CN111897211B - 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 - Google Patents
考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN111897211B CN111897211B CN202010481100.6A CN202010481100A CN111897211B CN 111897211 B CN111897211 B CN 111897211B CN 202010481100 A CN202010481100 A CN 202010481100A CN 111897211 B CN111897211 B CN 111897211B
- Authority
- CN
- China
- Prior art keywords
- control
- particle
- hysteresis
- model
- function
- 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
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
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法,属于精密运动控制领域。本发明的目的是采用一种广义预测控制补偿迟滞特性对于压电陶瓷微定位平台在精确定位中的影响。本发明首先建立能够描述压电陶瓷微定位平台特性的约束模型,由迟滞部分和线性部分构成;然后构建约束广义预测控制器框架,利用预测模型获得压电定位系统的预测未来时刻输出值;并利用粒子群优化算法代替传统广义预测控制算法中的滚动优化过程,之后按照粒子群优化算法的位置与速度更新方式进行粒子寻优直到达到最大迭代次数;最后得到压电定位系统当前时刻控制量,并且证明系统稳定性。本发明能够满足系统约束条件并减少迟滞特性对压电陶瓷微定位平台定位控制的不良影响,实现精密轨迹跟踪控制。
Description
技术领域
本发明属于精密运动控制技术领域。
背景技术
在现代高精密仪器制造和超精密加工领域中,压电微定位技术占有核心地位。压电陶瓷具有很多传统智能材料所不具备的优势,例如,定位分辨率高、产生推力大、响应时间快以及不易受到磁场干扰等优点。然而,由于压电陶瓷固有的迟滞非线性严重制约了压电微定位平台的定位精度,进而限制了压电微定位平台进一步推广。针对压电陶瓷微定位平台因物理结构与机械特性的限制,在承受超过最大驱动电压或最大驱动电压变化率时,平台对于控制系统性能无法保证,甚至造成系统不稳定或平台的损坏的问题。
发明内容
本发明的目的是以约束非线性系统为研究对象,应用能够处理输入约束与输入变化率约束的广义预测控制理论,设计了能够同时满足控制性能要求和系统约束条件的考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法。
本发明步骤是:
步骤1:根据压电陶瓷微定位平台的驱动电压输入数据与位移输出数据,建立能够描述平台迟滞特性的约束模型,模型由CARIMA线性模型添加迟滞非线性项构成,迟滞项采用KP模型来描述;
压电陶瓷微定位系统由迟滞部分和线性部分构成的模型来描述,线性部分用CARIMA模型表示,系统模型写作:
A(z -1)y(k)=B(z-1)u(k-1)+Fh(k)
其中,Fh(k)=Cξ(k)/Δ+Hy(k),C为常数项,Hy表示迟滞非线性项,ξ(k)为一个随机序列,表示某种随机噪声,Δ=1-z-1为差分算子;u(k)与y(k)分别为系统输入电压与输出位移;umin和umax分别为控制量的下限值与上限值,用k时刻与k-1时刻的控制量差值表示控制增量,Δumin和Δumax分别为控制增量的下限值与上限值;
压电陶瓷微定位系统模型的迟滞非线性项Hy采用Krasnosel’skii-Pokrovskii(KP)模型来描述,由一系列KP迟滞算子Kp与密度函数μ(pi,pj)乘积的加权形式表示,能够描述压电陶瓷微定位平台的迟滞特性,具体为:
其中,Kp代表KP迟滞算子,与迟滞输入有关,ξp为保存迟滞输出极值的自变量,μ(pi,pj)为密度函数,KP算子的个数为与表达式中的积分平面被均匀划分成的网格数量有关;
步骤2:构建约束广义预测控制器框架,以建立的模型作为实现压电陶瓷微定位平台轨迹跟踪控制的广义预测控制方法的预测模型,利用预测模型计算得到压电定位系统的预测未来时刻输出值,并设置广义预测控制算法的参数,如最小预测时域,最大预测时域,控制时域等;通过Diophantine方程得到定位系统的j步后输出最优预测值,Diophantine方程定义如下:
由求解Diophantine方程得到约束系统滚动预测模型:
y0(k+j)=GjΔu(k+j-1)+Fjy(k)+HjΔu(k-1)
其中,j=1,2,...N2,N2为预测时域大小;
步骤3:利用粒子群优化算法代替传统广义预测控制算法中的滚动优化过程,对约束进行处理并搜索最优粒子,将预测电压控制矢量Δu作为搜索粒子位置,设置优化算法的适应度函数与粒子种群数、粒子维度、权重系数、加速度系数等参数;
将预测电压控制矢量Δu作为粒子群算法的搜索粒子位置,算法的适应度函数作为粒子群寻优目标,函数定义为:
其中,λ为控制增量系数;
对控制量约束的处理,借鉴惩罚函数法的思想,避免惩罚函数法中的平衡问题将惩罚函数与目标函数分离,应用在粒子更新过程中,定义一个控制量约束函数,表示为:
m(u)=u-umax≤0 (31)
定义单独惩罚函数:
独惩罚函数的正负代表了粒子是否满足约束条件,函数值的大小代表了粒子与约束的临界值的接近程度,将单独惩罚函数与适应度函数相结合,共同决定粒子更新规则;
步骤4:按照粒子群优化算法的位置与速度更新公式进行粒子寻优,直到达到最大迭代次数;
定义m个粒子组成的粒子群P={p1,p2,…,pm}第i个粒子的空间位置和飞行速度分别用Xi={xi,1,xi,2,…,xi,d}和Vi={vi,1,vi,2,…,vi,d}表示,粒子速度更新公式如下:
其中,i=1,2,…,m,j=1,2,…,d,c1,c2都为正的加速常系数,w称为惯性权重,rand用于产生区间在(0,1)间的随机数,pbest={pi,1,pi,2,…,pi,d}为粒子群个体极值,gbest={g1,g2,…,gd}为粒子群全局极值,粒子位置更新公式如下:
步骤5:计算得到压电定位系统当前时刻控制量,并证明系统稳定性;
为求得压电定位系统当前时刻控制量,需要对系统作如下合理假设:
假设2:系统的噪声和外部扰动ξ(k)有界,由上文知迟滞项可由KP模型描述且辨识结果已知,因此迟滞项Hy(k)同样有界,因此Fh(k)有界,可表示为:|Fh(k)|≤ρh,
假设3:存在无约束最优控制的可行域包括原点领域,
将具有约束的迟滞系统描述式(1)改写为更简便的形式:
其中有,
进一步写为状态空间标准型的形式:
设置该系统的目标函数为
将上式整理可得
因为0<ρ0≤1,而ε可以取一个很小的正数,所以存在一个N*使
(1-ρ0)(1+ε)<1 (58)
即得到
所以系统假设下设计的控制率能够保证系统是稳定的,
系统当前时刻的控制量为:
u(k)=u(k-1)+Δu(k) (60)。
本发明所设计的控制器更符合工业实际应用条件,对推动压电陶瓷微定位平台在微定位领域的进一步应用具有一定的推动作用。
本发明具有以下技术特点:
