高速开关阀驱动的气动肌肉关节的滑模变结构跟踪控制

建立了PWM高速开关阀控制的气动人工肌肉单关节的4阶SISO动态数学模型，针对实现轨迹跟踪目标，采用输入输出线性化方法得到相对阶数为3的等价系统，该等价系统零动态渐近稳定。由于系统具有参数不确定性和未建模动态特性，采用了带积分的滑模变结构控制。实验结果表明，采用基于等效降阶模型的鲁棒控制，当模型存在误差时，能在关节的整个运动范围内实现较高精度的轨迹跟踪，且对气源压力和负载变化等外加干扰具有良好的鲁棒性。     

一种新型气动执行元件--气动人工肌肉

气动人工肌肉是一种结构简单、功率自重比大、有良好柔性、不会损害操作对象的新型气动执行元件。概述了气动人工肌肉的研究现状，分析了气动人工肌肉的优缺点和应用中存在的问题。在此基础上，指出目前气动人工肌肉的研究尚处于起步阶段，并给出了其有待进一步研究的方向。介绍了一些气动人工肌肉的应用实例。     

仿人型机器人腿的探讨

提出一种用气动人工肌肉驱动的仿人型机器人腿。首先描述了气动人工肌肉的结构与工作原理，人工肌肉具有变刚度特性，它的刚度可通过控制橡胶管内的气压实现，调节管内气压的大小就可改变肌肉的刚度。它的刚度大小决定肌肉的驱动力。然后提出了用气动人工肌肉驱动的机器人腿的结构形式以及机器人腿的摆动控制方式，腿的驱动力和行走运动全由工控机控制实现。     

气动人工肌肉并联机器人平台

提出一种基于气动人工肌肉的新型3自由度并联机器人平台,该机器人平台结构简单,具有3转动自由度。在对该新型3自由度并联机器人平台运动学和动力学特性理论分析的基础上,采用模糊变结构控制策略设计了新型3自由度并联机器人平台的两层滑模模糊变结构控制器,并建立了试验系统,开展了新型3自由度并联机器人平台的试验研究,其最大位置跟踪误差0．3 mm,当气源压力改变后,最大跟踪误差仍小于0．6 mm。试验结果表明,采用气动人工肌肉作为驱动装置设计的3自由度并联机器人平台是可行的,两层滑模模糊变结构控制策略对于该系统是适合的。     

气动人工肌肉特性分析的新方法

基于对气动人工肌肉静态特性的分析，提出了将气动人工肌肉视为变截面积气缸的新的分析方法，运用该方法推导出了气动人工肌肉的动力学数学模型。并对气动人工肌肉的充放气过程进行了计算机仿真分析，该分析方法简单方便，为气动人工股肉的深入分析和实现高精度控制建立了基础。     

基于小脑模型神经网络的气动六自由度并联平台的复合控制方法研究

针对气动驱动系统的强非线性特性,本文采用基于小脑模型(CMAC)神经网络和PD的复合控制结构,用于气动六自由度并联平台各驱动关节的轨迹跟踪控制,以提高系统的跟踪精度和抗干扰能力。CMAC网络采用不均匀的输入量化函数,在零值误差附近增加量化等级,以提高系统的控制精度;而在误差较大处减小输入量化级数,从而在不增加存储空间的情况下,加大输入信号的范围。系统的仿真和实验结果都表明,与PD控制相比,该方法能有效地提高系统的轨迹跟踪精度。     

气动人工肌肉并联平台自适应模糊CMAC姿态跟踪控制

着眼类人机器人的腰部应用,设计了一种气动人工肌肉三自由度并联平台。引入一种自适应模糊CMAC(AFCMAC),实现了并联平台的姿态控制。通过规划输入空间,实现了AFCMAC对迟滞力、气压波动等不确定因素和非线性耦合因素的感知。离散抗饱和PID并行监督和离线辨识避免了在控制运行初期出现较大的跟踪误差和气压波动,从而使AFCMAC的在线实时自学习调整成为可能。进行了定点转动姿态跟踪实验和抗干扰实验,实验结果表明,AFCMAC具有较好的姿态控制性能和在线学习调整能力。     

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。     

气动人工肌肉系统动态特性研究

提出将气动人工肌肉视为带有弹性负载的变截面气缸的观点，方便地建立了气动人工肌肉系统动态数学模型。将气动人工肌肉的工作过程划分为等客充气、充气收缩、排气伸长和等容排气四个部分，通过仿真和实验研究对气动人工肌肉进行了特性分析。实验结果表明了所建立的动态数学模型的正确性，为气动人工肌肉应用研究奠定了基础。     

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。     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

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。     

基于神经网络的主动隔振控制技术研究

针对主动隔振系统存在非线性的情况,提出一种神经网络控制方法.控制器采用CMAC(cerebellar model articulation control)网络,参数调整基于梯度下降法.为消除系统次通道对控制器参数调整的影响,利用BP(back propagation)网络离线辨识得到次通道模型.系统的输出误差信号与次通道模型参数相结合,共同调整控制器参数.仿真结果表明,该控制方法对于存在非线性的主动隔振系统具有良好的控制效果,隔振能力超过常用的滤波LMS(least mean square)方法.     

模糊神经网络控制器参数修正方法研究

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器 ,其既不依赖于被控对象精确的数学模型 ,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数 ,但是存在着在线修正权值计算量大、过度修正权值还可能导致系统剧烈振荡等缺点。针对存在的问题 ,提出了一种模糊神经网络控制器的优化方法 ,即在线自学习过程中 ,仅对控制性能影响较大的控制规则所对应的权值进行修正 ,以减小计算量 ,根据偏差及偏差变化率的大小自适应调节权值修正步长 ,避免系统发生剧烈振荡。     

神经网络分数阶PI~μD~λ在压电叠堆控制中的应用

为了克服压电叠堆的迟滞特性,实现压电叠堆的精确控制,建立了压电叠堆控制系统,研究了该系统所用到的神经网络、分数阶微积分等算法。首先,搭建了采集压电叠堆位移数据的硬件系统,并对含有噪声的位移数据进行了滤波处理;利用径向基函数(RBF)神经网络对压电叠堆建模,得到了模型参数。然后,利用RBF神经网络建模得到的Jacobain信息来整定分数阶PI~μD~λ控制器中的参数对压电叠堆进行控制。最后,与RBF整数阶PID对压电叠堆的控制效果进行了对比。结果显示:RBF建模误差仅为位移实测数据的0.22%,RBF神经网络分数阶PIμDλ控制系统输出稳定,很好地跟随了给定。得到的结果表明RBF神经网络分数阶PI~μD~λ控制器控制性能良好,在压电叠堆的控制中比RBF整数阶PID控制器表现得更加稳定、精确。     

基于CMAC网络的主动隔振控制技术

针对主动隔振系统存在非线性,提出一种基于CMAC神经网络控制器的主动控制方法。由于系统的次通道使得控制器参数无法直接利用振动误差信号来调整,提出一种改进的同时扰动自适应算法,并证明该算法在数学期望上是一种随机梯度法。针对系统的非线性情况进行了仿真和试验研究,结果表明:与传统的FXLMS自适应前馈控制方法相比,所提出的方法对于存在非线性的周期性振动的隔振效果明显。     

CMAC神经网络控制在直接转矩控制系统中的应用

将小脑模型神经网络控制(CMAC）和PID控制结合起来，替代了直接转矩控制中常用的PI控制环节，并且构建了基于MATLAB的电动机控制仿真模型。通过对系统的分析和模型的仿真结果，可以发现应用CMAC的直接转矩控制系统要明显优于传统直接转矩控制系统。