针对谐波减速器随负载变化所表现出的负载转矩与扭转角之间的迟滞特性,导致谐波减速器转换精度下降的问题,构建了忆阻迟滞模型与RBF神经网络并联的谐波减速器混合迟滞模型。将忆阻器模型改进成忆阻迟滞模型,用于描述谐波减速器迟滞输出的基本变化规律;借助具有非线性拟合能力的RBF神经网络对谐波减速器迟滞模型与忆阻迟滞模型之间的差值进行补偿。实验数据验证结果表明,与忆阻迟滞模型相比,所构建的混合迟滞模型能有效描述谐波减速器迟滞的突变和非光滑特性,模型验证均方误差为0.06。

由于气动系统具有迟滞、强非线性特性,难以直接依据气压信号实现气动夹持力的有效控制,因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此,提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹持力估计方法。根据工业机器人末端气爪夹持力与气路历史输入/输出有关的特点,采用了具有记忆特性的LSTM网络建立无传感器气压/压力估计模型;针对直接采用LSTM网络进行建模存在误差大的问题,利用CNN提取输入信息中气压和夹持力的非线性关系,进一步对LSTM网络结构进行优化,提高模型描述气压和夹持力之间多值对应特性与非线性迟滞特性的能力,实现气爪的夹持力有效估计。实验结果表明:相比LSTM预测模型,所提模型的建模估计与验证估计均方根误差分别减少77.14%和70.83%,最大误差分别减少79.80%和78.84%,证明了所提建...

针对电液伺服位置系统是一个多变量、强耦合、非线性控制系统,考虑到现有基于模型的控制方法对系统动力学模型的依赖性,以及未建模动态对系统控制性能的影响,设计了一种仿人智能控制与滑模控制相融合的液压系统无模型控制。为了提高系统的响应速度和稳态精度,将仿人智能控制的偏差与偏差变化率的乘积融入到滑模控制,设计一种全新的滑模函数,与无模型控制器结合,提出改进的无模型控制器。在相同条件下,通过无模型自适应控制、无模型自适应滑模控制与所提出的仿人智能控制与滑模控制相融合无模型控制进行仿真比较,结果表明,所设计的控制器收敛快,稳态误差小,且提高对扰动和模型变化的适应性。

为体现柔性关节迟滞的基本特性,构建一个类迟滞算子,将其与在线序列极限学习机(OS-ELM)串联,设计一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。在混合模型中,采用具有学习效率高、泛化能力强的在线序列极限学习机,能有效地回避使用梯度下降法对模型参数学习时存在的速度慢和局部最小值问题,提高了建模精度。利用不同状态下的实验数据进行模型验证,结果表明所提出的迟滞混合模型具有高精度和较高的泛化能力。

针对柔性环节含有的谐波减速器所表现出的特殊非线性迟滞特性,构建了由SDH模型与神经网络串联的谐波减速器的混合迟滞模型。以输入与输出信号之间具有与谐波减速器迟滞曲线相似迟滞特性的SDH模型为前置模型,以补偿前置模型在描述迟滞特性时存在的误差的非线性动态RBF神经网络作为后置模型,构成了混合迟滞模型,描述谐波减速器迟滞非线性特性。根据所搭建的实验平台,对不同频率输入信号、不同负载状态下获得的数据进行建模,与经典RBF神经网络模型和SDH模型相对比,实验表明,所构造的混合迟滞模型精度高、适应性强。

针对液压系统的强非线性、参数时变特性,提出一种基于误差预处理的反馈线性化自适应控制器。采用RBF神经网络对液压系统进行辨识与建模;为了实现快速高精度的位置输出,对误差进行预处理,调节误差增益,使其增益能够随误差变化而变化,实现:小误差时大增益,加快响应速度,提高控制精度;大误差时小增益,防止系统超调。基于误差预处理,利用反馈线性化方法,设计了控制器及自适应律。仿真结果表明:在反馈线性化结合误差预处理的作用下,系统的响应速度及控制精度均优于反馈线性化控制。

液压伺服系统位置控制的结构和非结构的不确定性阻碍了其控制精度的提高。对于结构的不确定性可以采用非线性自适应控制以实现渐近跟踪性能。但在液压系统中经常会出现如非线性摩擦此类非结构的不确定性导致跟踪精度的降低。提出一种不完全微分反演变结构控制器实现基于摩擦补偿的液压伺服系统的位置控制。该控制器以反演设计为基础融入滑模变结构控制利用滑模变结构在滑动模态下对控制系统参数变化和外部干扰的完全不变性解决系统结构的不确定性问题;结合摩擦补偿解决系统非结构的不确定性问题;引入不完全微分弱化控制器的微分效应减小纯微分突变信号带来的干扰不完全微分产生的滤波效应可以抑制滑模变结构存在的抖振。从理论上证明了在各种不确定性存在的情况下系统的渐近跟踪性能仿真实验验证了所提出的控制策

针对电液位置伺服系统（阀控对称缸）模型复杂、参数时变、摩擦影响显著等特点，提出了基于RBF神经网络和基于LuGre模型的自适应滑模控制算法。该算法的优点是：（1）利用RBF神经网络逼近控制电流与系统输出压力的关系，将电液位置伺服系统的数学模型简化为二阶，减少了模型参数；（2）采用LuGre模型能够准确地描述摩擦过程中复杂的动、静态特性，通过该模型设计摩擦补偿，提高了控制精度；（3）设计自适应滑模控制器，增强了系统的鲁棒性。利用构建的李雅普诺夫函数，证明了闭环系统的稳定性。仿真实验表明：所提算法控制精度较高、响应速度较快、鲁棒性较强。