CN110991606A - 基于径向基神经网络的压电陶瓷驱动器复合控制方法 - Google Patents
基于径向基神经网络的压电陶瓷驱动器复合控制方法 Download PDFInfo
- Publication number
- CN110991606A CN110991606A CN201911035542.1A CN201911035542A CN110991606A CN 110991606 A CN110991606 A CN 110991606A CN 201911035542 A CN201911035542 A CN 201911035542A CN 110991606 A CN110991606 A CN 110991606A
- Authority
- CN
- China
- Prior art keywords
- voltage signal
- output
- neural network
- piezoelectric ceramic
- 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.)
- Granted
Links
- 239000000919 ceramic Substances 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002131 composite material Substances 0.000 title claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002411 adverse Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 231100000716 Acceptable daily intake Toxicity 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G05B13/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于径向基神经网络的压电陶瓷驱动器复合控制方法,包括:将压电陶瓷驱动器的期望位移信号输入至前馈控制器,获取前馈控制器输出的初始电压信号并获取压电陶瓷驱动器的第一位移信号,由此计算跟踪误差信号,将跟踪误差信号输入至PID控制器中,获取PID控制器输出的电压信号,利用该电压信号对初始电压信号进行修正,获取压电陶瓷驱动器的第二位移信号;将第二位移信号输入至RBF神经网络适配器中,通过适配器输出自适应调整后的电压信号,利用该电压信号对修正电压信号进行修正,得到最终用于驱动压电陶瓷驱动器的驱动电压信号。本方法能克服压电陶瓷驱动器的迟滞非线性特性带来的不利影响,显著提高压电陶瓷驱动器的定位精度。
Description
技术领域
本发明涉及精密运动控制领域,具体涉及一种基于径向基神经网络的压电陶瓷驱动器复合控制方法。
背景技术
压电陶瓷驱动器是超精密定位平台的核心元件之一,具有体积小、精度高、响应快等优点,被广泛运用于精密制造业领域之中。但其本身具有的非线性迟滞特性,导致它在实际工程应用中严重影响了它的定位精度。压电陶瓷的迟滞非线性的复杂性和多样性给其数学建模带来了不小困难,目前尚无统一的迟滞非线性模型。
发明内容
针对压电陶瓷驱动器本身的非线性迟滞性导致控制精度难以满足实际需求的问题,本发明的目的是提供一种于径向基神经网络的压电陶瓷驱动器复合控制方法,以消除压电陶瓷驱动器的迟滞非线性对驱动精度的影响,提高系统定位精度。
为了实现上述任务,本发明采用以下技术方案:
一种基于径向基神经网络的压电陶瓷驱动器复合控制方法,该方法利用前馈控制器、PID控制器以及RBF神经网络适配器对压电陶瓷驱动器进行复合控制,包括:
将压电陶瓷驱动器的期望位移信号输入至前馈控制器,获取前馈控制器输出的初始电压信号,在初始电压信号下,获取压电陶瓷驱动器的输出位移信号记为第一位移信号;
将期望位移信号与第一位移信号做差,得到跟踪误差信号,将跟踪误差信号输入至PID控制器中,获取PID控制器输出的电压信号,利用该电压信号对初始电压信号进行修正,得到修正电压信号;在修正电压信号下,获取压电陶瓷驱动器的输出位移信号记为第二位移信号;
将第二位移信号输入至RBF神经网络适配器中,通过RBF神经网络适配器输出自适应调整后的电压信号,利用该电压信号对修正电压信号进行修正,得到最终用于驱动压电陶瓷驱动器的驱动电压信号。
进一步地,所述前馈控制器输出的初始电压信号、PID控制器输出的电压信号、RBF神经网络适配器输出自适应调整后的电压信号的确定过程为:
通过动态迟滞LuGre摩擦模型建立压电陶瓷驱动器的数学表达式,将所述数学表达式转化为等价状态空间表达式;
根据等价状态空间表达式,确定用于前馈控制器进行前馈控制的匹配项,由此确定前馈控制器输出的初始电压信号的表达式;根据PID控制器的输入与输出关系,确定PID控制器输出的电压信号的表达式;
