CN103955136B - 电磁致驱动定位控制方法及其应用 - Google Patents
电磁致驱动定位控制方法及其应用 Download PDFInfo
- Publication number
- CN103955136B CN103955136B CN201410178050.9A CN201410178050A CN103955136B CN 103955136 B CN103955136 B CN 103955136B CN 201410178050 A CN201410178050 A CN 201410178050A CN 103955136 B CN103955136 B CN 103955136B
- Authority
- CN
- China
- Prior art keywords
- controlled system
- model
- controlled
- displacement
- control
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种电磁致驱动定位控制方法,包括如自适应反馈控制过程和/或自适应前馈控制过程。其中,自适应反馈控制过程主要包括模型在线识别、输出量预测和输入电流控制,根据辨识误差,连续不断的进行得到被控系统最小辨识误差,实现一个循环的闭环控制;自适应前馈控制过程主要包括向前馈控制模型中赋予被控系统的控制电流,并得到被控系统的实际输出位移,实现一个循环的开环控制。同时还提供了上述控制方法的应用。本发明在被控系统的数学模型未知或时变的情况下,使被控系统面向最优或次优的状态自动调整和运行,提高了时变干扰下被控系统的驱动实时性、精度和效率。
Description
技术领域
本发明涉及精密驱动定位控制技术领域,具体是一种用于电磁、电磁永磁复合以及磁致伸缩等智能材料定位驱动器或振动装置驱动位移或驱动振幅精确控制的电磁致驱动定位控制方法及其应用。
背景技术
在精密驱动控制领域,为提高输出位移控制精度,工程上往往采用闭环控制方法。该种控制方法,具体而言,就是针对被控驱动器的物理或结构特征,先离线构建被控对象数学模型,然后基于该模型实现基于前馈或反馈的控制算法,完成对该驱动器输出位移的控制。如研究论文杨斌堂、徐彭有等的“大行程精密定位超磁致伸缩驱动器的设计与控制”研究(《机械工程学报》,2012,第48卷第一期,25-31页)所提出的一种闭环控制方法就是根据磁致伸缩驱动器的物理特征机理,根据磁致伸缩本构关系以及Jiles-Atherton模型建立磁致伸缩驱动模型,然后通过建立其逆模型,确定位移输出所对应的输入电信号量值,完成前馈或反馈控制。这种方法,可以提高精确位移控制速度,在定常环境下会较好地提高驱动位移精度。然而,由于这种方法是通过被控制对象固有的物理或给定的结构或系统特征构建的模型(传递函数模型),它不适用于非定常环境和时变被控对象/系统,即用离线的固定的模型对非定常的变化被控驱动器(执行器)对象进行控制,显然存在较大问题,这也是目前一些传统的控制方法,不易实现实际工况下驱动系统精确驱动控制的一个主要原因。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种电磁致驱动定位控制方法及其应用。该控制方法针对磁致、或智能材料驱动器在时变系统环境下,利用构建级数模型,在线实时构建被控驱动系统驱动模型(传递函数模型),实现被控制对象在实际工程环境下,或系统时变干扰情况下的驱动位移的快速、精确驱动实现和驱动位移控制。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种电磁致驱动定位控制方法,包括如下任一个或任多个过程:
-自适应反馈控制过程,包括如下步骤:
步骤1.1,模型在线识别:建立被控系统的受控自回归滑动平均模型(CARMA),通过受控自回归滑动平均模型与递推增广最小二乘法(RELS)相结合,对被控系统实现模型在线构建和辨识,形成辨识模型;
步骤1.2,输出量预测:利用步骤1中得到的辨识模型,并对辨识模型通过改进的广义预测控制算法进行自校正控制,对辨识模型的输出量做出预测,得到辨识位移;
步骤1.3,输入电流控制:设定被控系统的期望位移,并根据期望位移向被控系统加载相应的控制电流,采集被控系统的实际输出位移,实现一个循环的闭环控制;
