CN110515302B - 一种液压位置伺服***反步自适应神经网络控制方法 - Google Patents
一种液压位置伺服***反步自适应神经网络控制方法 Download PDFInfo
- Publication number
- CN110515302B CN110515302B CN201910745112.2A CN201910745112A CN110515302B CN 110515302 B CN110515302 B CN 110515302B CN 201910745112 A CN201910745112 A CN 201910745112A CN 110515302 B CN110515302 B CN 110515302B
- Authority
- CN
- China
- Prior art keywords
- neural network
- hydraulic
- proportional valve
- servo system
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 10
- 240000007049 Juglans regia Species 0.000 claims abstract description 6
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 3
- 238000006073 displacement reaction Methods 0.000 claims description 21
- 239000007788 liquid Substances 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position Or Direction (AREA)
Abstract
本发明公开了一种液压位置伺服***反步自适应神经网络控制方法,步骤包括:步骤1、液压位置伺服***建模与模型线性化;步骤2、建立液压位置伺服***的反步自适应神经网络控制器模型;步骤3、采用神经网络对模型中不确定项进行估计。本发明的方法,针对液压位置伺服***建立其数学模型并进行线性化处理,利用得到的线性模型,设计反步自适应神经网络控制器,利用RBF神经网络对不确定项进行逼近,Nussbaum函数处理未知控制方向,不需要知道***模型信息,控制方向,比例阀精确零点,便能够实施有效控制;能够获得更好的跟踪效果和更高的控制精度。
Description
技术领域
本发明属于液压伺服***的高精度位置跟踪控制技术领域,涉及一种液压位置伺服***反步自适应神经网络控制方法。
背景技术
液压伺服***由于具有响应速度快,承载能力强等优点,目前被广泛应用于机器人,航空航天和国防工业等领域。但是由于制造原因和时变的工作条件,很难建立精确的***数学模型。同时在实际应用中,液压位置伺服***面临未知的控制方向,比例阀零点不准确等多种不确定性。
上述这些因素使得实现液压伺服***高性能跟踪控制比较困难,从而限制了液压伺服***在高性能伺服领域的应用。
发明内容
本发明的目的是提供一种液压位置伺服***反步自适应神经网络控制方法,解决了现有技术液压位置伺服***面临未知的控制方向,比例阀零点不准确的问题,在考虑比例阀不准确零点和***控制方向未知时可以实现跟踪控制。
本发明采用的技术方案是,一种液压位置伺服***反步自适应神经网络控制方法,按照以下步骤实施:
步骤1、液压位置伺服***建模与模型线性化;
步骤2、建立液压位置伺服***的反步自适应神经网络控制器模型;
步骤3、采用神经网络对模型中不确定项进行估计。
本发明方法的有益效果是,针对液压位置伺服***建立其数学模型并进行线性化处理,利用得到的线性模型,设计反步自适应神经网络控制器,利用RBF神经网络对不确定项进行逼近,Nussbaum函数处理未知控制方向,具体包括:
1)不需要知道***模型信息,控制方向,比例阀精确零点,便能够实施有效控制;
2)与现有自适应神经网络动态面方法相比,能够获得更好的跟踪效果和更高的控制精度。
附图说明
图1是本发明方法的控制对象(比例阀控制)非对称液压缸的结构示意图;
图2是控制方向为正向时采用本发明方法跟踪正弦曲线的稳态实验结果;
图3是控制方向为正向时采用本发明方法跟踪S曲线的稳态实验结果;
图4是控制方向为正向时采用本发明方法跟踪多频正弦曲线的稳态实验结果;
图5是控制方向为反向时采用本发明方法跟踪正弦曲线的稳态实验结果;
图6是控制方向为反向时采用本发明方法跟踪S曲线的稳态实验结果;
图7是控制方向为反向时采用本发明方法跟踪多频正弦曲线的稳态实验结果。
图中,1.活塞,2.负载,3.非对称液压缸,4.位移传感器,5.比例阀,6.计算机,7.减压阀,8.油泵。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明的液压位置伺服***反步自适应神经网络方法,按照以下步骤具体实施:
步骤1、液压位置伺服***建模与模型线性化,