引入径向基函数对所述等价状态空间表达式中的非线性余项进行建模,用RBF神经网络适配器逼近所述的非线性余项,使余项线性化,从而得到自适应调整后的电压信号。
进一步地,所述修正电压信号为u1+u2,其中u1表示前馈控制器输出的初始电压信号,u2表示PID控制器输出的电压信号;
所述最终用于驱动压电陶瓷驱动器的驱动电压信号表示为u1+u2+u3,其中u3表示通过RBF神经网络适配器输出自适应调整后的电压信号。
进一步地,所述通过动态迟滞LuGre摩擦模型建立压电陶瓷驱动器控制系统的数学表达式,表示为:
其中,m是压电陶瓷驱动器的有效质量,c是有效阻尼系数,k是有效机械刚度,x是压电陶瓷驱动器的输出位移,和分别是输出位移对时间的一阶和二阶导数,Fh是迟滞力,T是输入控制系数,u是驱动电压,h是迟滞位移,是迟滞位移对时间的一阶导数,σ0、σ1、σ2是控制参数,是待辨识的函数。
进一步地,所述等价状态空间表达式,表示为:
其中,
进一步地,所述确定用于前馈控制器进行前馈控制的匹配项,由此确定前馈控制器输出的初始电压信号的表达式,包括:
将压电陶瓷驱动器的期望位移信号xd代入到上述表达式中,即可得到前馈控制器输出的初始电压信号u1。
进一步地,所述根据PID控制器的输入与输出关系,确定PID控制器输出的电压信号的表达式为:
将跟踪误差信号e(t)代入上式,即可得到PID控制器输出的电压信号u2;
其中跟踪误差信号e(t)。
进一步地,所述引入径向基函数对所述等价状态空间表达式中的非线性余项进行建模,用RBF神经网络适配器逼近所述的非线性余项,使余项线性化,从而得到自适应调整后的电压信号,包括:
RBF神经网络的隐藏层中第i个隐藏节点的输出为:
其中,ci是第i个隐藏节点基函数的中心向量,σi是第i个隐藏节点基函数的宽度参数;
则RBF神经网络适配器输出自适应调整后的电压信号表示为:
本发明具有以下技术特点:
1.本发明以压电陶瓷驱动微位移平台为对象,提出了基于径向基神经网络的新型复合控制方法,通过先对压电陶瓷驱动器的迟滞现象进行前馈补偿,再用PID控制在前馈控制的基础上修正控制误差,为了进一步提高性能,引入径向基神经网络进行补偿,从而有效提高了系统定位精度。
2.由于神经网络具有很强的能够逼近非线性函数的能力,因此采用神经网络来对压电陶瓷驱动器模型中的未知函数进行逼近效果良好,能有效消除压电陶瓷驱动器的迟滞非线性对驱动精度带来的不利影响,实现压电陶瓷驱动器的超精密运动控制,扩展了压电陶瓷在精密制造业领域中的应用。
附图说明
图1为本发明方法的流程示意图;
图2为利用本发明方法建立的三层复合控制系统的结构示意图;
图3为RBF神经网络结构图。
具体实施方式
图2为利用本发明方法建立的三层复合控制系统的结构示意图。本发明的整体思路是,将压电陶瓷驱动器的期望位移信号xd输入至前馈控制器,前馈控制器根据所述期望位移信号xd运算得到压电陶瓷驱动器的初始电压信号u1;以此时对应的压电陶瓷驱动器的位移为PID控制的反馈信号,通过PID控制输出电压信号u2,对所述的初始电压信号进行修正,得到压电陶瓷驱动器的修正电压信号(u1+u2);再利用RBF神经网络对压电陶瓷驱动器的驱动电压(u1+u2)进一步修正,并得到最终的压电陶瓷驱动器的驱动电压信号是u=u1+u2+u3。本发明的具体推导和执行过程如下:
本发明提出的基于径向基神经网络的压电陶瓷驱动器复合控制方法,该方法通过前馈控制器、PID控制器、RBF神经网络适配器以及位移传感器实现对压电陶瓷驱动器的复合控制,其中,本发明方法中进行前馈控制、PID控制和RBF神经网络的自适应调整过程的推导如下:
步骤1,首先基于Fung等人建立的动态迟滞LuGre摩擦模型建立压电陶瓷驱动器控制系统的数学表达式,对其数学表达式进行变形,转化为等价状态空间表达式,并确定所建立系统的参数。
模拟压电陶瓷驱动器系统的LuGre摩擦模型,其数学表达式可以写为:
其中,m是压电陶瓷驱动器的有效质量,c是有效阻尼系数,k是有效机械刚度,x是压电陶瓷驱动器的输出位移,和分别是输出位移对时间的一阶和二阶导数,Fh是迟滞力,T是输入控制系数,u是驱动电压,h是迟滞位移,是迟滞位移对时间的一阶导数,σ0、σ1、σ2是控制参数,是待辨识的函数。
从而:
由于跟踪误差e定义为:
e=xd-x
其中xd表示压电陶瓷驱动器的期望位移;
所以跟踪误差e的二阶导数:
令:
于是:
因为:
再定义X=[x1 x2 x3]T,然后将:
代入等价状态空间表达式,有:
步骤2,根据步骤1的等价状态空间表达式,求得前馈控制律和PID控制的控制规律,并确定所建立控制规律的参数。
等价状态空间表达式为:
该系统的标称部分(没有不确定性)为:
又因为PID控制器的输入e(t)与输出u(t)的关系为:
其中,Kp是比例系数,T1是积分时间常数,TD是微分时间常数。
所以确定PID控制器输出的电压信号u2:
其中,K=[kp ki kd]T,kp是比例系数,ki是积分时间常数,kd是微分时间常数。
