CN103853046A - 一种压电陶瓷驱动器的自适应学习控制方法 - Google Patents
一种压电陶瓷驱动器的自适应学习控制方法 Download PDFInfo
- Publication number
- CN103853046A CN103853046A CN201410051865.0A CN201410051865A CN103853046A CN 103853046 A CN103853046 A CN 103853046A CN 201410051865 A CN201410051865 A CN 201410051865A CN 103853046 A CN103853046 A CN 103853046A
- Authority
- CN
- China
- Prior art keywords
- control method
- actuator
- piezoelectric ceramic
- pid
- error
- 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.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明是一种压电陶瓷驱动器的自适应学习控制方法。包括如下步骤:1)建立压电陶瓷驱动器的动态迟滞模型,设计人工神经网络与PID结合的控制方法;2)采用强化学习算法在线实现PID参数的自适应整定;3)采用一个三层径向基函数网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近;4)径向基函数网络第一层输入系统误差、误差的一次差分和二次差分;5)强化学习中的执行器实现系统状态到PID三个参数的映射;6)强化学习中评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。本发明解决压电陶瓷驱动器的迟滞非线性问题,提高压电陶瓷驱动平台的重复定位精度,消除压电陶瓷的迟滞非线性对系统的影响。
Description
技术领域
本发明是一种压电陶瓷驱动器的自适应学习控制方法,属于压电陶瓷驱动器的自适应学习控制方法的创新技术。
背景技术
压电陶瓷执行器具有定位精度高、驱动力大、响应速度快等优点,是目前超精密定位、微位移技术中比较理想的驱动元件。但是由于其本身固有的迟滞、非线性、蠕变等特性,使得微位移机构的重复性和精度降低,瞬态响应速度变慢,给压电陶瓷的应用造成了一定的困难。从控制设计方法上讲,提高压电陶瓷驱动器控制精度的重点和难点是克服其迟滞性的影响,目前,迟滞建模和参数辨识是主要的研究手段,如经典的Preisach模型,Prandtl-Ishinskii模型等,然而,当系统的非线性结构特征难以刻画时,传统的数学建模就很难真实反映压电陶瓷的动态特性。在基于神经网络的PID控制中,一般采用监督学习进行参数优化,而监督学习中的教师信号难以获取。Barto等提出的执行器-评价器学习算法,也称为自适应启发式评价算法,是一种重要的强化学习算法,它是一种随机最优控制方法,在人工智能和智能控制等领域得到广泛应用。
发明内容
本发明的目的在于考虑上述问题而提供一种压电陶瓷驱动器自适应学习控制方法。本发明是建立描述压电陶瓷迟滞动态特性的数学模型,并据此模型提出一种能提高压电陶瓷驱动系统的重复定位精度的方法。
本发明的技术方案是:本发明压电陶瓷驱动器的自适应学习控制方法,包括有如下步骤:
1)首先建立压电陶瓷驱动器的动态迟滞模型,再设计人工神经网络与PID结合的控制方法;
2)采用强化学习算法在线实现PID参数的自适应整定;
3)采用一个三层径向基函数网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近;
4)径向基函数网络第一层为输入层,分别输入系统误差、误差的一次差分和二次差分;
5)强化学习中的执行器实现系统状态到PID三个参数的映射;
6)强化学习中评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。
上述步骤1)人工神经网络与PID结合的控制方法具体包括如下步骤:
11)将前馈补偿PID控制算法进行离散化;
12)在反馈中,期望输入位移和实际的输出位移进行比较,所得的误差即为PID控制器的输入信号;
13)误差经过状态转换器转换成为强化学习控制算法所需要的状态向量;
14)由系统误差、误差的一次差分和二次差分组成的状态向量作为人工神经网络的输入层;
15)人工神经网络的隐层节点基函数选用高斯型核函数;
16)人工神经网络的输出层由执行器和评价器两部分组成,执行器部分输出PID的参数,评价器则输出值函数,用来判断执行动作的优劣。
上述步骤1)建立动态迟滞模型的过程如下:由于压电陶瓷下一时刻的输出位移量不仅取决于当前时刻的输入电压和输出位移,还与之前输入的历史有关,并且输出与输入信号的变化率有关,而压电陶瓷的迟滞特性是有记忆性、多映射的一种强非线性现象,需要构造一种算子使迟滞曲线的多映射转化为单值映射,故构造如下迟滞算子:
其中u为驱动电压,y(u)为相应的输出位移,up为历史输入电压的极值,y(up)为驱动电压,它是电压为up时的输出位移值,这样就通过迟滞算子实现了将输入电压与输出位移之间的单值映射,由此就得到了压电陶瓷驱动器的动态迟滞模型。
