二自由度简易云台增稳控制系统设计 项目简介：本课题要求学生在查阅相关资料的基础上，利用单片机、IMU姿态测量元件、舵机等设备搭建二自由度增稳控制平台，设计姿态数据的读取程序，设计舵机的控制程序，设计增稳平台的机械结构，对所设计的程序进行调试，实现云台的增稳控制。 项目方案： 本课题分以下步骤展开研究： 2014年4月~ 2014年10月 收集有单片机接口程序设计方面的资料，学习相关理论知识； 2014年11月~2014年12月 学习MWC飞行控制板的程序设计技术； 2015年1月~2015年4月 设计板载姿态传感器数据读取； 2015年5月~ 2015年8月 设计舵机控制程序和平台机械结构，测试平台增稳性能； 2015年9月~2015年10月 撰写研究报告、结题，项目鉴定。 本项目主要使用MWC飞行控制板和舵机实现二自由度平台的增稳控制 预期成果： 本项目要求完成如下成果： 设计并实现二自由度增稳平台的软、硬件系统，搭建增稳平台的机械结构，完成系统的负载测试。完成研究报告一份。 二自由度云台概述: 云台是一种安装、固定摄像装置的支撑设备，用于摄像装置与支撑物的联结。其英文名称为Pan-Tilt(简称PT),即可以在水平方向和俯仰方向旋转的机械装置。主要用于安装监控、动态摄像等需要进行运动图像（视频）捕捉的场合或环境，使采集方式更直接方便；在需要摇摆和摆动的机构中，如机械臂等，也利用云台来实现可接触范围的延伸和扩展。 根据云台的回转特点可以分为只能左右旋转的水平旋转平台和既能左右旋转又能上下旋转的全方位云台，即二自由度（2-Degree of Freedom）云台，简称2-DOF云台。 增稳的意义： 比如飞行器在飞行过程中，由于自身的抖动以及外界因素对它的影响，它的姿态不断变化，装在上面的图像采集装置一起变化，导致图像的不稳定。如果采用反馈控制原理，先测量姿态变化，再传输到控制装置（舵机），达到稳像的目的。将一个二自由度的稳像平台与遥控直升机恰当地结合在一起，实现了在飞行过程中跟踪目标稳定图像，保持图像质量的功能。
基于BP神经网络的PID控制器的研究与 实现 课程名称：人工神经网络
目录 前言 (3) 一、BP神经网络 (4) 二、模拟PID控制系统 (5) 三、基于BP神经网络的PID控制器 (6) 四、仿真程序 (10) 五、运行结果 (17) 六、总结 (18) 参考文献 (19)
前言 人工神经网络是以一种简单神经元为节点，采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统。不仅如此，人工神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索的功能。不同领域的科学家，对人工神经网络有着不同的理解、不同的研究内容，并且采用不同的研究方法。对于控制领域的研究工作者来说，人工神经网络的魅力在于：①能够充分逼近任意复杂的非线性关系，从而形成非线性动力学系统，以表示某种被控对象的模型或控制器模型；②能够学习和适应不确定性系统的动态特性；③所有定量或定性的信息都分布储存于网络内的各神经单元，从而具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，可以进行快速大量运算。对于长期困扰控制界的非线性系统和不确定性系统来说，人工神经网络无疑是一种解决问题的有效途径。正因为如此，把人工神经网络引入传统的PID 控制，将这两者结合，则可以在一定程度上解决传统PID 调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。
一、BP神经网络 BP神经网络是一种有隐含层的多层前馈网络，其结构如图1-1所示。如果把具有M个输入节点和L个输出节点的BP神经网络看成是从M维欧氏空间到L维欧氏空间的非线性映射，则对于具有一定非线性因数的工业过程被控对象，采用BP网络来描述，不失为一种好的选择。在BP神经网络中的神经元多采用S型函数作为活化函数，利用其连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正加权系数，以期使误差均方值最小。BP神经网络的学习过程可分为前向网络计算和反向误差传播——连接加权系数修正两个部分，这两个部分是相继连续反复进行的，直至误差满足要求。不论学习过程是否已经结束，只要在网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通过每一层时要根据当时的连接加权系数和节点的活化函数与阈值进行相应计算，所得的输出再继续向下一层传输。这个前向网络计算过程，既是网络学习过程的一部分，也是将来网络的工作模式。在学习过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，则转入反向传播，将误差沿着原来的连接通路回送，作为修改加权系数的依据，目标是使误差减小。
1． 计算齿轮机构的自由度. 解：由于B. C 副中之一为虚约束，计算机构自由度时，应将 C 副去除。即如下 图所示： 该机构的自由度1213233231=?-?-?=--=h p p n F 2. .机构具有确定运动的条件是什么如果不能满足这一条件，将会产生什么结果 机构在滚子B 处有一个局部自由度，应去除。 该机构的自由度017253231=-?-?=--=h p p n F 定轴轮系 A B C 1 2 3 4 图2－22 A B C D G E H F
