CN110703608B - 一种液压伺服执行机构智能运动控制方法 - Google Patents
一种液压伺服执行机构智能运动控制方法 Download PDFInfo
- Publication number
- CN110703608B CN110703608B CN201911128622.1A CN201911128622A CN110703608B CN 110703608 B CN110703608 B CN 110703608B CN 201911128622 A CN201911128622 A CN 201911128622A CN 110703608 B CN110703608 B CN 110703608B
- Authority
- CN
- China
- Prior art keywords
- formula
- function
- disturbance
- equation
- hydraulic
- 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 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 239000010720 hydraulic oil Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 claims description 3
- 239000010729 system oil Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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)
Abstract
本发明公开了一种液压伺服执行机构智能运动控制方法,属于机电伺服控制领域。其闭环控制***原理如摘要附图中图1所示。该控制方法以双出杆液压执行器位置伺服***作为研究对象,以在测量噪声、非匹配和匹配未知函数扰动以及时变外干扰等因素的共同影响下其位置输出能准确地跟踪期望的位置指令为控制目标,针对测量噪声采用基于期望指令的补偿技术进行噪声抑制控制;对非匹配和匹配未知函数扰动分别通过多层神经网络进行估计并前馈补偿;本发明所设计的液压伺服执行机构智能运动控制方法在同时存在测量噪声、强未知函数扰动、强外干扰的工况下能保证电液伺服***的位置输出能准确地跟踪期望的位置指令,更利于在复杂工况中应用。
Description
技术领域
本发明涉及一种控制方法,具体涉及一种液压伺服执行机构智能运动控制方法,属于机电伺服控制领域。
背景技术
电液伺服***由于具有功重比大、动态响应速度快等突出优点,广泛应用于工业、工程等重要领域,如汽车悬架***、液压负载模拟器、武器发射装置随动***等。随着这些领域技术水平的不断进步,迫切需要高性能的电液伺服***作为支撑,传统基于线性化方法得到的控制性能逐渐不能满足***需求。电液伺服***固有的非线性,如伺服阀压力/流量非线性、压力动态非线性、摩擦非线性等,逐渐成为限制***性能提升的瓶颈因素。除此之外,电液伺服***还存在诸多不确定性包括参数不确定性(负载转动惯量/质量、内/外泄漏系数、液压油弹性模量等)和不确定性非线性(未建模的摩擦动态、外干扰等)等。不确定性的存在,可能会使以***名义模型设计的闭环控制器性能降阶或不稳定。
目前针对考虑电液伺服***模型不确定性的先进控制策略,主要有自适应鲁棒控制、鲁棒自适应控制、自抗扰自适应控制等方法。典型地,自适应鲁棒控制策略针对***中的不确定性参数,设计恰当的在线估计策略对其进行估计,并对可能发生的外干扰等扰动,通过提高非线性反馈增益对其进行抑制进而提升***性能。由于强非线性反馈增益往往导致设计的保守性(即高增益反馈),从而使其在工程应用中有一定困难。同时,当外干扰等扰动逐渐增大时,所设计的自适应鲁棒控制器会使跟踪性能恶化,甚至出现不稳定现象。自抗扰自适应控制策略对***中的不确定性参数和时变外干扰,分别结合自适应控制以及扩张状态观测器来估计未知参数和外干扰,并在设计控制器时进行前馈补偿,从而在一定程度上抵抗扰动的影响。然而,以上提到的控制策略针对***中存在的未知函数扰动包括非匹配函数扰动以及匹配函数扰动、测量噪声等不利因素仍没有有效地处理。
总结来说,现有电液伺服***的控制技术的不足之处主要有以下几点:
1.忽略***匹配以及非匹配的未知函数扰动。电液伺服***中存在非线性摩擦、非线性泄漏、伺服阀流量非线性等非线性因素的影响,这些非线性因素通常难以用明确的函数来表示并且现存的控制方法难以处理这些未知函数扰动,而这些扰动可能会严重影响***的控制性能。
