针对液驱并联机构多维力加载系统非线性、时变和强耦合的系统特性,提出一种改进PID控制策略以提高系统输出精度。通过构建多维力加载系统动力学模型与液压动力元件模型,分析研究耦合力产生机理。将多维力加载时受系统自身结构影响的各...针对液驱并联机构多维力加载系统非线性、时变和强耦合的系统特性,提出一种改进PID控制策略以提高系统输出精度。通过构建多维力加载系统动力学模型与液压动力元件模型,分析研究耦合力产生机理。将多维力加载时受系统自身结构影响的各通道间耦合力与系统参数摄动等非线性因素视为干扰,采用模糊控制对PID参数进行实时调整,抑制系统非线性干扰以提高跟踪精度;考虑到传统经验法或专家知识库的模糊推理对PID控制参数调整不够精细,提出一种模糊PID与小脑模型神经网络(cerebellar model articulation controller,CMAC)并行的控制策略,利用其自适应能力与快速学习非线性函数能力对模糊PID控制过程进行学习和插补。研究结果表明:与PID控制器相比,CMAC-模糊PID控制器能够有效地解决液驱并联机构多维力加载系统复杂的跟踪问题。展开更多
文摘针对液驱并联机构多维力加载系统非线性、时变和强耦合的系统特性,提出一种改进PID控制策略以提高系统输出精度。通过构建多维力加载系统动力学模型与液压动力元件模型,分析研究耦合力产生机理。将多维力加载时受系统自身结构影响的各通道间耦合力与系统参数摄动等非线性因素视为干扰,采用模糊控制对PID参数进行实时调整,抑制系统非线性干扰以提高跟踪精度;考虑到传统经验法或专家知识库的模糊推理对PID控制参数调整不够精细,提出一种模糊PID与小脑模型神经网络(cerebellar model articulation controller,CMAC)并行的控制策略,利用其自适应能力与快速学习非线性函数能力对模糊PID控制过程进行学习和插补。研究结果表明:与PID控制器相比,CMAC-模糊PID控制器能够有效地解决液驱并联机构多维力加载系统复杂的跟踪问题。