当自由度F=1时,该机构才能运动, 如果不能满足这一条件,该机构无法运动。 该机构当修改为下图机构，则机构可动： N=4, PL=5, Ph=1; F=?-?-= 自由度342511 3. 计算机构的自由度. 1)由于机构具有虚约束, 机构可转化为下图机构。 F=?-?-= 自由度342511
2)由于机构具有虚约束, 机构可转化为下图机构。 F=?-?= 自由度31211 3)由于机构具有虚约束, 机构可转化为下图机构。 F=?-?= 自由度33241 第一章平面机构的运动简图及自由度 一、判断题（认为正确的，在括号内画√，反之画×） 1.机构是由两个以上构件组成的。（） 2.运动副的主要特征是两个构件以点、线、面的形式相接触。（） 3.机构具有确定相对运动的条件是机构的自由度大于零。（） 4.转动副限制了构件的转动自由度。（） 5.固定构件（机架）是机构不可缺少的组成部分。（） 个构件在一处铰接，则构成4个转动副。（） 7.机构的运动不确定，就是指机构不能具有相对运动。（） 8.虚约束对机构的运动不起作用。（） 二、选择题 1.为使机构运动简图能够完全反映机构的运动特性,则运动简图相对于与实际机构的（）应相同。 A.构件数、运动副的类型及数目 B.构件的运动尺寸 C.机架和原动件 D. A 和B 和C 2.下面对机构虚约束的描述中，不正确的是（）。 A.机构中对运动不起独立限制作用的重复约束称为虚约束，在计算机构自由度时应除去虚约束。 B.虚约束可提高构件的强度、刚度、平稳性和机构工作的可靠性等。 C.虚约束应满足某些特殊的凡何条件，否则虚约束会变成实约束而影响机构的正常运动。为此应规定相应的制造精度要求。虚约束还使机器的结构复杂，成本增加。 D.设计机器时，在满足使用要求的情况卜，含有的虚约束越多越好。 三、综合题
%Single Neural Adaptive PID Controller clear all; close all; x=[0,0,0]'; xiteP=0.40; xiteI=0.35; xiteD=0.40; %Initilizing kp,ki and kd wkp_1=0.10; wki_1=0.10; wkd_1=0.10; %wkp_1=rand; %wki_1=rand; %wkd_1=rand; error_1=0; error_2=0; y_1=0;y_2=0;y_3=0; u_1=0;u_2=0;u_3=0; ts=0.001; for k=1:1:1000 time(k)=k*ts; yd(k)=0.5*sign(sin(2*2*pi*k*ts)); y(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2; error(k)=yd(k)-y(k); %Adjusting Weight Value by hebb learning algorithm M=4; if M==1 %No Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*u_1*x(1); %P wki(k)=wki_1+xiteI*u_1*x(2); %I wkd(k)=wkd_1+xiteD*u_1*x(3); %D K=0.06; elseif M==2 %Supervised Delta learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1; %P wki(k)=wki_1+xiteI*error(k)*u_1; %I wkd(k)=wkd_1+xiteD*error(k)*u_1; %D K=0.12; elseif M==3 %Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1); %P wki(k)=wki_1+xiteI*error(k)*u_1*x(2); %I wkd(k)=wkd_1+xiteD*error(k)*u_1*x(3); %D K=0.12; elseif M==4 %Improved Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*(2*error(k)-error_1); wki(k)=wki_1+xiteI*error(k)*u_1*(2*error(k)-error_1); wkd(k)=wkd_1+xiteD*error(k)*u_1*(2*error(k)-error_1); K=0.12; end x(1)=error(k)-error_1; %P
