主动悬架 LQG 控制与模糊 PID 控制的比较研究

为了解决主动悬架系统控制问题,建立了1／2车辆主动悬架系统动力学模型,并设计了两种应用于主动悬架的控制器：LQG控制器和模糊PID控制器。 LQG控制器以车身垂向加速度、俯仰角加速度、悬架动挠度、轮胎动位移和悬架控制力作为其性能评价指标。模糊PID控制器将PID控制器与模糊控制器并联,采用了双模糊控制,分别以质心速度及其变化率和俯仰角速度及其变化率作为前、后悬架模糊控制器的两个输入;输出分别为前、后悬架的控制力。将分别应用这两种控制器的主动悬架在Simulink中仿真,结果表明两种控制器均能很好地改善汽车平顺性和乘坐舒适性。通过对两种控制的综合比较,模糊PID控制更具有实用性。     

串联机器人轨迹跟踪控制模糊自适应PID算法的误差修正

提出了一种基于改进PID控制算法的串联机器人轨迹跟踪控制策略,首先采用减聚类的方法和改进的Logistic映射对RBF神经网络进行聚类中心的优化,然后将改进RBF神经网络中的自适应学习机制和自调整能力应用于传统PID控制算法中,对PID控制算法进行最优PID控制参数的选取。仿真实验表明,提出的串联机器人轨迹跟踪控制策略相比较传统PID控制算法,其误差更小,精度更高。     

基于粒子群优化神经网络自适应控制算法的并联机器人仿真研究

针对传统控制算法对并联机器人轨迹跟踪精度控制效果不好的问题,提出了一种并联机器人的改进粒子群优化神经网络自适应控制算法,首先对粒子群优化算法进行惯性权重的优化和变异操作的改进,然后用改进的PSO算法优化神经网络的初始权值并进行在线调节PID参数。最后以六自由度并联机器人为研究对象,将传统PID控制与基于改进PSO优化的神经网络自适应控制算法分别进行了仿真实验。仿真结果表明,在快速性和稳定性能上,基于改进PSO优化的神经网络自适应控制算法比单纯的PID控制更加优越,在一定程度上减小了轨迹输出的误差并且提高了轨迹跟踪精度。     

波纹管的密封补偿装置

在现有炼油设备中,炼油塔上盖板是机械密封的,但由于受热不均,上盖板出现翘曲,导致高温气体容易从炼油塔喷出,针对炼油设备中现有机械密封存在的缺陷,在原来机械密封的基础上增加一套波纹管的密封补偿装置。首先对波纹管进行两种结构设计,然后对波纹管进行参数化建模和优化设计,并用有限元分析软件ansys对波纹管进行应力分析,选折最优的结构和尺寸参数。最后对密封环的补偿量进行分析,分析结果表明补偿量满足要求。验证了该密封装置的可行性。     

基于动力学补偿的并联机器人鲁棒轨迹跟踪控制研究

针对6-DOF并联机器人系统存在动力学建模误差和外界不确定性因素干扰的问题,提出了一种基于动力学补偿的并联机器人鲁棒轨迹跟踪控制策略。在充分研究了机器人系统动力学模型特点的基础上,基于Lyapunov方法获得了并联机器人的鲁棒控制率,提出了一种鲁棒轨迹跟踪控制方法,采用逆动力学对内回路进行补偿,外回路采用PD控制,然后对并联机器人进行了鲁棒控制器的设计,最后通过MATLAB进行了系统的轨迹跟踪控制仿真分析。仿真结果表明:当系统存在外界周期干扰的状况时,系统轨迹跟踪误差仍然一致终值有界,在一定程度上提高了系统的鲁棒稳定性。     

装载系统机器人化的动力学模型与自适应控制

从控制的观点来看,装载系统代表多变量的、非线性的和复杂的动力学耦合系统。考虑到拉格朗日法建立的二自由度装载系统动力学模型在现实情况中存在不稳定性和建模误差。在J.E SLOTINE提出的自适应控制方法的基础上,构造李雅谱诺夫（Lyapunov）函数,设计自适应控制器,对关节位置和速度进行轨迹跟踪研究,并用Matlab进行仿真。仿真结果表明关节速度稳态误差和位置稳态误差为零,验证了控制器的有效性和可行性。     

并联机器人的粒子群优化神经网络自适应控制算法研究

针对传统控制算法对并联机器人的控制效果不好的问题,提出了一种并联机器人的粒子群优化神经网络自适应控制算法,该算法在基于神经网络的自适应PID控制算法的基础上,首先对粒子群优化算法进行惯性权重的优化和收缩因子的改进,然后将该改进算法应用于原算法上。仿真试验结果表明,提出的粒子群优化神经网络自适应控制算法,在性能上远远优于传统PID控制算法和基于神经网络的自适应PID控制算法。