删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于ADRC和RBF神经网络的MSCSG控制系统设计*

本站小编 Free考研考试/2021-12-25

磁悬浮控制敏感陀螺(MSCSG)是航天器进行姿态控制的一种新型惯性器件[1],与现有的单一功能的磁悬浮控制力矩陀螺[2-3]或磁悬浮速率陀螺不同,MSCSG具有同时控制与同时敏感的突出优势,且具有高精度的巨大潜力,但是要实现MSCSG的高精度控制面临着如下困难与挑战。
影响MSCSG实现高精度、高带宽控制的关键因素之一是高速磁悬浮转子的恒速与悬浮的精度和稳定度问题。磁悬浮转子系统是一个多变量、非线性、强耦合的复杂系统,在受到外部扰动作用时转子会产生暂态或稳态的位移,影响转子悬浮精度,故必须对外部的扰动作用进行抑制。针对磁悬浮转子的控制,目前有多种控制方法,大致分为2类,分别为需要系统精确模型和不需要系统精确模型的控制方法。
需要系统精确模型的控制方法主要包括滑模变结构法和逆系统法等。滑模变结构控制具有一定的抗扰动能力,且响应速度快,但存在难以抑制抖振的不足[4-5],因此不可避免地影响解耦控制精度和鲁棒性。逆系统法已经成功应用于磁悬浮控制力矩陀螺的控制中[6],然而对于MSCSG系统,要实现高精度、高带宽的力矩输出需要转子进行偏转,故转子工作非线性范围更大,干扰更多[7],标定得到某种工作状态的模型可以实现,但得到精确模型有困难,鲁棒性很难得到保证。
不需要系统精确模型的控制方法主要包括分散PID加交叉反馈解耦控制和自抗扰控制器(ADRC)等。分散PID控制虽然能在一定程度上抑制转子系统的进动章动,但是也存在响应速度慢的问题[8]。常规ADRC控制虽然具有响应快、精度高、抗干扰能力强、算法简单等优点,但是存在以下2个缺点:①ADRC涉及的可调参数较多,只有选取合适的参数,才能实现良好的控制性能;②应对突变的外扰,ADRC由于无法实时调节参数,可能造成系统输出误差过大的情况[9]
本文针对MSCSG解耦控制中的高精度、强鲁棒控制需求,提出了基于ADRC和径向基点数(RBF)神经网络的MSCSG控制方法,实现了控制器参数的实时在线调节,有效地实现了MSCSG的高精度强鲁棒解耦控制,并通过仿真验证了其有效性和优越性。
1 MSCSG转子数学模型 MSCSG是一种全新概念的惯性器件,集成了磁悬浮惯性执行机构力矩输出以及磁悬浮敏感陀螺姿态测量的功能。它以洛伦兹力磁轴承(LFMB)作为力矩器驱动转子沿径向偏转,其结构如图 1所示,lr为位移传感器到Z轴的距离,lm为LFMB定子半径,F为线圈所受安培力大小。
图 1 MSCSG定子及径向磁轴承结构 Fig. 1 Stator and radial magnetic bearing structure of MSCSG
图选项




MSCSG转子轴向平动是通过磁阻力磁轴承实现,轴向磁轴承的结构比径向磁轴承更简单,如图 2所示。
图 2 MSCSG转子及轴向磁轴承结构 Fig. 2 Rotor and axial magnetic bearing structure of MSCSG
图选项




根据安培定律,当流经LFMB线圈中电流为I时,线圈将受到的安培力作用,其表达式为
(1)

式中:B为磁感应强度大小;L为与磁场垂直方向放置的线圈长度。当与磁场垂直方向放置的线圈通入电流时,线圈的上下两部分将分别产生垂直于线圈及磁场方向的安培力,合力大小为
(2)

式中:N为LFMB中线圈匝数。将式(2)改写为
(3)

式中:fX, fY分别为X, Y方向上的安培力;I1I2分别为X轴正、负方向上的线圈驱动电流;I3I4分别为Y轴正、负方向上线圈中的驱动电流。设I1=I3=IαI2=I4=Iβ,即当相对方向线圈通入大小相等、方向相反的电流时,线圈将产生大小相等、方向相反的安培力。
由此可得LFMB提供的XY方向偏转力矩为
(4)