参照图1,本发明方法所依赖的被控液压位置伺服***的结构是,包括控制对象的非对称液压缸3,非对称液压缸3的活塞1与负载2固定连接,同时活塞1还与位移传感器4对应接触,位移传感器4的输出信号通过A/D转换送入计算机6;比例阀5为三位四通阀,非对称液压缸3的液压腔A侧和液压腔B侧分别与比例阀5的两个出液端对应联通,比例阀5进液端(P端)通过减压阀7与油泵8联通,比例阀5回液端(T端)与液压泵储油箱相连,计算机6输出的控制量通过D/A转换送入比例阀5控制阀芯位置。
假设液压***满足如下条件:
1)***使用的工作介质(液压油)为理想液体;
2)液体流经阀口或其它节流口时的流动状态均为等熵绝热过程;
3)在同一容腔内液体压力和温度处处相等;
4)忽略未加考虑的泄漏;
5)活塞运动时,两腔内液体的变化过程均为绝热过程;
6)油源压力恒定;
7)与***动态特性相比,比例阀的惯性忽略。
据此得到比例阀控制非对称液压位置伺服***的数学模型如下式(1):
其中,Qa和Qb分别为流入无杆腔A和流出有杆腔B的流量,Pa和Pb分别为液压无杆腔A和有杆腔B的压力,和分别为Pa和Pb对于时间的一阶导数,Ps为液压供油压力,Aa和Ab为液压缸无杆腔A和有杆腔B的有效作用面积,Va和Vb为液压缸无杆腔和有杆腔的容积,Cd为流量系数,ω为比例阀面积梯度,ρ为油液密度,xv为比例阀阀芯位移,u为比例阀控制信号,kv为比例阀增益,Ct为内泄漏系数,βe为体积弹性模量,M为滑块质量,Bp为粘性阻尼系数,k为负载弹性系数,FL为外负载力,y为活塞位移,和分别为y对时间的一阶导数和二阶导数,上述活塞位移y通过位移传感器测量得到,
非对称液压缸两腔的有效工作面积不等,因而正反向运动时,***所需流量不等,各种参数及其变化规律与对称缸差异很大,描述工作油路的数学模型也不同,
引入负载流量QL、负载压力PL的定义如下:
忽略外负载力FL以及摩擦等非线性负载,在平衡工作点附近对非线性函数进行线性化处理,得到阀控非对称液压缸的机理模型如下:
其中,Kxa和Kpa分别为线性化后的流量增益和流量压力系数,Am表示平均有效面积,V为***控制腔总容积,
将摩擦力和其他未建模动态看作扰动,同时考虑比例阀不精确零点,近似得到在工作点附近的液压***的三阶线性状态方程如下:
其中,a0,a1,a2,b均为与工作点有关的未知参数,Δu为比例阀零点,d为内外部扰动参数,
将式(4)变换表示为式(5):
其中,d1=bΔu+d为摩擦力、比例阀不精确零点和其他内外部扰动的不确定项,控制目标是使负载位移y能够跟踪所要求的期望输出ym;
步骤2、建立液压位置伺服***的反步自适应神经网络控制器模型,
针对上述得到的如式(5)所示液压位置伺服***线性化模型,设计反步自适应神经网络控制器如式(6)所示:
其中,z2=x2-α1,z3=x3-α2,z1=x1-ym,c为设计参数,b为***未知参数(与式(4)中参数b是同一个);N(ζ)=ζ2cos(ζ),为Nussbaum函数,用于解决控制方向未知问题,WTS(G)为神经网络输出;
步骤3、采用神经网络对模型中不确定项进行估计,
本步骤采用神经网络方法对未知函数进行逼近,WTS(G)为神经网络输出用于逼近未知函数f(x);W为隐含层到输出层的连接权值向量,WT为权值向量W的转置;定义为神经网络输入向量,S(G)=[s1,s2,…,sm]为神经网络隐层基函数,m为神经元个数;
则自适应律模型数学表达式如下式(7):
其中,为d1的估计值,为的一阶导数,为的一阶导数,为Nussbaum函数N(ζ)的自变量ζ的一阶导数。将估计得到的ζ,和的数值用于实时更新反步自适应神经网络控制器公式(6),计算机通过D/A输出控制比例阀,实时调节非对称液压缸的活塞的位移量。
实验验证:
实施例中液压位置伺服***结构中的各个部件分别选用:非对称液压缸3采用FESTO公司的型号为D:S-HAZ-16-200-LE-SB;比例阀5为三位四通比例阀,采用的型号是D:H-B-43W-RV-NG6-K;位移传感器4采用的型号是D:S-HAZ-16-200-1-SIBU;计算机6采用的型号是CPU为P2 1.2GHz;数据采集卡采用的型号是PCI2306;油泵等其它元件构成液压位置伺服***。计算机内置的控制软件采用VB编程,通过屏幕显示控制过程中相关变量的变化曲线。
控制目标分别设置为:
参考信号1:正弦信号
yd=A1sin(ω1t) (8)
其中A1=1000,ω1=0.5rad/s。
参考信号2:S曲线信号
其中A2=500,ω2=0.5rad/s。
参考信号3:多频正弦信号
其中A3=500,ω3=0.5rad/s。
采用公式(6)-公式(7)所示的反步自适应神经网络控制器进行实验,控制器中的参数b,c,o,Γ的值可以进行反复实验试凑。
本实施例中参数设置如下:b=500,c=100,c1=20,c2=5,o=10,Γ=0.1,神经元个数m=100,基函数宽度bj=2(j=1,2,…,m),基函数中心向量cj(j=1,2,…,m)均匀分布在[-4,4]×[-4,4]×[-4,4]×[-4,4]。当跟踪期望目标分别为公式(8)-公式(10)时,稳态跟踪曲线如图2-图7所示,液压缸的行程是200mm,所以位移单位采用mm;横坐标的单位是秒。
为了更加直观的说明本发明方法的控制效果,在跟踪不同期望目标的情况下定量地计算了跟踪误差,定义均方根误差为:
其中N1为采样开始时刻,N2为采样结束时刻,ek=y(k)-ym(k)为第k次采样时的跟踪误差。为避免初始条件或噪声等随机因素的影响,对每种输入信号的跟踪进行了多次试验,给出其中五次的实验结果,其结果见表1-表3。表1,本发明方法与自适应神经网络动态面控制方法在跟踪式(8)参考信号时的误差对比
表2,本发明方法与自适应神经网络动态面控制方法在跟踪式(9)参考信号时的误差对比
表3,本发明方法与自适应神经网络动态面控制方法在跟踪式(10)参考信号时的误差对比
由上述三个对比表中的对比结果可知,在各种期望目标的情况下,本发明方法的平均跟踪误差均小于自适应神经网络动态面控制方法。
Claims (2)
1.一种液压位置伺服***反步自适应神经网络控制方法,该方法所依赖的被控液压位置伺服***的结构是,包括控制对象的非对称液压缸(3),非对称液压缸(3)的活塞(1)与负载(2)固定连接,同时活塞(1)还与位移传感器(4)对应接触,位移传感器(4)的输出信号通过A/D转换送入计算机(6);比例阀(5)为三位四通阀,非对称液压缸(3)的液压腔A侧和液压腔B侧分别与比例阀(5)的两个出液端对应联通,比例阀(5)进液端通过减压阀(7)与油泵(8)联通,比例阀(5)回液端与液压泵储油箱相连,计算机(6)输出的控制量通过D/A转换送入比例阀(5)控制阀芯位置,其特征在于,按照以下步骤实施:
步骤1、液压位置伺服***建模与模型线性化,具体过程是,
假设液压***满足如下条件:1)***使用的工作介质为理想液体;2)液体流经阀口或其它节流口时的流动状态均为等熵绝热过程;3)在同一容腔内液体压力和温度处处相等;4)忽略未加考虑的泄漏;5)活塞运动时,两腔内液体的变化过程均为绝热过程;6)油源压力恒定;7)与***动态特性相比,比例阀的惯性忽略,
据此得到比例阀控制非对称液压位置伺服***的数学模型如下式(1):
其中,Qa和Qb分别为流入无杆腔A和流出有杆腔B的流量,Pa和Pb分别为液压无杆腔A和有杆腔B的压力,和分别为Pa和Pb对于时间的一阶导数,Ps为液压供油压力,Aa和Ab为液压缸无杆腔A和有杆腔B的有效作用面积,Va和Vb为液压缸无杆腔和有杆腔的容积,Cd为流量系数,ω为比例阀面积梯度,ρ为油液密度,xv为比例阀阀芯位移,u为比例阀控制信号,kv为比例阀增益,Ct为内泄漏系数,βe为体积弹性模量,M为滑块质量,Bp为粘性阻尼系数,k为负载弹性系数,FL为外负载力,y为活塞位移,和分别为y对时间的一阶导数和二阶导数,上述活塞位移y通过位移传感器测量得到,
引入负载流量QL、负载压力PL的定义如下:
忽略外负载力FL以及摩擦非线性负载,在平衡工作点附近对非线性函数进行线性化处理,得到阀控非对称液压缸的机理模型如下:
其中,Kxa和Kpa分别为线性化后的流量增益和流量压力系数,Am表示平均有效面积,V为***控制腔总容积,
将摩擦力和其他未建模动态看作扰动,同时考虑比例阀不精确零点,近似得到在工作点附近的液压***的三阶线性状态方程如下:
其中,a0,a1,a2,b均为与工作点有关的未知参数,Δu为比例阀零点,d为内外部扰动参数,
将式(4)变换表示为式(5):
其中,d1=bΔu+d为摩擦力、比例阀不精确零点和其他内外部扰动的不确定项,控制目标是使负载位移y能够跟踪所要求的期望输出ym;
步骤2、建立液压位置伺服***的反步自适应神经网络控制器模型,具体过程是,
针对步骤1得到的如式(5)所示液压位置伺服***线性化模型,设计反步自适应神经网络控制器如式(6)所示:
其中,z2=x2-α1,z3=x3-α2,z1=x1-ym,c为设计参数,b为***未知参数;N(ζ)=ζ2cos(ζ),为Nussbaum函数,用于解决控制方向未知问题,WTS(G)为神经网络输出;
步骤3、采用神经网络对模型中不确定项进行估计。
2.根据权利要求1所述的液压位置伺服***反步自适应神经网络控制方法,其特征在于:所述的步骤3中,具体过程是,
本步骤采用神经网络方法对未知函数进行逼近,WTS(G)为神经网络输出用于逼近未知函数f(x);W为隐含层到输出层的连接权值向量,WT为权值向量W的转置;定义为神经网络输入向量,S(G)=[s1,s2,…,sm]为神经网络隐层基函数,m为神经元个数;
则自适应律模型数学表达式如下式(7):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910745112.2A CN110515302B (zh) | 2019-08-13 | 2019-08-13 | 一种液压位置伺服***反步自适应神经网络控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910745112.2A CN110515302B (zh) | 2019-08-13 | 2019-08-13 | 一种液压位置伺服***反步自适应神经网络控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110515302A CN110515302A (zh) | 2019-11-29 |
CN110515302B true CN110515302B (zh) | 2022-04-15 |
Family
