机器人液压驱动器神经网络自适应最优控制

为了有效地控制液压非线性系统，提出基于RB F神经网络的自适应最优控制系统，应用于机器人液压驱动器。首先，建立了液压系统的动力学模型；然后，输入幅值和频率连续变化的信号，应用卡尔曼滤波器估计液压系统状态，进而计算出模型参数，对模型参数进行分组用于训练RB F神经网络；接着，对不同组参数求平均作为参考点，用RB F神经网络学习最优控制器反馈增益随系统参数的变化规律；最后，训练完成的神经网络根据卡尔曼滤波器参数估计值在线预测并调节控制器增益。经实验验证，该控制系统调节时间和跟踪误差仅为普通线性二次型最优控制器的1／2和1／3左右。