针对电液位置伺服系统中的非线性、参数时变性等复杂因素,设计了一种模糊神经网络控制方案。由于常规的模糊神经网络学习算法具有权值调整复杂,收敛速度慢的缺点,因此采用模糊逐级误差逼近方法来调整模糊神经网络的权值。该算法易于实现,网络权值在线学习速度较快,而且计算量小于其他的常规神经网络学习算法。将该方法应用于电液位置伺服控制系统中,在对象参数摄动情况下,进行了仿真研究。仿真结果表明,采用该方法所设计的控制器满足系统对快速性和稳态精确度的要求,系统的鲁棒性增强,验证了方法的有效性。

针对液压伺服系统中直接用测量的方法来建立伺服阀死区非线性的模型非常困难的现状,该文充分利用了现有的对液压伺服系统模型的认识,用RBF神经网络来代替伺服阀死区非线性部分的模型,设计了一个带神经网络的辨识器.该辨识器采用了迭代最小方差(RLS)学习算法对系统进行建模.最后,用Matlab/Simulink中的S_Function模块实现了上述辨识器的编程,并进行了仿真.仿真结果表明,所设计的辨识器能较好的解决液压伺服系统的建模问题.

针对液压并联机器人运动过程中各单缸伺服系统的参数时变和耦合力扰动问题,利用在前馈型网络增加反馈环节的方法,设计了一种新型动态神经网络,并将该动态网络作为智能控制器应用于单缸伺服系统,同时根据能全面衡量系统性能的综合目标函数,推导出网络控制学习算法.仿真及试验结果表明,这种控制器的设计不依赖于系统模型,对于单缸系统的参数时变具有自适应性,对于耦合力扰动具有强鲁棒性,控制结果显示系统具有良好的静动态性能.