步骤1.4,比较辨识位移和实际输出位移,得到辨识误差;
步骤1.5,根据辨识误差,重复步骤1.1至步骤1.4,连续不断的进行模型在线识别、输出量预测以及输入电流控制,得到被控系统最小辨识误差,最终实现被控系统的精密定位控制;
-自适应前馈控制过程,包括如下步骤:
步骤2.1,建立被控系统的前馈控制模型;
步骤2.2,向前馈控制模型中赋予被控系统的控制电流,并得到被控系统的实际输出位移,实现一个循环的开环控制。
优选地,所述步骤2.1中,前馈控制模型通过以下方式建立:
-建立被控系统的受控自回归滑动平均模型,通过受控自回归滑动平均模型与递推增广最小二乘法相结合,对被控系统实现模型在线构建和辨识,形成辨识前馈模型;或
利用经典物理关系,建立被控系统的输入控制电流和实际输出位移之间的关系前馈模型。
优选地,所述被控系统的受控自回归滑动平均模型采用矩阵元素建立。
优选地,所述步骤1.2中,改进的广义预测控制算法具体包括如下步骤:
步骤1.2.1,采用矩阵元素建立被控系统的受控自回归滑动平均模型:
O(z-1)y(k)=z-dP(z-1)u(k)+R(z-1)ξ(k)
式中,u(k)和y(k)分别为被控系统的输入和输出;ξ(k)为被控系统随机扰动;z-1为滞后一步算子,即z-1y(k)=y(k-1);O、P、R分别为被控系统的输出、输入和扰动系数;k为采集点;d为被控系统的纯延时;no、np、nr为分别为模型结构的阶次;p0为模型对k时刻输入的加权系数;分别为模型对k-1时刻、k-2时刻,…k-no时刻输出的加权系数;分别为模型对k-1时刻、k-2时刻,…k-np时刻输入的加权系数;分别为模型对k-1时刻、k-2时刻,…k-nr时刻扰动的加权系数;
步骤1.2.2,将被控系统设定为在未来某一段时间内,被控系统实际输出位移序列能够成功跟踪期望位移序列;将被控系统实际输出位移序列和期望位移序列的方差最小化,进而使被控系统的输入控制电流的总能量最小,如下式:
J=E{(Y-Yr)T(Y-Yr)+ΔUTΓΔU}
式中,
Y=[y(k+1),y(k+2),…,y(k+N)]T
Yr=[yr(k+1),yr(k+2),…,yr(k+N)]T
ΔU=[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]T
y(k+j)和yr(k+j)为被控对象在k+j时刻的预测输出及期望位移,j=1,2,...,N;N为系统的位移输出长度;Nu是系统的控制信号序列长度;Δu(k)为k时刻的控制增量;Δu(k+j)为k+j时刻的控制增量,j=1,2,...,Nu-1;rj为控制信号的加权系数,j=1,2,...,Nu;J为被控系统的性能指标;
步骤1.2.3,根据步骤1.2.2中得到的广义预测控制律,可得当前时刻的输入电流控制量为:
u(k)=u(k-1)+[1 0 … 0](GTG+Γ)-1GT(Yr-Ym))
Ym=[ym(k+d)ym(k+d+1)…ym(k+N)]
式中,G为控制矩阵;d为系统的延时;u(k)为系统在k时刻的控制电流,u(k-1)为系统在k-1时刻的控制电流,ym(k+j)由系统过去的输入和输出确定,可以由下式推出:
式中
ym(k+i)=y(k+i),i≤0
控制矩阵G中的矩阵元素由下式推出:
其中,j1=min{j-1,no}。
优选地,所述改进的广义预测控制算法还包括如下步骤:
步骤1.2.2.1,引入将来的输入控制电流序列信息,进行辨识位移的多步预测,具体为,对被控系统将来一段时间里的实际输出位移序列做出预测,得到[y(k+1),…,y(k+N)];
步骤1.2.2.2,对被控系统某一段时域内的输入控制电流和实际输出位移滚动求优,获得{u(k+j)j=0,1,…,Nu-1}Nu个未来控制输入;
步骤1.2.2.3,在当前时刻k,仅对被控系统输入当前时刻k的控制作用u(k);到下一个控制时刻k+1,被控系统的性能指标随着时域的推移而发生更新,同时,利用新的输入输出数据计算新的控制序列,最终得到稳定、平滑和实时的被控系统输出。
优选地,所述自适应反馈控制过程和自适应前馈控制过程中,采用激光位移传感器实时获取被控系统的实际输出位移数据,并基于串口通讯反馈给PC机。
根据本发明的第二个方面,提供了一种用于巨磁致伸缩驱动器的电磁致驱动定位控制方法,采用了上述电磁致驱动定位控制方法。
