基于RBF神经网络的气动人工肌肉PID位置控制

发布时间：2021-06-15 13:38

　　搭建了气动人工肌肉静态测试平台,在0.1～0.8 MPa气压下进行多次测量试验,对气动人工肌肉进行特性分析,根据理论模型和测试数据建立了数学模型,模型求解精度较好。考虑外负载、气源气压和系统摩擦等因素对数学模型的影响,结合RBF网络的快速学习能力设计了一种基于RBF网络的PID控制策略。在外负载50～200 N的条件下,搭建了气动人工肌肉动态测试平台并进行了多组位置控制试验。结果表明,传统PID控制只能在一定的外负载范围内实现较好的位置控制,基于RBF网络的PID控制能自适应调整PID参数,且响应速度快,调节时间短,超调量小,能更好地补偿其数学模型误差并实现精确的位置控制。 

【文章来源】：华南理工大学学报(自然科学版). 2020,48(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

FESTO气动肌腱

PMA结构简图

气动人工肌肉静态测试原理如图3所示,测试平台如图4所示。测试台主要由气动人工肌肉、比例伺服阀(SMC 公司,ITV1050- 312- L2)、气泵(V- 0.25/ 12.5)、气压传感器(SMC 公司,PSE530)、位移传感器(GRFRAN公司,PK- M- 400)、8通道数据采集卡(ART公司,PCI8735)、8通道运动控制卡(ART公司,PCI8201)、拉力传感器(PSK- 100)和测控软件组成。比例阀可与电压信号成比例地对气压进行无极控制,灵敏度高,电压值0～10 V线性对应气压值0～0.9 MPa;控制卡和采集卡插在PC机的PCI插槽中,减压阀保证气压稳定,不会过大导致损坏比例阀和人工肌肉。图4 PMA静态测试平台

【参考文献】：
期刊论文
[1]基于UMAC的RBF神经网络PID控制[J]. 李明,封航,张延顺.  北京航空航天大学学报. 2018(10)
[2]基于滑模补偿的六轴机械臂RBF网络自适应控制[J]. 王宏,郑天奇.  东北大学学报(自然科学版). 2017(11)
[3]基于气动人工肌肉变刚度并联减振系统模型及特性研究[J]. 刘延斌,李志松,底复龑.  液压与气动. 2013(11)
[4]基于气动肌腱驱动的拮抗式仿生关节设计与控制[J]. 于海涛,郭伟,谭宏伟,李满天,蔡鹤皋.  机械工程学报. 2012(17)
[5]下肢康复机器人技术及气动肌肉的应用[J]. 滕燕,杨罡,李小宁,吕征.  机床与液压. 2012(15)
[6]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[J]. 沈伟,施光林.  上海交通大学学报. 2012(04)
[7]气动人工肌肉手臂的神经网络Smith预估控制[J]. 王冬青,王钰,佟河亭,韩平畴.  控制工程. 2012(02)
[8]气动肌肉驱动的康复机器人关节建模及位置模糊控制[J]. 王建,江先志.  机械制造. 2011(03)
[9]基于RBF在线辨识的PID整定[J]. 张静,裴雪红.  电机与控制学报. 2009(S1)
[10]气动人工肌肉驱动多自由度平台的非线性特性(英文)[J]. 施光林,周爱国,钟廷修.  华南理工大学学报(自然科学版). 2004(09)

硕士论文
[1]气动人工肌肉柔性机械臂控制策略研究[D]. 吴阳.南京航空航天大学 2019
[2]基于气动肌肉驱动的仿蛙腿跳跃机构控制系统研究[D]. 焦磊涛.哈尔滨工业大学 2013



本文编号：3231156