[发明专利]基于自适应鲁棒控制的比例减压阀滞环补偿装置及方法有效
申请号: | 201610067362.1 | 申请日: | 2016-01-29 |
公开(公告)号: | CN105739307B | 公开(公告)日: | 2018-08-07 |
发明(设计)人: | 王庆丰;李勇 | 申请(专利权)人: | 浙江大学 |
主分类号: | G05B13/04 | 分类号: | G05B13/04 |
代理公司: | 杭州中成专利事务所有限公司 33212 | 代理人: | 金祺 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 自适应 鲁棒控制 比例 减压阀 补偿 装置 方法 | ||
1.基于自适应鲁棒控制的比例减压阀滞环补偿装置,包括滞环补偿装置和比例减压阀(12),所述比例减压阀(12)通过定量泵(13)提供油液,所述比例减压阀(12)的输出压力信号用来控制比例减压阀负载(14);其特征是:所述滞环补偿装置包括压力传感器(1)、低通滤波器(2)、模拟量采集单元(3)、参考压力信号生成器(4)、比较器(5)、调节函数生成器(6)、调节函数投影器(7)、系统参数估计器(8)、控制信号生成器(9)、模拟量输出单元(10)、比例放大板(11);
所述压力传感器(1)采集比例减压阀(12)的输出压力,依次通过低通滤波器(2)和模拟量采集单元(3)得到压力信号;
所述参考压力信号生成器(4)产生参考压力信号和参考压力信号对时间的微分信号;
所述比较器(5)获取压力信号和参考压力信号,进行比较后获得跟踪误差;
所述系统参数估计器(8)产生系统参数估计值、系统参数上下界、外干扰以及建模误差的估计误差的上界;
所述压力信号、跟踪误差、参考压力信号对时间的微分信号、系统参数上下界、系统参数估计值、外干扰以及建模误差的估计误差的上界传递给控制信号生成器(9),生成控制信号;
所述控制信号依次通过模拟量输出单元(10)、比例放大板(11)控制比例减压阀(12)的输出压力;
所述控制信号、系统参数估计值、跟踪误差、压力信号被传递给调节函数生成器(6)生成系统参数调节函数;
所述系统参数调节函数经调节函数投影器(7)估计出系统参数变化量;
所述系统参数估计器(8)产生系统参数上下界、外干扰以及建模误差的估计误差的上界,并接收系统参数变化量来实时更新系统参数估计值。
2.基于自适应鲁棒控制的比例减压阀滞环补偿方法,其特征是:压力传感器(1)采集比例减压阀(12)的输出压力,并经低通滤波器(2)滤波后,由模拟量采集单元(3)得到压力信号x;
参考压力信号生成器(4)产生参考压力信号x1d以及参考压力信号x1d对时间的微分信号
比较器(5)将压力信号x以及参考压力信号x1d进行比较得到跟踪误差z=x-x1d;
系统参数估计器(8)产生系统参数上下界θmin、θmax,外干扰以及建模误差的估计误差的上界δ0,并实时更新系统参数估计值
控制信号生成器(9)将跟踪误差z、压力信号x、参考压力信号x1d对时间的微分信号系统参数估计值系统参数的上下界θmin、θmax、外干扰以及建模误差的估计误差△的上界δ0生成补偿控制信号和稳定控制信号
补偿控制信号uf和稳定控制信号us组成的控制信号u=uf+us依次经模拟量输出单元(10)和比例放大板(11)后生成控制电流i驱动比例减压阀(12),控制比例减压阀(12)的输出压力;
调节函数生成器(6)将补偿控制信号uf、系统参数估计值跟踪误差z以及压力信号x生成系统参数调节函数
系统参数调节函数τ经调节函数投影器(7)估计出系统参数变化量并将该系统参数变化量传递给系统参数估计器(8)实时更新系统参数估计值
定量泵(13)给比例减压阀(12)提供油液,比例减压阀(12)所产生的压力信号用来控制比例减压阀负载(14);
补偿控制信号和稳定控制信号中,h=θ1maxx+θ3max+θ2maxuf+δ0;
为θ1的估计值,为θ2的估计值,为θ3的估计值,
λ为稳定系数,ε为跟踪误差系数;
θ1max、θ2max、θ3max表示对应参数的上界值;
所述系统参数变化量中:
proj(Γτ)=[proj((Γτ)1),proj((Γτ)2),proj((Γτ)3)]T
且
其中:Γ为3×3对角矩阵。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201610067362.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:远程高压开关
- 下一篇:蒸馏塔液位的ARX-模糊神经网络模型辨识方法