根据本发明的第三个方面,提供了一种用于智能材料驱动器的电磁致驱动定位控制方法,采用了上述电磁致驱动定位控制方法。
根据本发明的第四个方面,提供了一种用于电磁-永磁磁致驱动驱动器及振动台的电磁致驱动定位控制方法,采用了上述电磁致驱动定位控制方法。
根据本发明的第五个方面,提供了一种用于位移驱动机构的电磁致驱动定位控制方法,采用了上述电磁致驱动定位控制方法。
与现有技术相比,本发明具有下述有益效果:
本发明提供的电磁致驱动定位控制方法,实现了一种面向智能材料定位驱动器或高精密振动控制的自适应控制方法,该方法在被控系统的数学模型未知或时变的情况下,使被控系统面向最优或次优的状态自动调整和运行,提高了时变干扰下被控系统的驱动实时性、精度和效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明反馈控制实施例结构、过程示意图;
图2为本发明前馈控制实施例结构、过程示意图;
图3为本发明前馈和反馈协同控制实施例结构、过程示意图;
图4为本发明多点预测(增加稳定性和实时性)控制实施例结构、过程示意图;
图5为本发明控制方法对智能材料驱动驱动器控制实施例的结构、控制过程示意图;
图6为本发明控制方法对电磁-永磁磁致驱动驱动器、振动台控制实施例的结构、控制过程示意图;
图7为本发明控制方法对运动控制实施例的结构、控制过程示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
请同时参阅图1至图7。
实施例1
下面以GMA(巨磁致伸缩驱动器,giant magnetostrictive actuators)作为被控系统进行详细说明。
如图1所示,本实施例提供了一种实现巨磁致伸缩驱动器(giant magnetostrictiveactuators,GMA)的精密驱动和高精度振动控制的电磁致驱动定位控制方法,该方法既可对GMA的非线性特性进行精确辨识和描述,又可对其进行线性补偿控制从而保证精密驱动和振动控制的有效性。
如图1所示,本实施例提供的电磁致驱动定位控制方法,包括自适应反馈控制过程,具体包括如下步骤:
步骤1.1,模型在线识别:建立被控系统的受控自回归滑动平均模型(CARMA),通过受控自回归滑动平均模型与递推增广最小二乘法(RELS)相结合,对被控系统实现模型在线构建和辨识,形成辨识模型;
步骤1.2,输出量预测:利用步骤1中得到的辨识模型,并对辨识模型通过改进的广义预测控制算法进行自校正控制,对辨识模型的输出量做出预测,得到辨识位移;
步骤1.3,输入电流控制:设定被控系统的期望位移,并根据期望位移向被控系统加载相应的控制电流,采集被控系统的实际输出位移,实现一个循环的闭环控制;
步骤1.4,比较辨识位移和实际输出位移,得到辨识误差;
步骤1.5,根据辨识误差,重复步骤1.1至步骤1.4,连续不断的进行模型在线识别、输出量预测以及输入电流控制,得到被控系统最小辨识误差,最终实现被控系统的精密定位控制。
在本实施例中,电磁致驱动定位控制方法的主要过程包括:模型在线辨识、输出预测和输入信号控制。首先通过受控自回归滑动平均模型(CARMA)与递推增广最小二乘法(RELS)相结合来对GMA实现模型在线构建和辨识,然后利用得到的辨识模型和改进的广义预测控制算法对输出量做出预测,根据期望位移和最优预测值在线设计系统的控制器并向GMA加载相应的控制电流,采集系统的输出位移,由此实现一个循环的闭环控制。下一步,根据新的输入输出数据更新GMA的模型参数,再对输出做出预测和控制。于是,经过连续不断的模型在线预测和输入电流控制,最终实现系统的性能指标最小。
将被控系统用CARMA模型描述:
O(z-1)y(k)=z-dP(z-1)u(k)+R(z-1)ξ(k)
式中,u(k)和y(k)分别为系统的输入和输出;ξ(k)为系统随机扰动;z-1为滞后一步算子,即z-1y(k)=y(k-1);O、P、R分别为系统的输出、输入和扰动系数;k为采集点;d为系统的纯延时。
在对GMA进行模型辨识后,为了实现基于GMA的精密闭环控制,本实施例提出将改进的广义预测自校正控制应用于GMA的精密闭环控制中。该算法首先将控制目标设定为在未来某一段时间内,系统输出位移序列可以成功跟踪预先设定的期望目标序列,即将两者的方差最小化,同时也使整个系统的输入控制信号的总能量最小,如下式
J=E{(Y-Yr)T(Y-Yr)+ΔUTΓΔU}
