力矩促动器的迟滞非线性降低了系统的控制精度。为了解决该问题,建立了可以精确描述该迟滞现象的模型并提出了合理的补偿控制方案。首先,根据迟滞曲线的非中心对称的特性,基于Prandtl-Ishlinskii模型对力矩促动器的迟滞非线性进行分段建模,并采用LMS算法进行模型参数的优化辨识,模型预测误差的RMS值为0.08111N。然后,通过PI模型的解析逆模型进行补偿控制。实验结果表明,采用逆模型补偿后,力矩促动器输出力误差的RMS值从1.888N降低到0.2596N,误差的方均根值降低了86.25%,有效保证了系统的控制精度。

针对阀控缸在工作过程中遇到的外界扰动问题，建立了阀控缸的数学模型，运用自抗扰控制方法，将控制系统的内部扰动和外部扰动看作系统的总和扰动并估算其数值，通过在控制信号中给予补偿，使控制系统变为积分串联型系统。设计稳定平台的自抗扰控制器，分析验证其对控制系统内扰动的抑制能力。通过仿真实验证明，自抗扰控制实现了快速、稳定的阀控缸电液位置控制。

为实现海洋钻井用升沉补偿装置的国产化,采用相似原理设计了海洋钻井平台钻柱升沉补偿试验台控制系统。该系统采用电液比例换向阀控制不对称液压缸模拟海浪升沉,可对升沉运动进行钻柱补偿控制;由于控制部件采用的电液比例换向阀存在死区,系统采用PID和死区补偿控制算法,较好地实现了海浪模拟和补偿控制。为保证升沉给定和跟踪控制精度,软件采用VB调用API函数,可对采样时间间隔进行精确控制。试验数据表明,该控制试验台可满足浮式钻井平台钻柱升沉补偿系统控制要求。

针对数控加工过程日益复杂,数控系统热误差建模及误差补偿控制越发困难的问题,分析了传统建模方式面临的挑战,阐明了以"数据+算法+算力"的数据驱动建模架构在数控系统智能化与精度提升方面面临的机遇和挑战。以数据驱动技术为线索,对数控设备热误差建模和误差补偿控制2个方面的研究现状进行综述。并对数据驱动算法在数控系统中的应用前景进行了乐观预测。

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想 ,提出了一种神经网络在线学习补偿自适应控制结构。基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数。利用“参征器”实行监督控制 ,避免控制器的输出产生振荡或进入饱和状态。工程应用表明 ,该方法将过程辨识和“参征器”引入神经网络的学习和控制中 。

基于反馈误差学习法、小波分析理论并结合面向控制的辨识思想提出了一种神经网络在线学习补偿自适应控制结构.基于被控过程的小波变换结果信息利用反馈误差学习法调整控制参数.利用"参征器"实行监督控制避免控制器的输出产生振荡或进入饱和状态.工程应用表明该方法将过程辨识和"参征器"引入神经网络的学习和控制中可有效地提高系统的控制品质.

补偿控制是电动助力转向系统的重要控制部分.该文讨论了补偿控制方法仿真结果表明:补偿控制能够改善车辆转向性能提高回正速度抑制方向盘振荡保持路感.

针对注射器内胶体余量对时间-压力点胶量一致性的影响，建立了包括胶体余量的时间一压力点胶过程模型及余量估计模型，并设计PI控制器基于模型进行补偿控制。仿真与实验表明该方法明显地改善了时间-压力点胶的一致性。

本文介绍了一种新型电液比例平衡阀的原理以及与传统平衡阀相比的一些优点，最后简单介绍了它的应用。