论文部分内容阅读
冷凝器是热发电厂,核能发电厂,和其他工业电厂的重要装置。通常,在工业冷凝器系统由水平或垂直方向起热交换作用的小冷凝器(管板结构)组成。然而实际上,冷凝器通常需要在不同环境下工作很长的时间,由此造成的损伤普遍存在。当这些损害出现时,冷凝器的运行效率下降。此外,来自冷凝器故障的风险不仅会影响单元热效率和电厂的其它设备,而且增加了生产成本。为了克服这些问题,近年来,湖南大学研究团队针对大型冷凝器清洗工作研究了一种冷凝器清洗移动作业机器人。基于前人的研究,为了提高冷凝器机器人的运行效率,本论文致力于研究基于神经网络的智能控制方法。研究的主要成果阐述如下：研究的第一部分内容提出了一种基于模糊小波神经网络(FWNNs)和递归FWNNs (RFWNNs)的机械臂控制的自适应智能跟踪控制方法。这里针对两种智能控制器,自适应RFWNNs和FWNNs控制器,分别做了研究和比较。该方法中,控制系统是在没有稳定性先验知识的情况下设计的。机器人系统的动力学模型由RFWNNs/FWNNs近似。通过小波技术与模糊神经网络(FNNs)的结合,提出一种相比FNNs控制器拥有更高的跟踪性能的基于FWNNs的控制器。另外,FWNNs控制器具有良好的重现性。另外,为了适应参数的变化,本论文在之前提出基于FWNNs的控制器的基础上设计了RFWNNs控制器,RFWNNs具有动态网络结构,可以克服FWNNs静态数据结构的不足,并且可能更加方便的应用于时变不确定性高阶非线性系统。通过仿真和实验验证了所提出方法的有效性和鲁棒性。所提出的控制方法在移动机械手(MMR)中得到了良好应用。研究的第二部分内容中,研究了基于RFWNNs的自适应智能运动控制系统在履带式冷凝器清洗移动作业机器人(CCMMR)中的应用。由于CCMMR和MMR系统具有时变不确定性,基于RFWNNs/FWNNs的自适应智能运动控制系统可提高基于神经网络(NNs)控制器的灵活性,并且减少了跟踪误差。通过对MMR控制结果的发展,RFWNNs模型被用来近似CCMMR控制系统的未知动态需求。与机械手结构相比,CCMMR具有完整或者非完整的约束具,因而具有更复杂的动态性。基于此,本论文还提出了一种自适应鲁棒控制方法。此外,控制参数的在线学习算法由Lyapunov稳定性定理获得,使得所提出的控制系统的稳定性得到保证。通过仿真和实验结果验证了所提方法的有效性和鲁棒性。研究的第三部分内容,提出了一种新的递归模糊小波小脑模型的精确控制神经网络(RFWCMACNNs)结构。这种结构是小波技术,高木(TSK)模糊结构,WNNs和小脑精确控制模型的结合。因此,RFWCMACNNs是更广义的神经网络,它们适用于控CCMMR/MMR系统。论文研究的目的在于提高基于NNs机器人控制的有效性。为此,提出了一种改进型的小脑近似模型机器人控制方法。如CMAC (FCMAC), RCMAC和迭代FCMAC (RFCMAC).这种RFWCMACNNs应用于位置跟踪控制器来逼近CCMMR控制系统的未知动态模型。基于位置跟踪控制,本论文还针对CCMMR/MMR的非完整约束设计了一种自适应鲁棒控制策略。所有控制参数的在线学习算法都是由Lyapunov稳定性定理推导得到的,从而保证了控制系统的稳定性。此外,论文还阐述了一种简化的基于模糊小波网络的控制器CMAC NNs (FWCMACNNs)与本研究提出的方法对比。通过对比仿真和实验结果验证了本文所设计的控制器在CCMMR和MMR控制系统的有效性和鲁棒性。研究的第四部分内容中,基于传统的反向推理控制系统,针对CCMMR控制系统提出了一种智能控制系统。由于第二和第三部分研究内容取得了良好的实验结果,RFWCMACNNs被应用到位置跟踪反向推理控制系统中,从而逼近CCMMR控制系统的未知动态模型。本论文的目标是提高之前提出的基于NNs和CMAC的CCMMR系统的有效性和鲁棒性。和之前两项研究一样,自适应鲁棒控制器也考虑了CCMMR的非完整约束。所有控制参数的在线学习算法都是由Lyapunov稳定性定理推导得到的,从而保证了控制系统的稳定性。另外,对比仿真和实验结果验证了本控制系统的有效性和鲁棒性。