学术研究报告：挖掘机电液伺服系统摩擦参数辨识与补偿控制
第一作者及机构
本文由南京信息工程大学人工智能学院的刘李婷、冯浩、周晨曦，南京工业大学挖掘机关键技术联合研究所的殷晨波，三一重机有限公司的曹东辉，以及雄宇重工集团股份有限公司的孙琳共同完成。研究发表于《液压与气动》（Chinese Hydraulics & Pneumatics）2025年第12期，DOI编号10.11832/j.issn.1000-4858.2025.12.009。
学术背景
本研究聚焦工程机械领域，针对挖掘机电液伺服系统中非线性摩擦导致的轨迹跟踪精度不足问题展开。电液伺服系统的摩擦、死区及外部干扰会显著降低控制性能，尤其在低速工况下易引发“爬行现象”（stick-slip phenomenon）和“平峰现象”（steady-state error）。传统静态摩擦模型（如库仑摩擦模型）难以描述动态摩擦特性，而动态模型如LuGre模型虽能表征预滑动位移（presliding displacement）、Stribeck效应（Stribeck effect）等非线性行为，但其参数辨识精度不足制约了补偿控制效果。本研究的目标是：
-
提出一种混合优化算法（Hybrid Optimization, HO），提升LuGre模型参数辨识精度；
-
基于高精度辨识结果设计自适应摩擦补偿控制器（Adaptive Controller, AC），改善系统跟踪性能。
研究流程与方法
-
系统建模与试验平台搭建
-
研究对象：23吨三一SY235挖掘机铲斗联电液伺服系统，试验中固定动臂与斗杆位形，仅驱动铲斗液压缸。
-
数据采集：采用拉线式位移传感器（SH30）和压力传感器（625T416）记录液压缸位移及两腔压力，采样频率为1 kHz。
-
摩擦模型：采用LuGre模型，其动力学方程包含鬃毛刚度（σ₀）、微观阻尼（σ₁）、黏性摩擦系数（σ₂）等6个待辨识参数。
-
-
混合优化算法（HO）开发
-
算法框架：在标准粒子群优化（PSO）中引入遗传算法（GA）的选择与交叉操作，并设计自适应惯性权重（adaptive inertia weight）和时变学习系数（time-varying learning coefficients）。
-
参数辨识流程：
-
静态参数辨识（fc、fm、vs、σ₂）：通过高速至低速递降的三角波轨迹激发稳态摩擦，目标函数为最小二乘误差。
-
动态参数辨识（σ₀、σ₁）：通过低速正弦轨迹激发预滑动位移，结合非线性观测器估计鬃毛形变量z。
-
-
对比算法：与传统GA、PSO对比，HO的收敛速度提升40%，辨识误差降低至1.70 kN（RMS误差1.12 kN）。
-
-
自适应补偿控制器（AC）设计
-
控制架构：PID为主控制器，前馈补偿模块基于LuGre模型输出摩擦补偿量，并引入非线性观测器修正建模误差。
-
试验验证：对比PID、前馈补偿控制器（FC）和AC在0.2sin(0.2πt)与0.4sin(0.1πt)正弦轨迹下的跟踪性能。
-
主要结果
-
参数辨识精度
-
HO算法辨识的静态参数（如fc=7.79 kN、fm=38.66 kN）与动态参数（σ₀=2008.65 kN/mm）均优于GA和PSO，解质量提升40.68%。
-
摩擦力预测误差曲线显示，HO的最大误差仅1.70 kN，而GA和PSO分别达3.69 kN和8.52 kN。
-
-
轨迹跟踪性能
-
0.2幅值正弦轨迹：AC的最大跟踪误差为3.37 mm（PID为12.16 mm），且消除了平峰现象。
-
0.4幅值正弦轨迹：AC的最大误差降至11.56 mm（PID为60.31 mm），跟踪精度提升43.38%。
-
结论与价值
-
科学价值
-
HO算法通过融合GA的全局搜索能力与PSO的快速收敛性，解决了非线性摩擦模型参数辨识的局部最优问题。
-
AC控制器通过动态补偿摩擦和干扰，验证了其在复杂工况下的鲁棒性。
-
-
应用价值
-
所提方法可直接应用于工程机械的高精度控制，如挖掘机轨迹规划、矿山车辆自动驾驶等场景。
-
试验数据表明，AC控制器能有效抑制爬行现象，为电液伺服系统的智能化升级提供技术支撑。
-
研究亮点
-
算法创新：HO算法首次将遗传选择与交叉操作引入PSO框架，并通过自适应策略优化搜索性能。
-
控制策略：AC控制器结合前馈补偿与非线性观测器，实现了对未建模动态的实时修正。
-
工程验证：在23吨挖掘机上的全工况试验，验证了方法的实用性与可扩展性。
其他价值
本研究得到国家自然科学基金（52105064）等多项资助，后续将探索深度学习与强化学习在摩擦补偿中的融合应用，进一步提升多自由度协同控制性能。