上述步骤11)将前馈补偿PID控制算法进行离散化中的PID控制器为增量式控制器。
上述步骤3)的径向基函数神经网络是一种多层前向神经网络。
上述压电陶瓷驱动器的控制系统采用的是一种将人工神经网络与传统的PID控制器相结合的控制方法。
上述建立动态迟滞模型的特征为:
111)由于压电陶瓷叠堆驱动器是由单片的压电陶瓷片并联而成(如图1所示),压电陶瓷片层间使用银、石墨合金作为内电极,每隔一层的内电极形成玻璃绝缘膜,再装上外电极,形成并联连接;
112)把压电陶瓷驱动器分成历史相关的迟滞非线性部分Γ(r,t)和二阶线性系统部分G的串联(如图2所示),这里的非线性部分表示迟滞特性,不是静态的,而是与历史相关的动态的迟滞特性。
上述强化学习算法是一种机器学习方法,它是一种自适应启发式评价算法,能对PID参数在线进行自适应调整。
本发明涉及一种压电陶瓷驱动器的自适应学习控制方法,该方法利用强化学习在线实现PID参数的自适应整定,采用一个径向基函数网络同时对执行器的策略函数和评价器的值函数进行逼近,径向基函数网络的输入为系统误差、误差的一次差分和二次差分,执行器实现系统状态到PID参数的映射,评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。该方法将人工神经网络与传统的PID控制器相结合,可以较好解决压电陶瓷驱动器的迟滞非线性问题,进而提高压电陶瓷驱动平台的重复定位精度,达到消除压电陶瓷的迟滞非线性对系统的影响。本发明是一种方便实用的可压电陶瓷驱动器的自适应学习控制方法。
附图说明
图1为压电陶瓷内部结构图;
图2为压电陶瓷内部结构等效图;
图3为一种压电陶瓷驱动器自适应学习控制结构图;
图4为径向基函数网络的学习过程图。
具体实施方式
实施例:
本发明压电陶瓷驱动器的自适应学习控制方法,包括有如下步骤:
1)首先建立压电陶瓷驱动器的动态迟滞模型,再设计人工神经网络与PID结合的控制方法;
2)采用强化学习算法在线实现PID参数的自适应整定;
3)采用一个三层径向基函数网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近;
4)径向基函数网络第一层为输入层,分别输入系统误差、误差的一次差分和二次差分;
5)强化学习中的执行器实现系统状态到PID三个参数的映射;
6)强化学习中评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。
图1为压电陶瓷内部结构图,根据如图1所示的等效结构图,可以得到如图2所示的串联效果图。若把非线性部分看成是系统的扰动,则压电陶瓷驱动器的状态方程可表示如下的数学模型:
其中, c=[10],x=[x1x2]T,fr,u,y∈R,fr为压电陶瓷的参考输入,u为线性部分输入,y为压电陶瓷的输出。x1为输出位移,x2为速度,T为时间常数,ξ为系统阻尼因子,K为增益。
根据上述模型,设计了如图3和图4所示的一种压电陶瓷自适应学习控制方法,其中图3为PID控制结构框图,图4是径向基函数网络的学习过程。该方法是一种将人工神经网络与传统的PID控制器相结合的新颖控制方法,它利用强化学习在线实现PID参数的自适应整定,采用一个径向基函数网络同时对执行器的策略函数和评价器的值函数进行逼近,径向基函数网络的输入为系统误差、误差的一次差分和二次差分,执行器实现系统状态到PID参数的映射,评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。
本发明压电陶瓷驱动器的自适应启发式控制方法,该方法首先需要建立迟滞数学模型,然后获取期望输出位移xd(t)和输入电压u(t),在前馈中,根据动态迟滞模型,获得前馈补偿电压uh(t),在反馈中,期望输入位移和实际的输出位移比较,所得的误差e(t)即为PID控制器的输入信号,从而获得PID的补偿电压ue(t)。在实际控制中采用离散化的控制算法,需要对前馈补偿PID控制算法进行离散化。增量式PID控制器由以下方程设计:
u(t)=uh(t)+ue(t)=u(t-1)+Δu(t)=u(t-1)+K(t)x(t)
=u(t-1)+kI(t)x1(t)+kP(t)x2(t)+kD(t)x3(t)
=u(t-1)+kI(t)e(t)+kP(t)Δe(t)+kD(t)Δ2e(t)
其中,t表示采样的时刻,x(t)=[x1(t),x2(t),x3(t)]T=[e(t),Δe(t),Δ2e(t)]T,这里e(t)=yd(t)-y(t),Δe(t)=e(t)-e(t-1),Δ2e(t)=e(t)-2e(t-1)+e(t-2)分别表示系统的输出误差、误差的一次差分和二次差分。K(t)=[kI(t),kP(t),kD]为PID参数向量。
如图3所示,误差e(t)=yd(t)-y(t)经状态转换器转换成为执行器-评价器学习控制算法所需要的状态向量x(t)。这里执行器-评价器学习由三个模块组成:执行器、评价器和随机动作修正器,执行器用于进行控制电压估计,将系统状态变量映射为PID参数K'(t)=[kI'(t),k'P(t),k'D(t)],执行器输出的参数K'(t)不会直接参与到PID控制器的设计之中,而是由随机动作修正器根据评价器提供的估计信息进行随机修正,从而得到实际的PID参数值K(t)=[kI(t),kP(t),kD(t)]。评价器接受系统的状态变量,对每个采样周期的每个时间段产生评判,经过处理之后产生时序误差,其中,时序误差直接提供给执行器和评价器,用于执行器和评价器更新各种参数。
如图4所示,执行器和评价器共享径向基函数网络的输入层和隐层的资源,不仅可以降低学习系统对存储空间的要求,同时还可以避免隐层节点输出的重复计算,从而提高系统的学习效率。
第一层:输入层。该层的每个输入节点代表状态向量x(t)=[x1(t),x2(t),x3(t)]T=[e(t),Δe(t),Δ2e(t)]T∈R3的分量。
第二层,隐层。径向基函数网络隐层节点的基函数选用高斯型核函数,第j个隐节点的输出为:
其中,μj=[μ1j,μ2j,μ3j]T为第j个节点的中心向量,σj为第j个节点的宽度参数,h为隐节点个数。
第三层,输出层,由执行器和评价器两部分组成。执行器第m个输出节点的权值和到评价器的输出值函数V(t)分别由下面式子计算:
其中,wmj,vj分别对应于隐层第j个节点到执行器的权值和到评价器输出节点的权值。
如图3所示,执行器的输出并不直接传递给PID控制器,而是在其输出的PID参数K'(t)上叠加一个高斯干扰ηk。高斯干扰的大小取决于V(t),V(t)大则干扰小,反之则大。具体方法如下:
K(t)=K'(t)+ηK(0,σV(t))
其中,方差
Claims (8)
1.一种压电陶瓷驱动器的自适应学习控制方法,其特征在于包括有如下步骤:
1)首先建立压电陶瓷驱动器的动态迟滞模型,再设计人工神经网络与PID结合的控制方法;
2)采用强化学习算法在线实现PID参数的自适应整定;
3)采用一个三层径向基函数网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近;
4)径向基函数网络第一层为输入层,分别输入系统误差、误差的一次差分和二次差分;
5)强化学习中的执行器实现系统状态到PID三个参数的映射;
6)强化学习中评价器则对执行器的输出进行评判并且生成误差信号,利用该信号来更新系统的各个参数。
2.根据权利要求1所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述步骤1)人工神经网络与PID结合的控制方法具体包括如下步骤:
11)将前馈补偿PID控制算法进行离散化;
12)在反馈中,期望输入位移和实际的输出位移进行比较,所得的误差即为PID控制器的输入信号;
13)误差经过状态转换器转换成为强化学习控制算法所需要的状态向量;
14)由系统误差、误差的一次差分和二次差分组成的状态向量作为人工神经网络的输入层;
15)人工神经网络的隐层节点基函数选用高斯型核函数;
16)人工神经网络的输出层由执行器和评价器两部分组成,执行器部分输出PID的参数,评价器则输出值函数,用来判断执行动作的优劣。
3.根据权利要求1所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述步骤1)建立动态迟滞模型的过程如下:由于压电陶瓷下一时刻的输出位移量不仅取决于当前时刻的输入电压和输出位移,还与之前输入的历史有关,并且输出与输入信号的变化率有关,而压电陶瓷的迟滞特性是有记忆性、多映射的一种强非线性现象,需要构造一种算子使迟滞曲线的多映射转化为单值映射,故构造如下迟滞算子:
其中u为驱动电压,y(u)为相应的输出位移,up为历史输入电压的极值,y(up)为驱动电压,它是电压为up时的输出位移值,这样就通过迟滞算子实现了将输入电压与输出位移之间的单值映射,由此就得到了压电陶瓷驱动器的动态迟滞模型。
4.根据权利要求1所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述步骤11)将前馈补偿PID控制算法进行离散化中的PID控制器为增量式控制器。
5.根据权利要求1所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述步骤3)的径向基函数神经网络是一种多层前向神经网络。
6.根据权利要求1所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述压电陶瓷驱动器的控制系统采用的是一种将人工神经网络与传统的PID控制器相结合的控制方法。
7.根据权利要求3所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述建立动态迟滞模型的特征为:
111)由于压电陶瓷叠堆驱动器是由单片的压电陶瓷片并联而成(如图1所示),压电陶瓷片层间使用银、石墨合金作为内电极,每隔一层的内电极形成玻璃绝缘膜,再装上外电极,形成并联连接;
112)把压电陶瓷驱动器分成历史相关的迟滞非线性部分Γ(r,t)和二阶线性系统部分G的串联(如图2所示),这里的非线性部分表示迟滞特性,不是静态的,而是与历史相关的动态的迟滞特性。
8.根据权利要求1至6任一项所述的压电陶瓷驱动器自适应学习控制方法,其特征在于上述强化学习算法是一种机器学习方法,它是一种自适应启发式评价算法,能对PID参数在线进行自适应调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410051865.0A CN103853046B (zh) | 2014-02-14 | 2014-02-14 | 一种压电陶瓷驱动器的自适应学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410051865.0A CN103853046B (zh) | 2014-02-14 | 2014-02-14 | 一种压电陶瓷驱动器的自适应学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103853046A true CN103853046A (zh) | 2014-06-11 |
CN103853046B CN103853046B (zh) | 2017-10-10 |
Family
ID=50860845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410051865.0A Expired - Fee Related CN103853046B (zh) | 2014-02-14 | 2014-02-14 | 一种压电陶瓷驱动器的自适应学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103853046B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122798A (zh) * | 2014-07-24 | 2014-10-29 | 上海交通大学 | 压电陶瓷驱动器的高速纳米精度运动控制方法及系统 |
CN104238366A (zh) * | 2014-09-29 | 2014-12-24 | 中国科学院自动化研究所 | 基于神经元网络的压电陶瓷执行器的预测控制方法及装置 |
CN104678765A (zh) * | 2015-01-28 | 2015-06-03 | 浙江理工大学 | 压电陶瓷执行器迟滞模型及其控制方法 |
CN104796111A (zh) * | 2015-05-14 | 2015-07-22 | 北京航空航天大学 | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 |
CN104914276A (zh) * | 2015-06-11 | 2015-09-16 | 南京航空航天大学 | 一种基于迟滞模型的扫描探针显微镜扫描控制方法 |
CN104932267A (zh) * | 2015-06-04 | 2015-09-23 | 曲阜师范大学 | 一种采用资格迹的神经网络学习控制方法 |
CN105094046A (zh) * | 2015-04-14 | 2015-11-25 | 宁波职业技术学院 | 一种压电陶瓷执行器控制台 |
CN105116782A (zh) * | 2015-04-14 | 2015-12-02 | 宁波职业技术学院 | 一种实验室控制平台 |
CN105159068A (zh) * | 2015-07-23 | 2015-12-16 | 南京信息工程大学 | 一种改进型二阶系统的参数设计方法 |
CN106019933A (zh) * | 2016-07-29 | 2016-10-12 | 中国科学院自动化研究所 | 一种“粘滞-滑动”微动平台的预测控制方法 |
CN106125574A (zh) * | 2016-07-22 | 2016-11-16 | 吉林大学 | 基于dpi模型的压电陶瓷微定位平台建模方法 |
CN106612089A (zh) * | 2016-12-20 | 2017-05-03 | 江苏大学 | 五自由度无轴承永磁同步电机强化学习控制器及构造方法 |
CN106980264A (zh) * | 2017-05-12 | 2017-07-25 | 南京理工大学 | 基于神经网络的压电驱动器的动态迟滞建模方法 |
CN107026585A (zh) * | 2017-04-24 | 2017-08-08 | 闽江学院 | 一种超声波电机伺服控制系统摩擦力滞回控制方法 |
CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN108762092A (zh) * | 2018-06-30 | 2018-11-06 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于压电驱动器精密定位的控制方法 |
CN109521669A (zh) * | 2018-11-12 | 2019-03-26 | 中国航空工业集团公司北京航空精密机械研究所 | 一种基于强化学习的转台控制参数自整定方法 |
CN109739085A (zh) * | 2018-12-21 | 2019-05-10 | 广东工业大学 | 一种基于改进高斯伪谱法的压电陶瓷驱动器最优位移控制方法 |
CN110108443A (zh) * | 2019-05-05 | 2019-08-09 | 大连理工大学 | 一种基于神经网络的压电陶瓷驱动器输出控制方法 |
CN110209045A (zh) * | 2019-05-31 | 2019-09-06 | 西安交通大学 | 一种基于fpga的外腔可调谐半导体激光器非线性修正方法 |
CN110488759A (zh) * | 2019-08-09 | 2019-11-22 | 西安交通大学 | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 |
CN110543097A (zh) * | 2019-08-06 | 2019-12-06 | 广东工业大学 | 一种基于模型参考自适应的压电陶瓷驱动器控制方法 |
CN111523236A (zh) * | 2020-04-24 | 2020-08-11 | 哈尔滨工业大学 | 基于Koopman算子的压电陶瓷迟滞模型线性化辨识方法 |
CN112805653A (zh) * | 2018-10-12 | 2021-05-14 | 三菱电机株式会社 | 定位控制装置以及定位方法 |
CN112835295A (zh) * | 2021-01-22 | 2021-05-25 | 武汉工程大学 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
CN114679066A (zh) * | 2022-04-29 | 2022-06-28 | 太原理工大学 | 基于深度强化学习及反步控制的双有源全桥变换器非线性控制方法 |
CN114839863A (zh) * | 2022-06-14 | 2022-08-02 | 广东工业大学 | 一种数据驱动的压电微驱动器无模型预测控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11879656B2 (en) * | 2018-04-04 | 2024-01-23 | International Business Machines Corporation | Initialization of radial base function neural network nodes for reinforcement learning incremental control system |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080084783A1 (en) * | 2006-10-10 | 2008-04-10 | Mehdi Mazrooee | Process control architecture with hydrodynamic correction |
US20090009217A1 (en) * | 2006-02-16 | 2009-01-08 | Nxp B.V. | Transformation of an input signal into a logical output voltage level with a hysteresis behavior |
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN102280572A (zh) * | 2011-04-15 | 2011-12-14 | 重庆大学 | 压电陶瓷执行器迟滞特性的复合线性化控制方法及其实现电路 |
CN102799107A (zh) * | 2012-08-28 | 2012-11-28 | 成都乐创自动化技术股份有限公司 | 基于微型神经网络的步进电机pid参数自匹配方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103163906A (zh) * | 2013-03-29 | 2013-06-19 | 王少夫 | 一种水箱水位的神经模糊控制方法 |
CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
-
2014
- 2014-02-14 CN CN201410051865.0A patent/CN103853046B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090009217A1 (en) * | 2006-02-16 | 2009-01-08 | Nxp B.V. | Transformation of an input signal into a logical output voltage level with a hysteresis behavior |
US20080084783A1 (en) * | 2006-10-10 | 2008-04-10 | Mehdi Mazrooee | Process control architecture with hydrodynamic correction |
