SDH模型与神经网络串联的谐波减速器混合迟滞建模研究

针对柔性环节含有的谐波减速器所表现出的特殊非线性迟滞特性,构建了由SDH模型与神经网络串联的谐波减速器的混合迟滞模型。以输入与输出信号之间具有与谐波减速器迟滞曲线相似迟滞特性的SDH模型为前置模型,以补偿前置模型在描述迟滞特性时存在的误差的非线性动态RBF神经网络作为后置模型,构成了混合迟滞模型,描述谐波减速器迟滞非线性特性。根据所搭建的实验平台,对不同频率输入信号、不同负载状态下获得的数据进行建模,与经典RBF神经网络模型和SDH模型相对比,实验表明,所构造的混合迟滞模型精度高、适应性强。     

EtherCAT从站设计及精确时钟同步技术研究

EtheCAT是一种具有高速性和高实时性的以太网现场总线,是运动控制及工业机器人不可或缺的高速通信手段.为解决对多自由度机器人协调控制等构成的分布系统的同步问题,基于EtherCAT网络拓扑结构,重点分析了DC(distributed clock,分布时钟)同步机制、算法及主从系统间的通信时序,深入研究了主站网卡驱动延时、从站物理位置和数据帧循环周期等几个关键因素对同步性能准确度和精度的影响.通过设计实时驱动网卡程序、完善从站的物理顺序、缩短数据帧的循环周期使之得以改善,并在搭建的ETIl00与STM32F407并行传输数据的EtherCAT从站平台上测试,实验结果证明EtherCAT同步误差能够达到小于15 ns的精度,足以满足高速同步实时需求.     

基于双变结构滤波的动力锂电池SOC估算方法

电池荷电状态(SOC)是动力电池的重要参数,提出了双变结构滤波算法,实现动力锂电池SOC的高精度估算。采用一个变结构滤波对电池Thevenin模型进行参数辨识与高阶多项式对OCV-SOC非线性特性进行建模;虽然变结构滤波估算SOC时能有效保证收敛,为了进一步提高变结构滤波SOC估算精度,对另一个变结构滤波参数进行模糊化处理,提高变结构滤波自适应性,提出了模糊-变结构滤波算法,实现SOC状态的精确估算。基于Arbin电池测试平台,仿真结果表明所提出的双变结构滤波能有效提高SOC估算精度,其SOC估算的最大绝对误差1.50%,平均绝对误差0.09%。     

基于地图服务器的群采摘机器人的A*路径规划算法

为解决群采摘机器人工作中存在的采摘区域大、地形多变、群机器人控制复杂等问题,提出一种基于地图服务器的群采摘机器人的A*路径规划算法.通过地图服务器进行采摘地图分配,使用地图瓦片技术将大尺寸采摘地图切分为瓦片地图,采用K均值算法对采摘区域进行划分,通过请求分配机制进行采摘区域地图组合和发布,在分配采摘地图的同时,限制群采...     

基于神经网络的电液位置伺服系统自适应滑模控制

针对电液位置伺服系统(阀控对称缸)模型复杂、参数时变、摩擦影响显著等特点,提出了基于RBF神经网络和基于Lu Gre模型的自适应滑模控制算法。该算法的优点是:(1)利用RBF神经网络逼近控制电流与系统输出压力的关系,将电液位置伺服系统的数学模型简化为二阶,减少了模型参数;(2)采用Lu Gre模型能够准确地描述摩擦过程中复杂的动、静态特性,通过该模型设计摩擦补偿,提高了控制精度;(3)设计自适应滑模控制器,增强了系统的鲁棒性。利用构建的李雅普诺夫函数,证明了闭环系统的稳定性。仿真实验表明:所提算法控制精度较高、响应速度较快、鲁棒性较强。     

基于不完全微分反演变结构控制的液压系统位置控制

液压伺服系统位置控制的结构和非结构的不确定性阻碍了其控制精度的提高。对于结构的不确定性,可以采用非线性自适应控制,以实现渐近跟踪性能。但在液压系统中,经常会出现如非线性摩擦此类非结构的不确定性,导致跟踪精度的降低。提出一种不完全微分反演变结构控制器,实现基于摩擦补偿的液压伺服系统的位置控制。该控制器以反演设计为基础,融入滑模变结构控制,利用滑模变结构在滑动模态下对控制系统参数变化和外部干扰的完全不变性,解决系统结构的不确定性问题;结合摩擦补偿,解决系统非结构的不确定性问题;引入不完全微分,弱化控制器的微分效应,减小纯微分突变信号带来的干扰,不完全微分产生的滤波效应可以抑制滑模变结构存在的抖振。从理论上证明了在各种不确定性存在的情况下系统的渐近跟踪性能,仿真实验验证了所提出的控制策略的高精度跟踪性能。     

工业机器人谐波减速器迟滞特性的神经网络建模

谐波减速器中柔性环节与传动的非线性摩擦,导致谐波传动出现了不可避免地影响传动精度的复杂迟滞特性,为了描述谐波减速器的迟滞特性,本文构建了一个结构简洁的神经网络迟滞混合模型。该模型由类迟滞特性预处理环节和动态RBF神经网络两部分组成:对输入信号进行类迟滞预处理,处理后的信号与输入信号之间具有类迟滞特性;充分利用动态RBF神经网络实现类迟滞到谐波减速器迟滞特性的高精度映射。根据本文搭建的实验平台,在不同实验条件下获得的数据进行建模验证,在不同频率输入信号、不同负载,实现相同建模精度下,神经网络迟滞混合模型的验证精度为0.449 6(MSE),远高于经典RBF神经网络模型的3.032 1(MSE)精度,证明了所构造的神经网络迟滞混合模型的有效性和适应性。     

基于误差预处理的液压系统反馈线性化控制

针对液压系统的强非线性、参数时变特性,提出一种基于误差预处理的反馈线性化自适应控制器。采用RBF神经网络对液压系统进行辨识与建模;为了实现快速高精度的位置输出,对误差进行预处理,调节误差增益,使其增益能够随误差变化而变化,实现:小误差时大增益,加快响应速度,提高控制精度;大误差时小增益,防止系统超调。基于误差预处理,利用反馈线性化方法,设计了控制器及自适应律。仿真结果表明:在反馈线性化结合误差预处理的作用下,系统的响应速度及控制精度均优于反馈线性化控制。     

基于改进A

针对A*算法在山地场景下因启发函数建模不准确导致搜索效率低的问题, 提出基于动态视场的深度启发改进3维A*算法。该改进A*算法以一种深度启发网络构建启发函数模型, 并从泛化能力和建模精度两方面优化模型的性能。在提高泛化能力方面, 设计一种局部动态视场模型, 增强深度启发网络对关键地形信息的抓取能力, 进而使其适应各种不同地形场景; 在提高建模精度方面, 设计一种基于距离权重因子的损失函数模型, 缩小3维场景下深度启发网络对远距离路径的代价估计偏差。仿真实验表明, 所提出的算法相比于现有基于深度学习法改进的A*算法, 在3维场景下的路径代价预测精度平均提高45.2%, 平均搜索效率提升12.8%, 平均路径质量提升1.2%;对比现有基于经验建模法改进的A*算法, 搜索效率亦有明显提高。

     

电流自适应控制抑制开关磁阻电机转矩脉动

开关磁阻电机(SRM)的强非线性源自其双凸极结构、磁路非线性和脉冲供电方式。传统控制多采用SRM线性转矩模型求得参考电流,导致其运行时转矩脉动大。提出基于转矩偏差的双权值神经网络(DWNN)自适应PID控制与基于有限差分扩展卡尔曼滤波(FDEKF)预测电流的前馈补偿控制相结合的SRM控制策略。(1)加入偏差预处理,对转矩偏差进行非线性处理,实现\"小误差,大增益,大误差,小增益\"的控制,以此为基础进行双权值神经网络自适应PID的电流控制;(2)采用预测电流,构成参考电流的前馈补偿控制,提高控制系统一步预测能力。基于有限差分扩展卡尔曼滤波预测电流,将其与参考电流之差实时补偿参考电流,优化得到恒转矩下有效的控制电流,间接实现总转矩的有效控制。仿真结果证明所提控制策略能有效抑制SRM的转矩脉动。