舵机电动加载系统多余力矩抑制方法研究

随着电机和功率电子技术的发展,电动加载系统以其独特的优势已逐渐成为中小功率舵机加载系统的主流,但与其它被动式加载系统一样,这种加载系统也存在多余力矩。多余力矩的存在降低了系统加载的精度,本文分析了电动加载系统多余力矩的产生机理,并提出了一种抑制多余力矩的方法。     

信息融合理论在消除多余力矩控制中的应用

被动式电液力伺服系统(电液负载模拟器)是典型的非线性系统,具有很大的不确定性。本文通过建立被动式电液力伺服系统的数学模型,分析了多余力矩产生的原因,设计了基于信息融合理论的最优预见控制器。通过仿真分析得出:此种控制理论可以很好地抑制多余力矩的产生,使系统具有很好的跟踪精度,说明了信息融合理论在控制电液力矩伺服系统、位置伺服系统等非线性系统中具有很好的应用价值。     

舵机电动力加载系统的研究

针对现阶段工程实践发展的需求,对舵机电动力伺服加载系统进行了理论上的分析和研究,建立了电动伺服加载系统的数学模型。提出了相应的控制方案来提高加载系统的性能。最后进行了相关的数字仿真。     

基于神经网络算法的单框架控制力矩陀螺系统复合控制

提出一种基于双神经网络的前馈-反馈控制系统,采集单框架控制力矩陀螺系统在不同条件下的运行数据并使用卡尔曼滤波处理,基于神经网络构建了涵盖控制通道与干扰通道信息的虚拟广义被控对象模型,由此设计了神经网络前馈补偿器.实现了前馈补偿器-原反馈控制器的复合控制系统,减少了传统的前馈-反馈复合控制需要精确地获取干扰通道信息的约束...     

基于助力补偿的商用车动态转向系统恒力矩控制

针对商用车转向时转向盘力矩随转向盘转角及转向盘转速不断变化所造成的驾驶员疲劳问题,在应用动态转向系统的基础上提出转向盘力矩恒定控制方法。由转向盘转角和转速信息结合模糊算法计算助力电机补偿助力矩,并将该补偿助力矩与主助力矩相加共同控制助力电机产生助力。基于AMESim、Simulink与TruckSim进行联合仿真研究,以所建仿真模型为基础,通过仿真实验分析,结果表明所设计的动态转向系统控制方法实现了手力矩的恒定控制,改善了驾驶员转向时的手感,有助于减轻驾驶疲劳。     

基于模糊自适应PID控制电液伺服加载系统的方法研究

针对某随动系统性能检测的需要,研究了电液伺服模拟器的加载,建立了电液负载模拟器的数学模型,结合前馈补偿抑制干扰力矩,采用模糊自适应PID加以控制,得到了较好的仿真效果。     

基于LuGre模型的火炮伺服系统摩擦力矩自适应补偿

针对高精度火炮交流伺服系统中存在的非线性动态摩擦和电机力矩波动,为了提高火炮伺服系统的跟踪精度,提出了一种新的基于LuGre摩擦力矩模型的自适应补偿算法。该算法应用两个非线性观测器来估计摩擦模型中的未知状态变量,对系统参数进行自适应估计,采用Lyapunov方法证明了控制系统的全局渐进稳定性。该算法简单,适于实时控制。实验结果表明了该算法的合理性,火炮伺服系统的低速跟踪最大误差为50μrad,达到了指标要求。     

惯性平台不平衡力矩测试方法及补偿控制

为了消除惯性平台在导弹飞行过程中受到的不平衡力矩对其稳定性和跟踪精度的影响,提出了惯性平台不平衡力矩的测试和补偿方法.在得出平台内外框架静平衡条件的基础上,采用多个称重传感器对内外框架进行测试,得到每个框架不平衡力矩值,从而推导出在弹体运动的动态环境下内外框不平衡力矩的算式.根据不平衡力矩测试结果和算式,建立了基于不平衡力矩补偿的惯性平台内框控制模型.通过MATLAB/Adams对该模型进行联合仿真,结果表明了该补偿方法的有效性.     

