水压人工肌肉三自由度关节试验系统设计

根据人体肩关节的运动机理,设计了串并联混合式三自由度水压人工肌肉机械关节.参照人体肩关节输出力矩范围,设计了机械关节输出转矩,计算确定与机械关节相匹配的水压人工肌肉参数.根据水压人工肌肉在不同工作压力下的力位移特性,分析关节的转角转矩关系.设计并搭建了三自由度关节试验系统,该系统在承受一定力矩的情况下可实现三自由度回转运动,为深入研究水下作业机械手的运动控制、操纵性能提供了条件.     

气动人工肌肉与标准气缸的力特性比较

为了精确地描述气动人工肌肉的力特性,建立了一个基于弹性力学的新型串联模型,并结合实验评估系统的实验结果对它进行进一步的补偿．气动人工肌肉和气缸在模型和实验数据方面的比较结果表明,气缸模型虽然简单,但爬行现象严重;气动人工肌肉的模型复杂,却无爬行现象,为气动人工肌肉在工业中的应用提供了设计依据．     

气动人工肌肉驱动关节PID位置控制

气动人工肌肉是一种由气压驱动的收缩型气动执行器,由气动人工肌肉驱动的人工关节具有重量轻、柔顺性好等特点.由于人工肌肉存在着明显的非线性、滞环大等缺点,对其位置控制有一定的难度,必须采取适当的控制策略才能得到较高的控制精度.本文介绍了一种以人工肌肉驱动关节为控制对象的位置控制系统,通过PID控制算法实现位置闭环控制.实验结果验证了控制策略的有效性,为气动人工肌肉驱动关节的应用打下基础.     

气动人工肌肉驱动多自由度平台的非线性特性

以气动人工肌肉为驱动器,构造了一个新型的多自由度平台实验系统,基于对其运动特性的分析。建立了以微分方程表达的系统的非线性动力学模型,并进一步将其变换成状态空间的仿射非线性表达形式．通过数字仿真结果和实验结果的对比,证明了所建立的数学模型的正确性,并得到了该系统的一系列非线性特性．结果表明,气动人工肌肉驱动的多自由度平台具有很好的可控性及稳定性．     

面向人工肌肉驱动器的无模型自适应滑模控制研究

针对人工肌肉驱动器模型的控制策略较为复杂、控制参数较多、调节过程较为繁琐、通用性较差等问题.首先基于梯度法设计了无模型自适应滑模控制器(MFASMC)并对其稳定性进行了证明.然后,利用该控制器分别对离子交换聚合金属(IPMC)以及气动人工肌肉(PAM)两种典型人工肌肉驱动器进行控制仿真实验,从而对其控制精度、适应性及通用性进行验证.由仿真结果可知,通过设计控制器参数的调节规律,MFASMC算法可以实现对控制参数的快速在线调节,故对于不同种类的人工肌肉驱动器避免了繁杂的数学建模过程及控制参数调节过程,具有良好的适应性及通用性.     

锥型节流阀压力特性仿真与试验

以液压锥型节流阀为对象,研究了阀体流道的压力分布;选取45°三角形、矩形和U形节流槽三种阀芯建立了仿真模型;基于ADINA软件的流固耦合模块对三种阀芯情况下阀体内流道的压力分布和流场情况进行了仿真研究,并搭建试验台对仿真结果进行了试验验证.研究表明:节流阀的内流道压力在经过阀口后迅速降低,并在阀口的边缘位置有内流道中的最小值;节流阀竖直流道内的压力较低,是气穴现象的高发区;从压力和气穴的角度分析得出45°三角形阀芯的节流阀性能最优,矩形较差,U形阀芯的最差.     

气动人工肌肉位置控制策略

针对气动人工肌肉位置控制系统,提出了两层滑模的变结构鲁棒控制策略,控制器的推导基于李亚普诺夫稳定性理论.实验表明所设计的气动人工肌肉位置控制系统稳态控制精度可达到±0.2 mm,在负载质量和气源压力改变的情况下,稳态位置控制精度仍可达到±0.3 mm,实验结果证明了所提出方法的有效性和系统的鲁棒性.该研究为气动人工肌肉获得广泛的应用提供了理论依据.     