1.本发明以具有约束的压电陶瓷微定位系统为研究对象,采用广义预测控制为基本框架,利用预测模型预测系统未来时刻输出值,利用已知的系统未来时刻期望值与预测系统未来时刻输出值构建控制器目标函数,用粒子群优化算法代替广义预测控制中的滚动优化过程对输入约束与输入变化率约束进行处理。本方法实现压电陶瓷微定位平台的精密定位控制。
2.应用粒子群算法在求解优化问题时不局限描述问题的数学模型,而是取决于对问题目标函数的要求。采用基本广义预测控制算法与粒子群优化算法结合的方法可以达到压电陶瓷微定位系统对于约束的要求与补偿迟滞的目的,若问题可以目标函数的方式表达要求,方法可扩展到更多优化问题的求解,解决更多领域的问题。
附图说明
图1是KP算子图;
图2是约束广义预测控制框图;
图3是正弦期望信号轨迹跟踪实验图;
图4是正弦期望信号轨迹跟踪误差图;
图5是三角期望信号轨迹跟踪实验图;
图6是三角期望信号轨迹跟踪误差图。
具体实施方式
结合附图对本发明的步骤做进一步描述:
步骤1:根据压电陶瓷微定位平台的驱动电压输入数据与位移输出数据,建立能够描述平台迟滞特性的约束模型,模型由迟滞部分和线性部分构成,线性部分用自回归积分滑动平均(CARIMA)模型表示。
系统模型写作:
A(z-1)y(k)=B(z-1)u(k-1)+Fh(k)
其中,Fh(k)=Cξ(k)/Δ+Hy(k),C为常数项,Hy表示迟滞非线性项,ξ(k)为一个随机序列,表示某种随机噪声,Δ=1-z-1为差分算子;u(k)与y(k)分别为系统输入电压与输出位移,umin和umax分别为控制量的下限值与上限值,用k时刻与k-1时刻的控制量差值表示控制增量,Δumin和Δumax分别为控制增量的下限值与上限值;
压电陶瓷微定位系统模型的迟滞非线性项Hy采用Krasnosel’skii-Pokrovskii(KP)模型来描述,KP模型是一种典型的算子模型。模型将迟滞现象理解为一些Kp迟滞算子在Preisach平面上的积分作用,数学表达式为:
Hy(t)=H[u(t)]=∫PKp[u(t),ξp]μ(p)dp (2)
式中,u(t)为系统迟滞输入,v(t)为系统迟滞输出,H[·]代表系统迟滞输入与输出的关系函数,Kp代表KP迟滞算子,与迟滞输入有关,ξp为保存迟滞输出极值的自变量,μ(p)为密度函数。
Preisach平面的表达式为:
P={p(p1,p2)∈R×R:pmin≤p1≤p2≤pmax} (3)
式中,pmin和pmax分别代表迟滞输入饱和值的极小值与极大值。
KP算子如图1,其表达式为:
式中,ξp(t)取决于算子的极值,具体如下:
其中,i为转折点的次序,r[u(t)]表示算子的边界函数,具体为:
若定义L为Preisach面的均分数目,那么分割为L×L的平面的每一个格子的长度a为:
KP算子的个数为N=0.5(L+2)(L+1)。
将KP模型的表达式离散化,写为算子与密度函数乘积的加权形式:
步骤2:构建约束广义预测控制器框架,图2为约束广义预测控制框图。以建立的模型作为实现压电陶瓷微定位平台轨迹跟踪控制的广义预测控制方法的预测模型,利用预测模型计算得到压电定位系统的预测未来时刻输出值。并设置广义预测控制算法的参数,如最小预测时域N1,最大预测时域N2,控制时域Nu等。
预测模型是广义预测控制的基础,利用预测模型预测系统未来时刻输出值,由已知的系统未来时刻期望值与预测系统未来时刻输出值构建控制器目标函数。通过Diophantine方程得到定位系统的j步后输出最优预测值,Diophantine方程定义如下:
分别求取Ej(z-1)、Fj(z-1)、Gj(z-1)和Hj(z-1)令方程成立。在推导中设定参数N1=1,C=1。根据式(9)的第一个公式,当预测步数为j+1时,有:
1=Ej+1(z-1)A(z-1)Δ+z-(j+1)Fj+1(z-1) (10)