基于模糊 PID 控制器的电液负载模拟系统

基于传统控制理论建立双马达加载工况下的系统数学模型,分析多余力矩的产生机理和特性,并以被控对象的速度为观测量,提出基于结构不变性原理的速度前馈补偿．针对常规PID控制器无法解决系统非线性和参数时变性等问题,设计了以系统的误差和误差变化率为输入量的模糊PID控制器．仿真结果表明：速度前馈补偿克服了近97％的多余力矩;模糊PID控制器能较好地改善系统在高频段的控制性能．     

一维CMAC网在SISO机构系统辨识中的应用

叙述了一维小脑模型关节控制器(CMAC)的结构、参数确定方法及学习算法,讨论了以一维CMAC网作为单输入单输出(SISO)机构的系统模型进行系统辨识的原理及方法。以曲柄滑块机构为例,对一维CMAC网作为机构模型的系统辨识进行了MATLAB仿真,取得了较好效果。     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

基于小脑模型神经网络的对称阀控非对称缸复合控制方法

针对对称阀控非对称缸系统的不对称性和非线性,为了提高系统控制精度,分析了该系统的工作特性,提出了基于小脑模型神经网络(CMAC)的控制策略,设计了CMAC复合控制器;为验证CMAC复合控制器的有效性,进行了实验研究,并与普通的PID控制器进行比较.实验表明,基于CMAC的复合控制方法无须精确获取系统数学模型和负载状态,适合于对称阀控非对称缸系统的实时控制.     

改进的CMAC算法及其在机器人控制中的应用

在ＣＭＡＣ算法的基础上,采用两种方法来克服其存储容量随分辨力剧增的缺陷,一种方法是针对输入数据集分布和量化级一致的情况下,利用变分法,求得最佳非均匀量化曲线,使得量化噪声均方值最小;另一种是在输入数据集分布未知,量化级给定的情况下,利用求重心的方法,提高网络分辨力,从而避免了以增大存储容量来提高分辨力,大大提高了网络的分辨力与推广能力,使该算法更为实用．采用第二种方法,应用于四足步行机器人伺服系统的模糊控制,效果良好     

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题，结合多移动机器人协调避障路径规划实际应用，用非均匀模糊分割方法将状态空间分解成模糊子空间，相应地将小脑模型连接控制器网络（Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊CMAC（Fuzzy CMAC,FCMAC)函数逼近器，并将FCMAC函数逼近器置入滞后更新多步Q（Pstphoned-Updating Multi-Stp Q-learning,PUMSQ)学习笮算法，提出FCMAC－PUMSQ学习算法，仿真实验证明，该算法有效且有较好的鲁棒性，FCMAC函数逼近器有较好的收敛速度和泛化能力。     

基于计算力矩结构的并联机器人层叠小脑模型补偿控制研究

提出了一种新的不确定机器人跟踪控制策略．在计算力矩结构的基础上引入一个层叠小脑模型(CMAC)补偿控制项，利用层叠结构CMAC分层学习的特性调整网络泛化和逼近能力，并从理论上分析了网络的收敛性．为了确保系统误差一致最终有界收敛，分别设计了粗／细子网的权值更新律．最后，在网络学习稳定的基础上，采用自适应鲁棒项抵消网络最终学习误差．与传统计算力矩法相比，在不要求加速度测量和惯性矩阵求逆的情况下，算法给出清晰的跟踪误差收敛域．基于6自由度并联机器人的仿真实例验证了算法的有效性．     

五机架冷连轧AGC模糊小脑模型学习控制

首次提出模糊小脑模型，将模型概念引入到小脑模型中，给出算法，并采用它实现了冷轧轧ＡＧＣ系统模糊小脑模型学习控制，该控制方法具有快速学习功能，适合实时控制使用。以某厂五机架冷连轧机研究对象，在３８６／ＤＸ计算机上民了稳定态过程仿真研究。仿真结果表明，所提方法是有效的，比经典ＰＩＤ控制效果优越，具有良好的鲁棒性，可用于工业控制。     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

基于新型模糊CMAC神经网络的Agent外贸协商模型

文章提出了一个由外销商训练的基于一种新型模糊小脑神经网络的Agent外贸协商模型。由于模糊小脑神经网络训练快速性,所以客户在输入了购买信息之后,可以及时获得相关评价,使客户最终能以协商的方式与Agent达成协议,提高了工作效率,仿真试验也证明了其评价的正确性。     

基于信任度分配的小脑模型节点控制器改进算法及其收敛性分析

针对传统小脑模型节点控制器(CMAC)算法中的学习干扰现象,给出了一种基于信任度分配的CMAC改进算法(CA-CMAC).该算法将每个存储单元被激活次数的倒数作为该单元的信任度,误差的分配与该单元的信任度成正比.然后提出了信任度矩阵和信任度关联矩阵的概念,并根据线性方程组迭代理论,证明了改进算法在增量学习时的收敛性,给出了收敛条件并进行了验证.通过二自由度平面机器人臂逆动力学求解的仿真,比较了CA-CMAC与传统CMAC的性能,结果表明,CA-CMAC具有更快的收敛速度.     

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。