CN100592226C - 迟滞系统的逆系统控制方法 - Google Patents
迟滞系统的逆系统控制方法 Download PDFInfo
- Publication number
- CN100592226C CN100592226C CN200810021693A CN200810021693A CN100592226C CN 100592226 C CN100592226 C CN 100592226C CN 200810021693 A CN200810021693 A CN 200810021693A CN 200810021693 A CN200810021693 A CN 200810021693A CN 100592226 C CN100592226 C CN 100592226C
- Authority
- CN
- China
- Prior art keywords
- output
- signal
- neural network
- input
- input signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
一种迟滞系统的逆系统控制方法,属非线性控制的逆系统控制方法,该方法包括:分别提取迟滞系统上升段和下降段的输入、输出信号及输出信号的局部极值;采用BP神经网络分别建立迟滞系统的上升段与下降段的神经网络模型,将提取的上升段输出信号、输出信号的局部极值和输入信号作为上升段神经网络训练的目标输入量和目标输出量,同理并提取的下降段的输出信号、输出信号的局部极值和输入信号分别作为神经网络训练的目标输入量和目标输出量;采用切换开关,设计迟滞系统的逆系统,将逆系统与迟滞系统串联,构成伪线性系统,该系统所需参数少,实现形式简单,控制精度高,应用于补偿压电驱动器、磁致伸缩驱动器、形状记忆合金、机械间隙迟滞等。
Description
技术领域
本发明涉及神经网络在非线性控制领域的应用,采用神经网络建立逆模型,补偿迟滞系统,属于非线性控制的逆系统方法。
背景技术
迟滞非线性是一种广泛存在的科学现象,如压电陶瓷、励磁电机、变压器、机械间隙系统等都存在迟滞现象。在控制系统中,迟滞非线性不仅会降低系统的控制精度,而且削弱闭环系统中的反馈作用,甚至造成系统的不稳定。特别是在智能材料领域,压电陶瓷等智能材料因定位精度高、驱动力大等优点,而被广泛应用在精密加工机床,电子显微镜探头驱动,微工作台,天文望远镜定位等系统。但压电陶瓷等智能材料本身所固有的迟滞特性,已成为控制精度进一步提高的主要障碍。从控制角度看,迟滞系统的控制难度主要在两个方面:一是多映射性,相同输入可以有不同输出,而相同输出可以不同输入;另一方面,迟滞系统的输出不仅与输入信号瞬时值有关,而且还与输入信号的历史有关。
为提高控制精度,减小迟滞对系统的负面影响,通常采取的控制策略是建立相应的迟滞模型进行补偿,其中以广义Maxwell模型和Preisach迟滞模型的应用最为广泛。广义Maxwell模型将迟滞系统等效为若干个迟滞单元的叠加,只要增加单元数量就可以提高精度,但广义Maxwell模型是一种对称模型,无法适用于非对称迟滞系统。Preisach模型原理简单,适用范围广,可以描述任何复杂迟滞特性,但所需的参数太多,需要庞大的存储空间,计算量大,而且实现形式比较复杂,难以实时调整参数进行在线控制。
发明内容
本发明针对有迟滞特性的系统,采用分段控制的方式,根据输出信号的变化,分别建立上升段和下降段的神经网络模型,与原系统复合成伪线性系统,补偿迟滞非线性,提高控制精度。
(1)提取数据:迟滞系统在输入信号u(t)的作用下,输出信号为y(t),根据y(t)的变化,在上升段提取输入信号u(t)、输出信号y(t)、与该段相邻的前一下降段的输出信号y(t)局部极值;在下降段提取输入信号u(t)、输出信号y(t)、与该段相邻的前上升降段的输出信号y(t)局部极值;其中,第一段的局部极值设置为0。
(2)建立神经网络模型:采用BP神经网络,分别建立上升段与下降段的神经网络模型,其中,上升段神经网络将步骤(1)中提取的每个上升段输出信号y(t),输出信号y(t)局部极值,作为神经网络训练的目标输入量,输入信号u(t)作为神经网络训练的目标输出量;下降段神经网络将步骤(1)中提取的各下降段输出信号y(t),输出信号y(t)局部极值,作为神经网络训练的输入量,输入信号u(t)为神经网络训练的输出量。
(3)设计伪线性系统:采用切换开关,设计迟滞系统的逆系统,在输入信号递增时,逆系统的输出为上升段神经网络模型的输出,在输入信号递减时,逆系统的输出为下降段神经网络模型的输出;将逆系统与迟滞系统串联,构成伪线性系统,而且伪线性系统的输入是迟滞系统的期望输出值yd(t),同时对期望输出值yd(t)的进行在线局部极值检测,将期望输出值yd(t),以及检测到的局部极值信号,同时作为伪线性系统的输入。
(4)局部极值检测器:神经网络的输入有3个量,期望输出值yd(t)、yd(t)的历史局部极大值、期望输出值yd(t)的历史局部极小值。将期望输出值yd(t)依次通过微分器与延时器,比较输入信号导数的当前值与前一时刻值,若当前值大于等于零,前一时刻值小于零,则认为前一时刻的输入信号为局部极小值;若当前值小于等于零,延时后信号大于零,则认为前一时刻的输入信号为局部极大值。
本发明提出了一种采用神经网络模型分段补偿迟滞的非线性控制方法,提取输入信号的特征值同时作为神经网络的输入,实验结果表明,神经网络能够精确的逼近迟滞逆模型。本发明的分段神经网络模型与传统的Preisach、Maxwell等模型相比,所需参数少,实现形式简单,简化了参数辨识的方法,而且传统的迟滞模型多为速率无关模型,不能补偿输入信号变化速率对输出的影响,本发明为补偿输入速率的影响,提供了一个可行的方案。
附图说明
图1为迟滞系统的输入-输出图;
图2为在输信号u(t)的作用下,迟滞系统的输出图;
图3为神经网络模型与迟滞系统复合成的伪线性系统框图
图4为伪线性系统的输入输出图。
具体实施方式
迟滞系统在连续变化的输入信号u(t)作用下,输出信号y(t),其输入-输出关系如图1所示。根据输出信号y(t)的变化,将输入与输出信号分为上升段与下降段。若有连续的三个时间段[ta,tb],[tb,tc],[tc,td],如图2所示,其中[ta,tb]、[tc,td]为上升段,[tb,tc]为下降段,则输出信号y(ta)、y(tc)为局部极小值,输出信号y(tb)、y(td)为局部极大值。对于上升段[tc,td],提取该时间段的输入信号u(t)、输出信号y(t),以及相邻的前一下降段的局部极值y(tb)、y(tc),以此类推到其它上升段;对于下降段[tb,tc],提取该时间段的输入信号u(t)、输出信号y(t),以及前一上升段的局部极值y(ta)、y(tb),以此类推到其它上升段与下降段。
建立上升段的BP神经网络,其中输入层3节点,输出层出1节点。将提取的每个上升段输出、输出局部极值,作为训练神经网络训练的输入,提取的每个上升段输入作为训练神经网络训练的输出;建立下降段的BP神经网络,其中输入层3节点,输出层出1节点。将提取的每个下降段输出、输出局部极值,作为训练神经网络训练的输入,提取的每个下降段输入作为训练神经网络训练的输出。
训练好的神经网络模型与迟滞系统复合成伪线性系统,如图3所示,并且伪线性系统的输入为系统的期望输出yd(t),同时对期望输出值yd(t)进行局部极值检测,将输入局部极值同时作为伪线性系统的输入。输出y(t)与期望输出值yd(t)之间的迟滞误差将大大降低。迟滞系统与伪线性系统的输入-输出图如图3所示。
本发明在压电陶瓷驱动器、机械间隙系统、磁致伸缩材料等有迟滞特性的系统均可应用。相比传统的方法,本发明所需的参数少、实现形式简单,更易于在实时控制中应用。
该方法可用于补偿压电驱动器,磁致伸缩驱动器,形状记忆合金,机械间隙迟滞,以及其他有迟滞的系统。
Claims (4)
1、一种迟滞系统的逆系统控制方法,其特征在于包括以下三个步骤:
(1)提取数据:迟滞系统在输入信号u(t)的作用下,输出信号为y(t),根据输出信号y(t)的变化,在迟滞系统上升段提取输入信号u(t)、输出信号y(t)、与该段相邻的前一下降段的输出信号y(t)局部极值;在下降段提取输入信号u(t)、输出信号y(t)、与该段相邻的前一上升段的输出信号y(t)局部极值;其中,第一段的局部极值设置为0;
(2)建立神经网络模型:采用BP神经网络,分别建立上升段与下降段的神经网络模型,其中,上升段神经网络将步骤(1)中提取的每个上升段输出信号y(t)和输出信号y(t)局部极值,作为神经网络训练的目标输入量,每个上升段的输入信号u(t)作为神经网络训练的目标输出量;下降段神经网络将步骤(1)中提取的每个下降段输出信号y(t)和输出信号y(t)局部极值,作为神经网络训练的目标输入量,输入信号u(t)为神经网络训练的目标输出量;
(3)设计伪线性系统:采用切换开关,设计迟滞系统的逆系统,在输入信号递增时,逆系统的输出为上升段神经网络模型的输出,在输入递减时,逆系统的输出为下降段神经网络模型的输出;将逆系统与迟滞系统串联,构成伪线性系统,而且伪线性系统的输入是迟滞系统的期望输出值yd(t),同时对期望输出值yd(t)进行在线局部极值检测,将期望输出值yd(t),以及检测到的局部极值信号,同时作为伪线性系统的输入。
2、根据权利要求1所述的迟滞系统的逆系统控制方法,其特征在于步骤(1)中提取的上升段局部极值信号,是与该上升时间段相邻的前一下降段的输出局部极值;提取的下降段局部极值信号,是与该下降时间段相邻的前一上升段的输出局部极值。
3、根据权利要求1所述的迟滞系统的逆系统控制方法,其特征在于步骤(2)中采用BP神经网络建立三个输入量、一个输出量的逆系统,这3个输入量分别是输入信号u(t)、输入信号的局部极小值、输入信号局部极大值。
4、根据权利要求1所述的迟滞系统的逆系统控制方法,其特征在于步骤(3)的在线局部极值检测时,将输入信号依次通过微分器与延时器,比较输入信号导数的当前值与前一时刻值,若当前值大于等于零,前一时刻值小于零,则认为前一时刻的输入信号为局部极小值,并保持当前局部极小值直到下一个局部极小值出现;若输入信号导数的当前值小于等于零,延时后信号大于零,则认为前一时刻的输入信号为局部极大值,并保持当前局部极大值直到下一个局部极大值出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810021693A CN100592226C (zh) | 2008-08-13 | 2008-08-13 | 迟滞系统的逆系统控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810021693A CN100592226C (zh) | 2008-08-13 | 2008-08-13 | 迟滞系统的逆系统控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101339407A CN101339407A (zh) | 2009-01-07 |
CN100592226C true CN100592226C (zh) | 2010-02-24 |
Family
ID=40213493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810021693A Active CN100592226C (zh) | 2008-08-13 | 2008-08-13 | 迟滞系统的逆系统控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100592226C (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676644A (zh) * | 2016-03-04 | 2016-06-15 | 南京理工大学 | 一种多自由度精密定位平台的解耦控制方法 |
CN105843044A (zh) * | 2016-05-26 | 2016-08-10 | 南京理工大学 | 一种基于多项式模型的迟滞系统逆控制方法 |
CN106406093B (zh) * | 2016-10-12 | 2019-10-11 | 闽江学院 | 超声波电机伺服控制系统不对称滞回补偿控制装置 |
CN111796518B (zh) * | 2020-06-09 | 2021-08-20 | 吉林大学 | 磁控形状记忆合金执行器位移控制方法 |
-
2008
- 2008-08-13 CN CN200810021693A patent/CN100592226C/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101339407A (zh) | 2009-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104317198B (zh) | 具有时变输出约束的电液伺服系统非线性鲁棒位置控制方法 | |
CN100592226C (zh) | 迟滞系统的逆系统控制方法 | |
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN109946975A (zh) | 一种未知伺服系统的强化学习最优跟踪控制方法 | |
CN111931411B (zh) | 压电驱动微定位平台Duhem动态迟滞建模方法 | |
CN107544241A (zh) | 压电陶瓷执行器迟滞的非线性pid逆补偿控制方法 | |
Ronkanen et al. | Displacement control of piezoelectric actuators using current and voltage | |
CN101986564A (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
CN105159069A (zh) | 一种压电陶瓷作动器的位移控制方法 | |
CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
CN110687785B (zh) | 基于api模型的微驱动器迟滞建模及前馈控制方法 | |
CN106877746A (zh) | 速度控制方法和速度控制装置 | |
CN104698844A (zh) | 液压位置伺服系统的不确定性补偿的滑模控制方法 | |
CN102501251A (zh) | 带有动态摩擦补偿的机械臂关节定位控制方法 | |
Deng et al. | Adaptive inverse control for gripper rotating system in heavy-duty manipulators with unknown dead zones | |
CN103557037A (zh) | 一种基于自适应逆控制的汽轮机转速控制方法 | |
CN106873380A (zh) | 基于pi模型的压电陶瓷模糊pid控制方法 | |
CN101691020A (zh) | 一种用于虚拟轴机床刀具运动控制的滑模控制方法 | |
CN110597051A (zh) | 基于RBF神经网络的Stewart稳定平台控制方法 | |
CN108123648A (zh) | 基于线性矩阵不等式与滑模控制的直线伺服位置跟踪控制 | |
CN112067217A (zh) | 一种高阶单轴地震模拟振动台波形复现的自抗扰控制方法 | |
CN105353610A (zh) | 基于kp模型的磁控形状记忆合金执行器建模方法 | |
CN112835295B (zh) | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 | |
CN110336484A (zh) | 一种压电陶瓷迟滞非线性的多项式拟合修正方法 | |
CN106059412A (zh) | 基于信度规则库推理的他励直流电动机转速控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |