随动负载模拟器小脑模型滑模控制

为了提高某随动负载模拟器响应的快速性和准确性,对其进行神经网络滑模控制研究。结合伺服系统的模型,通过非奇异终端滑模控制器对其非线性动态变化做出响应。采用非线性量化小脑模型神经网络控制器输出补偿滑模控制器输出,用梯度下降法更新其权值。非线性量化小脑模型神经网络控制器的泛化能力强、收敛速度快,结合非奇异滑模控制器的鲁棒性强等优点,可以有效降低负载模拟器中非线性因素的影响。仿真实验表明,此方法可以保证系统的稳定性,加快动态响应的速度,提高控制精度。

基于ESO的随动负载模拟器控制策略

由于随动负载模拟器中存在着位置扰动、摩擦以及间隙等非线性影响因素,常见的线性控制方法难以得到较好的控制效果,故提出了基于扩展状态观测器的CMAC前馈分数阶滑模控制策略。利用系统可测量参数,借助于扩展状态观测器观测出非线性扰动;借用双幂次趋近律分数阶滑模控制器,消除参数不确定性带来的干扰,同时又能够降低滑模“抖动”的影响;并采用非线性量化的小脑模型关节控制器作为前馈控制,提高输出的快速性。通过仿真实验验证了该方法的可行性,有助于提高随动负载模拟器的响应速度和稳定性。