2.忽略***的噪声扰动。在进行电液伺服***闭环控制器的设计过程中,会利用***信号的测量值,而这些测量值中必然会引入测量噪声。这些测量噪声的存在,可能会使基于***全状态测量值所设计的控制器出现性能降阶、甚至产生不稳定等现象。
发明内容
本发明为解决现有电液伺服***控制中存在被忽略的测量噪声、匹配以及非匹配的未知函数扰动等因素,提出一种液压伺服执行机构智能运动控制方法。
本发明为解决上述问题采取的技术方案是:本发明的具体步骤如下:
一种液压伺服执行机构智能运动控制方法,其特征在于:所述一种液压伺服执行机构智能运动控制方法的具体步骤如下:
步骤一、建立电液位置伺服***(以双出杆液压缸位置伺服***为例)的数学模型;
步骤二、设计多层前馈神经网络对考虑的电液伺服***遭受的匹配以及非匹配未知函数扰动进行估计;
步骤三、结合多层前馈神经网络设计扩张状态观测器对电液伺服***的匹配和非匹配时变外干扰进行估计;
步骤四、设计基于多层前馈神经网络和扰动前馈补偿的电液伺服***位置跟踪控制器;
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0、Υ2>0、Γ1>0、Γ2>0的值并调节参数ωo1(ωo1>0)、ωo2(ωo2>0)、k1(k1>0)、k2(k2>0)、k3(k3>0)、kc(kc>0)、γ1(γ1>0)、γ2(γ2>0)、ρ1(ρ1>0)和ρ2(ρ2>0)的值保证电液伺服***的位置输出x1准确地跟踪期望的位置指令x1d。
所述步骤一包括如下步骤:
根据牛顿第二定律可得负载的运动学方程为:
公式(1)中m为负载的质量,y为负载的位移,PL=P1-P2为液压缸的负载压力(P1、P2分别为液压缸两腔的油压),A为液压缸活塞杆的有效作用面积,为连续可微的摩擦模型(其中Bm为粘性摩擦系数,为反映阻尼和库伦等摩擦力的形状函数,Am为此形状函数的幅值),为***遭受的未知函数扰动,df(t)为负载运动通道的时变外干扰。
负载压力动态方程为:
公式(2)中Vt、βe、Ct分别为液压缸的控制腔总容积、液压油弹性模量、液压缸执行器的泄漏系数及,QL=(Q1+Q2)/2为伺服阀的负载流量(其中Q1为由伺服阀进入液压缸进油腔的液压流量,Q2为由液压缸回油腔流入伺服阀的液压流量),为***遭受的未知函数扰动,dq(t)为压力通道的时变外干扰。
假设伺服阀响应速度非常快即伺服阀频宽远远高于***频宽,即可简化伺服阀阀芯动态为比例环节,则伺服阀负载流量方程为:
公式(3)中Ku为伺服阀的总流量增益,u为***的控制输入电压,Ps为***的油源压力,tanh(·)为双曲正切函数,kc为正常数。
为使控制器的设计更具普遍意义,针对双出杆液压缸执行器伺服***,由式(1)(2)及(3)表征的非线性模型,定义***状态变量为其中x1为负载位移,x2为负载速度,x3为与负载压力有关的变量,则***非线性模型的状态空间形式为:
公式(4)中ψ1(x2)=–AmFm(x2)/m–Bmx2/m和ψ2(x2,x3)=–4A2βex2/(mVt)–4βeCtx3/Vt为可建模的函数,g(x1,x2)=f(x1,x2)/m和h(x1,x2,x3)=4Aβeq(x1,x2,x3)/(mVt)为未知函数扰动,D(t)=df(t)/m和P(t)=4Aβedq(t)/(mVt)为时变外干扰,U=Ru(u,x3)u,其中 另外,值得注意的是g(x1,x2)和D(t)分别为非匹配的未知函数扰动和非匹配的时变外干扰,h(x1,x2,x3)和P(t)分别为匹配的未知函数扰动和匹配的时变外干扰。
通过(1)和(2),很容易看出h(x1,x2,x3)可以表达成如下等式:
基于等式(5),公式(4)可以进一步表达为:
公式(6)中Q(t)=P(t)+Δ(t)并且
控制目标:在***同时遭受匹配以及非匹配的未知函数和时变扰动的工况下,使***的输出y=x1尽可能精确地跟踪期望的光滑指令yd=x1d。
假设1:***期望跟踪的指令信号x1d(t)是三阶连续可导的,且***期望位置指令及其三阶导数都是有界的。
公式(8)中βD1、βD2、βQ1以及βQ2为未知正常数。
所述步骤二包括如下步骤:
公式(9)中和为第一层到第二层之间的有界常值理想权值矩阵,和为第二层到第三层之间的有界常值理想权值矩阵,其中M1、N1为输入层的神经元的数量,M2、N2为隐层的神经元的数量,M、N为第三层的神经元的数量,为多层前馈神经网络的输入且 δ1(V1 Tζd)、表示激活函数,σ1(ζd)、σ2(ηd)表示函数重构误差。
基于(10),***的非线性数学模型(6)可以重新写为:
