驱动平面机械手的液压系统建模及CMAC-PID控制研究

为了提高平面机械手运动的稳定性和轨迹跟踪精度,采用小脑模型神经网络(CMAC)控制液压驱动系统,并对机械手运动轨迹响应速度和误差进行仿真.建立液压驱动机械手简图装置,给出机械手液压驱动控制流程图.创建了液压动力装置、控制阀、液压油缸及机械手键合图模型,推导出液压驱动机械手控制方程式.设计了机械手液压驱动CMAC-PID控制结构图,利用系统仿真软件Matlab对机械手运动轨迹进行仿真;同时,与常规PID控制仿真结果进行比较.结果表明:采用常规PID控制液压驱动机械手运动轨迹,响应时间大约为0.4s,产生的最大误差大约为1.4cm;采用CMAC-PID控制液压驱动机械手运动轨迹,响应时间大约为0.1s,产生的最大误差大约为0.75cm.采用CMAC-PID控制平面机械手液压驱动系统,能够提高机械手运动轨迹响应速度和跟踪精度.     

基于神经网络与PD的非线性控制

提出了一种层叠小脑模型关节控制器（CMAC）神经网络同传统PD控制相结合的控制策略.该策略利用改进CMAC 学习控制系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,采用PD控制系统实现反馈控制,保证系统的稳定性,且抑制扰动.并采用跟踪-微分器对信号进行了滤波.仿真及实验结果表明：该控制策略提高了系统的控制精度和响应速度,并且具备较强的抗干扰能力和鲁棒性.     

基于变增益速度前馈的气动位置系统的研究

首先对气动位置系统的传统PVA控制方法及动态误差系数进行了理论分析,系统动态响应滞后造成的跟踪误差主要由输入信号的速度项产生,且速度动态误差系数大小随输入信号速度的变化而变化,根据这一特点,设计了变增益速度前馈控制器.变增益速度前馈控制方法能有效地补偿系统闭环的相位滞后,明显提高了轨迹跟踪精度.     

基于CMAC的气动人工肌肉变结构位置控制研究

气动人工肌肉是一种具有功率自重比/功率体积比大、响应快的新型气动元件,近年来已引起了人们广泛关注。然而,由于难于实现气动人工肌肉系统的精确控制,从而阻碍了其更加广泛的应用。在气动人工肌肉动态数学模型的基础上,提出采用基于CMAC的气动人工肌肉两层滑模变结构控制方法。CMAC神经网络用于学习气动人工肌肉系统的不确定信息,并作为前馈补偿使跟踪误差快速收敛,通过变结构控制消除网络的学习误差和不可重复随机干扰的影响,确保系统鲁棒性。试验结果表明了该方法的有效性和系统的鲁棒性。     

基于MIMO滑模的气动伺服系统控制

针对非线性气动伺服系统的轨迹跟踪和柔顺控制问题,采用MIMO滑模控制器实现气动系统多输出的跟踪控制。对气动伺服系统基于流量控制策略的动力学进行建模,将其状态方程转换为严格反馈系统形式;设计用于轨迹跟踪和内腔压力跟踪的双滑模面,基于传统的滑模控制率构造用于气动系统的双控制输入,实现气动系统控制器的设计。基于Simulink搭建控制仿真平台,仿真结果验证了控制器对系统多输出的有效跟踪控制。     

机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

考虑控制电信号中间量的机床运动控制误差数据驱动建模方法

现有数据驱动的机床运动控制误差建模方法通常使用端到端的模型,即通过机器学习算法直接构建参考轨迹信息(速度、加速度等)与伺服误差之间的模型,以降低建模复杂度。然而,该方法忽视了控制电信号对运动控制系统非线性扰动的反映,而导致建立的模型精度受限。为解决此问题,提出了一种使用控制电信号作为中间量的数据驱动运动控制误差建模方法。该方法采集参考轨迹信息(速度、加速度、急动度等)、控制电信号、跟踪误差以及构造的换向特征,构建并训练基于参考轨迹信息的控制电信号预测网络,以及基于电信号和参考轨迹信息的运动控制误差预测网络,利用控制电信号这一中间量有效反应系统所受非线性扰动的特点,实现了高精度的运动控制误差数据驱动建模。在实际验证测试时,将参考轨迹信息输入电信号预测网络,而后将得到的预测控制电信号和参考轨迹信息输入跟踪误差预测网络,即可实现运动控制误差的预测。通过实验对所提出的建模方法进行了验证,所提出方法相对于传统的端到端建模方法,运动控制误差的预测精度在X轴和Y轴分别提升16.33%和20.42%,误差补偿后运动控制轮廓精度相较于未补偿提升85.59%,验证了所提出方法的可行性。     

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。     

气动肌肉并联关节的位姿轨迹跟踪控制

针对多输入多输出的气动肌肉并联关节,建立包含任务空间负载动态方程、容腔压力动态方程和高速开关阀平均流量方程的多阶动态系统数学模型。为保证气动肌肉并联关节系统良好动态特性的同时具有高精度的位姿轨迹跟踪,采用基于非连续投影算法的自适应鲁棒控制策略。该策略通过自适应参数估计来消除因气动肌肉并联关节系统动态数学模型的参数未知而引起的较大参数不确定,通过鲁棒反馈来消除因气动肌肉的伸缩力模型误差、摩擦力时变和关节系统的不可知干扰等引起的严重非线性不确定,且控制器基于反推设计,对多输入多输出的多阶耦合动态系统具有很好的适用性。试验结果表明：所研究的气动肌肉并联关节阶跃响应的静态误差小于0.09°,连续轨迹跟踪的标准误差小于0.15°,且具有较强的自适应性和鲁棒性。     

3-PPR并联伺服平台非线性同步鲁棒控制

3-PPR并联伺服平台由3个伺服电机协同驱动,实现平面位姿的精密调整。针对各轴运动不协同而导致轨迹精度降低的问题,基于平台的运动学分析和动力学模型,引入虚拟电机的概念,定义了平台的非线性同步误差,设计了一种非线性同步鲁棒控制器,使三轴的跟踪误差和同步误差均能渐进收敛。仿真和实验结果表明,采用该控制策略可以提高各轴的非线性同步性能,有效提高系统协同性,平台位置轨迹跟踪误差小于0.1 mm,满足3-PPR并联伺服平台在实际应用过程中的控制需求。     

惯性稳定平台变置信度优化平滑CMAC复合控制

提出了一种基于变置信度(MC)及优化平滑算法(OS)的改进型小脑模型关节控制器(CMAC)复合控制方法,用于提高航空遥感惯性稳定平台控制系统指向精度及稳定性。首先,以CMAC学习过程中存储单元被激活的次数为依据,对存储单元设置不同的置信程度,提高了CMAC控制器的学习效率与控制精度,避免了系统动态跟踪中过学习发散现象而导致的控制系统精度下降甚至崩溃;其次,针对常规CMAC算法系统输出波动较大问题,加入优化权值算法,改善系统输出平滑性,提高了CMAC控制器的稳定性,避免了系统输出波动对电机及传动系统损害;最后对提出方法进行了仿真分析并利用实验室某三轴惯性稳定平台进行实验验证。实验结果表明:采用基于MCOS的改进型CMAC复合控制方法后,稳定平台系统控制精度、响应速度及输出平滑稳定性均得到有效提高,动基座推车实验框架角位置水平跟踪误差RMS值为0.021 6°,相对PID与常规CMAC控制方法分别降低了55.09%和30.55%。     

基于神经网络的超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料（giant magnetostrictive material GMM）智能构件精密加工活塞异形孔方法。 为了消除GMM智能构件迟滞非线性影响,提出一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制。将智能构件的输出位移及其变化率作为小脑模型神经网络（CMAC）输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型,神经网络的建模近似误差以及外界干扰通过离散滑模变结构控制器来消除。仿真结果表明此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,可实现智能构件的精密位移控制。     

基于模糊神经网络的不确定机器人实时轨迹跟踪控制的研究

针对机器人建模的不精确性以及扰动的存在给机器人控制增加难度的问题,提出了一种基于模糊神经网络的不确定机器人实时轨迹跟踪控制方法。该控制方法的控制器由模糊神经网络(FNN)控制器和CMAC控制器组成,FNN控制器代替传统的计算力矩法,CMAC控制器在线补偿控制误差,有效补偿机器人存在的各种不确定性。对二自由度机器人的仿真结果表明了所提出的控制方法的可行性。     

超磁致伸缩致动器的小脑神经网络前馈逆补偿-模糊PID控制

针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略。通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制。仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58。此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能。     

CONTROL SCHEMES FOR CMAC NEURAL NETWORK-BASED VISUAL SERVOING

In IBVS (image based visual servoing), the error signal in image space should be transformed into the control signal in the input space quickly. To avoid the iterative adjustment and complicated inverse solution of image Jacobian, CMAC (cerebellar model articulation controller) neural network is inserted into visual servo control loop to implement the nonlinear mapping. Two control schemes are used. Simulation results on two schemes are provided, which show a better tracking precision and stability can be achieved using scheme 2.     

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法.采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响.将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰.仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制.     

堆垛机速度智能控制的优化研究

采用模糊控制技术与小脑模型神经网络(CMAC)相结合的方式进行堆垛机的速度控制,克服单独运用模糊控制或CMAC神经网络的缺点,使系统既具有模糊控制的灵活性和强适应性,又兼具神经网络的学习能力,并且采用遗传算法对控制器的输入输出比例因子及连接权值进行寻优.仿真结果表明:该控制系统提高了系统的稳定性、鲁棒性和控制精度,使系统的综合性能得到显著改善.     

基于CMAC和PID复合控制器的精密注塑机保压压力控制

针对传统PID算法对注塑成形过程中保压压力进行控制时存在压力超调、静差和时延等问题,建立了注塑过程保压压力的系统数学模型,针对系统特性设计了新型CMAC和PID复合控制器。实验结果表明,相对于传统PID控制,CMAC和PID复合控制对保压压力的超调、静差和时延有显著的改善,制品质量和重复精度得到明显提高。