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。     

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。     

超磁致伸缩执行器磁滞非线性建模与控制

针对超磁致伸缩执行器的磁滞非线性问题,应用Priesach理论模型建立了执行器的磁滞模型,并根据其逆模型设计了前馈补偿器,同时设计了磁滞模型的自适应算法和动态调整前馈补偿器的参数,最终实现对执行器磁滞非线性进行补偿和控制。仿真和试验结果表明该模型能够很好的描述执行器的磁滞非线性,采用自适应算法有效地改善了执行器输出位移的磁滞非线性,减小了系统的非线性误差,提高了执行器的控制精度。     

强干扰条件下超磁致伸缩致动器的模糊滑模动态控制

针对强干扰条件下,超磁致伸缩致动器位移动态控制存在的不足,建立了强干扰下超磁致伸缩致动器动态线性化模型,设计了基于模糊切换增益调节的滑模控制器,实现了致动器的动态跟踪控制。提出的模糊滑模控制器能有效实现了致动器的动态控制,位移跟踪误差在5%以内,取得了良好的控制效果。     

超磁致伸缩微位移驱动器的非线性迟滞建模及控制方法

对超磁致伸缩微位移驱动器(GMA)的非线性迟滞特性,通过密度函数法和F函数法建立GMA的两种Preisach数值模型,仿真和试验表明F函数法对滞回曲线的预测效果优于密度函数法.为将Preisach数值模型应用于GMA的实际控制系统,提出一种Preisach实时数字补偿算法,建立基于Preisach前馈补偿的PID控制模型,分别采用开环、普通PID和带Preisach前馈补偿的PID三种控制器对GMA的位置跟踪和轨迹跟踪两种控制问题进行试验研究,结果表明带Preisach前馈补偿的PID控制器可显著提高GMA的响应速度和跟踪精度,使GMA在100 μm量程内的位置跟踪和轨迹跟踪误差分别达到3 μm、2 μm.     

非线性Preisach理论与超磁致伸缩执行器高阶迟滞建模

经典Preisach理论在建模迟滞过程时要求其所描述迟滞过程必须满足擦除特性和滞环全等特性,并把这两个条件作为其建模的充分与必要条件。试验表明超磁致伸缩材料的迟滞过程仅满足擦除特性而不满足滞环全等要求,正是这个原因使经典模型在预测具有多次回转特征的高阶迟滞输出时存在较大误差。在经典模型基础上提出一种改进模型,新模型一方面放松经典模型对次环全等的严格要求,另一方面还在参数辨识过程中同时将一阶和二阶回转曲线数据考虑在内,从而提高其对高阶回转迟滞曲线的预测精度。最后在直动式超磁致伸缩执行器上进行试验。结果表明,在预测具有多次回转特征的高阶迟滞输出时,新模型的预测精度明显高于经典模型,对二阶、三阶滞回曲线的预测精度分别提高了34%和33%。     

超磁致伸缩驱动器建模及其迟滞补偿

本文提出了用超磁致伸缩材料与压曲放大机构相结合构成微位移驱动器的方法,建立了超磁致伸缩执行器的控制系统传递函数模型。文中对所建立的系统进行了相频和幅频特性的理论分析和实验,合理地解释了此系统的迟滞曲线随输入信号频率变化的原因。为了进行迟滞非线性补偿,提出了相位补偿与迟滞逆模型相结合来补偿迟滞特性的控制方法。实验结果证明了系统理论模型的准确性和补偿控制方法的有效性。     

复合前馈补偿的超磁致伸缩执行器精密伺服控制

研究了一种内嵌超磁致伸缩执行器(GMA)的智能镗削装置,针对GMA迟滞非线性,给出了一种基于复合前馈补偿的精密伺服控制方法。简要介绍了经典Preisach迟滞数值模型的实现方法,给出了一种基于迭代的迟滞非线性补偿方法以避免直接求取Preisach逆模型。讨论了迭代算法的实现步骤,验证了算法的可行性。分析了异圆销孔的镗削加工特点,在迭代补偿的基础上设计了重复控制补偿器,并结合两种补偿方法,给出了一种基于复合前馈补偿的PID控制方法,最后通过实验检验了方法的有效性。实验结果表明:在开环情况下,所给的迭代算法可以将GMA的迟滞非线性由补偿前的-15.7%~+11.8%减小到-4.6%~+5.2%,而基于复合前馈补偿的PID控制则可将误差进一步减小到±1 μm以内。实验表明,迭代补偿算法是有效的,该算法在补偿迟滞非线性的同时可避免直接求取Preisach逆模型,而基于复合前馈补偿的PID控制方法还可进一步提高GMA的控制精度。     

叠堆式超磁致伸缩致动器的模型预测滑模控制

根据新型电液伺服阀的驱动要求,设计了叠堆式超磁致伸缩致动器(SGMA),为补偿其固有的非线性,提高位移输出精度,研究了SGMA的控制策略,并对控制策略进行了仿真和实验验证。首先,采用永磁体和GMM棒交替排布的结构形式设计了SGMA,有助于提高偏置磁场的均匀性;然后,根据SGMA的结构特点,将其视为多自由度振动系统,建立了系统的位移输出模型;接着,在输出模型的基础上,结合模型预测控制与滑模控制策略,设计了模型预测滑模控制器;最后,进行了控制策略仿真和实验验证。实验结果表明,模型预测滑模控制器能够实现SGMA的精密控制。在阶跃控制实验中,系统稳定时间低于1.5ms,无超调和稳态误差;在正弦控制实验中,系统最大控制误差约为0.83μm,相对值约为6.9%,证明了控制策略的有效性。     

Jiles-Atherton模型的超磁致 伸缩驱动器磁滞补偿控制

研究了磁滞补偿控制的方法,建立了基于Jiles-Atherton模型的磁滞补偿控制系统。介绍了Jiles-Atherton磁滞模型的主要思想及其主要参数,对该模型反向运动时磁化强度变化与磁场强度变化的对应关系进行了分析,并在此基础上,提出了利用磁滞环的宽度,通过重新给定反向起始点的迭代初值,实现磁滞补偿的方法。实验结果表明:对于阶跃响应,采用磁滞补偿时没有延迟,且达到稳态时间比不进行磁滞补偿时缩短12 ms;对于正弦响应,采用磁滞补偿时没有延迟,且均方误差比不进行磁滞补偿时提高了0.19 μm,能有效消除磁滞的影响,提高定位精度。     

神经滑模控制在转台伺服系统应用

以直流电机为执行机构,分析了飞行仿真转台伺服系统的数学模型。滑模控制具有对系统扰动和参数摄动的自适应性,可实现伺服系统的快速响应,同时有效克服低速状态下摩擦力矩的影响。系统抖振问题是滑模控制的突出问题,利用径向基神经网络的非线性逼近能力,给出以切换函数为网络输入,以滑模控制器为网络输出,构建了神经滑模控制器,软件仿真结果表明所设计的滑模控制器能达到较好的控制品质,有效的克服系统抖振和外部扰动,实现系统低速摩擦补偿。     

RBF神经网络滑模变结构控制在并联机器人中的应用

并联机器人系统结构复杂,具有强耦合、非线性等特点。滑模变结构控制对参数不确定性和外部扰动具有强鲁棒性,不需要被控对象精确数学模型且基于该方法的控制器设计过程是自然解耦过程,适用于并联机器人控制,但是滑模控制普遍存在抖振问题。鉴于此,该文提出RBF神经网络与滑模控制相结合的控制方法,利用RBF神经网络对滑模控制器切换项的增益进行调节,可以有效地降低滑模控制的抖振,获得较好的控制效果。仿真结果表明,该控制方法跟踪性能好,系统误差小,具有较强的鲁棒性,可以满足并联机器人的控制要求。     

一类不确定非线性系统的自适应滑模控制

滑模变结构控制系统能够通过控制其本身结构的变化,使得系统性能保持一直高于一般固定结构控制所能达到的性能,突破了经典线性控制系统的品质限制,适用于非线性的不确定系统。同时滑模控制能保证在模型的不确定和外部扰动的情况下系统的稳定性与鲁棒性,而且以损失能导致抖振的最优控制性能而得到稳定鲁棒性,同时它的不确定性上界必须是已知的,但有时候很难得到上界。这样提出一种自适应的方法以进一步避免这些问题,同时这种方法能保证闭环系统的稳定性。本论文给出仿真结果来验证该方法的有效性。     

机械臂滑模控制算法研究

针对机械臂轨迹跟踪控制中传统滑模控制需估计其建模误差及外界干扰等不确定性,当建模不确定性及外界干扰较大较复杂时,将会导致出现抖振现象。该文在以传统滑模控制为主控制器的基础上,通过对传统干扰观测器进行改进,对外界干扰进行反馈补偿,同时利用神经网络对其建模误差进行逼近。通过机械手仿真实验结果表明,所提方法能够有效抑制系统抖振现象,提高响应速度及其轨迹跟踪精度。     

机器人关节滑模变结构的位置控制

为了使机器人关节有良好的静态特性,并具有一定的抗干扰能力,提出了一种由力矩电机和谐波减速机组成的机器人关节,采用指数趋近律的滑模变结构和模糊自适应滑模控制对机器人关节进行了位置控制,通过对机器人单关节Simulink建模仿真比较,结果表明,模糊自适应滑模控制大大减轻了指数趋近律滑模控制的抖振问题,其稳态精度达到了9×10-5rad;且与PID控制相比较,其响应速度快;在受高斯扰动时,采用模糊自适应滑模控制的关节发生的角度偏差整整比PID控制小10倍。仿真结果表明,滑模控制在机器人关节控制中精度高,响应速度快,具有一定的鲁棒性能。     

基于模糊滑模控制的再生制动系统稳定性分析

针对电动汽车再生制动系统稳定性问题,将模糊滑模控制技术应用于再生制动过程的稳定性研究。分析了再生制动过程中3种制动模式之间的相互关联以及动态演化,并综合考虑车辆制动稳定性及制动能量回收率,提出了电机再生制动力和前后轮液压制动力协调控制的最大化制动力分配策略;以滑移率为控制目标,将模糊控制与变结构控制相结合,建立了基于电机再生制动的稳定性模糊滑模控制策略;依据实车参数,对控制策略模型进行了仿真分析。研究结果表明,模糊滑模控制实现了电动汽车制动模式的合理切换,并验证了控制策略的有效性。     

四旋翼不确定干扰前馈补偿与反步滑模姿态控制

针对四旋翼控制中由外部不确定干扰和系统参数不确定引起的具有时变特性的不确定界干扰问题,设计一种不确定干扰前馈补偿的反步滑模姿态抗干扰控制方法。采用牛顿欧拉方法建立带不确定干扰的四旋翼6自由度动力学模型,然后采用非线性干扰观测器对姿态系统中的不确定干扰进行观测估计,进而基于不确定干扰估计量的前馈补偿设计反步滑模控制器,最后通过Lyapunov理论验证了系统的稳定性。仿真结果表明,所设计的控制器可以有效解决外部干扰和系统参数不确定导致的系统高阶不确定性问题,实现不确定干扰下的四旋翼鲁棒控制,同时改善传统滑模中控制输入不连续的情况。通过仿真与抗干扰飞行实验验证了所设计的控制策略在应对快时变特性干扰时具有较好的鲁棒性。