《Journal of Composites Science》:Longitudinal–Transverse Natural Waves in a Cylindrical Shell in Contact with a Viscous Fluid
Tulkin Ruziyev,
Ismoil Safarov,
Mukhsin Teshayev,
Bahodir Rakhmanov,
Abdurakhim Marasulov,
Sherzod Ablokulov and
Firuza Nurova
编辑推荐:
针对机器人挖掘机斗杆电液伺服系统中存在的高非线性、参数不确定性和未建模动态等挑战,研究人员提出了一种基于径向基函数(RBF)神经网络的非线性积分滑模控制器(SMC)。该控制器设计结合了自适应RBF神经网络以补偿系统扰动和不确定非线性,同时采用积分滑模面以消除稳
针对机器人挖掘机斗杆电液伺服系统中存在的高非线性、参数不确定性和未建模动态等挑战,研究人员提出了一种基于径向基函数(RBF)神经网络的非线性积分滑模控制器(SMC)。该控制器设计结合了自适应RBF神经网络以补偿系统扰动和不确定非线性,同时采用积分滑模面以消除稳态误差。该方法不仅补偿了不确定性,还降低了传统滑模控制对传统精确系统参数的高度依赖。研究人员建立了斗杆电液伺服系统的数学模型,未进行线性近似。基于此模型,设计了结合RBF神经网络的滑模控制器(SMC-RBF),并利用李雅普诺夫(Lyapunov)方法证明了其渐近稳定性。仿真与实验结果同传统比例-积分-微分(PID)控制器进行了对比,验证了所提控制器的优越性。仿真表明,SMC-RBF控制器满足跟踪性能要求并展现出鲁棒性,相比PID控制器将正弦跟踪性能提高了46%。实验结果进一步证明,在2米直线轨迹跟踪中,SMC-RBF控制器相比传统PID控制器将轨迹精度提高了52.46%。
本文针对机器人挖掘机斗杆电液伺服系统在复杂工况下表现出的强非线性、参数不确定性及未建模动态等问题,开展了深入的控制策略研究。电液伺服系统因其高功率密度和灵活的信号处理能力而被广泛应用于挖掘机等工程机械中,但其控制性能极易受到温度扰动导致的有效体积弹性模量变化、油液粘度及外部负载变化引起的泄漏系数波动等因素的影响。传统的线性控制方法(如PID)难以在存在此类不确定性的情况下实现高性能的轨迹跟踪。为此,研究人员提出了一种创新的SMC-RBF控制策略,旨在通过结合滑模控制的鲁棒性与RBF神经网络的自适应逼近能力,实现对系统不确定性的在线补偿,从而提高轨迹跟踪精度和系统的整体鲁棒性。该研究成功设计并验证了这一先进控制算法,为复杂非线性系统的精确控制提供了新的解决方案。
关键技术方法
研究人员采用了基于模型的控制设计与智能算法相结合的方法。首先,建立了斗杆电液伺服系统的非线性数学模型,涵盖了阀控液压缸的流量连续性方程和伺服阀流量方程,并考虑了内部泄漏、有效体积弹性模量等关键参数的不确定性。其次,引入径向基函数(RBF)神经网络作为核心工具,利用其万能逼近特性来在线估计和补偿系统中的未知非线性和未建模动态。最后,设计了积分滑模控制器(SMC-RBF),通过构造积分滑模面消除稳态误差,并结合Lyapunov稳定性理论完成了闭环系统稳定性的严格证明。此外,研究还通过MATLAB/Simulink仿真和实际物理平台实验对所提算法进行了全面的验证与评估。
研究结果
1. 引言
阐述了机器人挖掘机在工程建设中的广泛应用及其对工作装置高精度轨迹控制的需求。指出了电液伺服系统固有的强非线性、参数不确定性(如有效体积弹性模量、泄漏系数的时变特性)和未建模动态是制约其控制性能的主要瓶颈。回顾了现有线性控制方法(如PID、模糊控制)和非线性控制方法(如传统SMC、神经网络控制)的优缺点,引出了将RBF神经网络与积分SMC相结合以克服传统SMC抖振和对模型精度依赖问题的研究动机。
2. 电液伺服系统模型
详细描述了机器人挖掘机斗杆电液伺服系统的组成和工作原理。基于工程简化假设(如忽略外部泄漏、假设供油压力稳定),推导了阀控液压缸的流量连续性方程和伺服阀的流量方程。通过分析主阀芯位移与输入控制电压之间的比例关系,建立了系统关键变量(如液压缸位移、负载压力)之间的非线性耦合关系,为后续控制器设计提供了精确的被控对象模型。
3. 控制器设计
这是论文的核心部分。首先介绍了RBF神经网络的基本结构及其用于逼近系统不确定性部分的原理。随后,定义了位移跟踪误差,并通过数学推导将复杂的电液系统模型转化为简洁的误差动态方程。针对传统SMC易产生稳态误差的问题,设计了积分滑模面。研究人员构建了两个独立的RBF神经网络,分别用于在线逼近由负载压力变化率和系统未建模动态构成的复合不确定性。基于Lyapunov稳定性理论,设计了SMC-RBF控制器的输出律和神经网络权重的自适应更新律,并严格证明了闭环系统的渐近稳定性。为抑制控制信号的抖振,采用饱和函数替代符号函数,确保了算法的实际控制可行性。
4. 仿真结果
在MATLAB 2022b平台上对所提控制器进行了验证。仿真设置了阶跃响应和正弦轨迹跟踪两种典型工况,并引入了大幅度的参数摄动(有效体积弹性模量和泄漏系数变化±30%)和外部干扰(0.3sin(2πt))。结果表明,在阶跃响应中,SMC-RBF控制器相比优化后的PID控制器,上升时间和调节时间显著缩短,且在10秒施加干扰脉冲后能更快恢复稳定,综合响应性能提升约55%。在正弦轨迹跟踪中,SMC-RBF控制器的最大跟踪误差降至18.48 mm,较PID控制器的34.55 mm降低了46%,充分验证了其优越的跟踪性能和抗干扰鲁棒性。
5. 轨迹跟踪实验
在实际的机器人挖掘机(型号LG923F)实验平台上进行了验证。平台集成了数字信号处理器(DSP)控制器、高精度位移传感器和压力传感器等。实验同样对比了SMC-RBF与PID控制器在阶跃响应和2米直线轨迹跟踪中的表现。在阶跃响应实验中,SMC-RBF控制器在上升时间、调节时间、振动幅度和超调量上均优于PID控制器。在直线轨迹跟踪实验中,SMC-RBF控制器的最大误差、平均误差和均方根误差(RMSE)分别为89.93 mm、22.30 mm和27.59 mm,而PID控制器对应为156.71 mm、46.91 mm和58.75 mm。SMC-RBF控制器将平均跟踪精度提升了52.46%,实验结果有力支撑了理论分析和仿真结论。
6. 结论
总结了全文工作,确认了所提出的SMC-RBF控制策略能够有效处理电液伺服系统中的参数不确定性和未建模动态。该策略融合了SMC的快速响应、强鲁棒性和RBF神经网络的自适应能力,在保证闭环系统渐近稳定的前提下,显著提高了轨迹跟踪精度。仿真和实验结果一致表明,该方法在阶跃响应、抗干扰恢复和连续轨迹跟踪方面均优于传统PID控制。研究也指出了当前部分控制器参数缺乏明确整定规则的局限性,并建议将其作为未来研究的重点方向。