X-Y数控工作台的摩擦和扰动补偿方法研究

为提高数控机床伺服系统的控制精度,对X-Y数控工作台高精度控制中的摩擦补偿和外部扰动的补偿进行了研究。建立了基于动态Lu Gre摩擦的伺服系统模型,提出了设计一个非线性双观测器来估计Lu Gre模型内部的不可测的状态,并通过自适应鲁棒控制器来实现未知的摩擦和负载转矩的补偿,同时设计神经网络观测器补偿外部扰动;利用Lyapunov稳定性理论证明了闭环系统的稳定性。仿真结果表明,有效地解决非线性摩擦和扰动的影响,提高系统的跟踪精度和鲁棒性。     

泵控缸电液位置伺服系统的神经网络模型参考自适应控制

针对泵控缸电液位置伺服系统的跟踪控制问题,提出了神经网络模型参考自适应控制方法.泵控缸电液位置伺服系统由于其自身特性以及外界干扰因素的影响存在严重的非线性,因此,很难采用传统的控制方法来控制.为此,首先利用GA-BP算法离线辨识伺服系统的神经网络模型,得到网络参数的初值,然后利用改进的BP算法在线对网络参数进行微调,以得到较为准确的网络预测输出,从而为在线神经网络控制提供较准确的梯度信息.仿真结果表明,该方法能保证系统具有较快的响应速度和较高的控制精度,并具有较好的自适应性和鲁棒性.     

基于RBF神经网络和扰动观测器的PMLSM位置控制

针对永磁直线同步电机的位置控制,其控制精度易受模型误差和负载扰动等因素的影响,设计了一种改进型的滑模趋近律控制器,提出了基于RBF神经网络的建模误差逼近器和非线性负载扰动观测器。首先,利用改进型的滑模趋近律算法,加快到达滑模面的速度,降低系统的滑模抖振;其次,采用RBF神经网络算法逼近系统的建模误差;最后,非线性扰动观测器对系统的负载扰动进行估计。此外,系统采用前馈补偿控制策略,以提高系统的控制精度。仿真结果表明:通过与传统的滑模趋近律控制方法相比,文章提出的方法提高了系统的控制精度、增强了系统的鲁棒性。     

泵控缸电液位置伺服系统的自适应模糊滑模控制

针对泵控缸电液位置伺服系统的跟踪控制问题,设计了自适应模糊滑模变结构控制器.为了使等效控制器的设计不依赖于对象的精确数学模型,利用自适应模糊系统代替等效控制器,并且为了消除外界干扰、抑制抖振,利用模糊系统动态调节控制增益.仿真结果表明,该方法能保证系统具有较优的动态响应和稳态控制精度,并且对外界干扰及结构参数不确定性具有很强的鲁棒性.     

电液伺服系统的积分滑模自适应控制方法的研究

针对某型鱼雷尾舵电液位置伺服系统存在参数不确定性和干扰的问题,设计了一种新型的积分滑模自适应变结构控制器,实现了在变工况下对系统的良好跟踪控制。仿真结果表明,该方法控制精度高,鲁棒性强,有效提高了系统的控制性能。     

并联坐标测量机神经网络滑模控制

研究了6-TPS型并联坐标测量机的基于RBF神经网络的直接自适应滑模控制方法.根据测量机的系统动力学模型特点,基于Lyapunov函数的综合设计方法和滑模控制理论,利用RBF神经网络与自适应技术相结合,设计了一种控制律,然后利用MATLAB进行了系统控制仿真.结果表明,测量机在有周期干扰的情况下,采用这种直接自适应神经网络滑模控制方法达到了较高的控制精度,其闭环系统具有较强的自适应性和鲁棒稳定性.     

非线性电液位置伺服系统的自学习滑模模糊控制

针对电液伺服系统存在参数变化、负载干扰等非线性因素,且难以建立精确的数学模型用于实时控制的特点,将一种自学习滑模模糊控制方法应用于电液伺服系统,并将滑模控制策略应用于模糊控制中,建立以滑模函数值为输入、伺服阀控制电压为输出、模糊规则只有11个的简单模糊控制器,通过在线学习调整模糊规则使系统状态快速滑向状态平衡点。该控制方法结合了滑模控制和自适应模糊控制,鲁棒性强、结构简单。仿真和实时控制结果表明：在电液位置伺服系统中取得良好的控制精度和稳定性。     

叶片辊轧机调整机构摩擦补偿控制策略

针对非线性摩擦导致叶片辊轧机轧辊的左右调整机构调整精度降低的问题,提出一种基于自适应模糊摩擦逼近补偿的全局滑模控制策略。建立了含非线性摩擦模型的辊轧机左右调整机构动力学模型,基于改进的Lu Gre动态摩擦模型,采用自适应模糊摩擦逼近方法实现调整机构中摩擦的在线补偿,结合全局滑模控制保证系统在响应过程中具有一定的鲁棒性。利用Matlab/Simulink软件对控制过程进行跟踪仿真,并将本文控制策略应用于现场实际中,验证了本文方法的有效性,研究结果表明:控制策略可以实现系统轨迹的高精度追踪,本文方法可以很好地实现轧辊机左右调整机构的控制。     

基于RBF最小参数学习法的正流量变量泵滑模自适应控制

为了提高正流量变量泵的性能,提出基于RBF最小参数学习法的正流量变量泵滑模自适应控制方法。分析正流量变量泵电液伺服系统的动力学特性,并进行系统辨识实验获得较为精确的系统数学函数模型;基于RBF最小参数学习法设计滑模控制器,在系统参数不确定性、摩擦力干扰和系统泄漏等非线性因素的情况下实现对目标流量的跟踪响应和自适应控制;最后利用MATLAB/Simulink对正流量变量泵的控制系统性能进行仿真实验,并和传统的PID控制器和模糊PID控制器进行比较。仿真实验结果验证了所设计控制方法的可行性和有效性。     

电液位置伺服系统鲁棒反馈线性化控制

针对电液位置伺服系统存在强非线性和外界干扰不确定性的问题,提出将反馈线性化与滑模控制相结合的鲁棒反馈线性化控制策略。建立了电液位置伺服系统非线性模型,利用反馈线性化技术将其精确线性化,利用滑模控制来补偿其外界干扰不确定性,同时采用最优控制理论设计了切换函数,并引入模糊控制设计了自适应指数趋近律。以时变负载力扰动为例对系统性能进行了研究,仿真结果表明:该方法有效提高系统鲁棒性、加快响应速度和削弱了抖振。     

两自由度并联机器人的RBF神经网络辨识滑模控制策略研究

针对两自由度并联机器人的轨迹跟踪问题,提出一种基于RBF神经网络辨识上界的滑模控制策略。该方案利用RBF神经网络对被控对象的不确定上界进行辨识,将所得的上界值适时送到滑模控制器,既发挥了RBF神经网络具有逼近任意函数的优点,又保留了滑模变结构控制的快速性和鲁棒性,达到了理想的控制效果。     

直驱转台伺服系统的优化神经网络滑模位置控制研究

针对直驱转台伺服系统存在参数变化、高度非线性、机械谐振等不确定性因素,提出一种优化神经网络滑模位置控制方法。利用两个神经网络控制器分别实现转台系统滑模控制中的等效滑模控制和滑模切换控制,并采用遗传算法优化神经网络的权值。仿真结果表明:采用该控制方法,直驱转台伺服系统的位置跟踪精度高,系统的鲁棒性强。     

基于改进神经网络的不确定性X-Y定位平台自适应控制

描述了X-Y平台实验系统的组成及其模型的建立过程.针对X-Y定位平台中存在的载荷以及摩擦参数的不确定性问题,提出了一种基于改进神经网络来补偿X-Y定位平台不确定性的方法.采用自适应遗传算法调整神经网络的权值系数,增强了神经网络的学习能力,使该定位平台的控制精度、鲁棒性和动态特性得到了改善.计算机仿真结果表明这种控制设计方案具有很好的动态特性.     

基于仿生群智能优化RBF神经网络的机械手滑模控制方法研究

为了提高机械手滑模控制的准确度,采用RBF神经网络来完成机械手滑模控制,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。在机械手滑模控制及机械手运动轨迹跟踪过程中,将RBF神经网络权重和阈值作为蛙跳算法的青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群,并对蛙群进行分组,通过不断重新分组和组内迭代的方法来获取全局最优个体,得到最优权重和阈值,确定最优机械手滑模控制模型。经过实验证明,采用基于仿生群智能优化RBF神经网络的机械手滑模控制,跟踪准确度高。     

基于RBF神经网络的永磁同步直线电机全局滑模控制

针对永磁直线同步电机直接驱动伺服系统存在负载扰动、参数时变、非线性摩擦及端部效应等不确定性因素,提出了一种神经网络增益切换全程滑模控制策略。该策略使控制系统一开始就处于滑动模态上,使系统具有全局鲁棒性。其次,通过递归神经网络的在线学习来对不确定界限实时估计,并引入饱和函数,以进一步降低控制中的抖振,改善系统的性能。通过仿真对所提方案与PID控制和传统滑模控制进行对比,验证了所提出的方案有更好的鲁棒性和跟踪能力。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。     

基于改进LuGre摩擦模型的机器人关节摩擦力辨识研究

机器人在精准装配时，摩擦力影响着控制精度。利用LuGre摩擦模型进行关节力矩计算时，机器人关节摩擦力具有周期性纹波误差。针对此问题提出一种改进的LuGre摩擦模型，包括LuGre摩擦模型表示的稳态摩擦力，以及与速度相关的位置依赖项。对摩擦模型进行分步辨识，利用LuGre摩擦模型的特征，对稳态摩擦力参数进行辨识，通过SVM多类分类算法、支持向量回归（SVR）和最小二乘法求解方程组，对模型中的位置依赖项进行参数辨识。实验结果表明，机器人在不同负载下运行，使用改进模型及辨识方法计算关节摩擦力矩时，误差可以降低50%以上。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

真空退火炉智能变结构控制方法的研究与应用

从工程实际应用的角度出发,针对金属材料真空退火过程中系统的非线性、工艺参数的不确定性和对外部干扰的不灵敏性等特点,结合非线性不确定系统理论研究,采用神经网络建立系统的模型,利用自适应免疫遗传算法(AIGA)对滑模面和控制器的参数及神经网络的权值、阈值进行优化,得出了一种真空退火炉工件温度精确控制的智能变结构控制策略。实验表明,这种方法控制温差在±4℃,优于基于单一模型的模型参考自适应控制或PID策略的控制方式,具有较好的动态特性和耐久性。     

基于RBF神经网络的挤出机温度压力控制系统

为了确定橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系并较好实现温度压力控制系统的模型辨识自适应控制与精确解耦控制,结合径向基函数(RBF)神经网络与PID神经元结构,设计了一个基于RBF神经网络辨识模型与自适应控制的模型,用于完成对熔体温度、机头压力的模型辨识与自适应控制,并采用优化RBF神经网络进行精确解耦控制。利用MATLAB软件建立温度压力耦合系统的辨识模型,并与传统辨识模型和解耦方式进行对比。结果表明:在干扰作用下,基于优化RBF神经网络的系统具有较好的辨识能力,能自适应地完成系统解耦控制;采用优化RBF神经网络建立的耦合辨识模型的耦合辨识与解耦效果理想,可在一定程度上提高温度压力控制系统精度和挤出半成品质量,实现精密化挤出成型。