所述步骤三包括如下步骤:
首先将***状态方程(11)中的σ1(ζd)+D(t)、σ2(ηd)+Q(t)分别扩张为冗余状态,即令xε1=σ1(ζd)+D(t)以及xε1=σ1(ζd)+D(t),并假设以及由假设2可知和均有界,则扩张后的***状态方程为:
根据扩张后的状态方程(12),结合多层前馈神经网络设计扩张状态观测器为:
公式(13)中ωo1、ωo2为可调的正常数,其可以分别看作是扩张状态观测器O1和O2的带宽。
所述步骤四包括如下步骤:
定义z1=x1-x1d为***的跟踪误差,并定义z2和z3为:
公式(14)中k1为可调整的增益且k1>0,v1为x2的虚拟控制函数。
基于公式(11)对公式(14)求导并定义z3=x3-v2,可得:
公式(15)中v2为x3的虚拟控制函数。基于公式(15),设计虚拟控制函数v2为:
公式(16)中k2为可调整的增益且k2>0,v2m为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,v2r为线性鲁棒项。值得注意的是,设计的虚拟控制函数v2基于期望指令进行前馈补偿,在一定程度上抑制了测量噪声的影响。
基于公式(11)对z3求导可得:
基于公式(17),设计控制律U为:
公式(18)中k3为可调整的正增益,Um为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,Ur为线性鲁棒项。值得注意的是,设计的控制律U基于期望指令进行前馈补偿,在一定程度上削弱了测量噪声的影响。实际的控制输入可以通过u=URu得出。
此外,权值参数通过 和(其中Proj(·)为连续投影映射函数,Υ1、Γ1分别为权值参数W1、W2的自适应律矩阵,Υ2、Γ2分别为权值参数V1、V2的自适应律矩阵,γ1、γ2、ρ1和ρ2均为可调节的正常数,)进行实时更新。
在所述步骤四和步骤五之间还包括如下步骤:
分析电液位置闭环伺服***的稳定性:
基于设计的控制器(18),并且多层前馈神经网络的权值参数通过和(其中Proj(·)为连续投影映射函数,Υ1、Γ1分别为权值参数W1、W2的自适应律矩阵,Υ2、Γ2分别为权值参数V1、V2的自适应律矩阵,γ1、γ2、ρ1和ρ2均为可调节的正常数,)进行实时更新,则***能够获得一致有界稳定性能,且***的跟踪误差可通过控制器参数进行调节;
根据控制理论中***的稳定性分析,选取Lyapunov候选函数VL为:
公式(19)中tr(·)代表某个矩阵·的迹。
对公式(19)求导可得:
将公式(14)、(15)及(17)带入式(20)中并基于|F1|≤l1,|F2|≤l2,|E1|≤l3,|E2|≤l4,|xε1|≤L1m,|xε2|≤L2m,(其中l1、l2、l3、l4、τ0、τ1、τ2、τ3、τ4、τ5、L1m、L2m、 均为正常数),经过一系列转化可得
公式(21)中τL为
公式(23)中
由公式(21),进一步可得:
由此我们获得了一致有界稳定,***中的所有信号在闭环***中有界,且***跟踪误差可通过设计参数进行调节。
本发明的有益效果是:本发明选取双出杆液压执行器位置伺服***作为研究对象,以在测量噪声、非匹配和匹配未知函数扰动以及时变外干扰等因素的共同影响下其位置输出能准确地跟踪期望的位置指令为控制目标,针对测量噪声采用基于期望指令的补偿技术进行噪声抑制控制;对非匹配和匹配未知函数扰动分别通过多层神经网络进行估计并前馈补偿;对非匹配和匹配外干扰分别通过扩张状态观测器进行估计并前馈补偿;本发明所设计的液压伺服执行机构智能运动控制方法在同时存在测量噪声、强未知函数扰动、强外干扰的工况下能保证电液伺服***的位置输出能准确地跟踪期望的位置指令,更利于在复杂工况中应用。仿真结果验证了其有效性。
附图说明
图1是本发明所考虑的电液伺服***结构原理图;
图2是液压伺服执行机构智能运动控制原理示意及流程图;
图3是本发明所设计的控制器作用下***的跟踪误差随时间变化的曲线;
图4是本发明所设计的控制器作用下***的函数估计性能随时间变化的曲线;
图5是本发明所设计的控制器作用下***的外干扰估计性能随时间变化的曲线;
图6是本发明所设计的控制器的控制输入电压随时间变化的曲线。
具体实施方式
下面结合附图对本发明作进一步说明。
结合图1至图6说明本实施方式,本实施方式所述一种液压伺服执行机构智能运动控制方法的具体步骤如下:
步骤一、建立电液位置伺服***(以双出杆液压缸位置伺服***为例,如图1所示)的数学模型,根据牛顿第二定律可得负载的运动学方程为:
公式(1)中m为负载的质量,y为负载的位移,PL=P1-P2为液压缸的负载压力(P1、P2分别为液压缸两腔的油压),A为液压缸活塞杆的有效作用面积,为连续可微的摩擦模型(其中Bm为粘性摩擦系数,为反映阻尼和库伦等摩擦力的形状函数,Am为此形状函数的幅值),为***遭受的未知函数扰动,df(t)为负载运动通道的时变外干扰。
负载压力动态方程为:
公式(2)中Vt、βe、Ct分别为液压缸的控制腔总容积、液压油弹性模量、液压缸执行器的泄漏系数及,QL=(Q1+Q2)/2为伺服阀的负载流量(其中Q1为由伺服阀进入液压缸进油腔的液压流量,Q2为由液压缸回油腔流入伺服阀的液压流量),为***遭受的未知函数扰动,dq(t)为压力通道的时变外干扰。
假设伺服阀响应速度非常快即伺服阀频宽远远高于***频宽,即可简化伺服阀阀芯动态为比例环节,则伺服阀负载流量方程为:
公式(3)中Ku为伺服阀的总流量增益,u为***的控制输入电压,Ps为***的油源压力,tanh(·)为双曲正切函数,kc为正常数。
公式(4)中ψ1(x2)=–AmFm(x2)/m–Bmx2/m和ψ2(x2,x3)=–4A2βex2/(mVt)–4βeCtx3/Vt为可建模的函数,g(x1,x2)=f(x1,x2)/m和h(x1,x2,x3)=4Aβeq(x1,x2,x3)/(mVt)为未知函数扰动,D(t)=df(t)/m和P(t)=4Aβedq(t)/(mVt)为时变外干扰,U=Ru(u,x3)u,其中 另外,值得注意的是g(x1,x2)和D(t)分别为非匹配的未知函数扰动和非匹配的时变外干扰,h(x1,x2,x3)和P(t)分别为匹配的未知函数扰动和匹配的时变外干扰。
通过(1)和(2),很容易看出h(x1,x2,x3)可以表达成如下等式:
基于等式(5),公式(4)可以进一步表达为:
公式(6)中Q(t)=P(t)+Δ(t)并且
控制目标:在***同时遭受匹配以及非匹配的未知函数和时变扰动的工况下,使***的输出y=x1尽可能精确地跟踪期望的光滑指令yd=x1d。
假设1:***期望跟踪的指令信号x1d(t)是三阶连续可导的,且***期望位置指令及其三阶导数都是有界的。
公式(8)中βD1、βD2、βQ1以及βQ2为未知正常数。
步骤二、设计多层前馈神经网络对考虑的电液伺服***遭受的匹配以及非匹配未知函数扰动进行估计。
公式(9)中和为第一层到第二层之间的有界常值理想权值矩阵,和为第二层到第三层之间的有界常值理想权值矩阵,其中M1、N1为输入层的神经元的数量,M2、N2为隐层的神经元的数量,M、N为第三层的神经元的数量,为多层前馈神经网络的输入且 δ1(V1 Tζd)、表示激活函数,σ1(ζd)、σ2(ηd)表示函数重构误差。
基于(10),***的非线性数学模型(6)可以重新写为:
步骤三、结合多层前馈神经网络设计扩张状态观测器对电液伺服***的匹配和非匹配时变外干扰进行估计。
首先将***状态方程(11)中的σ1(ζd)+D(t)、σ2(ηd)+Q(t)分别扩张为冗余状态,即令xε1=σ1(ζd)+D(t)以及xε1=σ1(ζd)+D(t),并假设以及由假设2可知和均有界,则扩张后的***状态方程为:
根据扩张后的状态方程(12),结合多层前馈神经网络设计扩张状态观测器为:
公式(13)中ωo1、ωo2为可调的正常数,其可以分别看作是扩张状态观测器O1和O2的带宽。
步骤四、设计基于多层前馈神经网络和扰动前馈补偿的电液伺服***位置跟踪控制器,其具体步骤如下:
定义z1=x1-x1d为***的跟踪误差,并定义z2和z3为:
公式(14)中k1为可调整的增益且k1>0,v1为x2的虚拟控制函数。
基于公式(11)对公式(14)求导并定义z3=x3-v2,可得:
公式(15)中v2为x3的虚拟控制函数。基于公式(15),设计虚拟控制函数v2为:
公式(16)中k2为可调整的增益且k2>0,v2m为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,v2r为线性鲁棒项。值得注意的是,设计的虚拟控制函数v2基于期望指令进行前馈补偿,在一定程度上抑制了测量噪声的影响。
基于公式(11)对z3求导可得:
基于公式(17),设计控制律U为:
公式(18)中k3为可调整的正增益,Um为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,Ur为线性鲁棒项。值得注意的是,设计的控制律U基于期望指令进行前馈补偿,在一定程度上削弱了测量噪声的影响。实际的控制输入可以通过u=U/Ru得出。
此外,权值参数通过 和(其中Proj(·)为连续投影映射函数,Υ1、Γ1分别为权值参数W1、W2的自适应律矩阵,Υ2、Γ2分别为权值参数V1、V2的自适应律矩阵,γ1、γ2、ρ1和ρ2均为可调节的正常数,)进行实时更新。
