为了克服电子液压线控制动系统(EHB)死区、摩擦及系统不确定性对压力控制的响应和精度的影响,文章提出一种新的闭环-前馈相结合的压力控制策略。该策略首先建立电子液压线控制动系统的动力学模型,并分析压力与活塞位移和速度相互关系,根据试验台架获取主缸压力与活塞位移的关系曲线;同时提出以压力-速度-电流为主的主控制回路,并以主缸活塞位置为辅助量的压力补偿控制策略;最后在斜坡和正弦工况下进行测试,结果表明该方法能够保证压力跟踪的快速响应和稳态跟踪性能。

针对仿人机器人各关节角度与规划角度之间存在偏差的问题,分析设计了一种基于机器人姿态的髋关节补偿控制方法。利用惯性单元检测机器人姿态,并对姿态数据存在误差采用Kalman滤波实行融合,以此获得机器人的躯干倾角,并借助此倾角对髋关节进行补偿,以保证机器人的稳定步态行走。最后对机器人进行行走实验,证明髋关节补偿控制方法的引入不仅使得机器人运动跟踪的稳定性和精度极大增强,而且使机器人的零力矩点在y轴方向的偏移极大降低,提高了机器人行走的稳定性,增强了机器人步态的鲁棒性,从而证实所设计的髋关节步态控制方法的有效性和可行性。

力矩促动器的迟滞非线性降低了系统的控制精度。为了解决该问题,建立了可以精确描述该迟滞现象的模型并提出了合理的补偿控制方案。首先,根据迟滞曲线的非中心对称的特性,基于Prandtl-Ishlinskii模型对力矩促动器的迟滞非线性进行分段建模,并采用LMS算法进行模型参数的优化辨识,模型预测误差的RMS值为0.08111N。然后,通过PI模型的解析逆模型进行补偿控制。实验结果表明,采用逆模型补偿后,力矩促动器输出力误差的RMS值从1.888N降低到0.2596N,误差的方均根值降低了86.25%,有效保证了系统的控制精度。

针对阀控缸在工作过程中遇到的外界扰动问题，建立了阀控缸的数学模型，运用自抗扰控制方法，将控制系统的内部扰动和外部扰动看作系统的总和扰动并估算其数值，通过在控制信号中给予补偿，使控制系统变为积分串联型系统。设计稳定平台的自抗扰控制器，分析验证其对控制系统内扰动的抑制能力。通过仿真实验证明，自抗扰控制实现了快速、稳定的阀控缸电液位置控制。

针对蓄能器的被动介入和储放能给电液控制带来的许多未知问题,本文基于一台起重机,研究了变幅机构的阀控缸内部原理;分别对先导阀、主阀、蓄能器和油缸进行模块化建模,建立了有蓄能器与无蓄能器的对比模型。采用仿真和实验相结合的方法研究了蓄能器的被动介入给电液比例控制带来的影响,结果表明：蓄能器的被动介入造成油缸伸出时的速度波动,但对油缸缩回运动无影响;在油缸伸出时根据系统的压力,减少的阀供油量等于蓄能器释放的油量,可有效解决速度波动问题。最后通过实验验证了补偿方案的可行性。

以液压型风力发电机组为研究对象,针对其液压调速系统恒转速输出问题,建立了定量泵-变量马达液压调速系统数学模型,得到了系统泄漏、系统压力瞬态调整和模型参数误差对机组恒转速输出的补偿控制数学模型。以数学模型为基础,给出了液压型风力发电机组恒转速输出补偿控制方法。以30kV·A液压型风力发电机组实验台为仿真和实验基础,对提出的控制方法展开研究。仿真和实验结果表明,液压型风力发电机组恒转速输出补偿控制方法具有较好的控制效果,可实现机组的恒转速输出的高精度控制。

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想 ,提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制 ,避免控制器的输出产生振荡或进入饱和状态。工程应用表明 ,该方法将过程辨识和“参征器”引入神经网络的学习和控制中 。

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想提出了一种神经网络在线学习补偿自适应控制结构.基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数.利用"参征器"实行监督控制避免控制器的输出产生振荡或进入饱和状态.工程应用表明该方法将过程辨识和"参征器"引入神经网络的学习和控制中可有效地提高系统的控制品质.

补偿控制是电动助力转向系统的重要控制部分.该文讨论了补偿控制方法仿真结果表明:补偿控制能够改善车辆转向性能提高回正速度抑制方向盘振荡保持路感.

针对注射器内胶体余量对时间-压力点胶量一致性的影响，建立了包括胶体余量的时间一压力点胶过程模型及余量估计模型，并设计PI控制器基于模型进行补偿控制。仿真与实验表明该方法明显地改善了时间-压力点胶的一致性。