针对在一面两销夹具定位中,定位销的制造和磨损误差将会导致夹具逐渐丧失鲁棒性的问题,引入了刚体动力学分析方法,建立了定位销误差输入下的零件偏差模型;基于零件偏差模型,使用矩阵二次型理论,推导出了一种敏感度指标用于评价一面两销夹具定位销布局设计的鲁棒性。采用一液压泵盖的计算实例证明,使用该指标进行定位销布局设计,可准确评价零件加工或测量要素对于定位销输入误差的敏感程度,且计算简便,能够为提高一面两销夹具布局设计的鲁棒性提供理论设计依据。

针对电子节气门控制中使用最多的PID算法,在参数发生漂变、存在扰动时会导致控制精度下降甚至不稳定的情况,提出了基于幂次指数趋近律的变结构算法。研究了幂次指数趋近律变结构算法的优势并将其应用于节气门控制,得出了算法控制精度高的结论。提出了通过求解微分方程来研究算法的鲁棒性,并从三个阶段对新算法进行了研究,最终通过加入扰动之后的仿真分析,得出了基于幂次指数趋近律的变结构算法可在系统建模不准、参数存在漂变、存在有界扰动时依然可精确控制电子节气门的结论。

针对传统的PID控制策略不能够适应汽车转向时多变的复杂工况,导致汽车转向性能降低的问题,采用独立于系统参数和干扰的滑模控制策略,对轻型货车电动助力转向系统进行研究,通过离线仿真确定滑模控制策略的趋近律系数并和参数整定后的PID控制策略进行仿真对比,然后结合基于Dspace的试验台架完成对滑模控制策略的试验验证。结果表明滑模控制策略比PID控制策略具有较小的超调量和较高的稳定性,并通过试验验证了滑模控制策略能够实现对目标电流的实时跟随,提高了系统的鲁棒性,对汽车电动助力转向控制器的开发具有重要意义。

助力特性曲线是反映转向轻便性和路感强度的重要特性,对于目标车型进行电动助力转向系统的开发,需要设计符合目标车型状态变化的助力特性曲线,通过确定车速感应系数,设计出了目标车型的曲线型助力特性曲线,并采用基于BP神经网络的PID自适应控制,通过神经网络的自身学习和加权系数调整,实现参数自整定,避免了传统PID参数整定的繁琐。最后针对设计的曲线型助力特性曲线和BP神经网络的控制策略,进行仿真试验。结果表明BP神经网络控制策略能够实现对曲线型助力特性曲线的目标电流进行实时跟随,而且比传统PID控制策略具有较高的稳定性,提高了系统的鲁棒性,对汽车电动助力转向控制器的开发具有重要意义。

四旋翼无人机（uAv）是一种强耦合、欠驱动的系统，飞行过程中易受到系统不确定性和外界干扰影响稳定性，所以提出了一种改进的模糊PID控制方法。首先对四旋翼无人机进行数学建模，设计了改进模糊PID控制方法，该方法主要由三个部分组成，模糊PID，单PID以及计算在控制输出过程中两者的权值比的模糊控制器。最后通过Matlab／Simulink仿真以及在基于STM32F405控制器的四旋翼无人机（UAV）实验平台上验证。实验结果表明，在风速为3m／s条件下，UAV能够平稳起降．对于实时性的姿态以及运动状态做出智能的控制．具有良好的鲁格陆以及控制精度。

首先分析了自平衡两轮电动车的数学模型和无刷直流电机（BLDC）的数学模型,之后在MATLAB/SIMULINK中分别建立了自平衡两轮电动车的机械仿真模型以及无刷直流电机的转速和电流双闭环驱动系统的仿真模型。分别采用PID控制算法和模糊控制算法作为自平衡两轮电动车系统的平衡控制算法,联合了自平衡两轮电动车的机械模型和无刷直流电机双闭环驱动模型,从而建立了自平衡两轮车控制系统的仿真模型。仿真结果表明模糊控制器更适用于本系统,并通过改变车身质量和车身质心高度来检验自平衡车系统算法的鲁棒性,对比分析了实验结果。

传统结构动力学模型确认方法通常采用单目标优化,存在精度不足和稳定性差等缺点,难以满足实际工程需求。基于此,提出一种采用神经网络作为代理模型,建立以马氏距离和鲁棒性为不确定性量化指标的多目标优化模型,并将NSGA2多目标进化算法用于求解。针对NSGA2存在无法有效识别伪非支配解、计算效率低和解集质量较差等设计缺陷,提出一种基于支配强度的NSGA2改进算法INSGA2-DS。INSGA2-DS将支配强度引入非支配排序,采用新型拥挤距离公式和自适应精英保留策略,以提高收敛效率和解集质量。GARTEUR飞机算例的仿真结果表明,INSGA2-DS求解复杂工程问题时具有更好的收敛性和分布性,而考虑鲁棒性的结构动力学模型确认方法可以获得同时满足多种目标要求的Pareto解集,提高了模型确认的精度和稳定性。

针对电液伺服系统存在非线性、参数时变等问题,设计了一种具有在线实时调节PID参数的自适应模糊PID智能方法,以实现对被控对象的位置追踪和准确定位。首先利用AMESim建立控制系统仿真模型,然后基于Lab VIEW设计自适应模糊PID控制器,对系统进行联合仿真,最后基于PCI-6221为硬件核心,结合DAQ技术对控制系统进行实验分析。仿真和实验结果表明,该方法比传统的PID控制方法具有更好的鲁棒性和自适应性,明显提高了系统的稳态精度和动态响应速度。

针对电液伺服系统中存在不确定非线性和强参数不确定性的问题,提出一种多模型鲁棒自适应控制算法。根据系统参数不确定性范围建立了多个辨识模型,在辨识模型中设计非线性鲁棒项,以抑制干扰、未建模动态等不确定非线性的影响,提高系统的鲁棒性。基于辨识模型设计相应的控制器,采用基于辨识误差的性能指标函数作为切换依据,选取最佳控制器作为当前控制器,解决了传统自适应控制对参数自适应初值敏感的问题。该方法能够克服不确定非线性和强参数不确定性的影响,使系统得到渐进跟踪的性能,提高系统的瞬态响应性能。实验结果表明,该算法能抑制建模不确定性的影响,系统期望跟踪指令幅值为10mm时,跟踪误差大约为0.038 6mm,相对跟踪误差约为0.386%,系统跟踪精度得到了提高。

本文针对一高精度电液伺服系统，利用神经网络设计了控制器，实验表明，该控制器有较强的鲁棒性。