基于迭代学习算法的电液比例伺服控制

为解决电液比例控制系统的非线性、时变性、变流量死区及变流量增益等对系统位置控制精度的影响,提高电液比例控制系统的控制精度,针对系统的非线性特性,设计不严格依赖于系统精确数学模型且有较强抗干扰能力的迭代学习算法,同时针对系统的变死区特性,设计能够基于误差和误差变化率在线调整死区补偿量的模糊死区补偿算法。迭代学习算法和模糊死区补偿算法的综合使用是根据当前的控制经验灵活调整控制量,从而有效地改善由于系统非线性及时变性所带来的影响。试验结果表明,不加入模糊死区补偿时,系统位置跟踪存在明显的滞后,最大位移跟踪误差达到6 mm,而同时采用迭代学习算法和模糊死区补偿算法极大的提高系统的控制性能,系统达到稳定跟踪后,最大位移跟随误差在1 mm以内。     

一种新型迭代学习控制算法在风能转换系统中的应用

利用迭代学习控制法来解决工程问题已有很长历史,之前的成熟应用一般是基于机器人的算法,关于风机控制的应用比较少.基于风力发电控制系统中的风轮机动态模型,应用一种改进后的迭代学习控制方法,以实现在风能转换系统中调整风轮转速.仿真结果表明了改进后的迭代学习控制算法的有效性.     

基于人机耦合模型的上肢康复外骨骼闭环PD迭代控制方法

针对多关节上肢外骨骼重复性康复训练非线性求解困难问题,提出了一种闭环PD迭代学习控制方法。基于人体工学确定了六自由度上肢外骨骼康复机械臂的参数、自由度配置与关节运动范围。以人机交互力为耦合方式,建立了基于牛顿-欧拉法的人机耦合模型,完成了人机耦合动力学模拟分析。基于迭代学习控制理论提出外骨骼康复机械臂的闭环PD迭代学习控制方法,通过建模仿真分析了肩关节/肘关节迭代学习控制的轨迹误差、人机交互力和驱动力矩。第三次迭代后的轨迹误差小于0.05 rad,PD迭代学习控制器的输出对系统控制进行了有效的补偿,提高了系统状态的稳定性。研制了六自由度上肢外骨骼康复机械臂样机,开展试验测试。试验结果表明,随着控制试验在迭代域上的运行,系统的输出向着期望的系统状态转化,所提出的迭代学习控制算法可以提高上肢外骨骼康复训练重复性运动的控制精度,进而提高人机交互性能。     

基于PDAG算法的工业机器人轨迹跟踪

根据工业机器人执行的作业任务具有重复性的特点,提出一种PDAG算法。将学习矩阵作用于误差数据建立PDAG算法的数学模型,从理论上证明了PDAG算法的稳定性和收敛性。将重力补偿作为前馈控制量,用以消除动态过程中关节重力的影响,提高迭代学习控制的收敛速度和轨迹跟踪精度。进行了PDAG算法仿真,结果表明,PDAG算法的控制性能与传统的无补偿算法相比,迭代学习后轨迹跟踪误差趋于稳定,各关节最大位置跟踪误差和平均跟踪误差均比没有重力补偿时降低50%,且比有重力补偿的PD算法精度提高最大达81%。实验证明提出的PDAG算法可以获得更高精度的跟踪效果。     

复合前馈补偿的超磁致伸缩执行器精密伺服控制

研究了一种内嵌超磁致伸缩执行器(GMA)的智能镗削装置,针对GMA迟滞非线性,给出了一种基于复合前馈补偿的精密伺服控制方法。简要介绍了经典Preisach迟滞数值模型的实现方法,给出了一种基于迭代的迟滞非线性补偿方法以避免直接求取Preisach逆模型。讨论了迭代算法的实现步骤,验证了算法的可行性。分析了异圆销孔的镗削加工特点,在迭代补偿的基础上设计了重复控制补偿器,并结合两种补偿方法,给出了一种基于复合前馈补偿的PID控制方法,最后通过实验检验了方法的有效性。实验结果表明:在开环情况下,所给的迭代算法可以将GMA的迟滞非线性由补偿前的-15.7%~+11.8%减小到-4.6%~+5.2%,而基于复合前馈补偿的PID控制则可将误差进一步减小到±1 μm以内。实验表明,迭代补偿算法是有效的,该算法在补偿迟滞非线性的同时可避免直接求取Preisach逆模型,而基于复合前馈补偿的PID控制方法还可进一步提高GMA的控制精度。     

带遗忘因子的预测迭代学习控制在阀控非对称缸系统中的应用研究

弹性负载下的阀控非对称缸是典型的非线性、时变系统,针对传统PD型迭代学习控制容易造成系统抖动这一问题,设计一种带遗忘因子的预测迭代学习控制器。建立阀控非对称缸系统的模型,比较分析其工作特性。介绍迭代学习控制基本原理,并分析常规PD型算法存在的问题。为克服迭代学习控制算法在阀控非对称缸控制中的抖动问题,设计具有遗忘因子的迭代学习算法,并通过仿真分析不同遗忘因子取值对控制效果的影响。为补偿遗忘因子造成的迭代性能降低问题,加入预测给定环节。仿真与试验研究均表明,这种带遗忘因子的预测迭代学习控制算法能够很好应用于阀控非对称缸系统,它有效克服系统抖动问题,并且具有很好的迭代精度。     

基于输入和误差补偿的PMSM迭代学习控制

针对永磁同步电机(PMSM)在运行过程中受到扰动影响的问题,在分析其数学模型的基础上,采用矢量控制方法,构建了Matlab/Simulink环境下的永磁同步电机仿真模型,介绍了基于迭代学习的输入和误差补偿的控制方法,利用先前误差信息以及误差的变化趋势,对误差提前进行了预测补偿;最后对整个控制系统进行了仿真。仿真结果表明,与传统的PI控制相比较,该控制方法扰动抑制效果明显,提高了系统运行性能,证明了迭代学习控制可用于有效抑制系统干扰。     

天线伺服机械的智能创成精度

基于BP神经网络算法生成误差补偿单元,提出一种高效,高精度的采样学习实施方法和具体算法迭代格式,对天线伺服机械数据进行有效校正,实现系统高精度的智能化创成,方法简单可行,显著提高系统精度,且降低系统造价和使用维修费用。     

基于数据驱动的自适应最优迭代学习控制研究

传统最优迭代学习控制(Traditional optimal iterative learning control,TOILC)可以有效提高伺服系统的跟踪性能,但系统在运行过程中可能存在参数摄动,其参数在不断地缓慢变化,导致TOILC收敛性变差,进而会使系统的跟踪性能严重恶化.因此,针对系统时变特性,将非参数模型辨识与TOILC相结合提出一种基于数据驱动的自适应最优迭代学习控制(Data-driven adaptive optimal iterative learning control,DDAOILC)算法,在迭代过程中根据输入输出信号对系统名义模型进行辨识从而更新最优迭代学习控制器,该算法不需要事先获取精确的系统模型信息,弥补了TOILC的不足;仿真和试验结果表明,DDAOILC可以有效应对伺服系统时变特性,当系统有参数摄动时,仍具有较高的跟踪性能.     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.