基于神经网络的机器人鲁棒跟踪控制

针对具有参数不确定以及外部扰动的机器人系统,提出了一种基于神经网络的鲁棒跟踪控制策略。鲁棒补偿控制器用于消除系统参数以及外部干扰引起的不确定性的影响,再利用神经网络学习系统不确定性未知上界。仿真结果表明,方法能有效克服机器人系统模型的不确定性和外部干扰,具有良好的鲁棒性和控制性能。     

通过直线伺服鲁棒跟踪控制方法提高轮廓加工精度

为了减小零件加工的轮廓误差,提出了一种采用直线伺服驱动的零相位跟踪控制器(ZPETC)和干扰观测器 (DOB)相结合的鲁棒跟踪控制策略。零相位误差跟踪控制器作为前馈跟踪控制器,提高了快速性,使系统实现准确跟踪;基于干扰观测器的鲁棒反馈控制器补偿了外部扰动、未建模动态、系统参数变化和机械非线性等不确定因素,并根据预测到的干扰信息对各轴进行补偿以消除干扰对系统的影响,从而保证了系统的强鲁棒性能。仿真结果表明所提出的控制方案是有效的,既能实现完好跟踪,又有较强的鲁棒性能,从而提高了轮廓加工精度。     

下肢外骨骼康复机器人的自适应控制研究

针对下肢外骨骼康复机器人的动力特性,为实现康复训练过程中控制的实时性和高精度,消除系统中存在的未建模动态、外部扰动和非线性不确定性的影响,本文提出采用两个相互独立控制器共同作用控制方法,即基于标称模型的计算力矩控制器和变结构鲁棒自适应补偿控制器。补偿控制器基于Lyapunov函数法,通过引入一个动态信号和非线性阻尼项来抑制未建模动态、外部有界扰动和非线性不确定项的影响。设计的自适应律通过在线刷新系统的不确定参数,增强了控制系统的鲁棒性并保证系统达到全局渐近稳定。通过Lyapunov稳定性定理和仿真结果证明了该控制策略的可行性和有效性。     

电动助力转向系统的鲁棒H∞控制研究

电动助力转向系统（Electric Power Steering,EPS）中,机械摩擦、传感器噪声和路面干扰等不确定因素将降低EPS的助力跟踪性能、转向轻便性和鲁棒稳定性。针对该问题,以电动助力转向的助力跟踪性能、转向路感和车辆操纵稳定性为控制目标,基于电压补偿控制,设计了鲁棒H∞控制器。利用MATLAB/SIMULINK搭建了EPS控制模型、二自由度整车模型、轮胎模型,在单位阶跃操纵力矩作用下,仿真对比了电压补偿控制和基于电压补偿的鲁棒H∞控制的仿真响应情况,结果表明基于电压补偿的鲁棒H∞控制具有更好的助力跟踪性能、转向路感和鲁棒稳定性。     

μ综合方法在高速列车垂向振动控制中的应用

针对高速轨道车辆簧上质量、弹簧刚度的摄动问题,利用线性分式变换LFT对车辆垂向振动模型进行不确定分析,将模型中摄动参数隔离出来,并根据性能要求选择权函数设计鲁棒μ控制器。以轨道高低不平顺作为外部激励进行仿真,其控制效果与基于名义模型设计的鲁棒H∞控制器进行对比。仿真结果表明:仅存在外部扰动时,鲁棒H∞控制器表现出更优的控制效果;外部扰动和内部参数摄动同时存在时,鲁棒H∞控制器控制效果明显恶化,鲁棒μ控制器表现相对稳定。鲁棒μ控制器在高速轨道车辆垂向振动抑制方面具有较优的鲁棒稳定性和鲁棒性能。     

基于扩展干扰观测器的主动升沉补偿系统自适应鲁棒控制

针对不确定性及外部干扰下主动升沉补偿系统的非线性控制问题,提出一种基于扩展干扰观测器自适应鲁棒控制器。扩展状态观测器将外部扰动扩张成新的状态变量,利用输出反馈观测扩张的状态。基于反步法构建自适应控制器,结合拓展状态观测器处理系统方程存在的建模误差、外干扰、不确定性及参数不确定性。基于滑模控制方法,设计非线性滑模反馈律,从而提高系统在外部干扰下的鲁棒性能。最后,通过李雅普诺夫函数证明整个闭环系统的稳定性。基于升沉补偿电液伺服系统进行仿真实验,结果表明:所设计控制器在存在不确定性及外部干扰的情况下具有良好的控制精度及鲁棒性。     

基于动态模糊神经网络的并联机器人鲁棒复合控制研究

针对6-DOF并联机器人液压伺服系统存在参数摄动和外界不确定性因素干扰的问题,提出了一种基于动态模糊神经网络的鲁棒复合控制策略。在充分分析了液压伺服系统的基础上,对控制系统进行了PD控制器、鲁棒内回路控制器、零相位误差跟踪控制器以及动态模糊神经网络控制器的设计。然后基于MATLAB软件进行了控制系统的运动性能仿真实验分析。结果表明,鲁棒复合控制器的应用在很大程度上了消除了负载交联耦合干扰对系统的影响,而且提高了系统的鲁棒稳定性。     

基于神经网络的非完整移动机器人鲁棒跟踪控制

针对受非完整条件约束的移动机器人存在的高度非线性、不确定性和外部干扰,提出了一种基于神经网络的鲁棒跟踪控制策略。该控制策略能够对系统中的未知的不确定性和干扰进行补偿。基于Lyapunov方法对控制系统进行设计,保证了系统的稳定性,改善了系统的动态性能。速度跟踪误差、神经网络权值误差和边界估计误差全局有界。仿真实验表明,该控制方法具有很强的鲁棒性和自适应能力。     

X-Y定位平台自适应神经网络的摩擦补偿控制

针对X-Y定位平台中摩擦等非线性部分对控制精度的影响问题,提出了基于自适应神经网络的鲁棒控制策略。设计神经网络控制器对摩擦及干扰等不确定部分进行补偿,其网络逼近误差作为外界扰动通过鲁棒控制器消除,保证X-Y平台的定位精度;设计神经网络参数学习算法,保证权值的在线自适应实时调整。基于H∞的HJI理论证明了控制系统的稳定性,并保证了系统L2增益小于给定的指标。试验结果表明所提控制方法能够很好补偿摩擦模型,提高了定位精度,具有重要工程应用价值。     

模块化机器人神经网络补偿计算力矩控制研究

为了解决模块化机器人由于构型可变等特点导致参数不确定与非参数不确定性增大引起轨迹跟踪不理想的问题,设计神经网络补偿计算力矩复合控制器。考虑机器人参数不确定与摩擦、干扰等非参数不确定性,将动力学模型分为理想部分和不确定部分,用计算力矩法实现理想模型控制,用BRF神经网络补偿不确定部分。利用Lyapunov理论证明控制器稳定性并采用自适应算法实现神经网络权值在线自调整。最后,仿真发现使用该控制器取得良好的轨迹跟踪效果。