不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

不确定性X-Y定位平台自学习控制研究

针对带不确定性的X-Y定位平台系统位置控制问题,提出了径向基函数神经网络的自学习控制策略。首先建立X-Y定位平台轴系统的动力学模型,然后利用增广变量法设计了基于神经网络PID控制器,利用RBF神经网络良好的逼近能力来进行自学习控制,设计了改进随机梯度算法来实现网络权值的自适应调整,并加快其学习速度。针对神经网络动态特性欠缺的问题,设计了PID控制器来保证控制阶段初期的跟踪精度。最后通过仿真详细分析了其控制机理,并证明了该方案的有效性,具有较高工程应用价值。     

空间机械臂基于神经网络的死区补偿控制

针对自由漂浮空间机械臂所存在的模型误差和机械传动机构中的齿隙死区问题,提出基于神经网络的自适应补偿控制方法。对于系统的模型误差,利用神经网络的逼近能力来对不确定部分进行自适应补偿,而设计变结构控制器消除逼近误差。对于关节执行机构中的齿隙死区,利用两个神经网络来分别进行死区模型的估计与补偿,利用死区补偿原理来推导死区输出、死区补偿器及控制器三者之间的数学关系,进而设计基于神经网络的控制器、补偿器及死区估计器的自适应在线学习律。基于Lyapunov理论证明了控制系统的稳定性。仿真结果验证了控制器的有效性。     

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。     

基于改进Dahl模型的自适应摩擦补偿研究

针对在伺服控制系统中普遍存在的摩擦现象所引起的低速爬行、跟踪误差、极限环振荡等问题,首先对伺服系统中常用的Dahl摩擦模型和LuGre摩擦模型进行了分析比较,介绍了一种改进的Dahl模型,该模型改善了摩擦环节的稳定性,并能描述滞-滑现象;然后基于Lyapunov稳定性分析的方法,设计了基于改进的Dahl模型的自适应摩擦补偿算法;最后对带有摩擦的伺服系统进行了自适应摩擦力矩补偿和PD控制补偿的仿真和实验。仿真和实验结果表明:改进的Dahl摩擦自适应补偿比PD控制补偿能更好地抑制伺服系统低速时摩擦所带来的干扰和影响,提高了定向、定位精度和系统稳定性。     

基于神经网络的缠绕过程张力积分鲁棒控制

纤维缠绕系统是典型的非线性系统,缠绕过程张力控制精度决定了缠绕制品成型品质,然而系统非线性特性、摩擦及外干扰等严重制约了缠绕过程张力控制性能的提升。目前现有方法主要以收/放卷两轴同步控制为基础,通过解耦等复杂操作展开张力控制研究,计算量大且不利于控制算法的应用。为了避免上述问题并准确描述缠绕系统张力产生机理和实际的摩擦特性,建立简化的缠绕系统非线性数学模型。同时以自适应作为神经网络权值训练方法,基于自适应神经网络设计出干扰量的逼近函数,在基于连续积分鲁棒（RISE）控制器设计的控制律中补偿扰动的影响,并基于Lyapunov稳定性理论证明了系统的渐近稳定性。最后,给出所提出控制器与现有方法的对比验证实例,结果表明所提出基于神经网络扰动补偿的积分鲁棒控制显著增强了系统抑制外干扰的能力,提升了张力控制精度。     

整体叶盘集成制造单元A轴的摩擦补偿控制

针对非线性摩擦对A轴定位精度的影响,根据静态和动态摩擦模型的不同动力学特性,提出两种不同的积分型滑模控制器。当系统处于不同摩擦阶段时,相应的摩擦补偿控制器被激活;当两种摩擦状态不断切换时,相应的摩擦补偿控制器也在不断切换。实验结果表明,该方法能有效提高A轴的定位精度和跟踪精度,使整体叶盘型面加工精度和表面一致性得到保证,并显著降低了表面粗糙度。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

基于神经网络的机械手摩擦补偿方法控制研究

论文提出了一种利用扩展两层神经网络和模糊整定PD控制相结合,对机械手伺服系统进行控制器设计的自适应跟踪控制设计方法,利用扩展两层神经网络的精确逼近特性来逼近机械手伺服系统中的未知动态摩擦。利用Lyapunov理论证明引入的一鲁棒控制律保证了机械手闭环系统的稳定性,仿真结果验证了基于扩展两层神经网络控制方法的有效性。