基于重复控制器的双直线电动机伺服系统同步控制

在许多加工应用中,通常需在有限行程中作连续的周期运动,所以要考虑对周期性轨迹的跟踪和对周期性扰动的抑制.为此,文章针对双直线电动机的周期运动特性,在考虑跟踪性能和稳定性的基础上,采用主从控制和重复控制相结合的策略保证两电动机同步运动并且补偿了周期性误差.仿真结果表明,所提出的控制方案是十分有效的,既保证了双直线电动机的同步运动,又显著地减小了系统的跟踪误差,从而达到快速跟踪和稳定的目的.     

PMSM伺服系统的转动惯量辨识和控制器参数优化

在永磁同步电动机(PMSM)驱动应用中,当负载转动惯量变化时,会对系统的伺服特性造成影响.为达到伺服系统高精度控制良好动、静态特性,需要相应地调整控制器的参数.文章采用模型参考自适应辨识(MRAI)法对系统的转动惯量进行在线估计,并用系统的稳态误差、转速和估计的转动惯量作为神经网络的输入,神经网络的输出用来调整PI控制器的比例增益和积分增益,实现了控制器参数的在线优化调整.仿真结果表明,所提出的方案是有效的,显著地改善了系统的伺服精度.     

数控机床中的运动轨迹伺服控制

数控机床联动伺服控制,从本质上看刀具相对工件运动的轨迹控制,即是轮廓控制问题。当今在已具有联动功能的CNC系统控制下,还需配置相应的高性能伺服控制器,才能在高速的条件下,完成对复杂曲面零件的高精度加工。本文对此进行了较详细的论述,并对今后的伺服研发工作提出了建议。     

周期性输入的直线伺服系统改进重复控制

针对直线电机驱动的凸轮加工随动系统实际加工应用中,要求系统既要对周期性输入信号具有跟踪能力,又要对周期性扰动具有抑制能力。对这一问题,根据基于内模原理的重复控制理论设计实用性强的插入型重复控制器,来消除由周期性输入的基波和谐波所引起的误差,以便减小系统周期性稳态跟踪误差。为进一步改善控制器的性能,有效地增加运行带宽,设计改进的插入型重复控制器,减小系统的跟踪误差,使得系统的跟踪性能得到更好的改善。最后,对直线伺服电机驱动的凸轮加工中心进行了仿真研究,结果表明所提出的控制方案提高了系统跟踪性能和鲁棒性能,既有效地抑制系统周期性扰动的影响,又对周期性输入信号实现准确跟踪。     

时变周期性参考输入的自适应重复控制系统设计

在凸轮研磨加工应用中,为符合特定加工条件,凸轮需要操作在变转速条件,这将使得输入信号变成所谓的时变周期信号,即是位置或角度的周期信号.因此,为降低时变周期信号的跟踪误差,提出了一种基于重复控制理论设计的具有线性时变特性的自适应重复控制器,使得角位移域内的时变周期信号得到衰减.采用自适应重复控制理论将定义在时域内的所有的控制信号转换成定义在角位移域内的信号,以使输入信号变成周期函数.针对直线伺服电机驱动的凸轮加工中心进行了仿真研究,结果表明所提出的控制方案是有效的,提高了系统跟踪精度,大大减小了跟踪误差.     

基于摩擦补偿的两轴直驱伺服进给系统自适应非线性滑模轮廓控制

为满足两轴直驱伺服进给系统的高精度加工要求,提出一种基于摩擦补偿的自适应非线性滑模轮廓控制(ANSMCC)方法,以兼顾加工精度和响应速度要求。建立适用于大曲率轮廓加工的等效轮廓误差模型,同时考虑系统中存在的不确定性动态的影响,建立准确且能实时补偿的改进LuGre非线性摩擦力动力学模型。为提升两轴直驱伺服进给系统轮廓性能,设计基于非线性滑模面的ANSMCC方法,其中非线性滑模面包含轮廓误差分量,通过改变非线性滑模面中增益矩阵值的大小可实时改变系统的阻尼比,从而协调轮廓误差与系统响应速度的关系。实验结果表明,所提方法可以克服系统运行过程中不确定性动态的影响,准确跟踪大曲率轮廓曲线,提高轮廓加工精度。     

永磁直线同步电机伺服系统的分段变论域模糊迭代学习控制

针对执行重复任务的永磁直线同步电机(PMLSM)在迭代学习过程中易受负载扰动、参数变化等非重复性扰动的影响而难以实现高性能跟踪控制的问题,提出了一种迭代学习控制(ILC)与变论域模糊控制相结合的分段变论域模糊ILC方法。在误差较大的时间段,采用变论域模糊控制实时地改变ILC的学习增益,并智能地调整模糊控制的论域,抑制不确定性因素对系统的影响,提高控制精度;在误差较小的时间段,采用PD型ILC,使学习增益稳定,进一步减小位置误差。实验结果表明,该控制方法可以有效地加快收敛速度,提高位置跟踪精度,并增强系统的鲁棒性。     

永磁同步电机伺服系统自适应迭代学习控制

针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.     

基于函数链径向基神经网络的PMLSM自适应反推控制

为提高永磁直线同步电动机(PMLSM)伺服系统的控制性能,解决参数变化、外部扰动和摩擦力等不确定性因素对系统影响的问题,提出一种基于函数链径向基神经网络(FLRBFNN)的自适应反推控制(ABC)方法。首先建立含有不确定性因素的PMLSM动态模型;其次,利用ABC中的自适应律对系统总不确定性进行估计,但在设计ABC时存在大量求导运算,以至于产生"微分爆炸"现象。因此,为解决这一问题并进一步提高系统性能,采用FLRBFNN在线学习并调整控制器参数,FLRBFNN将径向基神经网络(RBFNN)和函数链神经网络(FLNN)相结合,利用FLNN增大神经网络搜索空间,提高网络收敛速度和收敛精度,从而提高RBFNN估计系统不确定性的能力,有效降低不确定性因素对系统的影响。实验结果表明,该方法切实可行,与ABC相比,能够使系统具有较强的鲁棒性能和跟踪性能。     

基于多阶段速度规划的PMLSM自适应反推滑模控制

针对高精度永磁直线同步电动机伺服系统容易受摩擦力、负载扰动和参数变化等不确定性因素的影响,提出了一种自适应反推滑模控制(ABSMC)和多阶段速度规划(MVP)相结合的控制方法。建立了含有不确定性的永磁同步直线电动机(PMLSM)数学模型,采用反推设计方法,并通过滑模控制和李雅普诺夫函数设计自适应律,从理论上证明了该控制器抑制了不确定性因素,保证系统的鲁棒性和快速跟踪性。为进一步减小瞬时超调量,对每个阶段的速度滑模函数进行设计,采用MVP,利用切换控制来改变系统的控制模式,达到高精度定位控制。最后系统实验结果表明,所提出的控制方案是可行有效的,提高了PMLSM的定位精度,减小了瞬时超调量。