可写作,
将式(9)中的j步预测公式与式(11)相减得到:
整理可得:
从上式中可以看出,左式中元素的所有0次幂到j-1次幂项的系数都为0,所以有Ej(z-1)和Ej+1(z-1)的所有前j次幂项的系数都相等,因此:
Ej+1(z-1)=Ej(z-1)+ejz-j (14)
将式(14)代入式(13)得:
将上式全面展开,有:
整理有,
因此有上式中左右式同次幂项系数相等,得
即,方程中Ej(z-1)和Fj(z-1)的递推求解公式。递推初值公式由j=1时的公式(9)得到,即:
得:
由式(9)中的第二式,有j+1步预测公式:
Ej+1(z-1)B(z-1)=Gj+1(z-1)+z-(j+1)Hj+1(z-1) (21)
将式(9)中的第二式与上式相减,得:
[Ej+1(z-1)-Ej(z-1)]B(z-1)=Gj+1(z-1)-Gj(z-1)+z-j[z-1Hj+1(z-1)-Hj(z-1)] (22)
由式(14)和式(22)结合可得:
Gj+1(z-1)-Gj(z-1)=gjz-j (23)
将式(14)和式(23)代入式(22)可得:
ejB(z-1)=gj+z-1Hj+1(z-1)-Hj(z-1) (24)
展开有:
同理上式左右两端的同次幂项系数相等,有:
即,方程中Gj(z-1)和Hj(z-1)的递推求解公式。递推初值公式由j=1时的公式(9)得到,即:
e0B(z-1)=G1(z-1)+z-1H1(z-1) (27)
得:
Diophantine方程的求解完成,到约束系统滚动预测模型:
y0(k+j)=GjΔu(k+j-1)+Fjy(k)+HjΔu(k-1)
其中,j=1,2,...N2。
步骤3:利用粒子群优化算法代替传统广义预测控制算法中的滚动优化过程,对约束进行处理并搜索最优粒子。将预测电压控制矢量Δu作为搜索粒子位置,设置优化算法的适应度函数与粒子种群数、粒子维度、权重系数、加速度系数等参数。
将预测电压控制矢量Δu作为粒子群算法的搜索粒子位置,算法的适应度函数作为粒子群寻优目标,函数定义为:
其中,λ为控制增量系数。
对控制量约束的处理,借鉴惩罚函数法的思想,避免惩罚函数法中的平衡问题将惩罚函数与目标函数分离,应用在粒子更新过程中。定义一个控制量约束函数,表示为:
m(u)=u-umax≤0 (31)
定义单独惩罚函数:
独惩罚函数的正负代表了粒子是否满足约束条件,函数值的大小代表了粒子与约束的临界值的接近程度。将单独惩罚函数与适应度函数相结合,共同决定粒子更新规则。
粒子群优化控制器中的粒子更新规则如下:
(1)当历史最优粒子与新粒子的单独惩罚函数均大于等于0时,说明都不满足约束条件,若新粒子的单独惩罚函数小于历史最优粒子则更新粒子,否则不进行更新;
(2)当历史最优粒子与新粒子的单独惩罚函数均小于0时,说明粒子均满足约束条件,则根据适应度函数进行更新;
(3)当历史最优粒子与新粒子的单独惩罚函数一个小于0一个大于0时,说明有粒子满足约束条件有粒子不满足约束条件。若是新粒子的惩罚函数小于0而历史最优粒子的惩罚函数大于等于0,则更新粒子,否则不进行更新。
步骤4:按照粒子群优化算法的位置与速度更新公式进行粒子寻优,直到达到最大迭代次数。
粒子群算法采用的是位置-速度搜索模型,是基于迭代和群体的优化工具。定义m个粒子组成的粒子群P={p1,p2,…,pm}第i个粒子的空间位置和飞行速度分别用Xi={xi,1,xi,2,…,xi,d}和Vi={vi,1,vi,2,…,vi,d}表示。粒子速度更新公式如下:
其中,i=1,2,…,m,j=1,2,…,d,c1,c2都为正的加速常系数,w称为惯性权重,rand用于产生区间在(0,1)间的随机数,每个粒子在空间搜索中每一时刻都具有一个现在时刻位置与一个历史最优位置,pbest={pi,1,pi,2,…,pi,d}为粒子群个体极值,gbest={g1,g2,…,gd}为粒子群全局极值。粒子位置更新公式如下:
为了限制粒子更新速度不至于过大和保证算法稳定性,通常定义一个粒子速度最大值vmax,使
vi,j≤vmax (36)
步骤5:计算得到压电定位系统当前时刻控制量,并证明系统稳定性。
为求得压电定位系统当前时刻控制量,需要对系统作如下合理假设:
假设2:系统的噪声和外部扰动ξ(k)有界,由上文知迟滞项可由KP模型描述且辨识结果已知,因此迟滞项Hy(k)同样有界,因此Fh(k)有界,可表示为:|Fh(k)|≤ρh。
假设3:存在无约束最优控制的可行域包括原点领域。
将具有约束的迟滞系统描述式(1)改写为更简便的形式:
其中有,
进一步写为状态空间标准型的形式:
设置该系统的目标函数为
并且定义系统的具有可行域为I∞,其中I为I∞的一个子集。而符合目标函数J(x(k))有界,即J(x(k))≤δ,的x(k)的集合表示为Sδ。定义β为xTQx的最大值,且满足
证明:情况1:若x(k)∈Sβ,有J(x(k))≤β。
因此:
其中有
所以
明显x(k+1)∈Sδ。
J(x(k+1))>δ (45)
由定义知
J(x(k))≤δ (47)
则有
若定义
ε=minxT(k)Qx(k)>0 (49)
有
显然,不等式不成立,假设不成立,则x(k+1)∈Sδ。
因
有
定理3:由φ0(x)的定义可知其最大值大于1,将其最大值表示为ρ0 -1,即φ0(x)≤ρ0 -1,ρ0 -1≥1。有
也可写作
将上式整理可得
因为0<ρ0≤1,而ε可以取一个很小的正数,所以存在一个N*使
(1-ρ0)(1+ε)<1 (58)
即得到
所以系统假设下设计的控制率能够保证系统是稳定的。
系统当前时刻的控制量为:
u(k)=u(k-1)+Δu(k) (60)
实例:
步骤1:根据压电陶瓷微定位平台的驱动电压输入数据u(t)与位移输出数据y(t)建立能够描述平台迟滞特性的约束模型。模型的迟滞非线性项采用KP模型来描述,将Preisach面的均分为L×L的格子,取L=15,KP算子的个数为N=136;
步骤2:构建约束广义预测控制器框架,利用预测模型通过Diophantine方程的求解得到定位系统的j步后输出最优预测值。设置广义预测控制算法的参数,最小预测时域N1=1,最大预测时域N2=5,控制时域Nu=1;
步骤3:将预测电压控制矢量Δu作为搜索粒子位置,利用粒子群优化算法代替传统广义预测控制算法中的滚动优化过程,将单独惩罚函数与适应度函数相结合,共同决定粒子更新规则。优化算法的适应度函数同式(30)一致,优化问题维数d=2,粒子种群数m=19,权重系数w=3.5,加速度系数c1=2,c2=1.1,平衡全局最优粒子和个体最优粒子的对于更新粒子的影响;
步骤4:按照粒子群优化算法的位置与速度更新公式进行粒子寻优,直到达到最大迭代次数;
步骤5:根据寻优最优电压增量与前一刻电压值计算得到压电定位系统当前时刻控制量。
采用不同的期望信号证明压电陶瓷微定位控制系统的有效性。设期望位移为正弦信号yd(t)=18sin(2πt+3/2π)+24,实验运行时间为5s,图3为正弦期望信号轨迹跟踪实验图,图4为正弦期望信号轨迹跟踪误差图,最大误差率为0.12%;设期望位移为幅值为34μm的三角波信号,实验运行时间为5s,图5为三角期望信号轨迹跟踪实验图,图6为三角期望信号轨迹跟踪误差图,最大误差率为0.19%。
Claims (1)
1.一种考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法,其特征在于:其步骤是:步骤1:根据压电陶瓷微定位平台的驱动电压输入数据与位移输出数据,建立能够描述平台迟滞特性的约束模型,模型由CARIMA线性模型添加迟滞非线性项构成,迟滞项采用KP模型来描述;