步骤3,为了进一步提高性能,引入径向基函数(RBF)对非线性余项进行建模,用RBF逼近系统的非线性部分,使余项线性化。
由于是一个未知的非线性光滑函数,所以可以表示成一组基函数的线性组合,而RBF神经网络相当于用隐层单元的输出构成一组基函数,然后用输出层来进行线性组合,以完成逼近功能。RBF神经网络结构图,如图3所示。
第二层:隐藏层。径向基函数神经网络隐层节点的基函数的第i个隐藏节点的输出为:
其中,ci是第i个隐藏节点基函数的中心向量,σi是第i个隐藏节点基函数的宽度参数。参数的确定具体如下:
利用模糊K均值聚类算法确定ci:
①随机选取h个样本值作为ci(i=1,2,…,h)的初值,其他样本按该样本与中心ci的欧氏空间距离远近归入某一类,从而形成h个子类ai,i=1,2,…,h;
②重新计算各子类中心ci的值:
其中,xk∈ai,Si为子集ai的样本数;同时计算每个样本属于每个中心的隶属度:
L={lij∈[0,1]i=1,2,…,h,j=1,2,…,s}
其中xj,xk∈ai;
③确定ci是否在容许的误差范围内,若是则结束,否则根据样本的隶属度调整子类个数,转到②继续。
基函数宽度(方差σ)的确定:
其中,ai是以ci为中心的样本子集。
基函数中心和宽度参数确定后,隐含层执行的是一种固定不变的非线性变换,第i个隐节点输出定义为:
其中,ξ是输出层节点的阈值。
因此,RBF神经网络适配器输出自适应调整后的电压信号表示为:
在上述技术方案的基础上,本发明基于径向基神经网络的压电陶瓷驱动器复合控制方法,如图1所示,通过以下步骤实现:
第一步,将压电陶瓷驱动器的期望位移信号xd输入至前馈控制器,获取前馈控制器输出的初始电压信号u1,将初始电压信号u1发送至压电陶瓷驱动器,在初始电压下,此时通过位移传感器获取的压电陶瓷驱动器的输出位移记信号为第一位移信号x;
第二步,将期望位移信号xd与第一位移信号x做差,得到踪误差信号:
e(t)=xd-x
将踪误差信号e(t)输入到PID控制器中,获取PID控制器输出的电压信号u2,对初始电压信号u1进行修正,得到修正电压信号u1+u2;将修正电压信号u1发送至压电陶瓷驱动器,通过位移传感器获取压电陶瓷驱动器的输出位移记信号为第二位移信号。
第三步,将第二位移信号输入至RBF神经网络适配器中,通过RBF神经网络的自适应调整,让逼近得到RBF神经网络适配器输出的电压信号u3,利用该电压信号对修正电压信号进行修正,由此得到最终用于驱动压电陶瓷驱动器的驱动电压信号:
u=u1+u2+u3
通过RBF神经网络自适应机构的调整,使得跟踪误差e减小直至消失,也就是使压电陶瓷驱动器的位移接近目的位移,从而达到克服压电陶瓷驱动器的迟滞特性,实现压电陶瓷驱动平台的精密运动控制。
本发明在已有的LuGre摩擦模型基础上重新推导出了较为完整的描述压电陶瓷驱动器的综合机电动力学状态空间型模型,该模型能较好地模拟压电陶瓷驱动器的迟滞非线性特性。在此模型基础上,利用神经网络很强的非线性逼近能力,设计了一种基于径向基神经网络的新型压电陶瓷驱动器复合控制方法,该方法能克服压电陶瓷驱动器的迟滞非线性特性带来的不利影响,显著提高压电陶瓷驱动器的定位精度,为压电陶瓷在超精密定位技术领域的更广泛应用提供一种新的选择方案。
Claims (8)
1.一种基于径向基神经网络的压电陶瓷驱动器复合控制方法,其特征在于,该方法利用前馈控制器、PID控制器以及RBF神经网络适配器对压电陶瓷驱动器进行复合控制,包括:
将压电陶瓷驱动器的期望位移信号输入至前馈控制器,获取前馈控制器输出的初始电压信号,在初始电压信号下,获取压电陶瓷驱动器的输出位移信号记为第一位移信号;
将期望位移信号与第一位移信号做差,得到跟踪误差信号,将跟踪误差信号输入至PID控制器中,获取PID控制器输出的电压信号,利用该电压信号对初始电压信号进行修正,得到修正电压信号;在修正电压信号下,获取压电陶瓷驱动器的输出位移信号记为第二位移信号;
将第二位移信号输入至RBF神经网络适配器中,通过RBF神经网络适配器输出自适应调整后的电压信号,利用该电压信号对修正电压信号进行修正,得到最终用于驱动压电陶瓷驱动器的驱动电压信号。
2.如权利要求1所述的基于径向基神经网络的压电陶瓷驱动器复合控制方法,其特征在于,所述前馈控制器输出的初始电压信号、PID控制器输出的电压信号、RBF神经网络适配器输出自适应调整后的电压信号的确定过程为:
通过动态迟滞LuGre摩擦模型建立压电陶瓷驱动器的数学表达式,将所述数学表达式转化为等价状态空间表达式;
根据等价状态空间表达式,确定用于前馈控制器进行前馈控制的匹配项,由此确定前馈控制器输出的初始电压信号的表达式;根据PID控制器的输入与输出关系,确定PID控制器输出的电压信号的表达式;
引入径向基函数对所述等价状态空间表达式中的非线性余项进行建模,用RBF神经网络适配器逼近所述的非线性余项,使余项线性化,从而得到自适应调整后的电压信号。
