CN108363293B - 一种基于pid控制的交叉耦合控制算法和系统 - Google Patents
一种基于pid控制的交叉耦合控制算法和系统 Download PDFInfo
- Publication number
- CN108363293B CN108363293B CN201810148157.7A CN201810148157A CN108363293B CN 108363293 B CN108363293 B CN 108363293B CN 201810148157 A CN201810148157 A CN 201810148157A CN 108363293 B CN108363293 B CN 108363293B
- Authority
- CN
- China
- Prior art keywords
- neural network
- vector
- pid
- sliding mode
- axis
- 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
- 238000006880 cross-coupling reaction Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012938 design process Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000011217 control strategy Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于PID控制的交叉耦合控制算法和系统,首先采用滑模变结构控制器作为单轴位置跟踪控制,有效减小各轴位置跟踪误差。为进一步减小轮廓误差,引入基于PID控制的交叉耦合控制策略来消除各轴参数不匹配的影响,并利用神经网络的自学习能力,自适应整定PID参数,有效解决PID参数难整定的问题。最后通过仿真实验结果表明,所提控制算法有效,能显著减小伺服系统的轮廓误差。
Description
技术领域
本发明属于伺服运动控制领域,具体是一种基于PID控制的交叉耦合控制算法和系统。
背景技术
伺服系统的控制策略通常分为跟踪控制和轮廓控制两种。跟踪控制的基本思想是通过改善各运动轴的位置跟踪性能,从而间接达到减小伺服系统轮廓误差的目的,是一种将各轴独立控制,各轴位置信息互不关联的控制方式。然而轮廓误差并非各轴运动误差的简单矢量和,而是各轴位置跟踪精度和多轴联动精度的综合,各轴动态特性和参数不匹配都会引起轮廓误差,使得此类控制方法很难达到理想的控制效果。为了提高轮廓控制精度,实现多轴同步运动,可以考虑交叉耦合控制,其主要思想是:根据各运动轴的反馈信息,实时修正各轴轮廓误差的补偿量,从而通过补偿的方法来减小轮廓误差。交叉耦合控制器可以考虑采用PID控制算法,PID控制算法结构简单。然而伺服系统具有非线性和时变性等特点,经典PID控制存在参数整定难、自适应差等问题。神经网络具有强大的学习能力和对连续函数的逼近能力,可用于对PID控制参数的在线整定,有效解决PID参数整定难的问题。
发明内容
本发明要解决的技术问题是提供一种基于PID控制的交叉耦合控制算法和系统,该算法和系统在采用滑模变结构控制减小单轴位置跟踪误差的基础上,进一步引入基于PID控制的交叉耦合控制算法,减小了系统的轮廓误差;并利用神经网络的自学习能力,在线整定PID参数,有效解决PID参数整定难的问题,从而提高了伺服系统的轮廓控制精度。
为实现上述发明目的,本发明采用以下技术方案:
一种基于PID控制的交叉耦合控制算法,包括以下步骤:
其中,Cx和Cy是两轴交叉耦合增益,ex和ey是两轴跟踪误差值。
2)设计单轴滑模变结构控制器,X轴滑模变结构控制器为
同理,Y轴滑模变结构控制器为:
其中,rdx和rdy为两轴的参考输入,rx和ry为两轴实际输出,ex和ey为两轴跟踪误差,a,b为大于零的常数,;S为滑模函数,η为切换增益,满足η≥0。
3)对多轴同步控制引入变增益交叉耦合控制,所述变增益交叉耦合控制采用PID控制器。
进一步的,所述PID控制器为基于神经网络的PID控制器,具体为:
进一步的,所述估计轮廓误差矢量的过程为:
两轴交叉耦合增益分别表示为Cx和Cy,进一步得到交叉耦合控制增益为
则轮廓误差估计为
进一步的,所述设计单轴滑模变结构控制器的过程为:
两轴执行机构分别为二阶伺服系统:
将其写成微分方程的形式为:
其中,a,b为大于零的常数,u为控制输入;s是一个复变量。
以X轴执行机构为例,针对公式(7),取参考位置为rdx,跟踪误差为ex=rdx-rx,rx为实际输出。
令滑模函数为:
其中,c为大于零的常数,则:
滑模变结构控制器设计为
其中,η为切换增益,满足η≥0。
定义Lyapunov函数V为
对其求导,得出:
当系统建模不准确或者受到较大扰动时,控制器需要较大的切换增益,容易造成抖振现象;为了防止抖振,采用饱和函数sat(S)代替符号函数sgn(S)
其中,Δ为边界层;
滑模变结构控制中采用饱和函数,则在边界层外,利用切换控制快速将系统状态趋于滑动模态;而在边界层内,则是利用反馈控制降低滑动模态快速切换产生的抖振。
则滑模控制器为:
进一步的,所述基于神经网络的PID控制器的设计过程为:
在神经网络中,z=[z1,z2,…zn]∈Rn是网络的输入向量,n为神经网络输入个数,是网络权值θ的估计;设RBF网络的径向基向量为φ(z)=[φ1(z),φ2(z),...φh(z)]T,h为神经网络隐含层个数,其中φj(z)为高斯基函数,
其中网络的第j个节点的中心矢量为ωj=[ωj1,ωj2,…ωjn],设网络的基宽向量为:
B=[b1,b2,…bh],bj为节点j的基宽度参数,且为大于零的数;
网络权向量为:θ=[θ1,θ2,…θh]T
则神经网络输出为:
f(z)=θTφ(z) (16)
在满足下述假设条件下,RBF神经网络具有以任意精度逼近任意连续非线性函数的能力;假设:对于给定的任意小正数ε0,存在一个最优权值向量θ*,使神经网络的逼近误差满足
神经网络参数通常依靠经验选取或试凑,若选取不当,无法保证闭环系统的稳定性;因此本专利采用自适应神经网络学习和逼近PID的三个整定参数,即Kp,Ki和Kd;
定义:
其中,ε为轮廓误差信号,作为PID控制器的输入,Λ>0,
PID控制器参数Kp,Ki和Kd的神经网络估计分别为
ξp,ξi,ξd分别为3个神经网络的自适应权值系数;
则基于神经网络的PID控制器为
一种基于PID控制的交叉耦合控制系统,包括单轴滑模变结构控制器和基于神经网络的PID控制器;
所述X轴滑模变结构控制器为:
所述Y轴的滑模控制器为:
所述基于神经网络的PID控制器为:
本发明针对伺服系统轮廓控制问题,提出了一种基于PID控制的交叉耦合控制算法和系统。首先,采用滑模变结构控制器作为单轴位置跟踪控制,有效减小各轴位置跟踪误差。为进一步减小轮廓误差,引入基于PID控制的交叉耦合控制策略来消除各轴参数不匹配的影响,并利用神经网络的自学习能力,自适应整定PID参数,有效解决PID参数难整定的问题。最后通过仿真实验结果表明,所提控制算法有效,能显著减小伺服系统的轮廓误差。
附图说明
图1为本发明一个实施例的轮廓误差矢量图;
图2为本发明采用的变增益交叉耦合控制器的结构图;
图3为本发明一个实施例仿真结果输出的两轴跟踪误差;
图4为一个实施例仿真结果输出的轮廓误差;
图5为一个实施例仿真结果输出的圆形轮廓;
图6为一个实施例仿真结果输出的PID参数神经网络逼近图。
具体实施方式
下面结合附图,对本发明提出的一种基于PID控制的交叉耦合控制算法和系统进行详细说明。在本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”、“底部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
本发明提出的一种基于PID控制的交叉耦合控制算法和系统进行,具体步骤如下:
1、轮廓误差矢量估计
以两轴伺服系统为例,轮廓误差向量图如图1所示
其中,为跟踪误差向量,表示任意工作点的实际位置P与参考位置R之间的距离,将跟踪误差向量表示为ex和ey为两轴跟踪误差;表示轮廓误差向量,表示实际位置与参考轨迹间的距离;为轮廓误差法向量,为表示轮廓误差估计向量,表示归一化的切向量。
轮廓误差估计向量是由控制器调节并沿着轮廓误差估计向量的方向对各运动轴进行补偿,因此,我们可以通过轮廓误差估计向量获得交叉耦合控制器的增益。
两轴交叉耦合增益分别表示为Cx和Cy,进一步得到交叉耦合控制增益为
则轮廓误差估计为
2、单轴滑模变结构控制器设计
针对两轴伺服系统,采用滑模变结构控制进行单轴运动控制。滑模变结构控制不受参数摄动和外界扰动的影响,具有良好的鲁棒性,保证单轴精确跟踪。
两轴执行机构分别为二阶伺服系统:
将其写成微分方程的形式为:
其中,a,b为大于零的常数,u为控制输入,s是复变量,r为伺服系统的输出。
以X轴执行机构为例,针对系统(7),取参考位置为rdx,跟踪误差为ex=rdx-rx,rx为实际输出。
令滑模函数为:
其中,c为大于零的常数
则
滑模变结构控制器设计为:
其中,η为切换增益,满足η≥0。
稳定性分析:
定义Lyapunov函数V为
对其求导,得出
当系统建模不准确或者受到较大扰动时,控制器需要较大的切换增益,容易造成抖振现象。为了防止抖振,采用饱和函数sat(S)代替符号函数sgn(S)
其中,Δ为边界层。
滑模变结构控制中采用饱和函数,则在边界层外,利用切换控制快速将系统状态趋于滑动模态;而在边界层内,则是利用反馈控制降低滑动模态快速切换产生的抖振。
则滑模控制器为:
同理,Y轴也采用滑模变结构控制,并满足稳定性要求;Y轴的滑模控制器为:
其中,rdx和rdy为两轴的参考输入,rx和ry为两轴实际输出,ex和ey为两轴跟踪误差。
3、基于自适应神经网络PID的交叉耦合控制器设计
单轴采用滑模变结构控制,减小每轴位置跟踪误差,实现单轴准确跟踪。下面进一步对多轴同步控制引入变增益交叉耦合控制,提高轮廓跟踪精度。