液压伺服执行机构智能运动控制原理示意及流程图如图2所示。
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0、Υ2>0、Γ1>0、Γ2>0的值并调节参数ωo1(ωo1>0)、ωo2(ωo2>0)、k1(k1>0)、k2(k2>0)、k3(k3>0)、kc(kc>0)、γ1(γ1>0)、γ2(γ2>0)、ρ1(ρ1>0)和ρ2(ρ2>0)的值保证电液伺服***的位置输出x1准确地跟踪期望的位置指令x1d。
实施例:
电液伺服***参数为:m=32kg,A=9.05×10-4m2,Bm=1000N·m·s,Bf=90N·m·s,Ps=1×107Pa,βe=7×108Pa,Vt=9.05×10-5m3,Ct=3.2×10-12m3/s/Pa,加入的未知函数扰动f(x1,x2)=0.5x1x2N,q(x1,x2,x3)=1×10-4x1x2x3m3,时变外干扰df(t)=100sin(πt)N,dq(t)=1×10-4sin(πt)m3;***期望跟踪的位置指令为曲线x1d(t)=20sin(πt)[1-exp(-0.5t)]mm。
控制器设计参数:
经过不断调节,其控制参数选取为k1=1800,k2=400,k3=1500,kc=1000,ωo1=1000,ωo2=700,M1=2,M2=10,N1=3,N2=10,γ1=1×10-3diag{1,1,1,1,1,1,1,1,1,1,1},Υ2=1×10-3diag{1,1,1,1,1,1,1,1,1,1,1},Γ1=5×10-6diag{1,1,1,1,1,1,1,1,1,1,1},Γ2=5×10-6diag{1,1,1,1,1,1,1,1,1,1,1},γ1=1.0×10-5,γ2=1.0×10-5,ρ1=1.0×10-5,ρ2=1.0×10-5。
控制器作用效果:图3是本发明设计的控制器作用下***的跟踪误差随时间变化的曲线,从图3可以看出在本发明设计的控制器的作用下其稳态跟踪误差逐渐减小,达到了很高的跟踪精度,从而验证了本发明设计的控制器的的有效性。图4和图5分别是本发明所设计的控制器作用下***的函数估计和外干扰估计性能随时间变化的曲线,从图中可以看出它们最终分别趋近于某一值或在某值附近波动,从而能够有效地估计***中的扰动。图6是本发明所设计的控制器的控制输入电压随时间变化的曲线,从图中可以看出,本发明所得到的控制输入信号连续可导且有界,有利于在工程实际中应用。
Claims (4)
1.一种液压伺服执行机构智能运动控制方法,其特征在于:所述一种液压伺服执行机构智能运动控制方法的具体步骤如下:
步骤一、建立双出杆液压缸位置伺服***的数学模型;
步骤二、设计多层前馈神经网络对考虑的电液伺服***遭受的匹配以及非匹配未知函数扰动进行估计;
步骤三、结合多层前馈神经网络设计扩张状态观测器对电液伺服***的匹配和非匹配时变外干扰进行估计;
步骤四、设计基于多层前馈神经网络和扰动前馈补偿的电液伺服***位置跟踪控制器;
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0、Υ2>0、Γ1>0、Γ2>0的值并调节参数ωo1>0、ωo2>0、k1>0、k2>0、k3>0、kc>0、γ1>0、γ2>0、ρ1>0和ρ2>0的值保证电液伺服***的位置输出x1准确地跟踪期望的位置指令x1d;
所述步骤二包括如下步骤:
公式(1)中和为第一层到第二层之间的有界常值理想权值矩阵,和为第二层到第三层之间的有界常值理想权值矩阵,其中M1、N1为输入层的神经元的数量,M2、N2为隐层的神经元的数量,M、N为第三层的神经元的数量,为多层前馈神经网络的输入且 δ1(V1 Tζd)、δ2(V2 Tηd)表示激活函数,σ1(ζd)、σ2(ηd)表示函数重构误差;
基于(2),***的非线性数学模型(6)可以重新写为:
2.根据权利要求1所述的方法,其特征在于所述步骤一包括如下步骤:
根据牛顿第二定律可得负载的运动学方程为:
公式(4)中m为负载的质量,y为负载的位移,PL=P1-P2为液压缸的负载压力,P1、P2分别为液压缸两腔的油压,A为液压缸活塞杆的有效作用面积,为连续可微的摩擦模型,其中Bm为粘性摩擦系数,为反映阻尼和库伦等摩擦力的形状函数,Am为此形状函数的幅值,为***遭受的未知函数扰动,df(t)为负载运动通道的时变外干扰;
负载压力动态方程为:
公式(5)中Vt、βe、Ct分别为液压缸的控制腔总容积、液压油弹性模量、液压缸执行器的泄漏系数及,QL=(Q1+Q2)/2为伺服阀的负载流量,其中Q1为由伺服阀进入液压缸进油腔的液压流量,Q2为由液压缸回油腔流入伺服阀的液压流量,为***遭受的未知函数扰动,dq(t)为压力通道的时变外干扰;
假设伺服阀响应速度非常快即伺服阀频宽远远高于***频宽,即可简化伺服阀阀芯动态为比例环节,则伺服阀负载流量方程为:
公式(6)中Ku为伺服阀的总流量增益,u为***的控制输入电压,Ps为***的油源压力,tanh(·)为双曲正切函数,kc为正常数;
为使控制器的设计更具普遍意义,针对双出杆液压缸执行器伺服***,由式(4)(5)及(6)表征的非线性模型,定义***状态变量为其中x1为负载位移,x2为负载速度,x3为与负载压力有关的变量,则***非线性模型的状态空间形式为:
公式(7)中ψ1(x2)=–AmFm(x2)/m–Bmx2/m和ψ2(x2,x3)=–4A2βex2/(mVt)–4βeCtx3/Vt为可建模的函数,g(x1,x2)=f(x1,x2)/m和h(x1,x2,x3)=4Aβeq(x1,x2,x3)/(mVt)为未知函数扰动,D(t)=df(t)/m和P(t)=4Aβedq(t)/(mVt)为时变外干扰,U=Ru(u,x3)u,其中 另外,值得注意的是g(x1,x2)和D(t)分别为非匹配的未知函数扰动和非匹配的时变外干扰,h(x1,x2,x3)和P(t)分别为匹配的未知函数扰动和匹配的时变外干扰;
通过(4)和(5),很容易看出h(x1,x2,x3)可以表达成如下等式:
基于等式(8),公式(7)可以进一步表达为:
公式(9)中Q(t)=P(t)+Δ(t)并且
控制目标:在***同时遭受匹配以及非匹配的未知函数和时变扰动的工况下,使***的输出y=x1尽可能精确地跟踪期望的光滑指令yd=x1d;
假设1:***期望跟踪的指令信号x1d(t)是三阶连续可导的,且***期望位置指令及其三阶导数都是有界的;
公式(10)中βD1、βD2、βQ1以及βQ2为未知正常数;
4.根据权利要求1所述的方法,其特征在于所述步骤四包括如下步骤:
定义z1=x1-x1d为***的跟踪误差,并定义z2和z3为:
公式(14)中k1为可调整的增益且k1>0,v1为x2的虚拟控制函数;
基于公式(11)对公式(14)求导并定义z3=x3-v2,可得:
公式(15)中v2为x3的虚拟控制函数;基于公式(15),设计虚拟控制函数v2为:
公式(16)中k2为可调整的增益且k2>0,v2m为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,v2r为线性鲁棒项;值得注意的是,设计的虚拟控制函数v2基于期望指令进行前馈补偿,在一定程度上抑制了测量噪声的影响;
基于公式(11)对z3求导可得:
基于公式(17),设计控制律U为:
公式(18)中k3为可调整的正增益,Um为基于模型、多层前馈神经网络自适应和扰动估计的补偿项,Ur为线性鲁棒项;值得注意的是,设计的控制律U基于期望指令进行前馈补偿,在一定程度上削弱了测量噪声的影响;实际的控制输入可以通过u=U/Ru得出;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128622.1A CN110703608B (zh) | 2019-11-18 | 2019-11-18 | 一种液压伺服执行机构智能运动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128622.1A CN110703608B (zh) | 2019-11-18 | 2019-11-18 | 一种液压伺服执行机构智能运动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703608A CN110703608A (zh) | 2020-01-17 |
CN110703608B true CN110703608B (zh) | 2021-08-06 |
Family
ID=69207191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128622.1A Active CN110703608B (zh) | 2019-11-18 | 2019-11-18 | 一种液压伺服执行机构智能运动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703608B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077191B (zh) * | 2020-08-19 | 2023-10-13 | 南京工业大学 | 一种饱和非线性***智能抗扰控制方法 |
CN114077192B (zh) * | 2020-08-20 | 2024-04-05 | 南京工业大学 | 一种非线性***输出反馈智能控制方法 |
CN112486021B (zh) * | 2020-12-07 | 2021-10-08 | 燕山大学 | 一种针对非对称伺服液压位置跟踪***的低复杂控制方法 |
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 |
CN113342075B (zh) * | 2021-06-17 | 2023-08-18 | 青岛大学 | 基于端口受控哈密顿原理的耦合三容液位控制方法 |
CN114839880B (zh) * | 2022-06-02 | 2024-04-19 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
CN116300420B (zh) * | 2022-12-13 | 2024-03-15 | 南方海洋科学与工程广东省实验室(湛江) | 伺服控制方法、***、装置、终端设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199295A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 |
CN107015476A (zh) * | 2017-03-28 | 2017-08-04 | 哈尔滨理工大学 | 一种对电液伺服***的位置和力信号的协同控制方法 |
CN107561935A (zh) * | 2017-08-26 | 2018-01-09 | 南京理工大学 | 基于多层神经网络的电机位置伺服***摩擦补偿控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7080055B2 (en) * | 2000-10-03 | 2006-07-18 | Board Of Regents, The University Of Texas System | Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks |
US8060340B2 (en) * | 2002-04-18 | 2011-11-15 | Cleveland State University | Controllers, observers, and applications thereof |
CN104898428B (zh) * | 2015-05-20 | 2018-04-03 | 南京理工大学 | 一种基于干扰估计的电液伺服***自适应鲁棒控制方法 |
CN106094533B (zh) * | 2016-08-24 | 2019-02-22 | 南京理工大学 | 基于一致鲁棒精确微分器的液压***自适应鲁棒控制方法 |
JP6514257B2 (ja) * | 2017-03-29 | 2019-05-15 | ファナック株式会社 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
CN110308651B (zh) * | 2018-03-27 | 2022-06-07 | 安徽工业大学 | 基于扩张状态观测器的电液伺服***全状态约束控制方法 |
CN109639194A (zh) * | 2019-01-21 | 2019-04-16 | 广西师范大学 | 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法 |
-
2019
- 2019-11-18 CN CN201911128622.1A patent/CN110703608B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199295A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 |
CN107015476A (zh) * | 2017-03-28 | 2017-08-04 | 哈尔滨理工大学 | 一种对电液伺服***的位置和力信号的协同控制方法 |
