基于 RBF 神经网络的气动人工肌肉 PID 位置控制

doi:10.12141/j.issn.1000-565X.190253

华南理工大学学报（自然科学版） ›› 2020, Vol. 48 ›› Issue (5): 142-148.doi: 10.12141/j.issn.1000-565X.190253

• 机械工程 • 上一篇

基于 RBF 神经网络的气动人工肌肉 PID 位置控制

刘凯¹ 陈伊宁¹ 吴阳¹ 王扬威²

1．南京航空航天大学机电学院，江苏南京 210016; 2．东北林业大学机电工程学院，黑龙江哈尔滨 150040

收稿日期:2019-05-12 修回日期:2019-12-23 出版日期:2020-05-25 发布日期:2020-05-01
通信作者: 刘凯(1981-)，男，博士，副教授，主要从事仿生机器人、数控技术研究。 E-mail:liukai@nuaa.edu.cn
作者简介:刘凯(1981-)，男，博士，副教授，主要从事仿生机器人、数控技术研究。
基金资助:
国家自然科学基金资助项目 (51405229); 江苏省自然科学基金资助项目 (BK20151470，BK20171416)

PID Position Control of Pneumatic Muscle Actuator Based on RBF Neural Network

LIU Kai¹ CHEN Yining¹ WU Yang¹ WANG Yangwei²

1． College of Mechanical and Electrical Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，Jiangsu，China; 2． College of Mechanical and Electrical Engineering，Northeast Forestry University，Harbin 150040，Heilongjiang，China

Received:2019-05-12 Revised:2019-12-23 Online:2020-05-25 Published:2020-05-01
Contact: 刘凯(1981-)，男，博士，副教授，主要从事仿生机器人、数控技术研究。 E-mail:liukai@nuaa.edu.cn
About author:刘凯(1981-)，男，博士，副教授，主要从事仿生机器人、数控技术研究。
Supported by:
Supported by the National Natural Science Foundation of China (51405229) and the Natural Science Founda-tion of Jiangsu Province (BK20151470，BK20171416)

摘要/Abstract

摘要： 搭建了气动人工肌肉静态测试平台，在 0. 1 ～ 0. 8 MPa 气压下进行多次测量试验，对气动人工肌肉进行特性分析，根据理论模型和测试数据建立了数学模型，模型求解精度较好。考虑外负载、气源气压和系统摩擦等因素对数学模型的影响，结合RBF网络的快速学习能力设计了一种基于 RBF 网络的 PID 控制策略。在外负载50 ～200N 的条件下，搭建了气动人工肌肉动态测试平台并进行了多组位置控制试验。结果表明，传统 PID 控制只能在一定的外负载范围内实现较好的位置控制，基于RBF 网络的 PID 控制能自适应调整 PID 参数，且响应速度快，调节时间短，超调量小，能更好地补偿其数学模型误差并实现精确的位置控制。

关键词: 气动人工肌肉, RBF 神经网络, 自适应 PID, 位置控制

Abstract: The static test platform of pneumatic artificial muscle was built，and a series of measurement tests were carried out under pressure of 0. 1 ～ 0. 8 MPa to analyze the characteristics of pneumatic artificial muscle． The mathematical model，which was built based on the theoretical model and test data，shows a high accuracy of solu-tion． In consideration of the influence of external load，gas pressure and system friction on the mathematical mod-el，a PID control strategy based on ＲBF network was designed with the fast learning ability of ＲBF network． Un-der the condition of external load F = 50 ～ 200 N，the dynamic test platform was built and a number of position control tests were implemented． The results show that the traditional PID control strategy can only achieve better control accuracy within a certain range of external loads，while the proposed strategy is able to adjust the PID pa-rameters adaptively． Moreover，the proposed PID control strategy has the advantages of higher response speed，shorter adjustment time and smaller overshoot，and it can better compensate the mathematical model error and a-chieve higher control accuracy．

Key words: pneumatic artificial muscle, RBF neural network, adaptive PID, position control

中图分类号:

TP242
Q811

刘凯, 陈伊宁, 吴阳, 等. 基于 RBF 神经网络的气动人工肌肉 PID 位置控制[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 142-148.

LIU Kai, CHEN Yining, WU Yang, et al. PID Position Control of Pneumatic Muscle Actuator Based on RBF Neural Network [J]. Journal of South China University of Technology (Natural Science Edition), 2020, 48(5): 142-148.

[1]	郭新平, 贺昕, 王恒升, 等. 重型液压机械臂的模型前馈补偿自抗扰控制[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 59-67.
[2]	解辉, 沈刚, 刘东, 等. 单绳缠绕式矿井提升机制动瞬态冲击抑制策略[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 141-150.
[3]	季祥, 王海红, 翟天嵩, 等. 多轴机器人系统输出反馈有限时间同步位置控制[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 56-68.
[4]	翟宇毅, 马新愿, 陈冬冬, 等. 柔性穿戴式上肢康复机器人关节运动控制研究[J]. 华南理工大学学报(自然科学版), 2021, 49(6): 19-27.
[5]	汪成文, 郭新平, 张震阳, 等. 泵阀并联电液位置伺服系统的智能控制方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(3): 25-33.
[6]	王毅红, 张建雄, 兰官奇, 等. 压制生土砖强度的人工神经网络预测模型[J]. 华南理工大学学报（自然科学版）, 2020, 48(7): 115-121.
[7]	吴玉香李杨关伟鹏. 带有未知参数和有界扰动的机械臂混沌反控制[J]. 华南理工大学学报（自然科学版）, 2018, 46(10): 63-71.
[8]	金杉金志刚刘永磊. 执勤行车时间的KMP - RBF 融合预测方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(3): 35-41,47.
[9]	邱敦国兰时勇杨红雨. 基于时空特性的短时交通流预测模型[J]. 华南理工大学学报（自然科学版）, 2014, 42(7): 49-54.
[10]	施光林周爱国钟廷修. 气动人工肌肉驱动多自由度平台的非线性特性[J]. 华南理工大学学报(自然科学版), 2004, 32(9): 41-45.

基于 RBF 神经网络的气动人工肌肉 PID 位置控制

PID Position Control of Pneumatic Muscle Actuator Based on RBF Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价