论文部分内容阅读
力矩负载模拟器在航空航天、武器装备、工业生产和科研实验等许多领域有着广泛的应用。在飞行器研制过程中,作为一种能够模拟地面试验或真实飞行过程中其所承受的力矩载荷的半实物仿真设备,在对舵系统的机械结构、控制性能以及飞行器自动驾驶控制系统性能测试和分析中,负载模拟器都发挥着重要的作用。近年来随着电机制造及驱动控制技术的发展,电动负载模拟器得到了越来越多的应用。 负载模拟器的高性能主要表现在对指令转矩的快速、精确的跟踪,以及对承载对象运动引起的多余力矩的抑制和补偿上。由于多余力矩是一种由于力矩和位置的耦合产生的强干扰,加上系统本身的非线性和不确定性,传统的控制方法难以对其进行有效的抑制。因此为提高系统的性能,对适合于负载模拟器的先进的控制结构和策略进行深入的研究是非常必要的。 本文首先提出负载模拟系统的基本结构和组成。基于双惯量系统对加载和承载系统之间耦合动力学特性进行了研究和分析,提出了在加载转矩控制中基于速度控制的新模式,并利用永磁同步伺服电机与减速机构作为加载执行单元,从而形成了转矩、速度和电流的三环基本控制结构。利用的速度环的特性可以改善连接环节的弹性和惯量引起的谐振以及电机电流环的负载扰动、摩擦等非线性因素产生的不利影响。建立了包含加载系统和承载系统的完整的负载模拟系统数学模型,详细分析了系统的特性和多余力矩产生的原因及构成,对系统的不确定性和非线性因素进行了分析,为先进控制策略的应用打下了基础。 针对负载模拟系统加载运行方式的重复性的特点,提出了PID反馈控制和前馈迭代学习的控制策略,并基于2-D系统的方法给出了控制稳定性和收敛性的判据以及设计方法。对传统的PID型迭代学习控制进行改进,提出了基于前馈-状态反馈控制结构的非因果滤波器型迭代学习律,分析了其收敛性,给出了滤波器参数的设计方法。这种方法可以在对反馈信号中的噪声有较好的滤波特性的同时,使迭代学习控制有更好的收敛性,设计和调试简单。进一步地提出了采用基于递归神经网络的迭代学习控制策略,使系统具有更好的学习能力和适应性。这些控制方法具有较好的实时性和控制精度,适于负载模拟系统的工程应用。仿真和实验都证明了该控制方法的有效性。 对负载模拟器的神经网络控制策略进行了研究,提出了采用基于动态模糊神经网络的方法。结合资源优化网络的思想,给出了动态模糊神经网络的原理、规则的产生、剪裁和权值的训练方法。这种基于RBF的神经网络具有较少的神经元结构,算法的速度快,同时对于具有不确定性和非线性的系统也具有良好的逼近能力,更适合于在线的实时控制。针对加载对象位置扰动可测和不可测两种情形,提出了采用自适应前馈补偿和神经网络内模+PID控制两种电动负载模拟器控制结构。仿真结果证明该策略有效地抑制了多余力矩,提高了系统的控制性能。 最后设计了基于MCT8000运动控制卡的控制系统,实现了系统的软件、硬件设计,实验结果验证了ILC算法的正确性和有效性。 本文采用先进的智能控制策略对于负载模拟器系统的控制做出了较为深入的研究,体现了负载模拟系统控制的发展趋势,研究成果对实际应用有较好的指导和参考作用。