第一章绪论 在工程和科学技术发展过程中，自动控制担负着重要的角色。除了在宇宙飞船系统、导弹制导系统和机器人系统等领域中，自动控制具有特别重要的作用之外，它已成为现代机器制造业和工业生产过程中的重要而不可缺少的组成部分。例如，在制造工业的数控机床控制中，在航空和航天工业的自动驾驶仪系统设计中，以及在汽车工业的小汽车和大卡车设计中，自动控制都是必不可少的。此外，在工业中的过程控制，对压力、温度、湿度、黏性和流量的控制等工业操作过程，自动控制也是不可缺少的。 自动控制理论和实践的不断发展，为人们提供了获得动态系统最佳性能的方法，提高了生产率，并且使人们从繁重的体力劳动和大量重复性的手工操作中解放出来。 1.2控制系统的分类 1.2.1 反馈控制系统 能对输出量与参考输入量进行比较，并且将它们的偏差作为控制手段，以 保持两者之间预定关系的系统，称为反馈控制系统。室温控制系统就是反馈系统的例子。通过实际室温，并且将其与参考温度（希望的室温）进行比较，温室调机器就会按照某种方式，加温或冷却设备打开或关闭，从而将室温保持在使人们感到舒适的水平上，且与外界条件无关。反馈系统并不限于工程系统，在各种不同的非工程领域，同样存在着反馈控制系统。 1.2.2 闭环控制系统 反馈控制系统通常属于闭环控制系统。在实践中，反馈控制和闭环控制这两个术语通常交换使用。在闭环控制系统中，作为输入信号与反馈信号（反馈信号可以是输出信号本身，也可以是输出信号的函数及其导数和/或其积分）之差的作用误差信号被传送到控制器，以便减小误差，并且使系统的输出达到希望的值。闭环控制这个术语，总是意味着采用反馈控制作用，以减小系统误差。
基于径向基函数的神经网络的PID控制器 摘要 RBF神经网络在分类问题中得到了广泛的应用，尤其是模式识别的问题。许多模式识别实验证明，RBF具有更有效的非线性逼近能力，并且RBF神经网络的学习速度较其他网络快。本文在具有复杂控制规律的S函数构造方法的基础上，给出了基于MATLAB语言的RBF神经网络PID控制器，及该模型的一非线性对象的仿真结果。 关键词：S函数；RBF神经网络PID控制器；Simulink仿真模型径向基函数（RBF-Radial Basis Function）神经网络是由J.Moody和C.Darken 在20世纪80年代末提出的一种神经网络，它具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接受域（或称野-Receptive Field）的神经网络结构，因此，RBF神经网络是一种局部逼近网络，已证明它能以任意精度逼近任意连续函数。 1.S函数的编写方法 S函数是Simulink中的高级功能模块，Simulink是运行在MATLAB环境下用于建模、仿真和分析动态系统的软件包。只要所研究的系统模型能够由MATLAB语言加以描述，就可构造出相应的S函数，从而借助Simulink中的S 函数功能模块实现MATLAB与Simulink之间的沟通与联系，这样处理可以充分发挥MATLAB编程灵活与Simulink简单直观的各自优势。当系统采用较复杂的控制规律时，Simulink中没有现成功能模块可用，通常都要采用MATLAB编程语言，编写大量复杂而繁琐的源程序代码进行仿真，一是编程复杂、工作量较大，二来也很不直观。如果能利用Simulink提供的S函数来实现这种控制规律，就可以避免原来直接采取编程的方法，不需要编写大量复杂而繁琐的源程序，编程快速、简捷，调试方便，则所要完成的系统仿真工作量会大大减少。 RBF神经网络PID控制器的核心部分的S函数为： function [sys,x0,str,ts]=nnrbf_pid(t,x,u,flag,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0) switch flag,
MATLAB基于BP神经网络PID控制程序>> %BP based PID Control clear all; close all; xite=0.20; %学习速率 alfa=0.01; %惯性因子 IN=4;H=5;Out=3; %NN Structure wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); %隐含层加权系数wi初始化 wi_1=wi;wi_2=wi;wi_3=wi; wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H); %输出层加权系数wo初始化 wo_1=wo;wo_2=wo;wo_3=wo; ts=20; %采样周期取值 x=[0,0,0]; %比例，积分，微分赋初值 u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle layer 隐含层的输出I=Oh; %Input to NN middle layer 隐含层输入 error_2=0; error_1=0; for k=1:1:500 %仿真开始，共500步 time(k)=k*ts;
第三章 PID 神经网络结构及控制器的设计 在控制系统中，PID 控制是历史最悠久，生命力最强的控制方式，具有直观、实现简单和鲁棒性能好等一系列优点。但近年来随着计算机的广泛应用，智能控制被越来越广泛的应用到各种控制系统中。智能控制方法以神经元网络为代表，由于神经网络可实现以任意精度逼近任意函数，并具有自学习功能，因此适用于时变、非线性等特性未知的对象，容易弥补常规PID 控制的不足。将常规PID 控制同神经网络相结合是现代控制理论的一个发展趋势。 3.1 常规PID 控制算法和理论基础 3.1.1 模拟PID 控制系统 PID(Proportional 、Integral and Differential)控制是最早发展起来的控制策略之一，它以算法简单、鲁捧性好、可靠性高等优点而梭广泛应用于工业过程控制中。 PID 控制系统结构如图3．1所示： 图3.1 模拟PID 控制系统结构图 它主要由PID 控制器和被控对象所组成。而PID 控制器则由比例、积分、微分三个环节组成。它的数学描述为： 1() ()[()()]t p D i de t u t K e t e d T T dt ττ=+ +? （3.1） 式中，p K 为比例系数； i K 为积分时间常数： d K 为微分时间常数。 简单说来，PID 控制器各校正环节的主要控制作用如下： 1．比例环节即时成比例地反映控制系统的偏差信号()e t ，偏差一旦产生，控制器立即产生控制作用，以减少偏差。