根据刚体的动量矩定理,MSCSG的动力学方程为
(5)

式中:T为磁悬浮转子受到的控制力矩;Td为转子受到的干扰力矩;H为转子角动量;t为时间;J为转子相对于三自由度的转动惯量矢量,满足J=diag(JX, JY, JZ),JX, JY, JZ分别为X, Y, Z轴的转动惯量;ω为转子在定子坐标系下三维角速度矢量,满足表达式αβ分别为定子坐标系下转子沿X轴和Y轴的偏转角,Ω为转子轴向旋转角速度,满足Ω=2πFr,为以频率为单位的轴向角速度,Fr为转子转速;j为转子角动量方向矢量,表达式为,矢量中元素均为方向矢量。由于转子受到的外力矩只来自于洛伦兹力磁轴承,故施加给转子的外力矩可表示为
(6)

代入式(5)可得
(7)

将式(4)代入式(7)可得
(8)

由式(8)可见,MSCSG输出控制力矩时,转子径向两自由度存在耦合。
2 RBF神经网络自抗扰控制系统设计 2.1 自抗扰控制器设计 ADRC工作原理[10]图 3所示。二阶ADRC由跟踪微分器(ID)、扩张状态观测器(ESO)和非线性状态误差反馈控制律(NLSEF)3个部件组成:TD是一个过渡过程,可以得到系统输入信号的跟踪信号和一系列微分信号;ESO的作用是反馈系统状态变量和扰动观测,该扰动为系统内部扰动和外部扰动的总和[11]。图中:e1e2分别为过渡过程与对象输出之间的误差及其微分;w为对象外部扰动;b为可调参数;y为对象输出;v0为磁悬浮转子该自由度上的参考输入偏转角;v1v2分别为v0的跟踪信号和它的微分;e为观测误差;z1z2为状态变量的观测量;z3为总扰动的观测量。
图 3 自抗扰控制器工作原理[10] Fig. 3 Working principle of auto disturbance rejection controller[10]
图选项




非线性组合NLSEF的作用是将TD信号v1v2与ESO状态变量信号z1z2进行非线性组合,从而得到非线性状态误差反馈控制量u0u0与总扰动补偿量结合星形成总控制量u
根据自抗扰控制理论,磁悬浮转子不同自由度之间的耦合可以看作是一种外扰,这样便可以利用ESO对耦合作用进行实时估计及补偿[12]。因此,MSCSG转子动力学方程可以转化为
(9)

式中:k1k2分别为状态变量βα的系数;w1w2分别为转子径向两自由度的未知外扰;b1b2分别为转子径向两自由度的控制量系数。
磁轴承转子系统被化为2个二阶单输入单输出系统,利用ADRC进行解耦控制,ESO对相应的系统总扰动进行实时估计并补偿,转子系统便进一步被化为二输入二输出的二阶无耦合线性系统。据此设计出的二通道自抗扰控制系统如图 4所示,xαxβ分别为两通道的系统输入。
图 4 二通道磁悬浮转子自抗扰控制系统 Fig. 4 Auto disturbance rejection control system for two-channel magnetic suspension rotor
图选项




令解耦后的系统输出为
(10)

则针对磁悬浮转子的某一个偏转自由度,ADRC的方程可表示为
TD:
(11)

ESO:
(12)

NLSEF:
(13)

式中:I0为对象状态反馈控制量;I为实际控制量,其实际物理含义为洛伦兹力磁轴承的控制电流;m1m2m3m4m5n1n2n3Rδ1δ2δ3bkpkd为可调参数[12];sat(x)和fal(e, m, δ)的定义式分别为
(14)

(15)