主动控制节流气体润滑轴承静态特性研究

提出一种新型的主动控制节流气体润滑轴承,建立了该轴承的理论分析模型,并解决了数值计算中多重迭代与快速收敛问题。试验研究结果表明,该轴承通过主动控制节流器对轴承压力反馈控制,使轴承静态性能显著提高。     

可变阻抗滑动轴承静态特性的试验研究

通过试验，探讨了可变阻抗滑动轴承的凹槽与缓冲器对轴承的承载力和静态工作特性的影响，结果表明，凹槽与缓冲器并不影响轴承的承载能力和运行位置．     

静水压力模式与动水压力模式比较分析

比较静水压力模式与动水压力模式下地下水的作用效果,结果表明,在水平方向上,静水压力的条块合力要大于动水压力的条块合力,两者之间存在cos^2α的倍数差别;而在垂直方向上,静水压力的条块合力要小于动水压力的条块合力,其差值大小为rωS2sin^2α．2种水压模式都是可取的,但在具体应用时,对于静水压力模式,应取快剪或不排水剪指标;对于动水压力模式,则应取用慢剪或排水剪指标．如选用的强度参数合适,2种水压力模式下计算所得的斜坡稳定性系数甚为接近．     

基于神经网络的人工肌非线性控制

运用非线性控制的逆系统方法,提出了一种基于神经网络的人工肌非线性控制方案,由原系统导出n-m阶逆系统模型,并与原系统一起构成具有反馈结构的伪线性系统,从而可方便地运用线性控制理论完成对控制系统的设计,用BP神经网络逼近逆系统模型,并借助于递推预报误差算法来训练神经网络,该算法与传统的BP算法相比具有更好的收敛特性,设计了一个具有单关节的人工肌试验系统,给出了人工肌关节跟踪正弦波和矩形波参考信号的试验结果,与传统的线性控制方案比较,基于神经网络的人工肌非线性控制方案能够得到更快的控制速度和更高的控制精度。     

风洞结构对试验段静压系数和静压梯度的影响

静压系数和静压梯度是评估汽车风洞试验段流场品质的重要参数.以数值仿真为主,风洞试验为辅的方法研究了风洞结构对试验段静压系数和静压梯度的影响.通过研究发现,使用包含2个拐角的计算模型进行静压系数和静压梯度仿真,可以得到真实的结果.无论是大喷口还是小喷口,收集口高度为270mm时,对应试验段静压系数和静压梯度最平缓,试验段可用长度最长,对试验测量影响最小.对于大喷口,随着收集口高度降低,收集口处静压系数和静压梯度不断下降;当收集口高度为240mm时,靠近收集口处的静压系数和静压梯度变为负值.对于小喷口,收集口面积远大于喷口面积,气流到达收集口的速度有所减少,当地静压系数和静压梯度均为正值.     

无压力传感器下的电子液压制动系统轮缸液压力控制

线控电子液压制动系统作为下一代汽车制动系统的主流解决方案,其轮缸液压力控制是实现车辆稳定性控制等主动安全功能的基础。针对四阀结构的集成式电子液压制动系统的成本与冗余问题,提出一种无轮缸压力传感器下的轮缸液压力控制策略。通过台架测试分析液压调节单元的工作特性,提出基于伯努利方程与轮缸PV(pressure volume)特性相结合的轮缸液压力估计方法,设计电磁阀开闭逻辑及基于减压优先的轮缸液压力均衡控制策略,最后通过台架试验进行对比验证。试验结果表明,所提出方法的液压力控制均方根误差在0.21MPa以内,与有液压力传感器方案的控制精度相当。     

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.     

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AFCMAC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AFCMAC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.     

以高压气体为动力的水压施加装置与控制系统设计

稳定水压供给设备是岩石力学水力耦合试验的关键装置,以高压气体为动力设计的水压施加装置具有压力稳定、能耗低的优点。本文以PC为上位机,西门子S7-1200为下位机设计了一种以高压气体为动力的压力控制系统。系统中PLC采集数据与上位机目标压力值实时交互,通过自动控制电磁阀开闭实现高压气体输入量的动态调控,待系统内水压接近设定目标值后,再由控制系统启动电动试压泵精准调压至设定目标值。     

静态特性向动态特性的转换问题

静态特性问题应用静态田口方法进行设计,有时难以获得满意结果,通常的解决方法是重选因素或响应并再作实验。这种做法不但增加了实验费用,效果也不显著。该文根据动态理论提出了将静态特性问题转化的动态特性问题,进而应用动态田口法进行设计解决方案。该文将此方法应用于塑料联结螺母标准设计,收到了良好效果。另外,由于此方法可重新利用原有实验数据,不需另作实验。