基于神经网络的机电伺服系统非线性控制

针对机电伺服系统精确动力学模型难以获取以及系统状态信息的测量易受噪声影响的问题,设计一种基于指令滤波与神经网络相结合的非线性反步控制算法,该算法能够有效地补偿未建模动态和外部扰动对机电伺服系统的影响.首先,引入指令滤波器来获取已知信号的微分估计并处理噪声;其次,利用神经网络估计未知的系统动态,包括未建模的摩擦和外部干扰;然后,神经网络权值的更新律通过梯度下降算法在线实现,没有离线学习阶段;最后,利用李雅普诺夫函数分析方法证明闭环系统的稳定性.为验证所提出算法的有效性,在机电伺服实验平台上进行大量对比实验,实验结果表明,所提出的算法具有良好的控制效果,对系统不确定性和外部干扰具有良好的鲁棒性.     

带有输出约束的液压机械臂自适应神经网络力跟踪控制

为解决带有输出约束的液压机械臂动力学模型未知问题并提升液压机械臂在未知环境下的力跟踪性能,本文提出了一种基于积分障碍李雅普诺夫函数的自适应神经网络导纳控制方法.首先,分析了液压机械臂的机械和液压系统动力学模型,根据阻抗控制原理,提出了基于环境参数估计的参考轨迹自适应生成方法;然后,考虑系统输出受限和机械系统动力学模型未知,利用径向基函数神经网络设计自适应神经网络控制器;同时,引入动态面控制方法以避免对虚拟信号进行直接求导,并通过李雅普诺夫方法分析了闭环控制系统的稳定性;最后,利用MATLAB/Simulink, Simscape Multibody和Simscape Fluids仿真平台对液压机械臂进行仿真研究,结果表明所设计的控制律对未知机械系统动力学具有良好的鲁棒性,可以实现良好的位置和力跟踪控制,且确保系统输出不超过预设的范围.     

基于非奇异终端滑模的电机伺服系统预设性能控制

针对电机伺服系统角度跟踪控制问题,提出非奇异终端滑模(Nonsingular terminal sliding mode, NTSM)与扩张状态观测器(Extended state observer, ESO)相结合的预设性能控制策略。利用性能预设函数(Prescribed performance function, PPF)将角度跟踪误差转化为一个变换误差,通过控制变换误差的有界性间接保证角度跟踪误差始终在预设范围内。构造ESO观测系统的模型不确定性,包括系统参数偏差、非线性摩擦和外部扰动等,并用于控制器的前馈补偿设计以提升跟踪性能;同时设计NTSM控制律保证系统的有限时间稳定性。通过Lyapunov稳定性理论证明了所提控制策略可以保证变换误差的有界性和闭环系统的稳定性。基于电机伺服系统试验平台的对比试验结果表明,所提控制策略在不同频率期望轨迹的条件下,均具备较好的控制精度,相较于NTSM+ESO控制器和NTSM控制器,控制性能分别提升了14%和37%左右,验证了所提控制策略的有效性。