该控制技术是基于对人类大脑神经元的模拟，它通过神经元的权值分布和联结来进行有关信息的表达，在持续的权值调整和学习过程中，它就可以实现有效的神经万罗模拟，然后通过神经网络预测、直接和间接自校正等实行一定的智能控制。神经网络控制具有非线性特点，它可以理论上实现各种非线性图像，因此有较好的经济性；有效的并行能力和并行结构也是该控制方法的重要特点；此外，神经网络控制在实现对环境信息的高效记忆与学习的同时，还可以实行多变量的处理，及它可以进行多输入和多输出的同时数据处理。
2复合智能控制
不同智能控制系统具有不同的优缺点，复合智能系统就是将各种不同种类的控制系统进行综合使用，这样可以在克服各个控制系统缺点的同时，实现各个系统优点的综合。目前常用的复合系统主要是有模糊滑模控制、模糊专家控制以及神经网络模糊控制。模糊专家系统。该系统是种特殊的专家系统，即在知识获取、表示、处理的整个环节中都加入了模糊技术。该系统的特点就是，即使初始信息获取的不够完整或者准确，但该系统还是可以较为有效的人类专家思维模拟，在既有的不完整的信息下提出最优化的解决方案。模糊专家系统是模拟人类有关专家进行有关问题解决的思路，因此是一种较容易开发应用的复合系统。神经网络模糊系统。该系统起源于上世纪九十年代的日本，它有效的利用了神经网络和模糊网络各自的优点，即可实现任意函数映射，具有良好的学习性，可处理残缺、粗糙、模糊的信息。神经网络模糊系统是两种系统的有效结合，它在实现模糊逻辑利用少量信息进行知识表达的同时，也可通过联想进行有关知识的应用，这使得该控制方法实现了表达和学习能力的综合提升。模糊滑模控制。滑模控制最大的优点就是不受系统不确定性的影响，鲁棒性较佳；其缺点主要体现在未建模动态及补偿干扰的高控制增益，此外在高频转换时易产生一定的抖振。综合模糊系统以后的模糊滑模控制就很好的克服了这些问题，它将二者不依赖性及鲁棒性好的优点进行了一定的结合，因而可以有效实现控制对象的转换。该控制方法具有很好的应用前途。
3智能控制在火电厂热工自动化的应用
3.1对单元机组负荷的控制
非线性、不确定、时变以及耦合等是单元机组负荷控制的难题所在，对此，可以设计出建立在机跟炉与炉跟机上的具有自适应性的两种神经元模拟负荷控制系统。试验发现该系统下各权系数学习收敛明显提速，且效果自适应性及控制性均较理想。此外，结合神经元控制与模糊逻辑算法并将其应用在单元机组负荷控制上，此时控制系统的自适应性、抗干扰性、鲁棒性都有显著的增强，系统的响应速度也明显提升。
3.2对过热汽温的控制
过热汽温对于锅炉的正常运行有着极为重要的意义。改变减温水是实施锅炉过热汽温控制的常用方法，大惯性、时滞性，以及动态特性的随便是该系统主要面对的问题。随着智能控制技术的发展，人们逐渐将神经网络控制技术引入到过热汽温系统中来，这使得系统的运行状况、控制质量及适应性都有了明显的提升。神经网络控制下的过热汽系统鲁棒性较优，即使在调峰机组变工时也可以实行很好的运行和控制，因此有效的克服了原先过热汽温控制的时滞及不稳定问题。
3.3对锅炉燃烧过程的控制
锅炉燃烧易受到煤种煤质、变量耦合、时滞等多种因素的干扰，且其燃烧率很难实行颈椎的测区。将专家控制应用到锅炉燃烧过程的控制中以后，通过专家系统逐次的判断、分析和推理，可实现前进式的系统，具体包括对紧急事故、工况判断子集、送风调节子集、执行机构诊断子集、煤厚调节子集等多内容的判断。此外，将模糊控制融入锅炉燃烧系统以后能够有效解决原系统不确定性问题，并同时提升系统的鲁棒性与控制质量。
3.4对中储式制粉系统的控制
磨负荷信号较难测量、数学建型复杂以及被控参数耦合，是中储式制粉系统主要的问题所在，此时就可以利用模糊语言规则克服其延迟与非线性的问题，具体内容包括，将操作人员的经验以数据的形式存入计算机并进行计算，然后通过预测和分级进行两种模糊控制。此外，将神经元解耦及模糊控制融入到磨煤机控制系统中，这样以来，球磨机制粉时滞以及耦合的问题就得到了很好的解决。
3.5对给水加药的控制
给水加药工作主要涉及的是氨与联胺的加入，前者可以使给水与高凝结水处于较高的碱性，避免酸性水腐蚀高低压给水设备；而后者是通过联胺的化学作用控制水内氧和二氧化碳的含量，从而避免相关设备出现腐蚀、生垢等问题。实际生产中加药量的大小易受到水处理工况、蒸发量等因素的影响，因此很难对其实现有效的控制。在给水加药系统中使用模糊控制系统，这样以来，专家有关经验的信息就会融入到控制系统中，从而使系统控制的质量得到大大的提升。在变频器输出频率的控制中使用模糊控制，能够有效的进行加药泵机的转速调整，这种融入模糊控制的给水加药系统能够避免人工加药引起的各种不良后果，从而提高了给水加药的工作质量。此外，模糊控制下的假药系统具有较好的鲁棒性，其动态响应也比较快速，因此具有很好的使用经济性。
4结语
本文利用神经网络自适应辨识能力强以及可以无穷逼近任意函数等优点来消除滑模控制存在的抖振问题，将提出的神经网络滑模控制方法应用到3TPS/TP型并联机器人。
【关键词】滑模控制神经网络3TPS/TP型并联机器人鲁棒性
并联机器人机构本身所具有的刚度大、承受能力强以及结构紧凑等特点使其应用范围日益广泛，而其在石材加工行业的应用更是成为目前的一大研究热点。其中，对应用在石材加工行业的并联机器人――3TPS/TP型并联机器人吸引了广大学者的关注。并联工作头是3TPS/TP型并联机器人主要结构的组成部分，是其运作和操作的核心部件，所以对并联工作头的研究也成为3TPS/TP型并联机器人的核心内容。
由于并联机器人本身是一个非线性系统，其运动过程中存在很大的干扰因素，滑模控制方法能够有效改善这一现象。但滑模控制方法自身存在的抖振问题会影响控制结果。本文将神经网络与滑块控制相结合，并将该算法应用于3TPS/TP型并联机器人的工作头当中，以神经滑模控制的强鲁棒性来实现对其工作头更加准确地控制。
1基于神经网络的滑模控制算法
本文将神经网络和传统的滑模控制相结合，利用神经网络上述可无限逼近任意函数的特点来消除滑模控制的缺陷――抖振现象，构成神经网络滑模控制模型，本文采用的是径向基函数神经网络（RBF）。
本文研究的并联机构是三阶系统，故具有三个输入量和一个输出量，中间的隐层为六层，在隐含层中径向基向量，激励函数hj为高斯函数：
。其中，网络第j个节点的中心向量为网络的基宽向量为，其中bj为节点j的基宽函数，且为大于零的数，网络的权向量为，则神经网络的输出为
3TPS/TP型并联机器人关节空间的动力学方程的一般表达式为：
其中，M（q）为3*3的质量矩阵，Vm（q，）q为3*1的哥式、离心力矢量，G（q）为3*1的重力矢量，为3*1的控制力矩矢量，q、、为3*1的广义关节位移矢量、速度矢量和加速度矢量。
算法步骤如下：
（1）定义位置误差为：e=qd-q，其中，qd表示期望位置，q表示实际位置；
定义扰动信号为：，其中为正定且连续的矩阵；
定义滑模面为：
（1）
当s=0时，被控系统满足滑模到达条件，故此时有；
将3TPS/TP型并联机器人工作头的动力学方程带入上述可获得：
。其中，
（2）
。
故此时评估函数f（x）可表示为：
其中，为神经网络自适应律，为基本函数。
由此可知，等式（2）同样可以表示为：
（3）
其中，。
根据系统的动力学模型相关理论，本文将控制律设计为：τ=us+unn+ua。其中，
滑模控制设计为：us=-k1s-k2sgn（s）；
神经网络设计为：；其中，自适应律设计为：，这里，F是正定的矩阵；
将自适应控制设计为：，其中，自适应律，u0。
基于上述设计，M（q）s在闭环系统中可以表达为：
，使得位置误差e无限接近于0。
（2）证明系统是否稳定：
采用李雅普诺夫函数
经过求导、变形、积分得：
由于V（T）≥0，且故有：
（4）
由等式（4）可知，当，即滑模面s趋近于0，故由等式（1）可知，位置误差e0。
经证明，神经网络滑模控制系统是渐进稳定的。
2仿真结果及分析
基于上述模型设计，本文将神经网络滑模控制算法应用到3TPS/TP型并联机器人的工作头系统中，并由并联工作头的动力学及其计算结果得到如下仿真结果，如图1、图2所示。
仿真结果表明，神经网络滑模控制能够较为明显地减小抖振现象。同时，由神经网络滑模控制的位置误差曲线图可知，位置误差能够在很短的时间内趋近于零，表明系统具有很高的稳定性，而系统的精度也有所提高。
3结论
本文将神经网络控制算法和滑模控制算法相结合，将其运用到3TPS/TP型并联机器人控制系统研究中。仿真结果表明，神经网络滑模控制算法可以很好地消除抖振，并且具有很强的鲁棒性，使得整个控制系统在精度和稳定性方面满足了预期要求。
参考文献
[1]刘金琨.滑模变结构控制MATLAB仿真[M].北京：清华大学出版社，2005.
[2]FicolaA，CavaML.ASlidingModeControllerforaTwo-jointRobotwithanElasticLink[J].MathematicsandComputersinSimul-ation，1996，41（5）：559-569.
关键词：CMAC网络PID控制二自由度汽车模型
中图分类号：TP27文献标识码：A文章编号：1672-3791（2013）01（a）-0062-02
在泊车过程中，可以把泊车过程看成一个转向过程，在车辆的转向行驶过程中需要考虑车辆的操作稳定性，车辆的操作稳定性非常重要。为了了解操纵稳定性的基本特性，我们将汽车模型简化为一个两轮的二自由度模型。对汽车二自由度模型的控制，本文将CMAC网络的PID控制算法应用在二自由度汽车模型的控制中进行研究。
1汽车二自由度模型的建立
根据文献[1]，建立汽车二自由度模型如图1。
由图1可得线性型二自由度的汽车模型微分方程为：
（1）
将微分方程整理可得汽车二自由度模型的传递函数[2]：
（2）
2基于CMAC网络的PID控制算法
2.1CMAC网络
CMAC[3，4]是小脑模型关节控制器（CelebellarModelArticulationController）的简称，其与传统的神经网络有所不同，它不具备传统神经网络的层次连接结构，但与传统神经网络一样，它也需要进行神经网络的突触权值调整。CMAC网络具有很强的非线性映射能力的网络，而且，从开始就存在一定的泛华能力。CMAC的模型结构[5]如图2。
2.2控制算法原理
CMAC与PID复合控制结构图如图3所示。
该控制系统的算法为：
（3）
（4）
式（3）中，ai为二进制选择向量；c为CMAC网络的泛化参数；un（n）为CMAC产生的相应输出；up（n）为常规控制器产生的输出。
CMAC的调整指标为：
（5）
（6）
（7）
式（6）中，为学率，；为动量因子，
由文献[2]可得二自由度汽车模型的传递函数为：
3MATLAB仿真分析
（8）
以此传递函数为被控对象，CMAC神经网络参数，，，。PID控制参数，，，采样时间为1ms。
仿真结果如图4所示。
通过仿真结果可以看出，小脑模型的加入使得控制效果比单独的PID控制效果要好，减小了超调，加快了控制响应速度，体现了小脑模型的特点，即实时性好，鲁棒性强等。
4结语
本文将控制汽车二自由度模型的传递函数，研究了基于CMAC的PID控制，可以得到以下几点结论。
（1）CMAC模型的加入使得控制效果比单独的PID要好。
（2）基于CMAC的PID的控制响应速度快，实时性好，鲁棒性强。
参考文献
[1]余志生.汽车理论[M].北京：机械工业出版社，2009，3.
[2]肖启瑞，樊明明，黄学翾，等.车辆工程仿真与分析—基于MATLAB的实现[M].北京：机械工业出版社，2012（3）.
[3]张泽旭.神经网络控制与MATLAB仿真[M].哈尔滨：哈尔滨工业大学出版社，2011（7）.