2．积分环节主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数i T ，i T 越大，积分作用越弱，反之则越强。 3．微分环节能反映偏差信号的变化趋势(变化速率)，并能在偏差信号值变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减少调节时间。 具体说来，PID 控制器有如下特点： (1)原理简单，实现方便，是一种能够满足大多数实际需要的基本控制器； (2)控制器能适用于多种截然不同的对象，算法在结构上具有较强的鲁棒性，在很多情况下，其控制品质对被控对象的结构和参数摄动不敏感。 3.1.2 数字PID 控制算法 在计算机控制系统中，使用的是数字PID 控制器，数字PID 控制算法通常又分为位置式PID 控制算法和增量式PID 控制算法。 1．位置式PID 控制算法 由于计算机控制是一种采样控制，它只能根据采样时刻的偏差值计算控制量，故对式(3．1)中的积分和微分项不能直接使用，需要进行离散化处理。按模拟PID 控制算法的算式(3．1)，现以一系列的采样时刻点kT 代表连续时间t ，以和式代替积分，以增量代替微分，则可以作如下的近似变换： t kT = （0,1,2,3...)k = ()()()k k t j j e t dt T e jT T e j ==≈=∑∑? ()()[(1)]()(1) de t e kT e k T e k e k dt T T ----≈= (3.2) 式中，T 表示采样周期。 显然，上述离散化过程中，采样周期T 必须足够短，才能保证有足够的精度。为了书写方便，将()e kT 简化表示()e k 成等，即省去T 。将式（3.2）代入到（3.1）中可以得到离散的PID 表达式为： 0(){()()[()(1)]}k D p j I T T u k K e k e j e k e k T T ==+ + --∑ （3.3） 或 0 ()()()[()(1)]}k p I D j u k K e k K e j K e k e k ==++--∑ （3.4） 式中，k ——采样序号，0,1,2...k =； ()u k ——第k 次采样时刻的计算机输出值；
云台两自由度控制 作者：04——715班王天指导老师：李 云台是搭载激光测距仪座，摄像头座，机械手座之物，为这些仪器部件提供更大的适用范围。 此品主要采用蜗轮蜗杆的结构来作为传动机构。 其优点是可以得到很大的传动比，比交错轴斜齿轮机构紧凑，因为线接触，故承载能力比交错轴斜齿轮大得多，另外传动平稳无噪音，这样仿生蛇可以执行更隐蔽的任务。还有蜗杆的到程角r小于轮齿间的当量摩擦角时，机构具有自锁性，即只能由蜗杆带动蜗轮，而不能有蜗轮带动蜗杆，这样便于抬板稳定在某一位置工作。而蜗轮蜗杆将纵向转动变为侧向转动方可以使我们的布局更合理。 当然蜗轮蜗杆机构也具有一定的缺点，（1）齿合时相对滑动速度v较大，以磨损，以发热股效率低，而对于具有自锁性的蜗杆传动其效率更低。（2）为了散热和减小摩擦，常需贵重的抗磨材料和良好的润滑装置，故成本较高（3）蜗杆的轴向力较大。看起来去点多多，但在我们的设备本身的运作状况下这些也便不再是缺点了。首相我们的设备转速要求不大，阻力也不大，并不要求时刻保持运作，因此以磨损，易发热，效率较低情况便可忽略。也因如此便不用采用贵重的材料了，所以成本的问题也便不再成为问题。因为阻力不大，轴向力大的问题也便不是问题了。 我们用的电机是瑞士产的ZGR17AL支流减速电机。每分钟转速15转。正好可以迎合我们的设备不需要告诉运作的要求，而起匀速，慢速转动的特性，可以很好的进行控制，在开环控制的情况下获得较大的精度。 控制用数字化控制，利用双极坐标控制，（X,Y）.X为底盘转角。Y为台办的转角。X介于0度到360度之间，Y介于0度到90度之间。我们并没有安装测算转过角度的设备，我们通过测算电机转动时间来推算转过的角度，此过程在我们要求转动精度不高的情况下是一种很实用经济有效的手法。我们的转盘上安装一个触碰开关，这样在每次反应前，反转，当碰及触碰开关时停止，以此作为基准。这个既为校准的过程，此位置作为0度。在开始转动命令要求的角度。如此，可以是误差不累加化，提高了工作精度！ 我们的电子系统主要是利用plcc封装的51单片机来进行控制，其优点在于功能全面执行能力强，开发工具完善，衍生产品丰富，大量的设计资源可以继承和共享。此单片机成本较低，可以反复擦写1000次左右，可以在没有仿真器的情况下进行反复测试。有效的降低了成本，而plcc封装是正方形而且体积小重量轻，安装于抬板上，云台上，其重心较为稳定，可避免在蛇身高速运动，灵活转向时出现不必要的问题。而运抬要升高到很高高度时，其承载能力较差，所以减轻重量是必要之举。而且使用此单片机可是总体电路紧凑，简明，便于制作和日后维修。 工作原理简述：从并口输入坐标值（X,Y）.经过程序中的一套算法，其中包括蜗轮蜗杆的传动比，电机转速，时钟，底座（齿轮）半径，始终，最后转化为电机开启时间，使设备转到预定位置。