式中,
Y=[y(k+1),y(k+2),…,y(k+N)]T
Yr=[yr(k+1),yr(k+2),…,yr(k+N)]T
ΔU=[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]T
y(k+j)和yr(k+j)为被控对象在k+j时刻的预测输出及期望位移;N为系统的位移输出长度;Nu是系统的控制信号序列长度;Δu(k+j)为k+j时刻的控制增量;rj为控制信号的加权系数。
在实际应用中,广义预测控制算法计算量大、复杂,未考虑系统时滞,且受到随机扰动系数R稳定的限制等缺陷,本实施例采用矩阵元素建立被控对象的CARMA模型,进而将广义预测控制算法进行改进。
根据改进后的广义预测控制律,可得当前时刻的控制量为
u(k)=u(k-1)+[1 0 … 0](GTG+Γ)-1GT(Yr-Ym))
Ym=[ym(k+d)ym(k+d+1)…ym(k+N)]
式中,ym(k+j)完全由系统过去的输入输出确定,G为控制矩阵,d为系统的延时。
在实际应用中,CARMA模型是一类利用有限参数描述的系统模型,旨在描述被辨识系统的外部特性而不深入到系统的内部,即只强调模型的功能而不是模型的结构本身,且模型引入随机扰动信号,其参数在辨识和控制过程中不断更新调整,故可以描述具有非线性和时变特性的GMA的输出位移,具有模型简单,且计算量小等优点;改进的广义预测控制算法该除了保留广义预测控制算法的多步预测模型、滚动优化和在线反馈校正等特征,还具有不受外界干扰稳定的限制、算法简单、计算量较小、较好的稳定性和鲁棒性等优点。故本发明提出将自适应控制算法应用于GMA的精密驱动和高精度振动控制,具有保证系统良好的实时性和较高的控制精度等优点。
实施例2
如图2所示,本实施例提供的电磁致驱动定位控制方法,包括自适应前馈控制过程,具体包括如下步骤:
步骤2.1,建立被控系统的前馈控制模型;
步骤2.2,向前馈控制模型中赋予被控系统的控制电流,并得到被控系统的实际输出位移,实现一个循环的开环控制。
在本实施例中,前馈控制模型通过以下方式建立:
-建立被控系统的受控自回归滑动平均模型,通过受控自回归滑动平均模型与递推增广最小二乘法相结合,对被控系统实现模型在线构建和辨识,形成辨识前馈模型;或
利用经典物理关系,建立被控系统的输入控制电流和实际输出位移之间的关系前馈模型。
从图2中可以看出,本实施例比实施例1少了反馈校正的环节,这是为了减少时滞,提高系统自适应控制的实时性。但是,与实施例1相比,该种前馈控制系统的控制精度会有所降低。
实施例3
实施例3为实施例1和2的结合。
如图3所示,本实施例提供的电磁致驱动定位控制方法,包括实施例1提供的自适应反馈控制过程和实施例2提供的自适应前馈控制过程,两个过程结合,实现GMA的精密定位控制。
从图3中可以看出,本实施例结合反馈控制过程和前馈控制过程两种算法,既保留实施例1反馈控制过程的高控制精度和效率,又具有实施例2前馈控制过程的良好的适时性,同时引入前馈环节对系统的闭环控制进行有效补偿。本实施例对于具有高精度和实时性驱动系统和振动控制系统具有良好的应用价值。
实施例4
本实施例是实施例1、2、3的变化例。
本实施例在实施例1、2或3的基础上,所述改进的广义预测控制算法还包括如下步骤:
步骤1.2.2.1,引入将来的输入控制电流序列信息,进行辨识位移的多步预测,具体为,对被控系统将来一段时间里的实际输出位移序列做出预测,得到[y(k+1),…,y(k+N)];
步骤1.2.2.2,对被控系统某一段时域内的输入控制电流和实际输出位移滚动求优,获得{u(k+j)j=0,1,…,Nu-1}Nu个未来控制输入;
步骤1.2.2.3,在当前时刻k,仅对被控系统输入当前时刻k的控制作用u(k);到下一个控制时刻k+1,被控系统的性能指标随着时域的推移而发生更新,同时,利用新的输入输出数据计算新的控制序列,最终得到稳定、平滑和实时的被控系统输出。
图4为改进的广义预测自适应控制的多点预测(增加稳定性和实时性)控制过程示意图。如图4所示,在每一个“当前采样时刻”,根据对GMA进行在线辨识所获得的CARMA模型,基于系统在当前、历史的输入信号和位移输出数据,同时也引入了将来的控制输入序列信息进行多步预测,即对被控对象将来一段时间里的输出信号序列做出预测,如图4中的[y(k+1),…,y(k+N)]。
这就使得闭环控制的优化为对系统某一段时域内的性能指标滚动求优。通过优化性能指标,可获得{u(k+j)j=0,1,…,Nu-1}Nu个未来控制输入,但在当前时刻k,仅对GMA输入当前时刻的控制作用u(k)。这样,到下一个控制时刻,系统的性能指标随着时域的推移而发生更新,同时利用新的输入输出数据计算新的控制序列,最终增加被控系统输出的稳定性、平滑性和实时性。
下面结合实例对上述四个实施例的具体应用进一步描述。
实施例5
图5为本发明控制方法对智能材料驱动器控制过程示意图。在本实施例中,首先采用激光位移传感器实时获取GMA的位移数据且基于串口通讯反馈给PC机,然后基于CARMA模型通过自校正控制算法计算出系统所需的控制信号,PC机向信号发生器发送实现信号指令,继而向GMA的激励线圈加载相应的电流信号,至此,一个控制循环结束。
实施例6
图6为本发明控制方法对电磁-永磁磁致驱动驱动器、振动台的控制过程示意图。在本实施例中,其控制过程与实施例5类似,本实施例中的电磁致驱动定位控制方法可以实现电磁-永磁磁致振动台在低频、超低频至高频范围内的有效振动输出的实时性和振动精度。
实施例7
图7为本发明控制方法对对运动控制的控制过程示意图。在本实施例中,其控制过程与实施例5、6类似,本实施例中的电磁致驱动定位控制方法也同样可以实现运动机构对期望位移的实时和有效跟踪。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (9)
1.一种电磁致驱动定位控制方法,其特征在于,包括多个过程:
-自适应反馈控制过程,包括如下步骤:
步骤1.1,模型在线识别:建立被控系统的受控自回归滑动平均模型,通过受控自回归滑动平均模型与递推增广最小二乘法相结合,对被控系统实现模型在线构建和辨识,形成辨识模型;
步骤1.2,输出量预测:利用步骤1中得到的辨识模型,并对辨识模型通过改进的广义预测控制算法进行自校正控制,对辨识模型的输出量做出预测,得到辨识位移;
步骤1.3,输入电流控制:设定被控系统的期望位移,并根据期望位移向被控系统加载相应的控制电流,采集被控系统的实际输出位移,实现一个循环的闭环控制;
步骤1.4,比较辨识位移和实际输出位移,得到辨识误差;
步骤1.5,根据辨识误差,重复步骤1.1至步骤1.4,连续不断的进行模型在线识别、输出量预测以及输入电流控制,得到被控系统最小辨识误差,最终实现被控系统的精密定位控制;
-自适应前馈控制过程,包括如下步骤:
步骤2.1,建立被控系统的前馈控制模型;
步骤2.2,向前馈控制模型中赋予被控系统的控制电流,并得到被控系统的实际输出位移,实现一个循环的开环控制;
所述步骤1.2中,改进的广义预测控制算法具体包括如下步骤:
步骤1.2.1,采用矩阵元素建立被控系统的受控自回归滑动平均模型:
O(z-1)y(k)=z-dP(z-1)u(k)+R(z-1)ξ(k)
式中,u(k)和y(k)分别为被控系统的输入和输出;ξ(k)为被控系统随机扰动;z-1为滞后一步算子,即z-1y(k)=y(k-1);O、P、R分别为被控系统的输出、输入和扰动系数;k为采集点;d为被控系统的纯延时;no、np、nr为分别为模型结构的阶次;p0为模型对k时刻输入的加权系数;分别为模型对k-1时刻、k-2时刻,…k-no时刻输出的加权系数;分别为模型对k-1时刻、k-2时刻,…k-np时刻输入的加权系数;分别为模型对k-1时刻、k-2时刻,…k-nr时刻扰动的加权系数;
步骤1.2.2,将被控系统设定为在未来某一段时间内,被控系统实际输出位移序列能够成功跟踪期望位移序列;将被控系统实际输出位移序列和期望位移序列的方差最小化,进而使被控系统的输入控制电流的总能量最小,如下式:
J=E{(Y-Yr)T(Y-Yr)+ΔUTΓΔU}
式中,
Y=[y(k+1),y(k+2),…,y(k+N)]T
Yr=[yr(k+1),yr(k+2),…,yr(k+N)]T
ΔU=[Δu(k),Δu(k+1),…,Δu(k+Nu-1)]T
y(k+j)和yr(k+j)为被控对象在k+j时刻的预测输出及期望位移,j=1,2,…,N;N为系统的位移输出长度;Nu是系统的控制信号序列长度;Δu(k)为k时刻的控制增量;Δu(k+j)为k+j时刻的控制增量,j=1,2,…,Nu-1;rj为控制信号的加权系数,j=1,2,…,Nu;J为被控系统的性能指标;
