄｅｓｉｇｎｅｄｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆＲＢＦｎｅｕｔｒａｌｎｅｔｗｏｒｋｈａｖｉｎｇｇｏｏｄｔａｒｇｅｔｐｏｓｉｔｉｏｎｉｎｇｅｆｅｃｔａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎｃａｐａｂｉｌｉｔｙ．Ｔｈｅｔｉｍｅｎｅｅｄｅｄｉｎｔｈｅｖｉｓｕａｌｓｅｒｖｏｃｏｎｔｒｏｌｉｓｇｒｅａｔｌｙｓｈｏｒｔｅｎｅｄ，ａｎｄｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｉｎｒｅｌａｔｉｍｅｉｓｖｅｒ－

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｉｐｔｓａｅｍｅｏｎｕｐｃｔｄ．ＡｎｅｐｎｎｉｙｔｒｓｓｏｒｔｒｉｒｐｏｅｏｃｍｂｎｅｉｐｔｏｈＳｈｘｏｅｔａｈｓｅｅｉｐｅａｏｓｐｏｓｄｔｏｉｅｔｎｕｆｔｅＦｒｌｈｓｔｍｎｄｔｅｏｔｐｔｏｈｙｓｅｅｉｐｅａｏｏｅｅｓｔｅｉｐｔｏｅＲＢＦｎｕａｅｗｏｋａｄｙｓｅａｕｕｆｔｅｈｔｒｓｓｏｒｔｒｔｇｔｒａｈｎｕｆｔｈｈｈｅｒｌｎｔｒｎｃｎｓｒｃｘｎｄｄｉｐｕｐｃｏｔｕｔａｅｐａｅｎｔｓａｅ，Ｓｓｔｒｓｏｍｅｍｕｔ— ａｕｄｍａｐｎｎｏｎ —ｏ－ｎｎＯａｏｔａｆｒｔｌｖｅｐｉｇｉｔａｏｅｔｏｅｎｈｉｌｍａｐｎｉｃｎｂｅｅｒｅｗｏｋｏｅｔｂｉｈｔｅｍｏｌｆｒｔｅｂｈａｉｒｏｙｔｒｓｓｏＳ．ｐｉｇｗｈｈｅａｌｓｎｕａｎｔｒｓｔｓａｌｓｄｅｈｅｖｏｆｈｓｅｅｉｆＦＴｌｈｏ
Ａｂｓｒｃ：ＡｓｅｅｉｄｌｂｓｄｏｔａｔｈｙｔｒｓｓｍｏｅａｅｎＲＢＦｎｕａｅｗｏｋｓｐｏｏｅｏｅｕｉｇｔｅｎｎｉａｉｅｒｌｎｔｒｓｉｒｐｓｄｆｒｒｄｃｎｈｏｌｎｅｒｔｙ
ｍｏｅｕｉｇＲＦｆａｉｌａｉｆｎｔｎｅｒｅｏｋｆＴｓｂｉｅａｅｎｔｐｎｅｄｌｓＢｒｄｃｓｃｏ）ｎｕａｎｔｒｓｓｉｅｔｌｈｄｂｓｄｏｅｅａｄｄｎａｂｓｕｉｌｗｏＦｓａｓｈｘ
（鞍钢股份技术中心，山１４０）鞍１０９（鞍钢集团自动化公司，鞍山１４０）。１０９
摘要：为了减小压电陶瓷固有的迟滞非线性特点对快速伺服刀架（ｒ）制精度的影响，出ＦＳ控提
了一种基于ＲＦ神经网络的快速伺服刀架迟滞特性建模方法．Ｂ利用拓展输入空间法建立了ＦＳｒ
Ｓｐ．２２ｅｔ０１
ｄｉ１．９９ｊｉ６／．ｓ．０１５５２１．１０４ｓ
基于ＲＦ神经网络的快速伺服刀架迟滞特性建模Ｂ
王晓慧丁智２刘宝权王军生张岩
ｏｉｏｌｔｃａｔａｏｈｃａｓｏｔｅｉａｃａｙｏｓｔｏｒｏｓｓｍ（ｒ）１１ｙｔｅｉｆｅｅｅｒｃｔｗｉｈｌｄｃｕｃｆａｔｏｌｅｖｙｔｐｚｃｉｕｒｅｔｈｎｒｆｓｅＦｓ．１ｈｓｒｓｅｅｓ
（ＴｃｎｌｇｅｔｒｆｎｔｅＣｒｏａｏＡｎｈｎ１４０ＣｉａｅｈｏｏｙＣｎｅｓｌｏｐｒｔｎ，ｓａ０９，ｈｎ）ｏＡｅｉ１（ｕｏｔｎｃｍａｙｏｎｔｌｒｕＡｎｈｎ１４０Ｃｉａ。ＡｔｍａｉｏｐｎｆＡｓｅｏｐ，ｓａ０９，ｈｎ）ｏｅＧ１
迟滞系统的ＲＦ神经网络模型，过引入指数型迟滞算子，ＦＳ系统的输入与迟滞算子的输Ｂ通将Ｔ
出一起作为ＲＦ神经网络的输入向量，Ｂ实现了ＦＳ迟滞系统由多值映射到单值映射的转换，Ｔ进
而利用神经网络对其进行建模．了更精确地跟踪快速伺服刀架的迟滞位移曲线，为通过增加调整系数盯来对迟滞算子进行改进．验表明，迟滞模型可以很好地预测快速伺服刀架的迟滞位实该
第４２卷增刊（）Ｉ
２１０２年９月
东南大学学报（自然科学版）
ＪＵＲＬＯＦＳＵＴＥＴＵＮＶＥＳＴ（ａｕａＳｉｎｅＥｉｏ）ＯＮＡＯＨＡＳＩＲＩＹＮｔｒｌｃｃｄｔｎｅｉ
Ｖ０．２ＳｐＩ１４ｕ（）
ＭｏｅｉｇｏｙｔｒｓｓｆｒｆｓｏｌｄｌｎｆｈｓｅｅｉｏａｔｔｏｓｒｏｓｓｅａｅｎＲＢＦｎｕａｅｗｏｋｅｖｙｔｍｂｓｄｏｅｒｌｎｔｒ
ＷａｇＸｉｏｕｎａｈｉＤｉｇＺｈｎｉＬｉｏｕａｕＢａｑｎＷａｇＪｎｈｎｎｕｓｅｇＺｈｎｎａｇＹａ
移曲线，型的验证均方差ＭＳ５１３３× ０模Ｅ＝．６１～．
关键词：快速伺服刀架；滞算子；Ｂ迟ＲＦ神经网络迟滞模型
中图分类号：Ｎ３４Ｔ８文献标志码：Ａ文章编号：０１００（０２Ｓ－１－４１０ — ５５２１）１０７２０