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。     

基于扩张状态观测器的迟滞非线性系统辨识

针对一类迟滞非线性系统提出一种参数辨识新方法。通过构造合适的周期输入信号,分析Bouc-Wen模型的积分特性,该特性在后续线性参数与迟滞参数辨识中起到重要作用。利用扩张状态观测器获得系统状态和等效扰动构造方程组,实现线性参数和非线性参数的分离辨识,所有参数通过线性方程组求解得到。通过数值仿真验证了方法的有效性。最后,方法应用于一类压电系统的迟滞非线性模型辨识,所得模型能够很好地反应实际系统的特性。     

伺服系统线性特性和非线性摩擦的解耦辨识方法研究

针对伺服进给机构包含线性结构和非线性摩擦特性的特点,提出一种将线性模型和非线性摩擦特性进行分步解耦辨识的方法.首先分别确定伺服系统的线性模型和非线性模型,将伺服系统结构模型转化为线性模型加非线性摩擦反馈的结构.为了消除非线性摩擦力对线性模型的影响,采用2路同向非过零速信号对系统激励,利用2组系统输入和输出信号的差值作为线性参数的辨识数据对线性参数进行估计.获得线性模型后进一步利用系统稳态输出实现对非线性Coulomb摩擦幅值特性的估计.系统仿真和实验都证明了该辨识方法对提高伺服系统的辨识精度及控制器设计的有效性和可靠性.     

基于扩展输入空间法的压电执行器迟滞特性动态建模

为辨识压电执行器中的速率相关迟滞特性,基于扩展输入空间法建立迟滞的神经网络动态模型.提出动态迟滞算子来描述速率相关迟滞的变化趋势和动态特性并基于该动态迟滞算子构建扩展输入空间.在这个扩展输入空间上,迟滞的多值映射能够转化成一一映射,同时可以利用动态迟滞算子来提取迟滞的速率相关性.用神经网络来逼近这个一一映射实现速率相关迟滞的动态建模.所提出的神经网络动态模型可以描述迟滞的速率相关性,结构简单,打破了常规迟滞模型基于算子加权叠加的建模框架,并且能够在线调整参数以适应不同条件下的迟滞建模.最后应用该方法对压电执行器中的迟滞特性进行动态建模,试验结果证明了这种建模方法的有效性.     

航空相机扫描镜系统的线性近似模型辨识

为深入认识摩擦对航空相机扫描镜系统频率响应特性的影响,获得更准确描述该系统真实动态的模型,使用随机相位多正弦信号测量了扫描镜系统的频率响应特性并进行了线性近似参数模型辨识.首先,介绍扫描镜系统辨识的实验平台与激励信号选择.然后,使用奇-奇频率随机相位多正弦信号分别测量扫描镜系统在非激励频率处和激励频率处的输出对输入信号幅值的依赖,从而定量评估摩擦非线性的影响.最后,基于信号采样均值及噪声采样方差、协方差估计辨识了扫描镜系统线性近似参数模型.实验结果表明,扫描镜系统的摩擦非线性主要出现在奇频率处,高于噪声10dB;系统的频率响应特性依输入信号幅值不同而各异,在低于20 rad/s频率区该差别尤为显著.由于摩擦非线性影响,扫描镜系统需要使用3阶模型描述;与正弦扫描方法相比,基于多正弦信号激励获得的参数模型可更好地描述扫描镜系统真实动态特性.得到的结果为控制器的设计奠定了基础.     

粗精动运动平台的系统辨识激励信号优化设计

针对粗精动运动平台系统辨识中激励信号的生成进行了优化设计方法的研究。粗精动平台结构通常用于长行程、高精度的运动平台系统,如扫描光刻机运动平台、硬盘寻道平台等系统。获得粗精动系统的准确模型是改进粗精动运动系统控制的重要基础。而系统辨识是获得系统模型的一种有效方式。其中输入信号设计是系统辨识试验重要的一部分。将粗精动运动平台的系统模型简化为一类多变量有限阶次线性时不变模型;将多入多出(Multiple-input multiple-output,MIMO)辨识方法引入粗精动系统辨识,并提出一种多入多出模型系统辨识激励信号优化设计算法,算法通过将多正弦曲线时域信号与其功率谱密度参数化,利用参数化后的激励信号在有限功率输入下进行激励信号优化;理论分析与仿真结果表明此方法可以有效提高估计模型的渐进方差性能。     

压电微动工作台动态迟滞模型研究

为实现压电微动工作台的快速准确运动定位,研究了其运动定位模型。压电工作台的运动定位精度主要受到工作台动态特性和迟滞特性的影响。在介绍这两类典型特性模型及其适用范围的基础上,提出了能够同时体现压电工作台动态特性和迟滞特性的动态迟滞模型,并给出了采用Prandtl-Ishlinskii (PI)迟滞算子的动态迟滞模型参数辨识方法。实验研究表明,动态迟滞模型的模型精度在压电工作台大行程、快速运动定位时较以往线性动态模型和迟滞模型有较大提高,其平均误差为0.16μm,最大误差为0.38μm,为下一步高性能运动定位工作台控制系统的设计提供了必要的模型基础。     

迟滞非线性系统辨识与补偿控制研究

针对智能材料中存在的迟滞问题,对其开展了迟滞非线性特性分析,建立了迟滞系统。该迟滞系统由两个部分串联构成:一部分是滤去传递函数影响的Preisach模型;另一部分是不考虑迟滞影响的系统传递函数。将离线和在线辨识方法应用到辨识迟滞系统中,应用最小二乘法离线辨识得到了辨识传递函数参数,再用此辨识传递函数参数作为神经网络辨识的初始权值,得到了神经网络在线辨识的辨识模型;建立了辨识传递函数的逆模型控制系统和前馈逆模型PID控制系统,并对辨识系统进行了迟滞非线性补偿。研究结果表明,模型辨识方法的可行性和补偿控制的有效性在仿真中得到了验证。     

基于最小二乘支持向量机的压电作动器迟滞非线性建模及参数辨识

为了辨识压电作动器应用中迟滞非线性特性,采用Preisach模型与最小二乘支持向量机（LS-SVM）的混合建模法构建压电作动器模型以表征其迟滞非线性。在Preisach模型基础上采用一阶回转曲线法求得α-β平面内的迟滞单元加权系数,以迟滞单元形心和加权系数作为训练模型的输入输出,利用遗传算法对模型参数进行了辨识。数值仿真验证了建立的模型能精确描述压电作动器迟滞非线性特性,仿真结果与实验结果的相对误差在0.12%~2.01%之间,证实了模型的有效性。     

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。