针对气动肌肉运动过程中产生的迟滞现象,采用神经网络方法对其位移/气压迟滞开展了建模比较研究。首先组建了气动肌肉的迟滞特性测试实验平台,采集其位移/气压迟滞实验数据;然后基于BP神经网络和RBF神经网络分别进行了迟滞环的整体和分段建模,并与经典PI模型的建模效果进行了对比。研究表明,PI模型的建模精度比神经网络差,但计算时间短;神经网络整体建模时存在过拟合现象,而分段建模则可有效避免过拟合现象;BP神经网络的建模与预测精度均优于RBF神经网络;对于BP神经网络,分段建模的平均误差、均方差和最大误差相较于整体建模分别减小了9.07%、14.54%和24.68%,而采用RBF神经网络,其误差分别减小了8.89%、13.03%和19.49%,可见分段建模的预测精度优于整体建模。

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。

为了辨识气动肌肉运动过程中的迟滞非线性特性,在气动肌肉位移/气压迟滞特性实验的基础上,分别采用KP模型和多项式模型对其位移/气压迟滞展开了建模研究,并采用递推最小二乘法分别对两种模型中的未知参数进行了辨识,研究不同算子个数和多项式次数对模型建模精度的影响。参数辨识结果发现,KP模型拟合精度明显优于多项式模型,随着算子个数的增加,KP模型的精度显著提高,多项式模型的建模精度也随着多项式次数的增加而提高。

Preisach算子是一种适用于迟滞特性建模的通用数学工具.利用该算子建立了磁致伸缩作动器的模型,并推导了相应的数值计算公式.对于作动器的轨迹跟踪控制问题,提出了一种基于模型近似线性化的前馈控制方法.实验结果表明该模型可以较好地反映作动器的迟滞特性,利用其数值计算方法求解作动器的输出有较高的精度,满行程位移误差达1.2%;所提出的控制方法有较理想的控制效果,位置控制误差约为3.4%.