机械设计基础 第三章平面机构运动简图及自由度 班级：学号：姓名： 一、填空题 1.从机构结构观点来看，任何机构是由_________、_________、__________三部分组成。 2.构件的自由度是指。 3.两构件之间以线接触所组成的平面运动副，称为副，它产生个约束，而保留个自由度。 4.机构中的运动副是指。 5.机构具有确定的相对运动条件是原动件数机构的自由度。 6.在平面机构中若引入一个高副将引入______个约束，而引入一个低副将引入_____个约束，构件数、约束数与机构自由度的关系是。 7.当两构件构成运动副后，仍需保证能产生一定的相对运动，故在平面机构中，每个运动副引入的约束至多为，至少为。 8.在平面机构中，具有两个约束的运动副是副，具有一个约束的运动副是 副。 9.计算平面机构自由度的公式为Ｆ= ，应用此公式时应注意判断： A. 铰链， B. 自由度， C. 约束。 10.机构中的复合铰链是指；局部自由度是 指；虚约束是指。 11.机构运动简图是的简单图形。 二、选择题 1.有两个平面机构的自由度都等于1，现用一个带有两铰链的运动构件将它们串成一个平面机构，则其自由度等于。 A. 0 B. 1 C. 2 2.原动件的自由度应为。 A. 1 B. +1 C. 0 3.基本杆组的自由度应为。 A. -1 B. +1 C. 0 。 4.在机构中原动件数目机构自由度时，该机构具有确定的运动。 A. 小于 B. 等于 C. 大于。 5.计算机构自由度时，若计入虚约束，则机构自由度就会。 A. 增多 B. 减少 C. 不变。 6.构件运动确定的条件是。 A. 自由度大于1 B. 自由度大于零 C. 自由度等于原动件数。
基于神经网络PID控制算法在多缸电液伺服系统同步控制中的仿真 研究 丁曙光，刘勇 合肥工业大学,合肥,230009 摘要：本文介绍了神经网络控制原理，提出了神经网络PID算法，通过选定三层神经网络作为调节函数，经过Simulink仿真确定了神经网络PID控制器的参数，设计了神经网络PID控制器。推导出多缸液压同步控制系统在各种工况下的传递函数，并把该控制器应用到多缸液压同步控制系统中。经过仿真研究表明该控制器控制效果良好，能满足多缸液压同步的控制要求。 关键词：多缸同步；PID算法；仿真；神经网络 Study on the simulation and appllication of hydraulic servo system of straihtening machine based on Immune Neural network PID control alorithm DING Shu-guang, GUI Gui-sheng,ZHAI Hua Hefei University of Technology, Hefei 23009 Abstract:The principle of immune feedback and immune-neural network PID algorithm was respectively.An immune-neural network PID controller was designed by which an adaline neural network was selected as antibody stay function and parameters of the immune-neural network PID controller were determined by simulation.The transfer function of the hydraulic servo system of crankshaft straightenin on were introduced in different working conditions.The immune-neural network PID controller was applied to hydraulic system of crankshaft straightenin.The simulation and equipment were done,and results show that its control effectiveness is better and can meet the needs of he hydraulic servo-system of crankshaft straightening hydraulic press. Key words:straightening machine; Immune control arithmetic; simulation;neural network 0引言 精密校直液压机（精校机）液压伺服系统是精校机的执行环节，高精度液压位置伺服控制是精校机的关键技术之一，它保证了液压伺服控制系统的控制精度、稳定性和快速性，是完成校直工艺的必要条件。因此，精校机液压伺服控制系统的研究，为精校机产品的设计和制造提供了理论依据，对校直技术和成套设备的开发具有重大的意义[1]。 精校机液压位置伺服系统是一个复杂的系统，具有如下特点：精确模型难建立，要求位置控制精度高、超调量小、响应快、参数易变且难以确定[1]。因此该系统的控制有较大的难度。传统的PID控制虽然简单易行，但参数调整困难，具有明显的滞后特性，PID 控制很难一直保证系统的控制精度，Smith预估补偿 国家重大科技专项资助（项目编号：2009ZX04004-021）安徽省自然科学基金资助（项目编号：090414155）和安徽省科技攻关项目资助（项目编号：06012019A）制方法从理论上为解决时滞系统的控制问题提供了一种有效的方法，但是Smith预估器控制的鲁棒性差，系统性能过分依赖补偿模型的准确性，限制了它在实际过程中的应用[1～5]。 近年来，人们开始将生物系统的许多有益特性应用于各种控制中[1～5]，取得了一定成果。自然免疫系统使生物体的一个高度进化、复杂的功能系统，它能自适应地识别和排除侵入肌体的抗原性异物，并且具有学习、记忆和自适应调节功能，以维护肌体内环境的稳定。自然免疫系统非常复杂，但其抵御抗原（antigen）的自适应能力十分显著。生物信息的这种智能特性启发人们利用它来解决一些工程难题，这就引起多种免疫方法的出现。人工免疫系统就是借鉴自然免疫系统自适应、自组织的特性而发展起来的一种智能计算技术。该算法在大量的干扰和不确定环境中都具很强的鲁棒性和自适应性，在控制、优化、模式识别、分类
实验二自由度机器人的位置控制 一、实验目的 1. 运用Matlab语言、Simulink及Robot工具箱，搭建二自由度机器人的几何模 型、动力学模型， 2. 构建控制器的模型，通过调整控制器参数，对二自由度机器人的位姿进行控 制，并达到较好控制效果。 二、工具软件 1.Matlab软件 2.Simulink动态仿真环境 3.robot工具箱 模型可以和实际中一样，有自己的质量、质心、长度以及转动惯量等，但需要注意的是它所描述的模型是理想的模型，即质量均匀。这个工具箱还支持Simulink的功能，因此，可以根据需要建立流程图，这样就可以使仿真比较明了。 把robot 工具箱拷贝到MATLAB/toolbox文件夹后，打开matalb软件，点击file--set path，在打开的对话框中选add with subfolders，选中添加MATLAB/toolbox/robot，保存。这是在matlab命令窗口键入roblocks就会弹出robot 工具箱中的模块（如下图）。
三、实验原理 在本次仿真实验中，主要任务是实现对二自由度机器人的控制，那么首先就要创建二自由度机器人对象， 二自由度机器人坐标配置 仿真参数如下表1： 表1 二连杆参数配置
1.运动学模型构建二连杆的运动学模型，搭建twolink模型在MATLAB命令窗口下用函数drivebot(WJB)即可观察到该二连杆的动态位姿图。 %文件名命名为自己名字的首字母_twolink %构造连杆一 L{1}=link([0 0.45 0 0 0],'standard') ; L{1}.m=23.9 ;
平面机构的自由度 【教学目的】 1、掌握运动链成为机构的条件。 2、熟练掌握机构自由度的计算方法。能自如地运用自由度计算公式计算机构自由度，尤其是平面机构的自由度。 【教学内容】 1、引出自由度的概念，明确自由度和约束的关系； 2、推导自由度计算公式，并加以举例说明； 3、学会利用公式计算平面机构的自由度。 【教学重点和难点】 1、机构自由度的计算 【教学方法】 1、课堂以讲授为主，结合实物文件进行分析讲解。 2、注重师生交流，提倡师生互动，上课时细心观察学生的反应，课间与学生交谈，了解学生的掌握情况，根据反馈的信息，适当地调整授课内容和方法等。【教学内容】 1、概念：平面机构的自由度——机构具有确定运动的独立运动参数称为机构的 自由度。 2、自由度的引入 构件的独立运动称为自由度。一个作平面运动的自由构件具有3个独立的运动，见图1。 图1 平面自由度 即沿x轴、y轴移动及绕垂直于xoy面的轴线的转动。 构件组成运动副后，其运动就受到了约束，其自由度数随之减少，不同类型的运动副带来的约束不同。 如图2移动副中，限制了2相对1沿垂直于导路的移动及相对限制转动，引入两个约束。 如图3中转动副限制了2相限制1沿x轴y轴移动，引入两个约束。
如图4高副中，限制了2相对1沿法线轴的移动，引入一个约束。 图4 高副及表示符号 3 自由度公式的推导 如设平面机构共有n 个活动构件（不包括机架），当此机构的各构件尚未通过运动副联接时，显然它们共有3n 个自由度。 当两构件构成运动副之后，它们的运动就将受到约束，其自由度将减少，假设各构件间共构成了L p 个低副和H p 个高副，自由度减少的数目等于运动副引入的约束（H L p p +2）。于是，该机构的自由度应为 ()H L H L p p n p p n F --=+-=2323 （1） 4 自由度的计算 图5 平面四连杆机构 图6 平面五连杆机构 （1）三个活动构件，四个低副，零个高副。 104233=-?-?=F （2）四个活动构件，五个低副，零个高副 342502F =??= 总结： 平面机构自由度的计算是教学中的重点和难点，计算自由度时需要找准活动构件的个数，注意低副和高副的约束，然后进行计算。
基于神经网络的PID控制 课程名称：智能控制 任课教师： 学生姓名： 学号： 年月日
