论文部分内容阅读
手持稳定云台是一种保持相机视轴稳定的摄影辅助器材,伺服系统控制是云台的基础。云台伺服系统存在许多不确定因素,在受到外界气流、机身抖动、摩擦力矩、负载变化等内外部扰动的影响时,系统就具有时变性、非线性,这些不确定因素均会制约云台的性能,因此,设计优良的控制系统显得尤为重要。目前大部分云台控制系统是基于经典的PID控制,但在复杂工作环境下PID控制存在超调大和抗扰能力差等缺陷。为此,本文主要研究了几种估计补偿不确定因素的主动抗扰控制算法,完成的主要研究工作如下:1.若自抗扰控制的扩张状态观测器未能对扰动实现准确估计,存在经扰动补偿后的系统与“串联积分标准型”系统会有较大差距的问题,常规非线性状态误差反馈控制性能变差,为此,本文提出了一种基于附加惯性项RBF神经网络的云台自抗扰控制方法。使用单神经元和附加惯性项RBF神经网络对自抗控制中的非线性状态误差反馈控制律进行改进,利用神经网络的自学习能力提升自抗扰控制的自适应能力,实现了对云台伺服系统的性能稳定控制。2.针对自抗扰控制参数调整过程耗时且费力的问题,本文提出了一种基于BP神经网络的云台自抗扰控制方法。设计使用单个BP神经网络同时在线自动调整自抗扰控制中的5个关键参数,提出使用基于采样步长的方法选择神经网络输出层的增益系数,实现了同时对自抗扰控制器中的扩张状态观测器和非线性状态误差反馈的关键参数进行自整定寻优,并成功应用于云台伺服系统控制中。3.为了克服不确定因素对云台伺服系统的影响,本文提出了一种基于跟踪-微分器与RBF神经网络逼近扰动的云台滑模控制方法。首先将系统不确定项视为总扰动,设计了一种滑模控制器,随后基于Lyapunov稳定性分析理论设计RBF神经网络对总扰动进行逼近,并设计了一种前馈加扰动补偿的滑模控制律,通过改进限时间收敛三阶跟踪-微分器来解决控制律中前馈信号的提取问题,实现云台伺服系统的控制。仿真结果表明:以上几种控制方法实现了云台伺服系统稳定精确控制,与传统PID控制、常规自抗扰控制、滑模控制等控制方法相比,以上改进算法均具有更好地自适应能力,能更好的应对不确定因素造成的影响。具有快速性良好,控制精度高,鲁棒性和抗扰性强等优点。因此,本文研究的几种控制算法具有较好的理论参考价值和实际应用价值。