以模糊集理论为基础，设计了一种可以实时地进行模糊运算和模糊推理的模糊控制器，在ＰＣ９８２１计算机上成功地实现了液压缸位置伺服系统的模糊控制．通过仿真和实验研究，将模糊控制器的动态性能和传统的ＰＩＤ控制器进行了比较，验证了模糊控制应用在液压控制系统中的优越性．

本文通过对电液伺服系统的发展历史与现状的研究，重点阐述了电液系统同步控制的几种方式，最后提出电液伺服多缸加载系统的广泛应用的必要性。

双伺服电机独立驱动非对称液压缸系统通过两套独立的伺服电机泵供油，不需要通过换向阀以及反转电机，即可实现液压缸的双向直线运动。针对系统中的非匹配干扰问题，融合滑模控制和反步递推设计方法相关理论，提出一种滑模反步控制方法;对所提控制方法的稳定性和收敛性进行理论推导分析，通过实验验证该控制方法的实际性能。研究结果表明，该算法可以有效抑制非匹配

为降低谷物联合收获机收获作业时因割台高度不当造成的粮食损失,减少割茬高度过高对后续播种环节的影响,利用传感器监测地面起伏变化,设计了一种基于PID调控的割台高度自适应控制系统;设计了基于角度传感器的地面仿形监测机构与割台高度反馈机构,标定并拟合出割台高度与传感器电压信号的线性关系;加装集成式电磁比例阀替换原有割台控制电控换向阀,并进行PWM控制试验。同时,分析了整套自适应控制系统的结构与电液控制原理,并进行了多组田间对照试验,结果表明:设计的基于地面仿形的割台高度自适应控制系统具有稳定的响应速度和理想的控制效果,在平原地区作业时相较于传统人工控制割台的方式有明显的优势,能适应平原地形环境下5~11km/h收获作业速度的要求。研究结果为后续无人驾驶谷物联合收获机的研发设计提供了割台装置控制策略的......

由于锻造液压机受到诸多内在、外在因素的影响,使得其双缸同步控制精度不满足工况需求。针对此问题,以传统双缸同步控制系统为研究对象,建立液压缸位置控制系统运动学模型,结合Lyapunov稳定性理论,设计反步法控制器,并且应用于并联同步控制结构中;分别搭建基于反步法控制器和PID控制器的双缸同步控制系统AMESim与Simulink联合仿真模型,并进行联合仿真。结果表明:与PID控制器相比,从阶跃响应方面看,反步法控制器最大同步误差减小了62.3%,调定时间减少了26.96%;从正弦跟踪能力方面看,反步法控制器滞后性显著降低,并且能够满足双缸同步控制要求。

在保证机器人正常运行的前提下,为了控制方便,通常液压四足机器人的油源采用恒压恒流的供能方式,这将会导致机器人驱动功率远低于油源提供的功率,造成了严重的能源浪费。为了减小能量损失,提出变流量动态供油策略。介绍油源的变流量控制基本原理,通过负载预测得到各个液压缸速度大小,再结合阀控缸的数学模型推算出单腿在运动过程中实时供油流量需求,并建立仿真模型与机器人样机实验验证流量自适应控制的有效性。实验结果表明:利用油源流量自适应控制策略,液压四足机器人的节能效率相比恒流量供能系统提高了56.51%。

针对翼身融合(Blended Wing Body,BWB)飞机舵面数量多且每个舵面承担两轴或三轴多种功能,可选的动力源和作动器类型多样,导致飞控作动系统架构设计困难的问题,研究分析了BWB飞机飞控作动系统架构安全性设计原则和技术约束,采用约束满足问题(Constraint Satisfaction Problem,CSP)算法为BWB飞机进行飞控作动系统架构设计,对飞控作动系统架构进行变量V、值域D以及约束C建模分析,设计回溯算法对飞控作动系统架构进行筛选,在1049种候选飞控作动系统架构中,用时不到7 min,为飞机筛选出符合安全性设计原则和技术约束的飞控作动系统架构,比其他文献中的初步筛选算法用时更短,且缩短了设计周期。

液压系统中存在许多非线性因素,例如摩擦、死区和溢流等。这些非线性特性会影响伺服位置的精度和同步性能,导致控制系统的不稳定和误差积累。为此,提出基于模糊PID的变幅液压缸伺服位置自适应同步控制技术。考虑变幅液压缸伺服系统的运行结构,分析变幅液压缸动力,构建液压缸以及伺服阀的数学模型;利用伺服输出流量和压降的关系,获取速度前馈控制信号;将其反馈到系统中,设计模糊自适应PID同步控制器,实现变幅液压缸伺服位置同步控制。实验结果表明,所提方法对液压缸的同步效果很好,有效减少了液压缸伺服位置控制的误差,在不同信号干扰下,有效提高其控制稳定性和同步性能,控制器超调量平均约为0.059%,响应速度较快。

采用模糊神经网络结构,提出一种复合式控制方案,以解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,达到对不确定非线性系统的高精度输出跟踪控制;同时,利用一个鲁棒反馈控制器,来保证模糊神经网络模型学习初期闭环系统的稳定性。并应用于电液位置伺服系统中,获得满意的控制效果。

本文针对一类非线性系统的跟踪控制问题，基于滑模等价控制的基本概念，提出了一种具有在线学习能力的模糊滑模控制方法，利用学习控制实现模糊控制规则的动态更新，使得模糊控制的输出逐步逼近滑模等价控制，最终实现渐近稳定的滑模控制。