ID=68625659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910745112.2A Active CN110515302B (zh) | 2019-08-13 | 2019-08-13 | 一种液压位置伺服***反步自适应神经网络控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110515302B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290276B (zh) * | 2020-02-23 | 2022-03-29 | 西安理工大学 | 一种液压位置伺服***神经网络分数阶积分滑模控制方法 |
CN111781834B (zh) * | 2020-07-21 | 2022-03-29 | 西安理工大学 | 一种气动位置伺服***自适应模糊神经网络控制方法 |
CN112096696B (zh) * | 2020-09-30 | 2022-07-01 | 长沙航空职业技术学院 | 泵控非对称液压位置***自适应反演控制方法 |
CN112327954B (zh) * | 2020-11-14 | 2021-11-26 | 大连理工大学 | 非对称s型速度曲线控制的直线电机高精定位方法 |
CN112780637B (zh) * | 2020-12-28 | 2022-12-23 | 江苏师范大学 | 一种举升液压伺服***节能及位置跟踪多目标控制方法 |
CN112949180B (zh) * | 2021-03-02 | 2022-09-06 | 南京工业大学 | 一种基于hgdob与rbf神经网络的盾构风电回转支承试验台液压加载控制方法 |
CN114291051B (zh) * | 2022-01-05 | 2023-03-28 | 清华大学 | 电机伺服式液压线控制动***内部摩擦力建模方法及装置 |
CN114815618B (zh) * | 2022-04-29 | 2023-05-16 | 哈尔滨工业大学 | 一种基于动态增益的自适应神经网络跟踪控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033548A (zh) * | 2009-09-29 | 2011-04-27 | 北京航空航天大学 | 基于rbf神经网络的伺服控制***及方法 |
CN103233946A (zh) * | 2013-04-03 | 2013-08-07 | 西安理工大学 | 一种气动位置伺服***反步控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服***的指定性能反演控制方法 |
CN104950678A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 一种柔性机械臂***的神经网络反演控制方法 |
CN105697463A (zh) * | 2016-03-22 | 2016-06-22 | 西安理工大学 | 一种液压位置伺服***输出反馈自适应控制方法 |
CN108303895A (zh) * | 2018-02-27 | 2018-07-20 | 南京理工大学 | 一种电液位置伺服***多模型鲁棒自适应控制方法 |
-
2019
- 2019-08-13 CN CN201910745112.2A patent/CN110515302B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033548A (zh) * | 2009-09-29 | 2011-04-27 | 北京航空航天大学 | 基于rbf神经网络的伺服控制***及方法 |
CN103233946A (zh) * | 2013-04-03 | 2013-08-07 | 西安理工大学 | 一种气动位置伺服***反步控制方法 |
CN104698846A (zh) * | 2015-02-10 | 2015-06-10 | 浙江工业大学 | 一种机械臂伺服***的指定性能反演控制方法 |
CN104950678A (zh) * | 2015-06-17 | 2015-09-30 | 浙江工业大学 | 一种柔性机械臂***的神经网络反演控制方法 |
CN105697463A (zh) * | 2016-03-22 | 2016-06-22 | 西安理工大学 | 一种液压位置伺服***输出反馈自适应控制方法 |
CN108303895A (zh) * | 2018-02-27 | 2018-07-20 | 南京理工大学 | 一种电液位置伺服***多模型鲁棒自适应控制方法 |
Non-Patent Citations (3)
Title |
---|
Adaptive Backstepping Slide Mode Control of Pneumatic Position Servo System;REN Haipeng 等;《Chinese Journal of Mechanical Engineering》;20161031;第29卷(第5期);第1003-1009页 * |
Experimental backstepping adaptive sliding mode control of hydraulic position servo system;Hai-Peng Ren 等;《2017 International Conference on Advanced Mechatronic Systems (ICAMechS)》;20180315;第349-354页 * |
液压伺服位置***的神经网络backstepping 控制;方一鸣 等;《电机与控制学报》;20140630;第18卷(第6期);第108-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110515302A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515302B (zh) | 一种液压位置伺服***反步自适应神经网络控制方法 | |
CN111290276B (zh) | 一种液压位置伺服***神经网络分数阶积分滑模控制方法 | |
Yao et al. | Adaptive RISE control of hydraulic systems with multilayer neural-networks | |
Yang et al. | Output feedback control of electro-hydraulic servo actuators with matched and mismatched disturbances rejection | |
Wos et al. | Adaptive control of the electro‐hydraulic servo‐system with external disturbances | |
CN110928182B (zh) | 基于状态估计的液压伺服***鲁棒自适应重复控制方法 | |
CN105697463B (zh) | 一种液压位置伺服***输出反馈自适应控制方法 | |
Meng et al. | Integrated direct/indirect adaptive robust motion trajectory tracking control of pneumatic cylinders | |
JPH07509048A (ja) | 液圧駆動装置又はアクチュエータ用の制御装置 | |
Dindorf et al. | Force and position control of the integrated electro-hydraulic servo-drive | |
Turkseven et al. | Model-based force control of pneumatic actuators with long transmission lines | |
Yang et al. | Multilayer neuroadaptive force control of electro-hydraulic load simulators with uncertainty rejection | |
Maneetham et al. | Modeling, simulation and control of high speed nonlinear hydraulic servo system | |
CN110794708B (zh) | 一种基于VeriStand与Simulink联合仿真的喷杆***测试方法 | |
Falcão Carneiro et al. | Pneumatic servo valve models based on artificial neural networks | |
Mandali et al. | Modeling and cascade control of a pneumatic positioning system | |
CN116661294B (zh) | 基于强化学习的阀控液压缸分数阶控制方法及控制*** | |
Wos et al. | Practical parallel position-force controller for electro-hydraulic servo drive using on-line identification | |
Essa et al. | Fractional order fuzzy logic position and force control of experimental electro-hydraulic servo system | |
CN112965387B (zh) | 考虑状态受限的气动伺服***自适应神经网络控制方法 | |
Ren et al. | Experimental tracking control for pneumatic system | |
CN114077192B (zh) | 一种非线性***输出反馈智能控制方法 | |
Nimawat et al. | Self-tuning fuzzy PID controllers application on industrial hydraulic actuator using unique system identification approach | |
CN111781834B (zh) | 一种气动位置伺服***自适应模糊神经网络控制方法 | |
CN108730267B (zh) | 一种开式泵控非对称缸***位置灵敏度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |