液压伺服系统具有抗负载能力强、响应速度快等突出优点,目前已被广泛应用在导弹发射、工业机器人等领域。液压伺服系统是工业控制中比较常见的执行机构,由于制造原因和时变的工作条件,很难建立该系统精确的数学模型。同时,液压伺服系统还面临着控制方向未知、比例阀零点不准确等其他问题,传统的基于系统模型所设计的控制方法很难同时处理这些问题以获得令人满意的控制效果。因此,研究如何设计具有更好鲁棒性且不依赖于系统数学模型的控制器,对实现液压伺服系统高性能控制、扩展应用场合至关重要。本课题以Festo公司的液压位置伺服实验系统为对象,考虑比例阀不准确零点,在模型未知的情况下,实现对时变给定信号高精度的跟踪控制,分别设计如下控制器:(1)针对该系统模型不确定性引入带有自适应控制增益的超螺旋滑模控制,并证明了控制系统的稳定性。实验结果表明,该方法可以准确跟踪给定的三种期望信号,提高了系统的控制精度,且与传统滑模控制相比具有更高的跟踪精度。(2)针对液压位置伺服系统难以获得精确系统模型这一问题,设计了一种神经网络积分滑模控制,采用RBF(Radial Basis Function)神经网络逼近系统未知模型,然后引入分数阶积分滑模面,提出神经网络分数阶积分滑模控制。进一步考虑控制方向未知问题,利用基于RBF神经网络的反步自适应控制并结合Nussbaum增益技术,分别提出了控制方向未知时的反步自适应神经网络积分滑模控制器和控制方向未知时的反步自适应神经网络分数阶积分滑模控制器,分别证明了以上几种控制器对应的控制系统稳定性。实验结果表明,提出的所有控制器均能实现对给定信号的准确跟踪。其中分数阶积分滑模控制具有更小的跟踪误差。(3)针对模型未知,控制方向未知控制问题,本文提出了一种反步自适应神经网络控制,并通过理论分析证明了系统稳定性。为降低反步控制设计的复杂度,本文引入动态面并提出了自适应神经网络动态面控制器,证明了被控系统稳定性。该方法通过一阶滤波器来避免反步控制中对虚拟变量的微分操作,降低了控制器的计算复杂度。通过实验结果可知,两种方法均可实现有效控制,但反步自适应神经网络控制跟踪误差更小。通过将本文提出的方法与其他已有方法对比可知:无论是在考虑系统控制方向未知还是假定方向已知且为正向的情况下,基于神经网络的分数阶积分滑模控制器总是具有最好的控制效果,因此针对液压位置伺服系统研究分数阶相关控制器有利于提高系统性能。另一方面,反步自适应神经网络控制与自适应神经网络动态面控制的实验对比结果与理论期望不同,导致该现象的原因可能是系统阶数不高以及后者在反步设计的每一步中都用到了神经网络进行未知函数逼近,不断调节权值故引起较大颤振,进而导致自适应神经网络动态面控制的计算量大同时跟踪误差更大。