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN102280572A (zh) * | 2011-04-15 | 2011-12-14 | 重庆大学 | 压电陶瓷执行器迟滞特性的复合线性化控制方法及其实现电路 |
CN102799107A (zh) * | 2012-08-28 | 2012-11-28 | 成都乐创自动化技术股份有限公司 | 基于微型神经网络的步进电机pid参数自匹配方法 |
CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
CN103163906A (zh) * | 2013-03-29 | 2013-06-19 | 王少夫 | 一种水箱水位的神经模糊控制方法 |
Non-Patent Citations (2)
Title |
---|
刘文军等: "基于模糊神经网络的参数自整定PID控制系统设", <太原理工大学学报>, vol. 37, no. 3, 31 May 2006 (2006-05-31), pages 298 - 301 * |
纪华伟: "压电陶瓷驱动的微位移工作台建模与控制技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, 15 June 2008 (2008-06-15) * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122798B (zh) * | 2014-07-24 | 2016-05-25 | 上海交通大学 | 压电陶瓷驱动器的高速纳米精度运动控制方法及系统 |
CN104122798A (zh) * | 2014-07-24 | 2014-10-29 | 上海交通大学 | 压电陶瓷驱动器的高速纳米精度运动控制方法及系统 |
CN104238366A (zh) * | 2014-09-29 | 2014-12-24 | 中国科学院自动化研究所 | 基于神经元网络的压电陶瓷执行器的预测控制方法及装置 |
CN104678765A (zh) * | 2015-01-28 | 2015-06-03 | 浙江理工大学 | 压电陶瓷执行器迟滞模型及其控制方法 |
CN105094046B (zh) * | 2015-04-14 | 2019-05-21 | 宁波职业技术学院 | 一种压电陶瓷执行器控制台 |
CN105094046A (zh) * | 2015-04-14 | 2015-11-25 | 宁波职业技术学院 | 一种压电陶瓷执行器控制台 |
CN105116782A (zh) * | 2015-04-14 | 2015-12-02 | 宁波职业技术学院 | 一种实验室控制平台 |
CN104796111A (zh) * | 2015-05-14 | 2015-07-22 | 北京航空航天大学 | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 |
CN104796111B (zh) * | 2015-05-14 | 2017-07-28 | 北京航空航天大学 | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 |
CN104932267B (zh) * | 2015-06-04 | 2017-10-03 | 曲阜师范大学 | 一种采用资格迹的神经网络学习控制方法 |
CN104932267A (zh) * | 2015-06-04 | 2015-09-23 | 曲阜师范大学 | 一种采用资格迹的神经网络学习控制方法 |
CN104914276A (zh) * | 2015-06-11 | 2015-09-16 | 南京航空航天大学 | 一种基于迟滞模型的扫描探针显微镜扫描控制方法 |
CN105159068A (zh) * | 2015-07-23 | 2015-12-16 | 南京信息工程大学 | 一种改进型二阶系统的参数设计方法 |
CN105159068B (zh) * | 2015-07-23 | 2017-08-11 | 南京信息工程大学 | 一种改进型二阶系统的参数设计方法 |
CN106125574A (zh) * | 2016-07-22 | 2016-11-16 | 吉林大学 | 基于dpi模型的压电陶瓷微定位平台建模方法 |
CN106125574B (zh) * | 2016-07-22 | 2018-11-16 | 吉林大学 | 基于dpi模型的压电陶瓷微定位平台建模方法 |
CN106019933A (zh) * | 2016-07-29 | 2016-10-12 | 中国科学院自动化研究所 | 一种“粘滞-滑动”微动平台的预测控制方法 |
CN106612089A (zh) * | 2016-12-20 | 2017-05-03 | 江苏大学 | 五自由度无轴承永磁同步电机强化学习控制器及构造方法 |
CN107026585A (zh) * | 2017-04-24 | 2017-08-08 | 闽江学院 | 一种超声波电机伺服控制系统摩擦力滞回控制方法 |
CN107026585B (zh) * | 2017-04-24 | 2019-07-09 | 闽江学院 | 一种超声波电机伺服控制系统摩擦力滞回控制方法 |
CN106980264A (zh) * | 2017-05-12 | 2017-07-25 | 南京理工大学 | 基于神经网络的压电驱动器的动态迟滞建模方法 |
CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN107346138B (zh) * | 2017-06-16 | 2020-05-05 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN108762092A (zh) * | 2018-06-30 | 2018-11-06 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于压电驱动器精密定位的控制方法 |
CN108762092B (zh) * | 2018-06-30 | 2021-05-04 | 国网江苏省电力有限公司连云港供电分公司 | 一种用于压电驱动器精密定位的控制方法 |
CN112805653B (zh) * | 2018-10-12 | 2024-02-02 | 三菱电机株式会社 | 定位控制装置以及定位方法 |
CN112805653A (zh) * | 2018-10-12 | 2021-05-14 | 三菱电机株式会社 | 定位控制装置以及定位方法 |
CN109521669A (zh) * | 2018-11-12 | 2019-03-26 | 中国航空工业集团公司北京航空精密机械研究所 | 一种基于强化学习的转台控制参数自整定方法 |
CN109739085A (zh) * | 2018-12-21 | 2019-05-10 | 广东工业大学 | 一种基于改进高斯伪谱法的压电陶瓷驱动器最优位移控制方法 |
CN110108443B (zh) * | 2019-05-05 | 2020-04-07 | 大连理工大学 | 一种基于神经网络的压电陶瓷驱动器输出控制方法 |
CN110108443A (zh) * | 2019-05-05 | 2019-08-09 | 大连理工大学 | 一种基于神经网络的压电陶瓷驱动器输出控制方法 |
CN110209045A (zh) * | 2019-05-31 | 2019-09-06 | 西安交通大学 | 一种基于fpga的外腔可调谐半导体激光器非线性修正方法 |
CN110543097A (zh) * | 2019-08-06 | 2019-12-06 | 广东工业大学 | 一种基于模型参考自适应的压电陶瓷驱动器控制方法 |
CN110543097B (zh) * | 2019-08-06 | 2023-01-20 | 广东工业大学 | 一种基于模型参考自适应的压电陶瓷驱动器控制方法 |
CN110488759A (zh) * | 2019-08-09 | 2019-11-22 | 西安交通大学 | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 |
CN111523236A (zh) * | 2020-04-24 | 2020-08-11 | 哈尔滨工业大学 | 基于Koopman算子的压电陶瓷迟滞模型线性化辨识方法 |
CN112835295A (zh) * | 2021-01-22 | 2021-05-25 | 武汉工程大学 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
CN112835295B (zh) * | 2021-01-22 | 2022-07-19 | 武汉工程大学 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
CN114679066A (zh) * | 2022-04-29 | 2022-06-28 | 太原理工大学 | 基于深度强化学习及反步控制的双有源全桥变换器非线性控制方法 |
CN114679066B (zh) * | 2022-04-29 | 2024-03-22 | 太原理工大学 | 基于深度强化学习及反步控制的双有源全桥变换器非线性控制方法 |
CN114839863A (zh) * | 2022-06-14 | 2022-08-02 | 广东工业大学 | 一种数据驱动的压电微驱动器无模型预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103853046B (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853046A (zh) | 一种压电陶瓷驱动器的自适应学习控制方法 | |
CN101986564B (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
Veysi et al. | A novel self-adaptive modified bat fuzzy sliding mode control of robot manipulator in presence of uncertainties in task space | |
