针对存在参数不确定、非线性约束液压锚杆钻机回转系统的转速高精度控制问题,利用钻机作业的重复性,提出了一种基于无模型自适应迭代学习的液压锚杆钻机回转系统转速控制方案。首先,搭建钻机回转控制系统关于转速的状态空间模型。其次,利用动态线性化技术,构造钻机回转系统液压马达与伺服阀电流在迭代域的等价线性映射关系,并根据系统采集的历史伺服阀电流输入、液压马达转角输出数据,提出无模型自适应迭代学习转速控制设计方法。然后在理论上给出液压锚杆钻机回转系统转速跟踪误差沿数据方向以及重复作业方向的渐近收敛性。最后,利用MATLAB软件和AMEsim平台联合仿真验证算法的有效性。结果表明,相比于传统PID算法和迭代学习控制算法,所提出的算法在不需要已知锚杆钻机系统模型的情况下,能够仅利用可测数据实现钻机转速的高精度...

为了改善机器人在人机交互过程中力矩柔顺性问题,对机器人关节中的串联弹性驱动器(Series Elastic Actuator,SEA)进行了改进,从而提高了SEA驱动器中弹性体受力与变形的线性特性。在力矩控制器的设计中,采用了基于数据驱动控制的无模型自适应控制算法(MFAC),并利用BP神经网络算法实现控制器参数的在线自整定。该数据驱动控制算法在不需要建立受控系统精确数学模型的情况下,即可实现串联弹性驱动器(SEA)的力矩控制。既简化了控制器设计的难度,避免了机器人关节建模的复杂性和未建模的动态误差,又提高了控制系统对负载扰动的鲁棒性。为了验证控制方法的有效性,对SEA驱动器进行仿真分析。仿真结果验证了所设计的控制方法对SEA力控具有良好的跟随性,能够实现机器人与人、环境之间的安全物理交互。

针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制(MFAILC)应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的无模型自适应迭代学习算法的收敛速度、控制精度都得到提高,系统的抗干扰性也能够增强。

水厂混凝加药过程具有非线性、时滞性等特点，并且影响加药后混凝效果的因素很多，很难准确地建立反应过程的数学模型。无模型自适应控制（MFAC）是一种不需要离线建立数学模型的先进控制方法，非常适用于实际的模型参数难以辨识，且是时变的非线性系统。针对混凝加药过程的特点，提出了带有双前馈无模型自适应控制方案来实现混凝加药过程的仿真，仿真结果表明该方法在混凝加药控制过程具有鲁棒性强、响应速度快和控制精度高的优点。

大多数液压锚杆钻机转速控制主要依赖于工程技术人员的现场经验,在人工钻进不同岩层时,多采用固定转速,导致作业效率低、设备故障率高。本研究提出了钻机转速的无模型自适应控制算法。该算法仅利用系统的I/O数据,而不需要系统的精确机理模型信息,其可适应钻孔过程中岩层的变化以及快速性的要求。文中分别对无外界干扰和存在外部扰动两种情况进行仿真验证,结果表明:本研究所提出的无模型自适应控制方法能够实现对期望转速的快速跟踪,相比于PID控制,具有更好的控制性能和较强的鲁棒性。

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制(MFAILC)应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的

当实际工况与建模工况存在差异时，传统的热误差模型往往表现出较差的鲁棒性和预测精度。主要原因在于建模数据的局限性和模型的未建模动态。为了改善上述状况，提出了一种基于数据驱动的数控机床主轴补偿模型。此模型采用无模型自适应控制算法建模，结合机床运行中生成的数据（温度数据和误差数据）对热误差模型进行实时修正，使模型能快速适应新的加工工况，从而提高模型的鲁棒性。在一台数控车床主轴上进行了试验验证。结果表明：无模型自适应控制与多元回归模型比较，其标准差、最大残差和误差平方和分别提高了41％、62％和56％，此模型的鲁棒性和预测效果好。同时，此方法为大数据在机床主轴热误差补偿中的应用奠定了基础。

气动伺服系统存在纯时延、非线性、时变等特点，传统的控制策略（如PID控制）在解决非线性系统时效果不理想，因此提出一种无模型控制算法。此方法在被控对象结构复杂、参数时变时控制效果较好。首先对气动伺服系统进行建模，建模过程包括阀口流量、比例流量阀及缸内压力建立一个二阶模型；其次设计无模型自适应控制器（Model-Free Adaptive Controller，MFAC）用于气动伺服系统压力控制；最后利用LabWindows/CVI平台进行试验验证。结果表明，针对气动伺服系统设计的无模型控制器是有效的，相比于传统PID控制有更快的响应速度和更高的控制精度。

液压伺服系统广泛存在着非线性、强耦合、时滞等现象。并随着液压伺服系统复杂度增加,控制系统要求越来越高,传统的液压伺服控制策略(如PID)的控制性能很达到系统的要求。针对液压阀控非对称缸系统,首先分析并建立了阀控缸位置控制系统的动态数学模型。之后,引入改进型无模型自适应控制器,基于MATLAB仿真平台对该系统实现位置控制。仿真结果表明,相比较于传统PID控制器,改进型无模型自适应控制器的控制效果更为优越,在保证系统稳定性的前提下提高了系统输出响应速度。