步骤1.2.3,根据步骤1.2.2中得到的广义预测控制律,可得当前时刻的输入电流控制量为:
u(k)=u(k-1)+[1 0 … 0](GTG+Γ)-1GT(Yr-Ym))
Ym=[ym(k+d) ym(k+d+1) … ym(k+N)]
式中,G为控制矩阵;d为系统的延时;u(k)为系统在k时刻的控制电流,u(k-1)为系统在k-1时刻的控制电流,ym(k+j)由系统过去的输入和输出确定,可以由下式推出:
式中
ym(k+i)=y(k+i),i≤0
控制矩阵G中的矩阵元素由下式推出:
其中,j1=min{j-1,no}。
2.根据权利要求1所述的电磁致驱动定位控制方法,其特征在于,所述步骤2.1中,前馈控制模型通过以下方式建立:
-建立被控系统的受控自回归滑动平均模型,通过受控自回归滑动平均模型与递推增广最小二乘法相结合,对被控系统实现模型在线构建和辨识,形成辨识前馈模型;或
-利用经典物理关系,建立被控系统的输入控制电流和实际输出位移之间的关系前馈模型。
3.根据权利要求1或2所述的电磁致驱动定位控制方法,其特征在于,所述被控系统的受控自回归滑动平均模型采用矩阵元素建立。
4.根据权利要求1所述的电磁致驱动定位控制方法,其特征在于,所述改进的广义预测控制算法还包括如下步骤:
步骤1.2.2.1,引入将来的输入控制电流序列信息,进行辨识位移的多步预测,具体为,对被控系统将来一段时间里的实际输出位移序列做出预测,得到[y(k+1),…,y(k+N)];
步骤1.2.2.2,对被控系统某一段时域内的输入控制电流和实际输出位移滚动求优,获得{u(k+j)j=0,1,…,Nu-1}Nu个未来控制电流输入;
步骤1.2.2.3,在当前时刻k,仅对被控系统输入当前时刻k的控制作用u(k);到下一个控制时刻k+1,被控系统的性能指标随着时域的推移而发生更新,同时,利用新的输入输出数据计算新的控制序列,最终得到稳定、平滑和实时的被控系统输出。
5.根据权利要求1所述的电磁致驱动定位控制方法,其特征在于,所述自适应反馈控制过程和自适应前馈控制过程中,采用激光位移传感器实时获取被控系统的实际输出位移数据,并基于串口通讯反馈给PC机。
6.一种用于巨磁致伸缩驱动器的电磁致驱动定位控制方法,其特征在于,采用了权利要求1至5中任一项所述的电磁致驱动定位控制方法。
7.一种用于智能材料驱动器的电磁致驱动定位控制方法,其特征在于,采用了权利要求1至5中任一项所述的电磁致驱动定位控制方法。
8.一种用于电磁-永磁磁致驱动驱动器及振动台的电磁致驱动定位控制方法,其特征在于,采用了权利要求1至5中任一项所述的电磁致驱动定位控制方法。
9.一种用于位移驱动机构的电磁致驱动定位控制方法,其特征在于,采用了权利要求1至5中任一项所述的电磁致驱动定位控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410178050.9A CN103955136B (zh) | 2014-04-29 | 2014-04-29 | 电磁致驱动定位控制方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410178050.9A CN103955136B (zh) | 2014-04-29 | 2014-04-29 | 电磁致驱动定位控制方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955136A CN103955136A (zh) | 2014-07-30 |
CN103955136B true CN103955136B (zh) | 2016-09-07 |
Family
ID=51332421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410178050.9A Active CN103955136B (zh) | 2014-04-29 | 2014-04-29 | 电磁致驱动定位控制方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955136B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793490A (zh) * | 2015-04-03 | 2015-07-22 | 上海交通大学 | 动态前馈补偿的改进广义预测自适应控制方法及其应用 |
CN105204339B (zh) * | 2015-09-24 | 2018-04-17 | 哈尔滨工程大学 | 气垫船姿态调节的主动时滞反馈控制方法 |
CN105319971B (zh) * | 2015-11-20 | 2018-10-16 | 武汉理工大学 | 基于光纤光栅的gma自适应控制方法及装置 |
JP2018120327A (ja) * | 2017-01-24 | 2018-08-02 | オムロン株式会社 | 制御装置、制御プログラムおよび制御システム |
CN107807531B (zh) * | 2017-11-30 | 2020-02-18 | 北京航空航天大学 | 一种用于超磁致伸缩跟踪平台的自适应逆跟踪控制方法 |
CN114706357B (zh) * | 2022-05-31 | 2022-09-09 | 江苏中科云控智能工业装备有限公司 | 基于5g通信的工控设备信息化控制指令传输系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4742444A (en) * | 1984-07-23 | 1988-05-03 | Siemens Aktiengesellschaft | Method of optimizing drive controls in machine tools having computer control |
US4951191A (en) * | 1987-06-26 | 1990-08-21 | Kabushiki Kaisha Toshiba | Process control having improved combination of feedforward feedback control |
-
2014
- 2014-04-29 CN CN201410178050.9A patent/CN103955136B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4742444A (en) * | 1984-07-23 | 1988-05-03 | Siemens Aktiengesellschaft | Method of optimizing drive controls in machine tools having computer control |
US4951191A (en) * | 1987-06-26 | 1990-08-21 | Kabushiki Kaisha Toshiba | Process control having improved combination of feedforward feedback control |
Non-Patent Citations (5)
Title |
---|
三自由度磁致伸缩驱动平台建模仿真与控制研究;李建强;《中国优秀硕士学位论文全文数据库》;20120715;3-5章 * |
基于Delta算子描述的CARMA模型辨识;张端金等;《河南科学》;20030228;第21卷(第1期);全文 * |
潘立登等.动态多变量CARMA模型结构及参数辨识.《系统工程学报》.1992,第7卷(第1期),全文. * |
超磁致伸缩执行器磁滞建模与控制技术研究;张菊;《中国优秀硕士学位论文全文数据库》;20041215;第三章 超磁致伸缩执行器的磁滞建模 * |
超磁致伸缩致动器的神经网络控制与动态模型及实验研究;孙英;《中国优秀博士学位论文全文数据库》;20081115;2-6章 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955136A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955136B (zh) | 电磁致驱动定位控制方法及其应用 | |
Kang et al. | An adaptive PID neural network for complex nonlinear system control | |
Li et al. | A policy search method for temporal logic specified reinforcement learning tasks | |
Radac et al. | Three-level hierarchical model-free learning approach to trajectory tracking control | |
CN102289204B (zh) | 基于确定学习理论的机械臂通用控制方法 | |
US10353351B2 (en) | Machine learning system and motor control system having function of automatically adjusting parameter | |
CN103941589B (zh) | 一种压电执行器的非线性模型预测控制方法 | |
CN104317195B (zh) | 一种基于改进极限学习机的非线性逆模型控制方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
Hsu | A self-evolving functional-linked wavelet neural network for control applications | |
Obadina et al. | Grey-box modelling and fuzzy logic control of a Leader–Follower robot manipulator system: A hybrid Grey Wolf–Whale Optimisation approach | |
Li et al. | Training a robust reinforcement learning controller for the uncertain system based on policy gradient method | |
Kusumoputro et al. | System identification and control of pressure process rig system using Backpropagation Neural Networks | |
Hou et al. | Indirect adaptive fuzzy wavelet neural network with self-recurrent consequent part for AC servo system | |
Chertovskikh et al. | An adaptive PID controller with an online auto-tuning by a pretrained neural network | |
CN102393645A (zh) | 一种高速电液比例调速系统的控制方法 | |
CN105911865A (zh) | 一种pid控制器的控制方法 | |
CN104793490A (zh) | 动态前馈补偿的改进广义预测自适应控制方法及其应用 | |
CN105353610A (zh) | 基于kp模型的磁控形状记忆合金执行器建模方法 | |
CN106168762A (zh) | 一种基于模糊聚类逆模型的残余振动抑制方法 | |
Arshad et al. | Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning. | |
Su et al. | Improved fractional-order PSO for PID tuning | |
Ling et al. | ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system | |
Hsu et al. | Auto‐tuning PID controller design using a sliding‐mode approach for DC servomotors | |
Brasch et al. | Lateral control of a vehicle using reinforcement learning |
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 |