伺服系统的神经网络摩擦力自适应补偿研究

在高精度伺服系统中，摩擦力是影响其低速性能的关键因素，本文分析了摩擦力的特征，数学模型、及其对伺服系统性能的影响，提出了基于RBF网络的自适应摩擦力补偿方法，并将其与参数线模型相比较，在某单轴速率／位置转台的控制系统中的应用结果表明：该方法能有效地改善伺服系统的性能。     

直流伺服系统中的摩擦力矩仿真研究

本文主要以数控机床和机器人中广泛应用的直流伺服系统为例对摩擦力矩进行仿真研究,对摩擦力矩采取了两种不同的处理方法构建了直流伺服系统的仿真模型。通过分析摩擦力矩特性以及它对系统输出结果的影响,确定了符合系统实际情况的MATLAB仿真模型。仿真结果表明,摩擦力矩对系统性能影响很大,在系统设计和仿真时应全面考虑动、静摩擦对系统的影响。     

交流伺服系统摩擦力补偿和优化滑模仿真

低速稳定性是伺服系统的一个重要性能指标.低速下,摩擦力的扰动引起伺服控制系统的不稳定.首先建立了伺服系统的动力学模型.模型由线性部分和非线性部分组成,非线性部分主要由摩擦力等扰动组成,使用最小二乘支持向量机对摩擦力等非线性部分、不确定参数进行辨识.其次,建立了基于线性伺服控制系统和摩擦力模型的补偿控制系统,并提出使用改进的优化滑模控制算法,同时对采样时间周期提出了优化选择.仿真结果显示:使用支持向量机建立的摩擦力模型能够较准确地反映系统低速摩擦力情况,对系统的低速补偿效果良好.低速时,误差控制在0.5r/min;通过实验研究,使用了摩擦力补偿和优化滑模控制后伺服系统的低速性能得到了改善和提高,克服了低速爬行现象.     

伺服系统的高斯基函数CMAC学习控制研究

在高精度伺服系统中,由于摩擦力及负载扰动等因素的影响,常规PID控制难以满足越来越高的控制精度、跟踪性能等指标要求。本文提出了基于商新基函数CMAS在线学习的控制方案,并给出了相应的学习算法。仿真结果表明．该方法不仅有较好的控制精度,而且具有学习速度快等优点。     

一种LuGre摩擦模型自适应补偿的分析及仿真

介绍一种降低低速转台伺服系统在转动过程中由于摩擦因数影响转动精度的方法。在低速转台转动的过程中由于摩擦力等的影响,转台的速度、位置都会发生偏差,所以在转台系统上引入摩擦控制补偿。利用公式推理,通过与理论值对比,发现自适应摩擦补偿方式与传统摩擦补偿方式相比,其跟踪误差大大降低,能有效抑制摩擦干扰对伺服系统的不利影响。进行基于MATLAB环境下的仿真效果。     

永磁直线电机的滑模控制与非线性效应补偿

永磁直线电机(PMLM)伺服系统易受外部扰动、非线性效应等不确定性因素的影响,传统的PID控制方法难以获得满意的控制效果.针对上述问题,提出基于饱和指数趋近律的滑模控制与非线性效应补偿的控制策略,采用滑模控制来提高系统的鲁棒性和稳定性,加入速度、加速度前馈提高系统的响应时间,并针对PMLM的非线性效应对系统的定位精度影响较大,对力的波动、摩擦力进行补偿,提高系统的动态性能.采用上述控制策略在MATLAB仿真平台进行分析,研究结果表明,提出的控制策略可以改善PMLM伺服系统的动态性能,提高系统的稳定性、鲁棒性与定位精度.     