可以看出,ADRC涉及的可调参数较多,实际控制时确定参数比较复杂。考虑到MSCSG系统的响应速度以及高带宽、高精度的力矩输出控制要求,经过仿真比对可以发现,对MSCSG转子控制影响较大的2个参数为bkp。其中kp为非线性控制律中的比例增益,通常来说,kp越大,系统的响应速度越快,然而对于MSCSG系统而言,由于同时控制和敏感的控制要求,既需要系统能够输出高精度、高带宽的控制力矩,又需要系统对外界姿态变化作出快速响应,而高精度和高动态响应速度之间存在矛盾[13],使得kp的调整范围有限,在实际系统中很难实现。
b值与控制量u有关,又与状态观测器的第3个状态变量z3相关,不同的b值使得总扰动量和补偿分量在不同范围内变化[14]。对于MSCSG系统,b值对应系统的刚度。当MSCSG输出高精度、高带宽的控制力矩时,系统需要较高的刚度;而刚度过高时,系统会发生超调从而影响控制精度,甚至会使系统失稳,因而在外界扰动变化的情况下,在线优化的变刚度调节就显得尤为重要。综合以上因素考虑,以b值为目标调整值建立RBF神经网络。
2.2 RBF神经网络ADRC器设计 由于MSCSG进行姿态测量时对转子的控制精度和鲁棒性要求较高,同时基于简化系统运算的目的,本文选择RBF神经网络作为学习网络。RBF神网络是一种三层前馈网络,其具有的显著优点是:①效率相对较高,具有其他前向网络所不具有的最佳逼近性能和全局最优特性;②结构相对简单,只有一个隐含层,学习效率较高。考虑到MSCSG系统所用DSP的运算性能有限,且训练样本数较少,选用三层结构的RBF神经网络可以达到增加控制效率和时效性的目的[15],其结构如图 5所示[16],图中wmm个隐含层到输出层的权向量。
图 5 RBF神经网络结构[16] Fig. 5 Structure of RBF neural network[16]
图选项




在RBF神经网络结构中,nm分别为输入层、隐含层的个数,X=[x1, x2, …, xn]T为网络输入向量,设RBF网络的径向基向量为H=[h1, h2, …, hm]T,其中hi为高斯基函数,则隐含层输出可表示为
(16)

式中:Ci=[Ci1, Ci2, …, Cim]为网络第i个节点的中心向量;σ=[σ1, σ2, …, σm]为网络积宽向量。W=[w1, w2, …, wm]为隐含层到输出层的权向量,则RBF神经网络输出层可表示为
(17)

由于MSCSG系统的高响应速度控制要求,本文采用一维输入一维输出的RBF神经网络模型,在外部扰动不变的情况下,以磁悬浮转子二阶ADRC的b值作为网络输入,仿真系统的最大输出误差为网络输出,提取100组数据作为训练样本,100组数据作为测试样本,得到训练后神经网络的传递函数,将此传递函数嵌入仿真系统,得到引入RBF神经网络的ADRC,如图 6所示。
图 6 基于RBF神经网络的自抗扰控制器 Fig. 6 Auto disturbance rejection controller based on RBF neural network
图选项




该控制器以系统输出最大误差不变为目标,通过实时采集外部扰动信号的变化,经RBF神经网络训练生成的传递函数运算得到b值改变量反馈给控制器,达到实时调整控制器参数,保证系统输出最大误差不发生突变的控制目的。
3 仿真结果及分析 在扰动力矩突变的情况下,将一般的ADRC与笔者提出的引入RBF神经网络的ADRC进行仿真对比,比较二者的控制性能,仿真参数如表 1所示。表中,除第2节已介绍过参数外,TES为测试样本数,M为RBF神经网络最大学习次数,Lp为前期学习率,HID为隐节点个数。
表 1 系统仿真参数 Table 1 System simulation parameters
参数 数值
JX/(kg·m2) 0.009 7
JZ/(kg·m2) 0.028 7
JY/(kg·m2) 0.009 7
lm/m 0.115 8
N 200
kp 1 000
R 200
Lp 0.005
Fr/Hz 30
B/T 0.4
TES 400
kd 100
M 10 000
HID 20


表选项






3.1 突变的阶跃干扰力矩抑制比较 在0 s时给转子径向施加0.1 N·m的阶跃干扰力矩,在1 s时将干扰力矩的大小提高到1 N·m,2种控制器转子径向两通道位移波形图如图 7所示,hXhY分别为转子在X方向和Y方向的位移。
图 7 对突变阶跃扰动的抗扰性能对比 Fig. 7 Comparison of anti-interference performance of step disturbance to mutations
图选项




