目前的仿生机器人多以刚性材料为主,灵活度不高且与人交互不安全。针对这一问题,设计了一款气动软体机器人,采用蜂巢六边形腔室制作了软体机器人的腿部结构和相应气动网格驱动器,通过对其充气能够实现软体腿的伸长、弯曲等运动。对气动蜂巢软体腿的迟滞特性进行分析,首先建立了Prandtl-Ishlinskii(PI)模型,但由于其对称性造成了建模的不准确性;通过改进PI模型的包络函数,得到了可用于描述非对称性迟滞现象的MPI模型,并采用MPI模型对气动蜂巢软体腿的迟滞现象进行前馈补偿,经过补偿后,跟踪误差减小,有效的消除了大部分迟滞效应。

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。

针对气动肌肉运动过程中产生的迟滞现象,采用神经网络方法对其位移/气压迟滞开展了建模比较研究。首先组建了气动肌肉的迟滞特性测试实验平台,采集其位移/气压迟滞实验数据;然后基于BP神经网络和RBF神经网络分别进行了迟滞环的整体和分段建模,并与经典PI模型的建模效果进行了对比。研究表明,PI模型的建模精度比神经网络差,但计算时间短;神经网络整体建模时存在过拟合现象,而分段建模则可有效避免过拟合现象;BP神经网络的建模与预测精度均优于RBF神经网络;对于BP神经网络,分段建模的平均误差、均方差和最大误差相较于整体建模分别减小了9.07%、14.54%和24.68%,而采用RBF神经网络,其误差分别减小了8.89%、13.03%和19.49%,可见分段建模的预测精度优于整体建模。

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。

为提高扫描电化学显微镜（SECM）微定位系统的运动定位精度,对其压电工作台的数学模型和控制器设计进行了研究。介绍了压电工作台的动态迟滞模型方程和采用Prandtl-Ishlinskii（PI）迟滞算子的动态迟滞模型,并在此基础上设计了压电工作台的复合控制方案。以CHI900B型扫描电化学显微镜的三维压电工作台为实验对象,对动态迟滞模型的具体建模过程进行了阐述,并验证了控制器的性能。在100 V/s和900 V/s两种不同输入电压速率下进行运动定位实验,动态迟滞模型平均误差分别为0.08μm和0.11μm,精度明中显优于压电工作台的线性动态模型和PI迟滞模型。复合控制方案下,系统跟踪±400μm/s任意三角波的平均误差为0.085μm,最大误差为0.105μm 跟踪复频波的平均误差为0.105μm,最大误差为0.115μm。控制效果较好。

针对传统Prandtl-Ishlinskii(PI)模型不能反映压电式气体比例阀迟滞非对称特性而导致其补偿控制精度难以提高的问题,提出了一种改进的PI模型,通过添加3次多项式使其能拟合压电式气体流量比例控制阀的非对称迟滞曲线。利用改进的自适应粒子群遗传算法辨识所需的模型参数,模型相对误差为0.0073%,并将模型用于前馈补偿控制。实验结果表明,基于迟滞模型的前馈补偿控制可显著提高压电式气体比例阀输出流量控制的快速性,调节时间降低了60%。