3.如权利要求1所述的基于径向基神经网络的压电陶瓷驱动器复合控制方法,其特征在于,所述修正电压信号为u1+u2,其中u1表示前馈控制器输出的初始电压信号,u2表示PID控制器输出的电压信号;
所述最终用于驱动压电陶瓷驱动器的驱动电压信号表示为u1+u2+u3,其中u3表示通过RBF神经网络适配器输出自适应调整后的电压信号。
8.如权利要求5所述的基于径向基神经网络的压电陶瓷驱动器复合控制方法,其特征在于,所述引入径向基函数对所述等价状态空间表达式中的非线性余项进行建模,用RBF神经网络适配器逼近所述的非线性余项,使余项线性化,从而得到自适应调整后的电压信号,包括:
RBF神经网络的隐藏层中第i个隐藏节点的输出为:
其中,ci是第i个隐藏节点基函数的中心向量,σi是第i个隐藏节点基函数的宽度参数;
则RBF神经网络适配器输出自适应调整后的电压信号表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035542.1A CN110991606B (zh) | 2019-10-29 | 2019-10-29 | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035542.1A CN110991606B (zh) | 2019-10-29 | 2019-10-29 | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991606A true CN110991606A (zh) | 2020-04-10 |
CN110991606B CN110991606B (zh) | 2022-04-08 |
Family
ID=70082602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035542.1A Active CN110991606B (zh) | 2019-10-29 | 2019-10-29 | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991606B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897205A (zh) * | 2020-07-17 | 2020-11-06 | 杭州电子科技大学 | 一种基于pid逆的压电驱动器前馈控制补偿方法 |
CN114326401A (zh) * | 2021-12-28 | 2022-04-12 | 浙大宁波理工学院 | 基于径向基神经网络的阀控液压缸滑模控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080137214A1 (en) * | 2006-12-07 | 2008-06-12 | Industrial Technology Research Institute | Piezoelectricity-driving optical lens module |
CN102621889A (zh) * | 2012-03-27 | 2012-08-01 | 中国科学院光电技术研究所 | 一种压电陶瓷定位的复合控制方法 |
CN107688291A (zh) * | 2017-08-23 | 2018-02-13 | 苏州大学 | 基于单神经元的压电陶瓷平台前馈与闭环复合控制方法、系统 |
CN108710301A (zh) * | 2018-06-07 | 2018-10-26 | 哈尔滨工业大学 | 一种采用Maxwell模型对压电陶瓷作动器迟滞非线性在线辨识和补偿的方法及系统 |
CN109557816A (zh) * | 2018-12-28 | 2019-04-02 | 武汉工程大学 | 一种压电陶瓷执行器迟滞特性的抑制方法、系统及介质 |
-
2019
- 2019-10-29 CN CN201911035542.1A patent/CN110991606B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080137214A1 (en) * | 2006-12-07 | 2008-06-12 | Industrial Technology Research Institute | Piezoelectricity-driving optical lens module |
CN102621889A (zh) * | 2012-03-27 | 2012-08-01 | 中国科学院光电技术研究所 | 一种压电陶瓷定位的复合控制方法 |
CN107688291A (zh) * | 2017-08-23 | 2018-02-13 | 苏州大学 | 基于单神经元的压电陶瓷平台前馈与闭环复合控制方法、系统 |
CN108710301A (zh) * | 2018-06-07 | 2018-10-26 | 哈尔滨工业大学 | 一种采用Maxwell模型对压电陶瓷作动器迟滞非线性在线辨识和补偿的方法及系统 |
CN109557816A (zh) * | 2018-12-28 | 2019-04-02 | 武汉工程大学 | 一种压电陶瓷执行器迟滞特性的抑制方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
范伟: "压电陶瓷驱动器的迟滞非线性规律", 《光学 精密工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897205A (zh) * | 2020-07-17 | 2020-11-06 | 杭州电子科技大学 | 一种基于pid逆的压电驱动器前馈控制补偿方法 |
CN111897205B (zh) * | 2020-07-17 | 2022-07-05 | 杭州电子科技大学 | 一种基于pid逆的压电驱动器前馈控制补偿方法 |
CN114326401A (zh) * | 2021-12-28 | 2022-04-12 | 浙大宁波理工学院 | 基于径向基神经网络的阀控液压缸滑模控制方法 |
CN114326401B (zh) * | 2021-12-28 | 2023-10-20 | 浙大宁波理工学院 | 基于径向基神经网络的阀控液压缸滑模控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991606B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180729B (zh) | 一种机械臂自适应轨迹跟踪控制方法 | |
CN109927032B (zh) | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 | |
CN107561935B (zh) | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 | |
CN111941432B (zh) | 一种高性能机械臂人工智能输出反馈控制方法 | |
CN110991606B (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
CN109033585B (zh) | 不确定网络控制系统的pid控制器设计方法 | |
CN107688291A (zh) | 基于单神经元的压电陶瓷平台前馈与闭环复合控制方法、系统 | |
CN108388114A (zh) | 一种基于输出重定义的柔性机械臂复合控制方法 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN110543097B (zh) | 一种基于模型参考自适应的压电陶瓷驱动器控制方法 | |
CN111931411A (zh) | 压电驱动微定位平台Duhem动态迟滞建模方法 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN114815618B (zh) | 一种基于动态增益的自适应神经网络跟踪控制方法 | |
CN113093538A (zh) | 一种模块化机器人系统的非零和博弈神经-最优控制方法 | |
CN112171677A (zh) | 基于lstm工业机器人柔性关节迟滞误差补偿控制方法 | |
CN107765548B (zh) | 基于双观测器的发射平台高精度运动控制方法 | |
CN115981162A (zh) | 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 | |
CN114578697A (zh) | 一种电机驱动机械手的多约束自适应控制方法 | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability | |
CN110701187B (zh) | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 | |
CN115180461B (zh) | 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 | |
Wu et al. | Neural network based adaptive control for a piezoelectric actuator with model uncertainty and unknown external disturbance | |
CN114384800A (zh) | 一种具有输入信号延时的未知非线性系统反推控制方法 | |
CN110932609B (zh) | 一种多电机伺服系统自适应递推控制方法和系统 |
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 |