某型雷达伺服系统动态性能仿真及优化

介绍了雷达伺服系统的主要功能、组成,有关动态性能指标要求和对雷达系统性能的影响,在分析比较了传统的雷达伺服系统动态性能设计方法的基础上,结合某型雷达伺服系统的实际,介绍了其工作原理,给出了俯仰回路的控制模型,建立了相应的仿真模型,利用MATIAB的SIMULINK对其动态性能进行了仿真,并在动态性能分析的基础上,利用NCD工具箱进行了优化设计,对利用SIMULINK分析复杂控制系统有一定的借鉴意义。     

两种补偿动态摩擦力的先进控制策略1)

在小型DC伺服电机中，静摩擦力和库仑摩擦力的影响是相当明显的. 本文提出了改善系统响应特性的两种控制策略. 第一种基于摩擦力模型的在线补偿， 适用于变化信号的跟踪. 第二种基于自学习原理的重复控制，适用于周期信号的跟踪. 两种控制策略均已实施在计算机控制的伺服系统中. 给出了与常规控制结果的对比.     

考虑摩擦力影响精密伺服系统的鲁棒自适应控制

针对具有摩擦力扰动的精密伺服系统提出了一种鲁棒自适应控制方法.首先,对基于 bristle模型的动态摩擦力模型进行了线性参数化,该线性参数化过程包含了对stribeck效应的 线性参数化处理;然后,基于构造的Lyapunov函数设计全局渐近稳定自适应控制律,并对闭环 系统的跟踪性能进行了严格的理论分析.仿真实验验证了算法的有效性.     

转台伺服系统滑模变结构控制器的设计与仿真研究

摩擦阻力是转台伺服系统低速运行状态下主要的非线性干扰，该文在介绍了非线性摩擦环节的动态，静态模型及其对转台伺服系统性能的影响的基础上，设计了一个补偿摩擦的滑模变结构控制器，在转台伺服系统的输入加入一个滑模变结构控制器，来补偿非线性摩擦带来的影响，保证了系统的鲁棒性能，仿真结果表明，效果良好。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

Position control of a mobile inverted pendulum system using radial basis function network

This article presents the implementation of position control of a mobile inverted pendulum (MIP) system by using the radial basis function (RBF) network. The MIP has two wheels to move on the plane and to balance the pendulum. The MIP is a nonlinear system whose dynamics is nonholonomic. The goal of this study was to control the MIP to maintain the balance of the pendulum while tracking a desired position of the cart. The reference compensation technique scheme is used as a neural network control method for the MIP. The back-propagation learning algorithm of the RBF network is derived for online learning and control. The control algorithm has been embedded on a DSP 2812 board to achieve real-time control. Experimental results are conducted and show successful control performances of both balancing and tracking the desired position of the MIP.     

基于神经网络补偿的转台伺服系统控制研究

针对飞行仿真转台伺服系统中存在的非线性摩擦干扰进行了研究,采用一种基于RBF神经网络进行误差补偿的在线自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,利用RBF神经网络的万能逼近特性在线辨识模型误差,从而对系统进行补偿,其权值自适应律根据Lyapunov稳定性理论推导,保证了系统跟踪误差的收敛及稳定,仿真结果表明该控制策略可使位置MAE指标从0.0087m提高到0.0016m,使位置MSE指标从1.0128e-4m提高到3.3002e-6m,具有较高的鲁棒性和稳态控制精度。最后分别从隐层节点数及节点中心学习算法的变化两方面提出两种改进方案,仿真结果表明隐层节点数的增加可以进一步减小位置误差,而采用K-means均值聚类算法解决了神经网络节点中心按经验选取或试凑的困难。     

非线性预测控制在塞棒伺服系统中的应用

由于连铸机塞棒位置伺服系统中存在着伺服阀流量非线性、液压缸阀芯摩擦非线性等因素，造成了伺服精度的降低。为改善控制质量，首先建立了含非线性因素的塞棒位置伺服系统模型，然后引入非线性预测控制方法进行伺服控制器设计。该控制器采用RBF神经网络对系统在线辨识并作为预测模型和实现在线校正功能；采用黄金分割法实现控制量滚动优化。最后，在Matlab6．5环境下进行了仿真试验。结果表明，采用该方法能有效提高塞棒位置控制质量，验证了设计方法的有效性。     