摘要：本文基于BP神经网络的PID控制方法设计控制器，通过BP神经网络与PID的控制相结合的神经网络控制基本原理和设计来自适应的功能调节PID的的三个参数，并根据被控对象的近似数学模型来输出输入与输出并分析BP神经网络学习速率η，隐层节点数的选择原则及PID参数对控制效果的影响。计算机的仿真结果表示，基于BP神经网络的PID控制较常规的PID控制具有更好的自适应性，能取得良好的的控制结果。 关键字：BP算法神经网络 PID控制 Abstract：In this paper, based on BP neural network PID control method designed controller, through the BP neural network PID control with a combination of neural network control basic principles and design features adaptively adjusting the PID of the three parameters, and based on the controlled object approximate mathematical model to analyze the output and the input and output BP n eural network learning rate η, hidden layer nodes and PID parameter selection principle effect of the control . Computer simulation results indicated that based on BP neural network PID control compared with conventional PID control has better adaptability , can achieve good control results . Keyword:BP algorithms neural networks PID control 1引言 PID控制是最早发展起来的应用经典控制理论的控制策略之一，由于算法简单，鲁棒性好和可靠性高，被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展，对象的复杂程度不断加深，尤其对于大滞后、时变的、非线性的复杂系统，常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。 神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。此外，神经网络具有逼近任意连续有界非线性函数的能力，对于非线性系统和不确定性系统，无疑是一种解决问题的有效途径。本文将常规PID控制与神经网络控制相结合，发挥各自的优势，形成所谓的智能PID控制。采用BP神经网络方法设计的控制系统具有更快的速度（实时性）、更强的适应性和更好的鲁棒性。 2 基于BP神经网络的PID控制 PID控制要取得较好的控制结果，必须通过调整好比例、积分和微分三种控制作用，形成控制量中既要相互配合又相互制约的关系。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现最佳组合的PID控制。采用BP网络，可以建立参数Kp、Ki、Kd自学习的PID控制器。基于BP神经网络的PID控制系统结构由常规的PID控制器和神经网络两个部分构成。 2.1常规的PID控制器 PID控制器由比例（P）、积分（I）、微分（D）3个部分组成，直接对被控对象进行闭环控制，并且三个参数 Kp、Ki、Kd为在线调整方式。 2.2 神经网络 根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最
平面机构自由度的计算 1、单个自由构件的自由度为 3 如所示，作平面运动的刚体在空间的位置需要三个独立的参 数（x ，y, θ）才能唯一确定。 2、构成运动副构件的自由度 图2—19运动副自由度 运动副 自由度数 约束数 回转副 1（θ） + 2（x ，y ） =3 移动副 1（x ） + 2（y ，θ） =3 高 副 2（x,θ） + 1（y ） =3 构件自由度＝3－约束数 3、平面机构的自由度 1）机构的自由度：机构中活动构件相对于机架所具有的独立运动的数目。 2）.机构自由度计算公式 H P -=L 2P -3n F 式中： n-------活动构件数目（不包含机架） L P -----低副数目（回转副、移动副） H P ------高副数目（点或线接 触的） 例题1： 计算曲柄滑块机构的自由度。 解：活动构件数n=3 低副数 PL=4 高副数 PH=0 H P -=L 2P -3n F 图 曲柄滑块机构 =3×3 － 2×4 =1 例题2：计算五杆铰链机构的自由度。 解：活动构件数n=4 低副数 PL=5 高副数 PH=0 H P -=L 2P -3n F 图 五杆铰链机构 =3×4 － 2×4 =2 例题3： 计算凸轮机构的自由度 解：活动构件数n=2 低副数 PL=2 高副数 PH=1 =3×2 －2×2－1 =1 图 运动 副 低副(面接触) 移动副 高副(点或线接触) 约束数为2 约束数为1
凸轮机构 4．机构具有确定运动的条件 原动件的数目＝机构的自由度数F（F＞0或F≥1）。 若原动件数＜自由度数，机构无确定运动； 原动件数＞自由度数，机构在薄弱处损坏。 (a)两个自由度(b)一个自由度 (c)0个自由度 图3-11 不同自由度机构的运动 5．计算机构自由度时应注意的事项 1）复合铰链：两个以上个构件在同一条轴线上形成的转动副。 由m个构件组成的复合铰链，共有(m-1)个转动副。 2）局部自由度：在某些机构中，不影响其他构件运动的自由度称为局部自由度局部自由度处理：将滚子看成与从动杆焊死为一体。 注意：在去除滚子的 同时，回转副也应同 时去除，这就相当于 使机构的自由度数减 少了一个，即消除了 局部自由度。 3）虚约束：重复而不起独立限制作用的约束称为虚约束 计算机构的自由度时，虚约束应除去不计。 几种常见虚约束可以归纳为三类： 第一类虚约束：两构件之间形成多个运动副，它们可以是移动副（图2-17）或转动副（图2-18），这类虚约束的几何条件比较明显，计算自由度的处理也较简单，两个构件之间只按形成一个运动副计算即可。 图3-14 导路重合的虚约束图3-15 轴线重合的虚约束第二类虚约束：机构中两构件上某两点的距离始终保持不变。如用一个附加杆件把这两点铰接，即形成虚约束。这两个点可以是某动点对某固定点的关系（如2-15中的E、F），也可以是两个动点之间的关系。这类虚约束常见于平行四边形机构，计算自由度时应撤去附加杆及其回转副。 第三类虚约束：机构中对运动不起作用的对称部分可产生虚约束（图2-19）。这类虚约束常见于多个行星齿轮的周转轮系，计算自由度时应只保留一个行星轮而撤去所有多余的行星轮及其有关运动副。 最后必须说明，虚约束是人们在工程实际中为改善机构或构件受力状况，在一定条件下所采取的
文章编号:1001-2354(2002)05-0021-03 平面五杆机构类型判别方法的研究 李辉,张策,孟宪举 (天津大学机械工程学院,天津 300072) 摘要:提出并验证了平面二自由度五杆机构双曲柄存在的充要条件,提出平面五杆机构的类型不仅与五杆机构的杆长有关,而且还与机架和原动件的选取有关。平面五杆机构若满足:L max+L min1+L min2 a+b(其余两杆的长度和),且当一个短杆为输入连架杆,而另一个短杆为机架或另一输入连架杆时,则该五杆机构必存在双曲柄。 关键词:五杆机构;机构设计;曲柄 中图分类号:T H122 文献标识码:A 随着机械产品创新设计的发展,平面连杆机构的设计已经不仅局限于传统的单自由度四杆机构,平面多自由度机构已广泛应用于并联机器人、串联机械手等领域,以实现高精度的运动输出或完成更复杂的运动规律。近年随着可控机构研究的发展,国内外学者对平面五杆机构的分析与综合进行了大量的研究,但对平面五杆机构类型的判别方法的研究还很不全面和完善,还没有提出一个比较简便、适用的判别方法[1~4]。作者在对平面五杆机构构型进行了系统分析的基础上,在保证平面五杆机构不出现死点位置的前提下,提出了类似于平面四杆机构的Grashof准则,并用此准则对平面五杆机构进行了分类,最后还分析了平面RRRRP五杆机构曲柄存在的条件。 1 平面5R五杆机构存在曲柄的 杆长条件及其分类 考察图1中所示的全铰链五杆机构中杆L1、L4成为曲杆的条件,若以L5为机架,杆L1、L4为输入杆,则杆L2和L3所形成的小于180的角!BCD称为传动角 ,由机构的可动性条件可知,杆L1、L4若要作整周转动,机构不能有死点,即在杆L1、L4作整周转动过程中,杆L2、L3不能重叠或共线(0< <180),而当 对任意的输入角 1和 4都存在 min>0和 max< 180时,五杆机构ABCDE不会出现死点[5]。由图1分析可知,B和D点的坐标为: B x=L1cos 1, B y=L1sin 1 D x=L5+L4cos 4, D y=L4sin 4 设y表示B点与D点之间的距离,则: y2=(B x-D x)2+(B y-D y)2 =L21+L24+L25+2L4L5cos 4-2L1L5cos 1- 2L1L4cos( 1- 4)(1 ) 图1 由式(1)知:当y2取得极大值或极小值时,传动角 亦取得最大值 max或最小值 min,y2取得极值的必要条件为: y2 1=0 y2 4=0 (2)和!= 2y2 21 2y2 24- 2y2 1 4 2 >0(3) [3] Su Yin,Jonathan Cagan.An extended pattern search al gorithm for three-di m ensional component layout[J].Trans action of ASM E, 2000,102:102-108. [4] S zolfghari,M L i ang.M achine cell/part famil y formation considering processing times and machine capaci ties:A simulated annealing ap proach[J].Computer and Engng,1998,34:813-823.[5] 罗为.二维不规则形状计算机自动排料系统CATLS的研究与设 计[J].计算机工程,1995,21(6):3-9. [6] 童秉枢,等,机械CAD技术基础[M].清华大学出版社,1996. [7] S tefan Jakobs.Theory and methodology on genetic algorithms for the packing of polygons[J].European Journal of Operational Research 88.1996,88:165-181. 21 ?机械设计#2002年5月?5专题论文机构学与机械动力学 收稿日期:2001-06-13;修订日期:2001-10-29 基金项目:国家教育部博士点基金资助项目(2000005630) 作者简介:李辉(1968-),男,天津大学机械工程学院,博士研究生,研究方向:机械设计及理论。