高精度定位系统的摩擦力自适应前馈补偿

为了有效抑制机电系统摩擦力等外部扰动对系统动态性能的影响,针对直驱伺服系统中往复定位存在的摩擦力,提出了一种基于自适应前馈控制器的摩擦力补偿策略,此方法能够有效利用参考模型与被控对象的位置跟踪误差等信息,在线实时确定自适应控制率,在保证系统稳定的条件下,能够有效克服系统摩擦力及模型慢时变等引起的系统动态性能异常。针对直驱伺服系统建立其数学模型,根据数学模型确定自适应补偿环节的数学形式,并利用Lyapunov函数证明了自适应控制率的稳定性。最后通过试验表明,在跟踪正弦位置指令时,基于自适应前馈补偿的方法动态跟踪误差的均方根值为4.8μm,与PID无摩擦补偿控制方法相比,提高了47.3%,与传统模型参考自适应控制方法相比,提高了17.9%。综上所述,所提方法可以有效抑制系统摩擦力干扰,提高系统动态跟踪精度。     

基于模糊神经网络的自动冲床送料系统摩擦力自适应控制研究

在分析摩擦力非线性特性的基础上,讨论了摩擦力的模型及其对伺服系统的影响.针对变压器专用绝缘条形材料自动冲床的摩擦驱动系统建立了一种基于模糊神经网络PID的控制系统,并通过实验研究将其与常规PID控制系统相比较,实验结果证明,该方法能有效改善系统的动、静态性能,很适合用于对不确定对象的控制.     

基于LuGre模型的伺服系统摩擦补偿策略研究

利用摩擦力LuGre模型能很好地诠释摩擦力的动静态特性。本研究首先采用遗传算法辨识Stribeck曲线的参数,将其作为LuGre模型的静态参数。其次,采用阶跃响应曲线拟合得到LuGre模型的动态参数。最后,基于已经辨识的LuGre模型构建S函数,对伺服系统做前馈补偿。针对某型号转台伺服系统,所采用辨识方法的辨识精度高、速度快且鲁棒性好;所设计的前馈补偿器能有效改善转台伺服系统的低速性能。     

基于学习前馈控制的高精度直线伺服系统跟踪控制研究

针对直接驱动的永磁直线同步电动机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,采用学习前馈控制(LFFC)策略对其进行有效的补偿控制.在系统和扰动定性知识的基础上,设计了基于B样条网络的学习前馈补偿控制.仿真结果表明,该控制策略有效地降低了负载扰动、端部效应、摩擦力及参数变化等对系统性能的影响,提高了直线伺服系统的跟踪精度.     

基于RFNN补偿的直线伺服系统反推控制

针对永磁直线同步电机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,采用智能反推控制策略对该伺服系统进行有效的补偿控制。考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计基于递归模糊神经网络(RFNN)的反推控制器,利用了递归神经网络具有捕获系统动态信息的优点,可实时补偿不确定因素对跟踪性能的影响。仿真结果表明,控制策略明显降低了不确定因素对系统性能的影响,从而显著提高了直线伺服系统的位置跟踪精度。     

直线电动机粘滑闭环控制实验研究

以永磁同步直线电动机直接驱动工作台作为研究对象,其滚柱导轨机械接触摩擦力使工作台位置伺服系统表现出粘滑特性,分析了摩擦力对系统性能的影响。辨识了该位置伺服系统的力常数(13.37 N/A)和机械时间常数(128 ms)。基于该系统的模型和辨识参数,采用极点配置法设计了I-PD控制器,闭环极点为-2π×20时,可以有效地抑制粘滑,其定位误差可以达到光栅传感器的分辨率0.5μm。     

数控机床伺服系统的性能调整与改进

数控机床伺服系统的性能决定了数控机床加工的精度,对其性能及影响性能的因素进行分析,提出了使系统达到最佳性能调整的基本准则和设定方法,探讨了提高伺服系统性能的一些措施,对伺服系统的应用提供了思路和方法。     

永磁同步伺服系统摩擦力和扰动补偿方法研究

伺服系统在低速运动时其控制精度极易受到摩擦力等扰动影响。通过对滚珠丝杠平台中摩擦力和扰动的分析,提出了一种基于LuGre摩擦力模型和降阶扩张状态观测器(RESO)的扰动补偿方法。首先利用曲线拟合和遗传算法辨识出系统LuGre摩擦力模型的参数,利用辨识出参数的摩擦力模型实现对系统中摩擦力的补偿;其次通过RESO实现对摩擦力的过补偿和欠补偿以及系统中其他集总扰动的观测补偿。试验结果表明该方法不仅可以提高摩擦力补偿的效果,同时还能对系统扰动进行抑制,有效提高了系统的跟踪精度。     

基于自适应摩擦补偿的复合非线性轨迹跟踪控制

伺服系统中存在的非线性摩擦环节,往往会使系统的性能受到影响。针对电机伺服系统,设计了一个复合非线性轨迹跟踪控制器,并通过降阶扩展状态观测器对未测量的速度和未知扰动进行估计。为了消除摩擦力带来的不良影响,在轨迹跟踪控制的基础上,加入了自适应摩擦补偿环节。先通过MATLAB进行了仿真分析,后将该方案应用于直流电机伺服系统进行试验验证。仿真与试验结果表明,该自适应补偿方案能有效抑制摩擦产生的不利影响,实现被控系统对目标轨迹快速准确的跟踪。     