Peng et al. | Neural network based robust hybrid control for robotic system: An H∞ approach | |
CN104493826A (zh) | 结合神经网络控制的重载机器人位置控制器 | |
CN101452258A (zh) | 一种与模型无关的自适应控制器及其控制方法 | |
CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
CN109581868A (zh) | 基于评判辨识结构的可重构机器人分散神经最优控制方法 | |
Norouzi et al. | Robotic manipulator control using PD-type fuzzy iterative learning control | |
Li et al. | Sliding mode control for descriptor Markovian jump systems with mode-dependent derivative-term coefficient | |
CN101795110A (zh) | 直线音圈电机非线性特性的智能补偿方法及控制系统 | |
Rostami Kandroodi et al. | Control of Flexible Joint Manipulator via Reduced Rule‐Based Fuzzy Control with Experimental Validation | |
CN201611867U (zh) | 直线音圈电机非线性特性的智能补偿控制系统 | |
Karimi et al. | Decentralized adaptive control of large-scale affine and nonaffine nonlinear systems | |
Dong et al. | Quasi-Adaptive sliding mode motion control of hydraulic servo-mechanism with modeling uncertainty: a barrier function-based method | |
Li et al. | Adaptive fuzzy backstepping super‐twisting sliding mode control of nonlinear systems with unknown hysteresis | |
Su et al. | Finite-time tracking control for a class of MIMO nonstrict-feedback nonlinear systems via adaptive fuzzy method | |
Petlenkov et al. | Neural networks based ANARX structure for identification and model based control | |
Jianjun et al. | Design and application of discrete sliding mode control with RBF network-based switching law | |
Lu et al. | Robust parametric CMAC with self-generating design for uncertain nonlinear systems | |
Ma et al. | A novel iterative learning control design for linear discrete time systems based on a 2D Roesser system | |
Xie et al. | Adaptive control of uncertain gear transmission servo systems with dead-zone nonlinearity | |
Sutradhar et al. | Identification of servo-driven inverted pendulum system using neural network | |
Qi et al. | Symmetrical valve controlled asymmetrical cylinder based on wavelet neural network | |
Huang et al. | Novel fuzzy adaptive finite‐time nonsmooth control for uncertain nonlinear systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171010 Termination date: 20210214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |