基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

基于气动人工肌肉的混合位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一个带有自适应模糊小脑模型(Cerebellar Model Articulation Controller,CMAC)在线逼近的离散趋近律滑模混合控制器.该混合控制器中离散趋近律滑模策略产生控制器的输出;自适应模糊CMAC用以逼近气动人工肌肉系统中的不确定项.CMAC网络权值的在线学习调整保证了自适应模糊CMAC的逼近性能.对离散抗饱和PID控制器(DASPID)与自适应模糊CMAC离散滑模混合控制器(HybridC)的位置跟踪控制性能进行了对比实验.实验结果表明,HybridC较之DASPID有更好的位置跟踪控制性能.当期望参考输入为正弦信号时,DASPID的最大位置跟踪误差为±1.5 mm;而HybridC的最大位置跟踪误差仅为±0.7 mm,平均位置跟踪误差大约仅为±0.2 mm.并且,离散滑模所固有的抖振现象得到了有效的抑制.