2. 国网辽宁省电力有限公司电力科学研究院 客服计量中心,辽宁 沈阳 110006
2. Customer Service Measurement Center, State Grid Liaoning Electric Power Research Institute, Shenyang 110006, China
电液作动器由于具有大负载能力、高尺寸功率比,快速响应等不可替代的特点而广泛应用于各种工业场合[1-2].由于液压伺服系统中固有的结构化和非结构化不确定性[3]使得高性能控制一直是一项挑战.为此许多学者进行了深入研究,Ahn等采用自适应反步控制技术应用在泵控液压缸系统中取得了较好的跟踪效果[4].姚建勇等采用了鲁棒自适应控制解决液压系统不确定问题[5].Garagic等使用了反馈线性化自适应控制技术在电液伺服机构验证了跟踪性能[6].上述方法有效解决了结构性不确定问题如参数自适应问题,但却未考虑非结构不确定性问题如非线性摩擦.
针对伺服系统的摩擦补偿研究很多,尤其以LuGre模型最为常用,该模型可以抓住非线性摩擦的主要特征,同时又便于计算.该模型的一些改进方法提高了补偿效果[7-8].在液压作动器的实际应用中,受到体积、质量或结构的限制,速度、压力等传感器一般不会配备,内摩擦状态也无法测量,所以控制系统采用输出反馈方法是解决该问题的有效方法.Li等在电液伺服系统中采用输出反馈加摩擦补偿的方法取得了良好的控制效果[8].Guo等使用高增益观测器输出反馈控制方法在高频响应及大负载未知的情况下取得较好的跟踪精度[9].上述方法都使用了经典的反步控制方法,虽然取得了良好的实验效果,但是由于反步法固有的多次求导问题,对现场应用带来了许多限制,而指令滤波控制技术解决了这一问题,相对动态面控制方法具有更好的跟踪精度[10-13].
本文提出了一种基于输出反馈的指令滤波控制方法,结合改进的LuGre摩擦补偿技术有效地解决了电液作动器中的结构化和非结构化不确定问题,仅使用一阶导数即可实现反步控制计算,降低了系统在线计算负担,指令滤波对控制输入具有良好的约束作用,更适合实际应用.此外,使用李雅普诺夫函数分析闭环系统的渐进稳定性能.最后,通过对比实验验证了该方法的有效性.
1 系统动态模型系统被控对象为泵控电液作动器,由定排量泵、伺服电机、双出杆液压缸等组成,如图 1所示.根据牛顿第二定律,活塞动力学方程为
(1) |
式中:F为摩擦力和外干扰集合;A为活塞环形面积;pa和pb为液压缸两端压力;
(2) |
式中:βe是有效弹性模量;V01和V02为作动器活塞两侧体积(含管路);Q1和Q2为油源流量.定义状态变量x=[x1, x2, x3]=[xp,
(3) |
式中:z为内摩擦状态;σ0为鬃毛刚度;σ1为硬毛的阻尼系数; σ2为黏性摩擦系数;g(x2)为stribeck效应,静摩擦的近似表示方式为[8]
(4) |
式中:fc为标准库伦摩擦力;fs为静摩擦力;c1,c2,c3为图形参数.方程N(x2)=x2/g(x2).结合方程(1)~(4),动态模型方程为
(5) |
式中:Kl=mKleak/A;β=Aβe/m;g1(x1)=β(V01+V02)/(V01+Ax1)(V02-Ax1);g2(x1)=βQ1/(V01+Ax1)-βQ2/(V02-Ax1).
2 输出反馈自适应鲁棒指令滤波设计 2.1 控制模型设计为了简化模型,定义θ=[θ1, θ2, θ3]T,其中θ1=σ0/m,θ2=σ1/m,θ3=(σ1+σ2)/m.d1=Fe/m,d2=(β/(V01+Ax1)-β/(V02-Ax1))Δp, Δp为模型误差.重新定义系统方程:
(6) |
式中:D=kmqω为自定义参数,km为常数;u为输入值.
从而
(7) |
假设 1 期望位置轨迹值xd和速度值
假设 2 设定参数及模型不确定性需满足:
(8) |
Δf1, Δf2为正常数.
2.2 投影映射和参数自适应为了解决参数不确定性问题,引入非连续投影映射.设定
非连续投影映射可定义为
(9) |
式中i=1, 2, 3.自适应法则表达式为
(10) |
式中:Γ为正对角阵;τ为自适应函数,该投影映射可以保证:
(11) |
由于系统为输出状态反馈,除了活塞位置信号可用,速度、压力、内摩擦状态均需要观察或估计.速度状态通过不连续速度状态x2观察器来估计[8].
(12) |
式中:p为辅助变量;h2,h3为常数.估计误差
(13) |
式中:
(14) |
式中i=1, 2.z有物理边界且保证如下性质:
(15) |
为了克服传统反步法的多次求导问题,指令滤波方程设计如下:
(16) |
式中:x(i+1),c(t)=φi, 1和
(17) |
式中, xi,c是指令滤波输出,xi,c=xd.选择虚拟输入控制函数α1, α2, α3:
(18) |
误差补偿信号γ1, γ2, γ3定义为
(19) |
补偿跟踪误差定义为
(20) |
(21) |
式中,ε2为设计参数, 可任意小.
步骤 1 设定李雅普诺夫函数为V1=(1/2)v12,则v1的导数为
(22) |
V1的导数为
(23) |
步骤 2 设定李雅普诺夫函数为V2=(1/2)v22,反步跟踪误差导数为
(24) |
(25) |
在式(25)中,φ1=
步骤 3 设定李雅普诺夫函数为V3=(1/2)v32,反步跟踪误差导数为
(26) |
(27) |
(28) |
式(28)中的稳定项x3s为
(29) |
式中,ε3为设计参数,可任意小.
步骤4 设定观测器李雅普诺夫函数为V0=
(30) |
非连续投影映射中的自适应函数τ为
(31) |
投影内摩擦状态学习函数为
(32) |
定理 1 非线性泵控电液作动器(6),经过有限时间t0,模型误差可以被忽略(d1=0, d2=0,
证明 定义系统李雅普诺夫函数V为
V的导数为
由于W∈L2, V∈L∞,所有信号有界,
为了验证控制器设计,在泵控电液作动器实验台上进行验证,如图 3所示.实验台参数如下:m=11.5 kg, A=6.4×10-4 m2, V01=V02=0.000 483 m3, βe=700×106 Pa, q=6×10-6 m3/r, km=4.17 r/(s·V), Kleak=2.4×10-11 m3/(s·Pa), Q1=Q2=1.8×10-6 m3/s.LuGre改进摩擦参数:c1=416, c2=14.9, c3=458.9, fs=525 N, fc=360.5;采样时间1 ms.为了方便实验,对非线性方程(18),(21),(29)进行简化:
为了验证有效性将两种控制器性能进行比较.
OFCFCLu:该控制器为本文提出的基于输出反馈具有改进LuGre摩擦模型补偿的指令滤波控制器.参数为k1=400, k2=600, k3=10, k4=1 000, ω1=1 000, ω2=1 000, h2=300, h3=0.01, 参数估计范围是θmax=[107, 1 500, 200]T, θmin=[-107, 500, 100]T, 估计函数的初始条件是
PID:工业领域中常见控制器,设定参数为kp=800, ki=40, kd=0.为了保证PID参数为最优值,采用凑试法进行调定.
1) 工况1:将两种控制器性能进行比较,参考轨迹为xd=0.01arctanh(sin(πt/3))(1-e-t)/0.785 4.
图 4为参考轨迹的跟踪情况,图 5为两种控制器跟踪误差的比较,表 1为两种控制器误差性能指标的比较.从中可以看出OFCFCLu控制器的跟踪性能优于PID控制器,工况1运动速度较慢,摩擦力对控制器影响较大,OFCFCLu控制器摩擦补偿较好地提升了控制器性能.图 6为OFCFCLu控制器的输入电压值.从图中可以看出起始阶段控制电压具有尖峰信号,本实验将输入电压限定±2 V.图 7为OFCFCLu控制器参数估计的收敛情况.
2) 工况2:提高作动器运动速度,参考轨迹为xd=0.01arctanh(sin(πt))(1-e-t)/0.785 4.图 8为PID控制器和OFCFCLu控制器的跟踪误差比较,表 2为误差统计性能指标的比较,从中可看出在快速运动中OFCFCLu控制器仍旧具有良好的性能.
针对电液伺服作动器存在的结构和非结构化不确定性、现场应用中对传感器限制及传统反步计算中的“复杂性爆炸”问题,本文提出了基于输出反馈且具有摩擦补偿的指令滤波控制方法.该设计使得系统具有渐进稳定性能.通过在泵控电液作动器实验台的实验结果验证了该方法的有效性,为解决上述问题提供了参考.
[1] |
郭庆. 电液伺服非线性控制技术研究进展综述[J]. 液压与气动, 2018, 3(1): 1-9. (Guo Qing. Development of nonlinear control technology for electro-hydraulic servo system[J]. Chinese Hydraulic & Pneumatic, 2018, 3(1): 1-9.) |
[2] |
孙广斌, 王宏, 佟琨, 等. 基于卡尔曼滤波器的液压驱动器状态估计[J]. 东北大学学报(自然科学版), 2013, 34(8): 1161-1165. (Sun Guang-bin, Wang Hong, Tong Kun, et al. State estimation of robot hydraulic actuator based on extended Kalman filter[J]. Journal of Northeastern University(Natural Science), 2013, 34(8): 1161-1165.) |
[3] |
Yao J Y, Jiao Z Z, Ma D W. High-accuracy tracking control of hydraulic rotary actuators with modeling uncertainties[J]. IEEE/ASME Transaction on Mechatronics, 2014, 19(2): 633-641. DOI:10.1109/TMECH.2013.2252360 |
[4] |
Ahn K K, Nam D N C, Jin M L. Adaptive backstepping control of an electrohydraulic actuator[J]. IEEE/ASME Transaction on Mechatronics, 2014, 19(3): 987-995. DOI:10.1109/TMECH.2013.2265312 |
[5] |
姚建勇, 焦宗夏, 黄澄. 基于动态逆模型的电液位置伺服系统复合控制[J]. 机械工程学报, 2011, 47(10): 145-151. (Yao Jian-yong, Jiao Zong-xia, Huang Cheng. Compound control for electro-hydraulic positioning servo system based on dynamic inverse model[J]. Journal of Mechanical Engineering, 2011, 47(10): 145-151.) |
[6] |
Garagic D, Srinivasan K. Application of nonlinear adaptive control techniques to an electrohydraulic velocity servomechanism[J]. IEEE Transations on Control System Technology, 2004, 12(2): 303-314. |
[7] |
Lu L, Yao B, Wang Q F. Adaptive robust control of linear motors with dynamic friction compensation using modified LuGre model[J]. Automatica, 2009, 45(12): 2890-2896. DOI:10.1016/j.automatica.2009.09.007 |
[8] |
Li X D, Yao J Y, Zhou C S. Output feedback adaptive robust control of hydraulic actuator with friction and model uncertainty compensation[J]. Journal of the Frankin Institute, 2017, 354(13): 5328-5349. DOI:10.1016/j.jfranklin.2017.06.020 |
[9] |
Guo Q, Yu T, Jiang D. High-gain observer-based output feedback control of single-rod electro-hydraulic actuator[J]. IET Control Theory & Applications, 2015, 9(16): 2395-2404. |
[10] |
Ye N, Song J C, Ren G A. Model-based adaptive command filtering control of an electrohydraulic actuator with input saturation and friction[J]. IEEE Access, 2020, 8(1): 48252-48263. |
[11] |
Yu J P, Shi P, Lin C, et al. Adaptive neural command filtering control for nonlinear MIMO systems with saturation input and unknown control direction[J]. IEEE Transations on Cybernetics, 2019, 50(6): 1-10. |
[12] |
Farrell J A, Polycarpou M, SharmaM, et al. Command filtered backstepping[J]. IEEE Transactions Automatic Control, 2009, 54(6): 1391-1395. DOI:10.1109/TAC.2009.2015562 |
[13] |
Dong W, Farrell J A, Polycarpou M M, et al. Command filtered adaptive backstepping[J]. IEEE Transactions Control System Technology, 2012, 20(3): 566-580. DOI:10.1109/TCST.2011.2121907 |