CN107561935A (zh) * | 2017-08-26 | 2018-01-09 | 南京理工大学 | 基于多层神经网络的电机位置伺服***摩擦补偿控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110703608A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703608B (zh) | 一种液压伺服执行机构智能运动控制方法 | |
Deng et al. | Robust adaptive precision motion control of hydraulic actuators with valve dead-zone compensation | |
Yang et al. | Output feedback control of electro-hydraulic servo actuators with matched and mismatched disturbances rejection | |
Yang et al. | Nonlinear adaptive output feedback robust control of hydraulic actuators with largely unknown modeling uncertainties | |
Guan et al. | Adaptive sliding mode control of electro-hydraulic system with nonlinear unknown parameters | |
CN105159076B (zh) | 基于融合型自适应鲁棒的电液负载模拟器力控制方法 | |
Yang et al. | Adaptive integral robust control of hydraulic systems with asymptotic tracking | |
CN110928182B (zh) | 基于状态估计的液压伺服***鲁棒自适应重复控制方法 | |
CN111338209B (zh) | 一种基于扩张干扰观测器的电液伺服***自适应控制方法 | |
Yuan et al. | Robust MPC–PIC force control for an electro-hydraulic servo system with pure compressive elastic load | |
CN112415891B (zh) | 一种电液伺服***自适应输出反馈渐近控制方法 | |
CN110308651B (zh) | 基于扩张状态观测器的电液伺服***全状态约束控制方法 | |
CN107765548B (zh) | 基于双观测器的发射平台高精度运动控制方法 | |
Niu et al. | Neural network-based finite-time command-filtered adaptive backstepping control of electro-hydraulic servo system with a three-stage valve | |
CN110647111B (zh) | 考虑输出离散性的电液伺服***非线性自抗扰控制方法 | |
CN115236974B (zh) | 一种复合抗扰控制器及其控制参数优化方法 | |
CN114077192B (zh) | 一种非线性***输出反馈智能控制方法 | |
CN110578737B (zh) | 基于非线性神经网络的液压伺服***mrac控制方法 | |
CN111781836B (zh) | 一种液压力预设性能自适应渐近控制方法 | |
Liu et al. | Adaptive self-structuring neural network control for full-state constrained hydraulic systems with disturbance compensation | |
CN114077191B (zh) | 一种饱和非线性***智能抗扰控制方法 | |
CN117518829A (zh) | 一种电液伺服***精确跟踪控制方法 | |
CN109426140A (zh) | 基于simulink的负载模拟器参数影响度分析方法 | |
CN112949180B (zh) | 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 | |
CN117518830A (zh) | 基于扰动补偿的单出杆电液伺服***渐近跟踪控制方法 |
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 |