基于RBF神经网络补偿的一种绳牵引并联机器人 支撑系统的力/位混合控制

为了保证用于风洞试验的绳牵引并联机器人支撑系统(wire-driven parallel robot support system, WDPRSS)的末端执行精度,设计一种采用Hamilton-Jacobi Inequality(HJI)定理并基于RBF神经网络补偿的力/位混合控制.通过对WDPRSS的动力学建模分析,选择以位姿作为变量建立WDPRSS的整体动力学方程,将所设计的力/位混合控制代入到整体动力学方程中得到误差闭环系统,对闭环系统进行稳定性分析,结果表明WDPRSS是趋于渐近稳定特性的.对八绳牵引的并联机器人支撑系统进行Matlab/Simulink仿真实验,仿真结果表明所设计的力/位混合控制是正确有效的,满足控制精度要求,并将所设计的力/位混合控制与PD控制进行对比分析.最后,通过样机实验验证所提出控制方案的有效性.     

Results on the Robust Observer-based Position Controller for Parallel Kinematic Machines

The problem of state observation and position control by output feedback for a nonlinear three degrees-of-freedom (3-DOF) parallel kinematic machine (PKM) system is considered, based on the limited signal availability (only the moving platform displacement measurements are assumed available). Unknown velocity signals are estimated via a nonlinear robust observer that is designed for the nonlinear system with observable linear dynamics part and bounded nonlinearities and disturbances, and that guarantees global exponential stability of the observation error. A proportional-derivative (PD) controller is designed to solve the position control problem, utilizing the estimated velocity, as well as the gravitation compensation, dynamic friction and external disturbance compensation for the PKM. The closed-loop system is proven to have global asymptotical stability according to the Lyapunov analysis method and LaSalle’s invariance principle. Performance of the resulting observer and controller is illustrated in a simulation study of a 3-DOF PKM. Modifications to the nonlinear observer and control law are discussed, that assure convergence of the position error and state observation error to zero when the upper bounds on the model uncertainties/disturbances are not known a priori.     

基于RBF神经网络与Smith预估补偿的智能PID控制

针对工业控制中普遍存在的大滞后现象,提出了一种将RBF神经网络算法和Smith预估补偿算法与传统的PID控制器相结合的智能RBF-Smith-PID控制策略。该方法利用RBF神经网络的在线学习、控制参数自整定能力,和Smith预估补偿对纯滞后系统的良好控制,有效地克服了常规PID控制的缺陷,提高了系统的鲁棒性和自适应性,对纯滞后系统起到了良好的控制。     

基于径向基神经网络的分数阶混沌系统控制

针对分数阶混沌系统的控制问题,提出了一种基于径向基函数（RBF）神经网络的控制方法．利用RBF 神经网络对混沌系统的非线性进行补偿,并且神经网络的权值可以通过调整律在线调整．在有参数干扰和外部扰动 的情况下,所设计的控制器仍能使得控制误差渐近收敛到零．以分数阶Liu 混沌系统为例施加控制,仿真结果验证 了该方法的有效性和鲁棒性．     

基于遗传算法的直流伺服系统参数辨识及摩擦补偿控制

针对静态摩擦力对数控机床直流伺服系统的干扰问题,提出了一种先利用遗传算法对静态摩擦模型中的参数进行辨识,然后采用基于摩擦模型补偿的伺服控制方法。该方法首先根据直流伺服系统的摩擦特性建立摩擦模型,再将摩擦补偿引入到直流伺服系统的反馈控制结构中,获取伺服电机的位置误差。采用遗传算法对摩擦补偿模型进行参数辨识,使摩擦补偿量在数值上不断逼近实际的摩擦干扰,并利用摩擦补偿量来抵消摩擦给伺服系统带来的影响。为了验证参数辨识的效果,将普通PD控制与基于摩擦补偿的PD控制进行了仿真比较,实验结果表明,后者能够消除由于静摩擦的存在而造成的位置跟踪中出现的平顶现象,能够达到理想的跟踪效果。因此,本文所提出的方法具有较强的摩擦干扰补偿能力,能够实现对直流伺服系统的精确控制。