变增益交叉耦合控制(CCC)的基本思想是根据各坐标轴的反馈信息,实时修正轮廓误差模型增益,获得各轴的最佳补偿修正量,并送给各坐标轴,从而达到减小和消除轮廓误差的目的。交叉耦合控制器采用PID控制算法,PID控制算法结构简单。然而伺服系统具有非线性和时变性等特点,经典PID控制存在参数整定难、自适应差等问题。而神经网络具有自学习能力,本专利将引入神经网络控制与交叉耦合PID控制器相结合,将RBF神经网络用于PID控制参数的在线整定,有效解决了PID参数自整定问题。
本发明基于PID控制的交叉耦合控制算法结构如图2所示,其中,ex和ey为两轴跟踪误差,Cx和Cy分别为两轴交叉耦合增益,U为交叉耦合控制器输出,经过Cx和Cy分别补偿到x和y轴。
RBF网络是一种三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出的映射是线性的,从而大大加快了学习速度并避免局部极小问题,能够快速收敛。
在神经网络中,z=[z1,z2,…zn]∈Rn是网络的输入向量,n为神经网络输入个数,是网络权值θ的估计。设RBF网络的径向基向量为φ(z)=[φ1(z),φ2(z),...φh(z)]T,h为神经网络隐含层个数,其中φj(x)为高斯基函数,
其中网络的第j个节点的中心矢量为ωj=[ωj1,ωj2,…ωjn],,设网络的基宽向量为:
B=[b1,b2,…bh],bj为节点j的基宽度参数,且为大于零的数。
网络权向量为:θ=[θ1,θ2,…θh]T
则神经网络输出为:
f(z)=θTφ(z) (16)
在满足下述假设条件下,RBF神经网络具有以任意精度逼近任意连续非线性函数的能力。
假设:对于给定的任意小正数ε0,存在一个最优权值向量θ*,使神经网络的逼近误差满足
神经网络参数通常依靠经验选取或试凑,若选取不当,无法保证闭环系统的稳定性。因此本专利采用自适应神经网络学习和逼近PID的三个整定参数,即Kp,Ki和Kd。
定义
其中,ε为轮廓误差信号,作为PID控制器的输入,Λ>0
PID控制器参数Kp,Ki和Kd的神经网络估计分别为
自适应律设计为:
ξp,ξi,ξd分别为3个神经网络的自适应权值系数。
则基于神经网络的PID控制器为
4、仿真与分析
由于负载和工作条件不同,各轴的模型参数不可能完全匹配,这是造成轮廓误差的主要原因,仿真中选取不对称的两轴伺服系统,以模拟两轴参数不匹配的情况。两轴进给伺服模型为:
单轴运动控制采用滑模变结构控制,控制器参数为:c=20,η=8;交叉耦合控制器采用PID控制,并用RBF神经网络自适应整定。所有神经网络节点高斯基函数宽度为常数b=1.5,中心点分布在区域[-1,1]×[-2,2]内,权值初始值设置为0.3,Λ=5。Kp,Ki和Kd神经网络的自适应系数分别为ξp=50,ξi=60,ξd=80。
选取跟踪曲线为半径为1的单位圆轮廓L
L={(rdx(t),rdv(t))∈R2:rdx(t)=sin(t),rdy(t)=cos(t)}
仿真结果如图3至图6所示。
图3为x和y两轴的跟踪误差曲线;图4为轮廓误差曲线;图5为两轴圆形轮廓输出。图6为PID控制器3个参数的神经网络逼近,依次为比例Kp,积分Ki,以及微分Kd的神经网络输出。仿真结果显示,在单轴滑模变结构控制算法作用下,X轴和Y轴都具有较好的跟踪性能,实际输出较好的跟踪期望的参考输入信号,单轴的跟踪误差都基本为零;在基于神经网络的交叉耦合控制器的作用下,有效解决了各轴之间动态不匹配的问题,除了初始阶段有微小误差,整个过程的轮廓误差都为零,圆形输入轮廓得到了很好的输出。有效解决了PID参数整定难的问题。
并可将控制算法方便的扩展到三轴及更多轴的高精度联动控制,只需对各轴之间做两两交叉耦合控制处理,如三轴X,Y,Z控制,只需增加XZ,YZ之间的交叉耦合控制,便可实现多轴联动,减小轮廓误差。
基于对本发明优选实施方式的描述,应该清楚,由所附的权利要求书所限定的本发明并不仅仅局限于上面说明书中所阐述的特定细节,未脱离本发明宗旨或范围的对本发明的许多显而易见的改变同样可能达到本发明的目的。
Claims (5)
1.一种基于PID控制的交叉耦合控制算法,其特征在于,包括以下步骤:
其中,Cx和Cy是两轴交叉耦合增益,ex和ey是两轴跟踪误差值;
2)设计单轴滑模变结构控制器,X轴滑模变结构控制器为:
同理,Y轴滑模变结构控制器为:
其中,rdx和rdy为两轴的参考输入,rx和ry为两轴实际输出,ex和ey为两轴跟踪误差,
a、b、c均为大于零的常数,S为滑模函数,η为切换增益,满足η≥0;
3)对多轴同步控制引入变增益交叉耦合控制,所述变增益交叉耦合控制采用PID控制器;
所述PID控制器为基于神经网络的PID控制器,具体为:
3.根据权利要求1所述的基于PID控制的交叉耦合控制算法,其特征在于,所述设计单轴滑模变结构控制器的过程为:
两轴执行机构分别为二阶伺服系统:
将其写成微分方程的形式为:
设计X轴滑模变结构控制器的过程为针对公式(7),取参考位置为rdx,跟踪误差为ex=rdx-rx,rx为实际输出;
令滑模函数为:
其中,c为大于零的常数,则:
滑模变结构控制器设计为
其中,η为切换增益,满足η≥0;
定义Lyapunov函数V为
对其求导,得出:
采用饱和函数sat(S)代替符号函数sgn(S)
其中,Δ为边界层;
滑模变结构控制中采用饱和函数,则在边界层外,利用切换控制快速将系统状态趋于滑动模态;而在边界层内,则是利用反馈控制降低滑动模态快速切换产生的抖振;
则滑模控制器为:
4.根据权利要求1所述的基于PID控制的交叉耦合控制算法,其特征在于,所述基于神经网络的PID控制器的设计过程为:
在神经网络中,z=[z1,z2,…zn]∈Rn是网络的输入向量,n为神经网络输入个数,是网络权值θ的估计;设RBF网络的径向基向量为φ(z)=[φ1(z),φ2(z),...φh(z)]T,h为神经网络隐含层个数,其中φj(z)为高斯基函数,
其中,网络的第j个节点的中心矢量为ωj=[ωj1,ωj2,…ωjn],设网络的基宽向量为:B=[b1,b2,…bh],bj为节点j的基宽度参数,且为大于零的数;
网络权向量为:θ=[θ1,θ2,…θh]T
则神经网络输出为:
f(z)=θTφ(z) (16)
在满足下述假设条件下,RBF神经网络具有以任意精度逼近任意连续非线性函数的能力;
假设:对于给定的任意小正数ε0,存在一个最优权值向量θ*,使神经网络的逼近误差满足
采用自适应神经网络学习和逼近PID的三个整定参数,即Kp,Ki和Kd;
定义:
其中,ε为轮廓误差信号,作为PID控制器的输入,Λ>0;
PID控制器参数Kp,Ki和Kd的神经网络估计分别为
自适应律设计为:
ξp,ξi,ξd分别为3个神经网络的自适应权值系数;
则基于神经网络的PID控制器为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810148157.7A CN108363293B (zh) | 2018-02-13 | 2018-02-13 | 一种基于pid控制的交叉耦合控制算法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810148157.7A CN108363293B (zh) | 2018-02-13 | 2018-02-13 | 一种基于pid控制的交叉耦合控制算法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363293A CN108363293A (zh) | 2018-08-03 |
CN108363293B true CN108363293B (zh) | 2021-03-16 |
Family
ID=63002396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810148157.7A Active CN108363293B (zh) | 2018-02-13 | 2018-02-13 | 一种基于pid控制的交叉耦合控制算法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363293B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901511B (zh) * | 2019-04-18 | 2020-04-14 | 台州学院 | 一种伺服系统轮廓误差的控制算法 |
CN110347034A (zh) * | 2019-07-17 | 2019-10-18 | 广东工业大学 | 一种运动平台定位的控制方法及相关装置 |
CN110515349B (zh) * | 2019-08-13 | 2022-04-29 | 天津大学 | 伺服进给系统的两轴交叉耦合控制器算法 |
CN110488749B (zh) * | 2019-09-11 | 2020-08-21 | 台州学院 | 一种多轴运动系统的轮廓误差控制器及其控制方法 |
CN112363399B (zh) * | 2020-11-24 | 2022-03-11 | 华南理工大学 | 用于数控加工中交叉耦合控制器增益参数寻优的控制方法 |
CN112947045B (zh) * | 2021-01-26 | 2022-04-29 | 华中科技大学 | 一种多轴同步运动控制方法 |
CN113093526B (zh) * | 2021-04-02 | 2022-05-24 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
CN113110303A (zh) * | 2021-05-18 | 2021-07-13 | 哈尔滨理工大学 | 一种网络化多轴运动系统轮廓跟踪控制方法 |
CN113219840B (zh) * | 2021-06-09 | 2022-02-01 | 西安文理学院 | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0937814A2 (en) * | 1998-02-20 | 1999-08-25 | Impact System, Inc. | A decoupling controller for use with a process having two input variables and two output variables |
CN103869748A (zh) * | 2014-02-27 | 2014-06-18 | 北京信息科技大学 | 非圆曲面xy直驱加工廓形误差交叉耦合控制系统及方法 |
CN104460518A (zh) * | 2014-11-16 | 2015-03-25 | 沈阳工业大学 | 基于模糊扰动补偿直接驱动xy平台轮廓控制装置及方法 |
CN106338970A (zh) * | 2016-11-17 | 2017-01-18 | 沈阳工业大学 | 一种五轴联动数控机床伺服系统控制方法 |
CN109901511A (zh) * | 2019-04-18 | 2019-06-18 | 台州学院 | 一种伺服系统轮廓误差的控制算法 |
-
2018
- 2018-02-13 CN CN201810148157.7A patent/CN108363293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0937814A2 (en) * | 1998-02-20 | 1999-08-25 | Impact System, Inc. | A decoupling controller for use with a process having two input variables and two output variables |
CN103869748A (zh) * | 2014-02-27 | 2014-06-18 | 北京信息科技大学 | 非圆曲面xy直驱加工廓形误差交叉耦合控制系统及方法 |
CN104460518A (zh) * | 2014-11-16 | 2015-03-25 | 沈阳工业大学 | 基于模糊扰动补偿直接驱动xy平台轮廓控制装置及方法 |
CN106338970A (zh) * | 2016-11-17 | 2017-01-18 | 沈阳工业大学 | 一种五轴联动数控机床伺服系统控制方法 |
CN109901511A (zh) * | 2019-04-18 | 2019-06-18 | 台州学院 | 一种伺服系统轮廓误差的控制算法 |
Non-Patent Citations (4)
Title |
---|
Evolutionary neural networks and DNA computing algorithms for dual-axis motion control;Ching-Huei Huang,Chun-Liang Lin;《Engineering Applications of Artificial Intelligence》;20111031;正文全文 * |
Gain scheduling controller design for cross-coupled contour motion systems;Hongsheng Li; Jianhua Zhang; Xiulan Wen;《2010 Chinese Control and Decision Conference》;20100701;正文全文 * |
基于滑模变结构控制的多轴协调运动控制策略研究;张建国;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070915;正文全文 * |
直接驱动XY平台系统的模糊神经网络滑模控制;左莹莹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363293A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363293B (zh) | 一种基于pid控制的交叉耦合控制算法和系统 | |
CN108363301B (zh) | 基于干扰观测滑模变结构的轮廓误差交叉耦合控制方法 | |
Boukattaya et al. | Adaptive nonsingular fast terminal sliding-mode control for the tracking problem of uncertain dynamical systems | |
Li et al. | Finite-time formation control of under-actuated ships using nonlinear sliding mode control | |
Xu et al. | Disturbance observer based composite learning fuzzy control of nonlinear systems with unknown dead zone | |
Xu et al. | Global neural dynamic surface tracking control of strict-feedback systems with application to hypersonic flight vehicle | |
Zhou | Decentralized adaptive control for large-scale time-delay systems with dead-zone input | |
Wei et al. | Composite hierarchical anti‐disturbance control for nonlinear systems with DOBC and fuzzy control | |
CN109901511B (zh) | 一种伺服系统轮廓误差的控制算法 | |
Sheng et al. | Fractional-order PI^ λ D PI λ D sliding mode control for Hypersonic vehicles with neural network disturbance compensator | |
Jahed et al. | Robust adaptive fuzzy control of twin rotor MIMO system | |
Shi et al. | Actor-critic-based predefined-time control for spacecraft attitude formation system with guaranteeing prescribed performance on SO (3) | |
Ye et al. | Adaptive sliding mode control of robot based on fuzzy neural network | |
Ye et al. | Distributed Nash equilibrium seeking for games in second-order systems without velocity measurement | |
Su et al. | Model-independent containment control for dynamic multiple Euler-Lagrange systems with disturbances and uncertainties | |
Gao et al. | Robust adaptive backstepping INTSM control for robotic manipulators based on ELM | |
Zhou et al. | Adaptive fuzzy control of uncertain robotic manipulator | |
Long et al. | Online Optimal Control of Robotic Systems with Single Critic NN‐Based Reinforcement Learning | |
CN113110048A (zh) | 采用hosm观测器的非线性系统输出反馈自适应控制系统和方法 | |
Yang et al. | Model‐Free Composite Control of Flexible Manipulators Based on Adaptive Dynamic Programming | |
Guo et al. | Novel auxiliary saturation compensation design for neuroadaptive NTSM tracking control of high speed trains with actuator saturation | |
Zhong et al. | An ADRC‐based PID tuning rule | |
Bae et al. | Novel state estimation framework for humanoid robot | |
Kim et al. | Position-tracking controller for two-wheeled balancing robot applications using invariant dynamic surface | |
Qiao et al. | Adaptive PID control of robotic manipulators without equality/inequality constraints on control gains |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |