混合驱动柔索并联机器人自适应迭代学习控制

以一种兼容混合驱动机构与柔索并联机构特点的新型混合驱动柔索并联机器人为研究对象,对其动力学建模及轨迹跟踪控制进行了研究;应用Lagrange方法建立了混合驱动柔索并联机器人系统的动力学模型;针对具有非线性、时变特性以及带有可重复时变干扰的混合驱动柔索并联机器人动态系统模型,设计了一种控制增益随迭代次数变化的自适应迭代学习控制策略,并采用Lyapunov函数证明了该控制器的稳定性;数值仿真结果表明,在该控制器的作用下,混合驱动柔索并联机器人控制系统能够完成高精度跟踪期望轨迹,进一步验证了所建系统动态模型的正确性及控制策略的有效性。     

电液位置伺服系统的迭代学习控制

介绍了一类电液位置伺服系统的迭代学习控制方法。根据系统的实际输出与理想输出间的误差,以某种学习机理对系统的实际输入不断进行修正,直至实际输出与期望输出间的误差达到满意为止。实验结果表明：只要合理选择学习机理,便可对电液位置伺服系统实现有效控制。     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.     

非线性电液位置伺服系统的迭代学习PID控制

介绍了一类具有非线性和重复运动特点的电液位置伺服系统的迭代学习PID控制方法。采用PID控制算法,利用系统重复运动的特点和计算机的记忆存储功能,将系统的每次实际输出与理想输出之间的误差应用于下一次控制过程中,即对实际输入不断进行修正,直至实际输出与期望输出间的误差达到满意为止。仿真结果表明,迭代学习PID控制算法具有实现简单、鲁棒性强和重复精度高的特点,能够对电液位置伺服系统实现有效的控制。     

压电微动台数据驱动迭代前馈补偿与自适应抑振

为消除压电驱动柔性微定位平台高精控制对平台不确定动力学模型的依赖性,提出了一种数据驱动无模型迭代前馈补偿和自适应陷波滤波结合的控制方法来提高平台的跟踪性能。首先,建立了数据驱动无模型迭代前馈控制器,提高系统对噪声和其他干扰的鲁棒性,同时,证明了在无模型迭代前馈作用下,连续参考输入跟踪误差的有界性和闭环系统的稳定性;其次,构建了自适应陷波滤波器来消除平台谐振的影响,对误差信号进行快速傅里叶变换,并设计谐振频率在线提取算法,实现对陷波滤波器参数的在线实时整定,来进一步提升轨迹跟踪精度;最后,利用所设计的无模型迭代前馈控制器和自适应陷波滤波器对压电微动台进行轨迹跟踪实验。实验结果表明：在跟踪三角波信号时,与单独比例-积分（Proportional Integral,PI）控制和结合自适应陷波滤波器的PI控制相比较,最大跟踪误差分别减小78.25%和70.83%,能够有效提升平台的稳定性和跟踪精度。     

直线伺服系统正交投影迭代学习控制器参数辨识与优化

针对高频响直线伺服系统前馈控制器参数的辨识问题,引入正交矢量投影的分析方法构建正交矢量基函数,将控制模型在基函数所构建的正交矢量空间中进行投影,采用迭代学习方法沿基函数轴方向进行前馈控制器参数迭代辨识并通过前馈进行补偿,将迭代学习控制方法从时域辨识拓展到正交矢量基函数空间领域。仿真与实验结果表明,该方法显著提高了直线伺服系统的位置跟踪精度和高速响应性能,满足高速高精度的要求。     

开闭环迭代学习控制的研究进展与方向

迭代学习控制是智能控制中具有严格数学描述的一个分支,近年来因其简单有效而受到了不少研究人员的关注。本文主要就近年来开闭环迭代学习控制的研究进展进行粗略的综述,对研究中所存在的问题、解决的方法及进一步的研究方向进行了初步探讨     

混合驱动平面五连杆机构优化设计与迭代学习控制

对混合驱动平面五连杆机构进行了优化设计和轨迹跟踪迭代学习控制研究.首先,以伺服电机角加速度波动最小为目标函数,应用遗传算法对混合驱动平面五连杆机构参数进行优化设计;其次,对混合驱动平面五连杆机构进行轨迹跟踪指数变增益D型和闭环PD型迭代学习控制研究;最后,结合实例进行混合驱动平面五连杆机构轨迹跟踪数值仿真.结果表明,迭...     

基于迭代学习控制的活塞数控加工研究

在高速精密非圆加工中,伺服刀架系统的幅值衰减产生较大的刀具轨迹跟踪误差,从而降低加工精度.以伺服刀架的传递函数为基础,采用迭代学习控制,利用系统实际输出与期望输出的偏差信号,产生新的控制信号,使得系统跟踪调节性能得以提高,从而提高非圆加工的形状误差.     

基于遗传算法的PID型迭代学习控制增益的选取方法

针对PID型迭代学习控制算法,首先讨论了其收敛的充要条件和单调收敛的充分条件,然后给出目前利用单调收敛的充分条件确定PID增益的方法,并指出其不足。在此基础上,提出了基于遗传算法的PID型迭代学习增益选择方法（PID型GA-ILC算法）。利用该算法可以得到不满足PID迭代学习控制系统单调收敛条件但依然能使该系统单调收敛的PID增益,给出了数值仿真实例,证明了PID型GA-ILC算法的有效性。     

迭代自学习控制算法收敛速度研究

从学习律、学习律参数、输出误差等三方面讨论了迭代自学习算法的收敛速度,为提高该算法的收敛速度得到了一些有用的结论     

基于死区补偿的码垛机械臂控制算法

针对码垛机械臂系统中存在死区特性影响控制精度的问题,提出一种基于模糊自适应的死区补偿算法.首先,根据死区非线性特性设计模糊死区补偿器对系统中的非线性环节进行补偿和控制;其次,利用模糊自适应算法对变量进行实时整定,从而使得轨迹跟踪误差趋于零;最后,借助MATLAB对理论结果实施验证.结果表明所提的控制算法具有良好的稳定性...     

SCARA机器人的自适应迭代学习轨迹跟踪控制

为了减小执行重复运动任务机器人的末端位置误差,提出了自适应迭代学习轨迹跟踪控制算法。根据拉格朗日方程得到SCARA机器人的动力学模型,设计了控制力矩的迭代算法,利用Lyapunov函数对该算法的稳定性进行了理论证明,搭建了具有典型机械结构的SCARA机器人实验平台。通过实验验证了自适应迭代学习控制算法能有效减小SCARA机器人的末端位置误差,具有较强的可执行性。     

基于迭代学习算法的电液比例伺服控制

为解决电液比例控制系统的非线性、时变性、变流量死区及变流量增益等对系统位置控制精度的影响,提高电液比例控制系统的控制精度,针对系统的非线性特性,设计不严格依赖于系统精确数学模型且有较强抗干扰能力的迭代学习算法,同时针对系统的变死区特性,设计能够基于误差和误差变化率在线调整死区补偿量的模糊死区补偿算法。迭代学习算法和模糊死区补偿算法的综合使用是根据当前的控制经验灵活调整控制量,从而有效地改善由于系统非线性及时变性所带来的影响。试验结果表明,不加入模糊死区补偿时,系统位置跟踪存在明显的滞后,最大位移跟踪误差达到6 mm,而同时采用迭代学习算法和模糊死区补偿算法极大的提高系统的控制性能,系统达到稳定跟踪后,最大位移跟随误差在1 mm以内。     

基于迭代学习控制的码垛机器人轨迹优化

提出一种学习控制方法用于码垛机器人的速度优化。通过对系统跟随误差学习,实现在误差允许范围内运动速度最大化,从而实现码垛效率的优化。本方法对系统建模要求较低,易于在实际控制器上实现。系统仿真实验结果表明,在带入机械臂系统参数后,在对迭代算法改进后的最优轨迹与未改进的标准轨迹比较后,前者通过改进局部速度,使机器人运转时间缩短了10％～20％。     

伺服电机驱动的液压动力系统及其神经网络自适应优化控制

针对传统液压系统存在的高能耗、低响应特点,采用节能型液压动力源-永磁伺服电机直接驱动定量泵,以取代原有的异步电机驱动液压动力源,从而形成一种新型的节能、响应快速、易实现闭环控制的液压动力系统。由于实际液压系统随机干扰严重,具有多变量、非线性、强耦合的特征,难以建立较准确的数学模型,常规的PID控制算法很难满足液压系统高精度控制的要求,因此提出基于PSO与BP混合优化前向神经网络 PID自适应控制方法,实现液压系统在典型工况下流量的精确控制。PID控制器的参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整,通过神经网络的自学习能力寻找最佳的P、I、D非线性组合控制律,以增强液压系统对工况变化的适应能力。仿真和实验结果表明,该控制方法跟踪速度快、超调小、鲁棒性强,从而为液压系统流量高精度控制提供了一种新方法。     

冗余自由度仿人机械臂自适应迭代学习控制研究

在深入研究自适应迭代学习控制理论、七自由度乒乓球机械臂动力学模型及轨迹规划的基础上,提出将改进后的自适应迭代学习控制算法运用到带有重复时变干扰的冗余自由度机械臂上。该控制系统旨在实现两大目标：一是使乒乓球机械臂准确快速地跟踪参考轨迹并在末点达到指定的击球速度;二是引入饱和函数减小输入转矩的抖振。Lyapunov理论分析及MATLAB仿真验证了整个控制系统的有效性：当迭代次数增加时,跟踪误差关于有限时间区间内一致收敛到零;加快迭代学习的收敛速度,并消除抖振。