由位移波形图可以看出,一般的ADRC没有抑制突变阶跃外扰的能力,其最大扰动在10-10数量级。而基于RBF神经网络的ADRC能够明显抑制突变的阶跃外扰,最大扰动在10-11数量级,明显优于一般的ADRC。
3.2 突变的正弦干扰力矩抑制比较 在0 s时给转子径向施加0.1 sin(5πt) N·m的正弦干扰力矩,在1 s时将干扰力矩的大小提高到sin(5πt) N·m,2种ADRC转子径向两通道位移波形图如图 8所示。
图 8 对突变正弦扰动的抗扰性能对比 Fig. 8 Comparison of anti-interference performance of sinusoidal disturbance to mutations
图选项




由位移波形图可以看出,一般的ADRC没有抑制突变正弦外扰的能力,其最大扰动在10-11数量级。而基于RBF神经网络的ADRC能够明显抑制突变的阶跃外扰,最大扰动在10-12数量级,明显优于一般的ADRC。
3.3 突变的随机干扰力矩抑制比较 在0 s时给转子径向施加[-0.1, 0.1] N·m的随机干扰力矩,在1 s时将干扰力矩的大小提高到[-1, 1] N·m,2种ADRC转子径向两通道位移波形图如图 9所示。
图 9 对突变随机扰动的抗扰性能对比 Fig. 9 Comparison of anti-interference performance of random disturbances to mutations
图选项




由位移波形图可以看出,一般的ADRC没有抑制突变随机外扰的能力,其最大扰动在10-11数量级。而基于RBF神经网络的ADRC能够明显抑制突变的随机外扰,最大扰动在10-12数量级,明显优于一般的ADRC。
4 结论 1) 基于RBF神经网络的ADRC对MSCSG转子上的突变干扰力矩有着很好的抑制作用。
2) 通过对磁悬浮转子进行解耦控制和扰动抑制,很好地消除了突变外扰对系统稳定性的影响,在ADRC的基础上进一步提升了系统的鲁棒性和稳定性,从而提高了MSCSG转子的控制精度。

参考文献
[1] REN Y, CHEN X C, CAI Y W, et al. Attitude-rate measurement and control integration using magnetically suspended control and sensitive gyroscopes[J]. IEEE Transactions on Industrial Electronics, 2017, 65(6): 4921-4932.
[2] 舒适, 房建成, 张伟, 等. 基于MSCMG大型遥感卫星高精度姿态控制方法[J]. 中国惯性技术学报, 2017, 25(4): 421-431.
SHU S, FANG J C, ZHANG W, et al. High-precision attitude control method based on MSCMG for large-scale remote sensing satellite[J]. Journal of Chinese Inertial Technology, 2017, 25(4): 421-431. (in Chinese)
[3] 王平, 王华, 任元. 基于MSCMG金字塔构型的航天器姿态测控一体化控制方法[J]. 系统工程与电子技术, 2016, 38(1): 123-129.
WANG P, WANG H, REN Y. Measurement and control integrated method for spacecraft attitude based on MSCMGs with pyramid configuration[J]. Systems Engineering and Electron-ics, 2016, 38(1): 123-129. (in Chinese)
[4] CHEN X C, CAI Y W, REN Y, et al. Spacecraft angular rates and angular acceleration estimation using single-gimbal mag netically suspended control moment gyros[J]. IEEE Transactions on Industrial Electronics, 2019, 66(1): 440-450. DOI:10.1109/TIE.2018.2826468
[5] XU G F, CAI Y W, REN Y, et al. Application of a new Lorentz force-type tilting control magnetic bearing in a magnetically suspended control sensitive gyroscope with cross-sliding mode control[J]. Transactions of the Japan Society for Aeronautical and Space Sciences, 2018, 61(1): 40-47. DOI:10.2322/tjsass.61.40
[6] 陈晓岑, 周东华, 陈茂银. 基于逆系统方法的DGMSCMG框架伺服系统解耦控制研究[J]. 自动化学报, 2013, 39(5): 502-509.
CHEN X C, ZHOU D H, CHEN MAO Y. Decoupling control of gimbal servo system of DGMSCMG based on dynamic inverse system method[J]. Acta Automatica Sinica, 2013, 39(5): 502-509. (in Chinese)
[7] 夏长峰, 蔡远文, 任元, 等. MSCSG转子不平衡振动原理分析与建模[J]. 北京航空航天大学学报, 2018, 44(11): 2321-2328.
XIA C F, CAI Y W, REN Y, et al. Principle analysis and modeling of rotor imbalance vibration in magnetically suspended control and sensing gyroscope[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(11): 2321-2328. (in Chinese)
[8] 夏长峰, 蔡远文, 任元, 等. 磁悬浮控制敏感陀螺转子前馈解耦内模控制[J]. 北京航空航天大学学报, 2018, 44(3): 480-488.
XIA C F, CAI Y W, REN Y, et al. Feedforward decoupling and internal model control for rotor of magnetically suspended control and sensing gyroscope[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(3): 480-488. (in Chinese)
[9] ZHAO C Z, YI H.Design ADRC for two special kinds of sys-tems[C]//Proceedings of the 30th Chinese Control Conference.Piscataway: IEEE Press, 2011: 229-234.
[10] 薛立娟, 李海涛, 李红, 等. 基于ADRC的MSCMG框架系统高精度控制[J]. 北京航空航天大学学报, 2012, 38(11): 1497-1501.
XUE L J, LI H T, LI H, et al. High precision control based on ADRC used in gimbal system of MSCMG[J]. Journal of Beijing University of Aeronautics and Astronautics, 2012, 38(11): 1497-1501. (in Chinese)
[11] HERBST G. A simulative study on active disturbance rejection control (ADRC) as a control tool for practitioners[J]. Electronics, 2013, 2(3): 246-279.
[12] 王平, 王华, 任元. 磁悬浮控制力矩陀螺转子系统径向自抗扰解耦控制和扰动抑制[J]. 兵工自动化, 2015, 34(10): 59-63.
WANG P, WANG H, REN Y. Decoupling control and disturbance rejection of radial rotor system in magnetically suspended control moment gyro based on ADRC[J]. Ordnance Industry Automation, 2015, 34(10): 59-63. (in Chinese)
[13] YU C M, WANG Z, REN Y, et al. MSCSG two degree of freedom attitude measurement method[J]. Journal of Physics:Conference Series, 2019, 1176(4): 042054.
[14] 石晨曦.自抗扰控制及控制器参数整定方法的研究[D].无锡: 江南大学, 2008: 15-20.
SHI C X.Auto-disturbance rejections controllers and the parameter adjusting[D].Wuxi: Jiangnan University, 2008: 15-20(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10295-2009014842.htm
[15] 李明, 封航, 张延顺. 基于UMAC的RBF神经网络PID控制[J]. 北京航空航天大学学报, 2018, 44(10): 2063-2070.
LI M, FENG H, ZHANG Y S. RBF neural network tuning PID control based on UMAC[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(10): 2063-2070. (in Chinese)
[16] YANG S, CAO Y, PENG Z, et al. Distributed formation control of nonholonomic autonomous vehicle via RBF neural network[J]. Mechanical Systems and Signal Processing, 2017, 87(B): 81-95.


相关话题/控制 系统 干扰 结构 网络

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于多目标灰狼算法的干扰资源多效能优化方法*
    执行作战任务,取得最佳的作战效能很重要,如何保存己方作战实力也同等重要。雷达与干扰机的对抗是相互的,如果雷达收到的干扰能力过大,雷达就能反用干扰机能量追踪干扰源发射反辐射武器,这就必须对干扰功率进行管控,同时,完成作战任务难免会出现毁伤的情况。针对这些问题,本文将就考虑射频隐身特性和减少作战损失情况 ...
    本站小编 Free考研考试 2021-12-25
  • 基于道路特征信息的车道结构化解析*
    目前,道路执法的视觉监控系统中,从静态摄像头中抽取语义信息的自动化程度较高[1-6],能自动识别并记录违规违法行为;但是架设在执法车上的动态摄像头,其信息处理和自动化程度较低,无法自动识别违规违法行为,甚至无法准确解析道路结构。解析道路结构是自动化动态执法的基础和关键。尤其在高速道路上,识别出快车道 ...
    本站小编 Free考研考试 2021-12-25
  • 基于SM4算法的白盒密码视频数据共享系统*
    在公共视频监控领域的纵向多级网络中,存储有海量视频数据,根据数据的敏感程度,一部分数据需要加密存储,一部分数据是明文存储,但均存在跨级或跨域共享需求。对于加密数据,由于受限于密钥管理系统的跨域访问限制及解密密钥的安全传输问题,需要先解密成明文后,才能共享。为保证原有加密或非密数据的共享安全,需要采用 ...
    本站小编 Free考研考试 2021-12-25
  • 基于结构加权低秩近似的泊松图像去模糊*
    当今,视频监控技术在社会治安管理中起着非常重要的作用,尤其是在夜间等人们不常活动的时间段。然而,成像设备固有的点扩散效应往往导致视频帧(或图像)中存在不同程度的模糊。同时,夜间有限的光照又不可避免地在图像中引起泊松噪声污染。这些因素通常会降低原始图像的质量,造成图像结构信息受损,给后续图像水印和图像 ...
    本站小编 Free考研考试 2021-12-25
  • 基于三元组网络的单图三维模型检索*
    信息时代的到来为计算机硬件的发展提供了强大的助力,各种媒体数据如音频、视频、图像、三维数据等呈井喷式增长。如何对已获得的海量媒体数据进行智能分析,并设计快速有效的检索方法成为目前的热点问题。如今,三维模型被广泛应用于计算机辅助设计、影视动画、医疗诊断、自动驾驶[1-2]等众多领域,由于三维视角更贴近 ...
    本站小编 Free考研考试 2021-12-25
  • 双光谱智能体温检测与健康大数据管理系统*
    公共安全视频监控是中国一项重要的基础设施建设,具有易于部署、信息捕获充分、接口和标准统一、可全时段运行等优点,对于建立社会治安防控体系具有重要意义,是维护国家安全和社会安定的重要手段[1]。近年来,面向图像分析和视频监控分析的深度学习技术和大数据挖掘技术取得了很多突破性进展,同时也推动了公共安全视频 ...
    本站小编 Free考研考试 2021-12-25
  • 联合足迹识别与监控视频分析的智能刑侦系统*
    随着科技的发展,犯罪活动智能化、系列化、团伙化的趋势逐渐出现,作案人员反侦察能力越来越强,刻意破坏现场的情况时有发生,被称为“证据之王”的指纹在犯罪现场中提取获得的难度显著提高,而在犯罪现场提取到的作案人员所留足迹越来越多,世界各国的刑侦机关都非常重视对犯罪现场遗留足迹的研究与利用[1]。足迹是在犯 ...
    本站小编 Free考研考试 2021-12-25
  • 基于MobileFaceNet网络改进的人脸识别方法*
    人脸特征具有易获取、易捕捉、易处理以及非接触式等特性,已经受到****们的广泛关注,并在公共安全等领域应用日趋广泛。但是,在实际的应用场景下,人脸识别精度依然受到不同的姿态、光照、遮挡等因素的影响。因此,如何提取更具鲁棒性的特征来有效地辨识人脸便成为解决问题的关键。传统的人脸识别方法主要有主成分分析 ...
    本站小编 Free考研考试 2021-12-25
  • 基于跨尺度特征聚合网络的多尺度行人检测*
    随着人工智能与计算机视觉技术的发展以及人们对公共安全领域的日益重视,智能视频监控技术已经发展为当前的研究热点。行人检测是智能化视频监控系统中的核心关键技术之一,并为后续的更高层次的视频分析与理解提供可靠的数据支持。因此,行人检测技术直接影响着智能视频监控的智能化水平,具有重要的研究意义和应用价值。近 ...
    本站小编 Free考研考试 2021-12-25
  • 新型排气余压利用系统无因次效率研究*
    压缩空气在许多工业中得到广泛应用,据报道,压缩空气系统约占工业能源消耗量的10%[1]。与电气系统、液压系统相比,气动系统具有成本低、维修方便、结构简单、环保等优点[2-3]。然而由于空气的可压缩性,气动系统具有高度的非线性[4]和低能效[5],有研究表明,气动系统的效率甚至低于20%[6]。在压缩 ...
    本站小编 Free考研考试 2021-12-25