基于周期性扰动学习的永磁直线电机自适应滑模位置控制

针对永磁直线同步电机伺服系统易受周期性扰动、摩擦力及参数摄动等不确定性因素影响位置跟踪精确度的问题,提出了一种基于周期性扰动学习的自适应滑模控制方法.采用滑模控制确保永磁直线同步电机伺服系统对不确定性因素具有较强的鲁棒性,提高系统响应速度.利用周期性扰动学习算法学习系统中的周期性扰动并进行补偿,同时设计自适应律估计系统非周期性扰动和学习误差,削弱滑模抖振现象.基于李雅普诺夫稳定性理论,分析证明了此控制器的渐进稳定性,保证系统位置跟踪误差在有限时间内收敛.仿真与实验验证了所提出的周期性扰动学习的自适应滑模控制器能显著提高永磁直线同步电机伺服系统的动态响应性能和鲁棒性能,而且可以达到更高的位置跟踪精确度.     

基于摩擦补偿的伺服转台自抗扰控制策略研究

摩擦非线性扰动是影响伺服跟踪系统控制性能的主要因素之一。为提高转台伺服系统的跟踪性能,提出了一种基于Elastoplastic摩擦模型的改进自抗扰控制方法。首先,建立了转台伺服系统的状态空间模型;其次,采用Elastoplastic摩擦模型描述系统中的非线性摩擦扰动,并用遗传算法辨识了模型参数;最后,基于辨识获得的Elastoplastic摩擦模型,将位置误差和速度误差作为不同的参数分别应用到扩张状态观测器,设计了一种改进型自抗扰控制器。未引入摩擦补偿时的速度跟踪误差平均值约为0.0024 rad/s,而加入补偿后的速度跟踪误差平均值减少为0.00147 rad/s。仿真和实验结果表明,本文提出的控制方案能够提高转台伺服系统的跟踪性能,验证了所提出控制方法的有效性和鲁棒性。     

运动控制中先进控制策略的研究综述

动态响应的快速性,稳态跟踪的高精度以及行为的鲁棒性是运动控制应用中的主要性能要求。它们的获得,不仅意味着有执行机构和仪器方面的先进技术,而且重要的是新的控制策略的应用。本文介绍了针对电机速度和位置控制系统中非线性摩擦力进行补偿的几种先进控制策略：基于指数型非线性函数的在线补偿法;基于神经网络的倒控制器补偿法;鲁棒型的重复控制和变结构控制在运动控制中应用。最后,简述了运用其他先进控制策略的可能性。     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

基于摩擦和扰动补偿的永磁直线同步电机滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度易受摩擦力、负载扰动等不确定性因素影响的问题,采用基于摩擦和扰动补偿的非奇异快速终端滑模控制（NFTSMC）方法来设计位置控制器。首先,建立含有Stribeck摩擦模型的PMLSM动态模型,使用自然选择粒子群算法对摩擦模型进行离线参数辨识;其次采用NFTSMC方法来确保系统状态快速收敛,避免奇异问题,利用辨识的摩擦模型进行补偿;最后采用滑模观测器对总不确定因素进行观测和补偿,削弱了抖振现象。仿真验证了所采用的控制策略提高了位置跟踪精度,同时具有快速收敛性和较强的抗扰性。     

一类刚性负载双轴伺服系统的非线性观测器控制设计策略

提出了一种基于非线性观测器的命令滤波自适应反步控制(OCFABC)方法,以解决具有LuGre摩擦模型的双轴伺服系统中的位置跟踪和速度同步问题。观测器用于系统摩擦补偿。命令滤波器作用于虚拟控制信号,解决反步法中的计算爆炸问题,建立误差补偿方程,提高跟踪精度。此外,还设计了速度同步信号,以达到更好的系统同步效果。利用Lyapunov理论分析了闭环系统的稳定性。最后,通过仿真和试验结果证明了所设计方法的有效性和优越性。     

基于神经网络补偿的机器人力／位置控制

考虑摩擦及外界干扰的情况下,针对具有不确定性的机器人系统,提出了一种新的基于神经网络补偿的智能力／位置控制方案。该控制器通过神经网络补偿机器人模型的未建模动力学部分等非参数不确定性带来的影响,NN的输出信号加在参考输入上而不是在关节力矩或控制输入上,同时在力控制回路采用灰色预测模糊调节,以提高系统的动态性能和稳态精度。仿真研究表明所设计的控制器具有良好的动态性能和较强的鲁棒性。     

基于神经网络的两相混合式步进电机反步控制

两相混合式步进电机是一个非线性、多变量、强耦合的系统。针对两相混合式步进电机开环控制定位精度低的问题,提出了一种基于径向基函数(RBF)神经网络的反步控制方法,该方法克服了单一反步控制对非线性系统控制参数选取困难的缺点,利用RBF神经网络的万能逼近特性,对电机运行过程中的不确定因素进行补偿,使其不过于依赖反步控制器所选取的参数,同时引入高斯基函数和自适应律,能够较好地对其中的非线性项进行逼近。利用神经网络与反步控制方法的结合,有效提高了两相混合式步进电机控制的位置跟踪精度和稳态性能。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。