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。

数控机床位置伺服系统在加工过程中受负载、摩擦和电路系统响应特性等因素影响,很难精确建立其加工过程动力学模型。针对批量零件加工过程中的重复执行过程,设计了一种数据驱动的无模型自适应迭代学习控制方案。该方案借助沿迭代轴的动态线性化方法,将数控机床位置伺服系统加工动力学过程等价转化成一个虚拟的迭代数据模型,并根据设计的迭代学习控制律和参数估计律构建数控机床位置伺服系统的无模型自适应迭代学习控制方案。仿真结果表明:该迭代学习控制方案基于数控机床重复运行的特点,仅利用位置和电机电流信息,完成了对零件加工过程的改善,提高了加工精度。

数控机床位置伺服系统受加工环境、零件形状和机床机电特性等变化因素的影响,其零件加工是一个典型的非线性、时变和不确定动力学变化过程,因此,建立其精确机制模型很困难。针对相同零件批量加工过程呈现的重复运行特点,基于被控对象的等价数据模型,提出一种基于数据驱动的自适应迭代学习控制方法。所提控制方法采用沿迭代轴的动态线性化方法,通过最小化控制目标函数,仅利用数控机床位置伺服系统的输入输出数据,实现学习控制增益的自适应更新,克服传统P型迭代学习控制方法固定增益的问题,并经过严格理论分析保证了该方法的收敛特性。仿真结果表明:提出的数据驱动自适应迭代学习控制方法,相比传统P型迭代学习控制方法,平均绝对误差和最大绝对误差分别减小了46%和56%。