基于遗传算法的伺服系统摩擦参数辨识研究

LuGre摩擦模型能够精确描述摩擦环节的动态特性 ,但由于其高度非线性 ,使得参数辨识非常困难。针对LuGre摩擦模型 ,提出一种新型的基于遗传算法的模型参数两步辨识方法。首先通过Stribeck曲线 ,辨识出摩擦模型中的静态参数 ,然后由系统的稳态极限环振荡响应 ,辨识出摩擦模型的动态参数。在每一步辨识中 ,均采用遗传算法作为优化工具 ,从而避免了采用线性辩识方法时的局部极小问题。对提出的方法进行了数字仿真 ,并通过设计摩擦补偿环节 ,对辨识参数进行验证 ,结果表明了该方法的有效性。     

控制力矩陀螺高速转子稳定性控制仿真研究

针对航天器姿态控制执行机构磁悬浮控制力矩陀螺的高速大惯量飞轮转子系统的强非线性和由强陀螺效应产生的进动和章动导致系统的失稳问题,提出了模糊控制和传统的PID和交叉解耦控制相结合的方案,对高速转子系统中非线性所导致的问题进行了研究。研究表明,该控制器解决了陀螺效应导致的主动磁轴承-高速大惯量飞轮转子的不稳定性问题,且抑制了噪声对磁轴承稳定性的影响。最后,数值算例证明了该方法的可行性和有效性。     

摩擦非线性环节的特性、建模与控制补偿综述

首先介绍了机械伺服系统中摩擦非线性环节的动态、静态特性的研究成果和目前常用的几种摩擦模型 ,讨论了摩擦非线性环节对伺服系统的动态性能和静态性能的影响 ,以及摩擦非线性环节导致的极限环振荡、低速爬行等现象。然后对有关摩擦补偿方法方面的研究成果进行了总结 ,介绍了传统的摩擦补偿方法和基于智能控制理论的摩擦补偿方法方面的研究成果。最后 ,展望了该领域今后的发展方向。     

基于Backstepping的飞行仿真转台自适应摩擦补偿控制

论述了基于backstepping的飞行仿真转台自适应摩擦补偿控制。在实验的基础上,提出了飞行仿真转台的动态模型,其中包括动态LuGre摩擦模型。针对此动态模型推导出包括自适应摩擦补偿的backstepping鲁棒控制器。仿真实验证明:闭环系统的输出可以达到渐进跟踪给定的位置参考信号和速度参考信号,克服了转台在使用传统的PID控制器时,其位置波形存在平顶,速度波形存在畸变的缺点。     

基于CMAC的位置伺服系统神经元离散滑模控制

针对数控机床位置伺服系统参数不确定及存在外界干扰的特点,将小脑模型关节控制器(CMAC)与滑模控制相结合,设计了基于CMAC的神经元离散滑模制系统及其控制算法.仿真结果表明,该控制方法不但大大降低了普通滑模变结构控制中的抖振,而且具有良好的动静态特性及较强的鲁棒性.     

基于NDO的飞行模拟转台伺服系统跟踪控制

针对飞行模拟转台伺服系统跟踪控制问题,提出了一种基于非线性干扰观测器(nonlinear disturbance observer, NDO)的反推全局滑模控制方案。该方案利用NDO观测系统的参数不确定性及非线性摩擦干扰,通过选择适当的设计参数使观测误差指数收敛,进而对引入NDO的系统采用反推全局滑模设计控制器,控制律的设计保证了闭环系统的稳定性。仿真结果表明,所提控制方案能够有效克服参数不确定性及非线性摩擦干扰的影响,实现了转角位置的精确跟踪,并且有效去除了控制抖振。     

基于L2增益控制律的船舶横摇抑制研究

根据单框架控制力矩陀螺动力特性,设计船舶横摇抑制装置,建立一船舶随机波浪干扰下横摇运动与控制力矩陀螺耦合非线性动力学方程,采用输入输出线性化技术及反步控制方法,设计抑制船舶横摇的非线性L2增益控制器,在控制律中引入陀螺进动恢复力矩项,将进动角约束在一定范围内,从而避免控制装置力矩输出奇异性的发生。通过对实船横摇运动数值仿真,研究表明所提出的船舶非线性横摇抑制装置具有优良的减摇性能,修正后的L2增益控制器对船舶随机波浪激励具有良好的抗干扰能力和抑制陀螺输出奇异能力。     

基于RBF神经网络变结构控制的齿隙和摩擦补偿

齿隙和摩擦是齿轮传动系统中制约运动控制精度不可避免的非线性现象,常规的PTD控制难以达到较好的控制品质,变结构控制是解决非线性系统控制问题的一种有效方法.基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学模型.采用径向基函数(Radial Basis Function,RBF)神经网络和变结构原理构成复合控制器,对系统齿隙、摩擦进行了补偿.仿真分析了分别采用PID控制、增益固定变结构控制以及RBF神经网络变结构控制的补偿效果.结果表明,RBF神经网络变结构控制降低了增益固定变结构控制的抖振现象,控制精度优于PID控制.     

基于RBF辨识的伺服系统CMAC控制

提出一种基于RBF辨识的伺服系统CMAC复合控制器,并进行了仿真研究。采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。仿真结果表明,该控制方法能够缩短系统暂态响应时间,提高系统的动态跟踪精度,增加系统鲁棒稳定性。     

具有单框架控制力矩陀螺航天器的建模及可控性分析

针对具有单框架控制力矩陀螺的航天器姿态控制问题,将航天器与控制力矩陀螺看作整体系统,应用Lagrangian方程与Hamiltonian方程建立系统在重力场中的数学模型。在考虑航天器短时间内大角度机动前提下,将系统在Lagrangian形式下的状态方程简化成仿射非线性形式,以控制力矩陀螺框架角速度为输入变量,回避控制力矩陀螺在奇异情况下对系统的影响。随后应用系统Hamiltonian形式的保体积性与非线性系统可控性定理证明该系统可控,且系统可控性不受单框架控制力矩陀螺群个数、构型、奇异问题的影响。系统在重力场中的数学模型与可控性结论为以后进一步研究航天器姿态控制方法,航天器系统稳定性问题提供了理论依据。     

基于CMAC的流体压力水锤控制

飞机液压系统的压力脉动是造成液压元件提前疲劳损坏的重要原因之一。飞机液压系统压力脉冲试验是产生压力水锤考核液压元件寿命的重要设备。由于该设备的数学模型是一个分布参数的非线性系统,且受到试验件的影响,较难有效的实施快速控制。提出一种CMAC与传统控制相结合的并行控制方案,利用CMAC的分类存储与传统控制的微调作用较好的实现了水锤的快速精确控制。仿真试验表明,能大大缩短波形的调整时间,且具有较强的自适应能力和鲁棒性。     

基于CMAC的中性浮力实验体解耦控制研究

针对中性浮力实验体控制问题,提出一种动态解耦多通道复合控制算法.通过实验体受力分析,建立了其六自由度运动模型.设计了一种动态解耦神经网络,其优点在于能适应动态变化的耦合程度.采用CMAC(Cerebellar Model Articulation Controller)和PID复合控制进行单通道控制,其优点在于结合了CMAC前馈控制的快速响应性能和PID反馈控制的强抗干扰性.经MATLAB仿真验证,提出的算法能有效控制实验体位置和姿态.调整时间短且稳态精度高,效果优于PID控制.     

基于多个并行CMAC神经网络的强化学习方法

为解决标准Q学习算法收敛速度慢的问题,提出一种基于多个并行小脑模型(Cerebellar Model Articulation Controller:CMAC)神经网络的强化学习方法。该方法通过对输入状态变量进行分割,在不改变状态分辨率的前提下,降低每个状态变量的量化级数,有效减少CMAC的存储空间,将之与Q学习方法相结合,其输出用于逼近状态变量的Q值,从而提高了Q学习方法的学习速度和控制精度,并实现了连续状态的泛化。将该方法用于直线倒立摆的平衡控制中,仿真结果表明了其正确性和有效性。     

层叠CMAC补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性,提出一种层叠小脑模型关节控制器(CMAC)神经网络同滑模变结构控制相结合的控制策略。首先利用改进CMAC学习机器人系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取,分析表明系统可实现全局渐近稳定。在6-6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性.     

基于摩擦动力学的交流伺服运动控制系统仿真

提出了一种通过测量交流伺服电机输出扭矩间接测量摩擦的方法。建立了运动控制系统矢量控制完整的数学模型。基于matlab软件,进行了动力学仿真,定量分析了摩擦对于低速运动影响的速度和位移曲线特性,并且找到了所谓＂低速＂的范围。将仿真分析结果与实验结果进行对比,找出了3个影响运动性能的关键参数,分析了偏差产生的原因。     

带有干扰观测器的PID-CMAC控制系统设计

PID神经网络有很强的拟合能力,它用于基于神经网络逆模型的干扰观测器设计,并进一步设计了带一种带有干扰观测器的PID-CMAC复合控制系统。该系统解决了内扰无法观测的问题,通过设置干扰观测器加快了消除内扰的过程,CMAC的控制作用使系统输出能够更快地跟踪系统输入。实验表明,该控制系统不仅能够提高系统输出跟踪系统输出的能力,而且能够更快地消除内扰。     

汽轮机调速系统CMAC网络PID并行优化控制

针对汽轮机调速系统存在死区、饱和等非线性的控制特点,提出了基于混沌优化策略与CMAC网络PID并行控制相结合的控制方法,并将其应用于汽轮机调速系统的参数设计中。该方法首先通过混沌搜索,得到控制器参数的次优值,然后利用变尺度的方法在次优值附近找出控制器参数的全局最优值。与CMAC网络传统PID并行控制以及单纯PID控制相比较的仿真结果表明,该方法能更好地提高控制系统的精度和响应速度。     

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型，在保留CMAC原有增强和局部特性的基础上，结合模糊逻辑的思想，采用模糊隶属度函数作为接收域函数，提出了一种广义模糊小脑模型神经网络（GFAC）。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度，利用GFAC可以获得较常规CMAC连续性强且有解析微分的复杂函数近似。