压电陶瓷微定位系统由迟滞部分和线性部分构成的模型来描述,线性部分用CARIMA模型表示,系统模型写作:
A(z-1)y(k)=B(z-1)u(k-1)+Fh(k)
其中,Fh(k)=Cξ(k)/Δ+Hy(k),C为常数项,Hy表示迟滞非线性项,ξ(k)为一个随机序列,表示系统的噪声和外部扰动,Δ=1-z-1为差分算子;u(k)与y(k)分别为系统输入电压与输出位移;umin和umax分别为控制量的下限值与上限值,用k时刻与k-1时刻的控制量差值表示控制增量,Δumin和Δumax分别为控制增量的下限值与上限值;
压电陶瓷微定位系统模型的迟滞非线性项Hy采用Krasnosel’skii-Pokrovskii模型来描述,该模型简称为KP模型,由一系列KP迟滞算子Kp与密度函数μ(pi,pj)乘积的加权形式表示,能够描述压电陶瓷微定位平台的迟滞特性,具体为:
其中,Kp代表KP迟滞算子,与迟滞输入有关,ξp为保存迟滞输出极值的自变量,μ(pi,pj)为密度函数,KP算子的个数为与表达式中的积分平面被均匀划分成的网格数量有关;
步骤2:构建约束广义预测控制器框架,以建立的模型作为实现压电陶瓷微定位平台轨迹跟踪控制的广义预测控制方法的预测模型,利用预测模型计算得到压电定位系统的预测未来时刻输出值,并设置广义预测控制算法的参数,即最小预测时域,最大预测时域,控制时域;通过Diophantine方程得到定位系统的j步后输出最优预测值,Diophantine方程定义如下:
由求解Diophantine方程得到约束系统滚动预测模型:
y0(k+j)=GjΔu(k+j-1)+Fjy(k)+HjΔu(k-1)
其中,j=1,2,...N2,N2为预测时域大小;
步骤3:利用粒子群优化算法代替广义预测控制算法中的滚动优化过程,对约束进行处理并搜索最优粒子,将预测电压控制矢量Δu作为搜索粒子位置,设置优化算法的适应度函数与粒子种群数、粒子维度、权重系数、加速度系数参数;
将预测电压控制矢量Δu作为粒子群算法的搜索粒子位置,算法的适应度函数作为粒子群寻优目标,函数定义为:
其中,λ为控制增量系数;
对控制量约束的处理,定义一个控制量约束函数,表示为:
m(u)=u-umax≤0 (31)
定义单独惩罚函数:
单独惩罚函数的正负代表了粒子是否满足约束条件,函数值的大小代表了粒子与约束的临界值的接近程度,将单独惩罚函数与适应度函数相结合,共同决定粒子更新规则;
步骤4:按照粒子群优化算法的位置与速度更新公式进行粒子寻优,直到达到最大迭代次数;定义m个粒子组成的粒子群P={p1,p2,…,pm},第i个粒子的空间位置和飞行速度分别用Xi={xi,1,xi,2,…,xi,d}和Vi={vi,1,vi,2,…,vi,d}表示,粒子速度更新公式如下:
其中,i=1,2,…,m,j=1,2,…,d,c1,c2都为正的加速常系数,w称为惯性权重,rand用于产生区间在(0,1)间的随机数,pbest={pi,1,pi,2,…,pi,d}为粒子群个体极值,gbest={g1,g2,…,gd}为粒子群全局极值,粒子位置更新公式如下:
步骤5:计算得到压电定位系统当前时刻控制量,并证明系统稳定性;
为求得压电定位系统当前时刻控制量,需要对系统作如下合理假设:
假设2:系统的噪声和外部扰动ξ(k)有界,因此迟滞非线性项Hy(k)同样有界,因此Fh(k)有界,表示为:|Fh(k)|≤ρh,
假设3:存在无约束最优控制的可行域包括原点邻域,
将具有约束的迟滞系统描述式(1)改写为更简便的形式:
其中有,
进一步写为状态空间标准型的形式:
设置该系统的目标函数为
将上式整理可得
因为0<ρ0≤1,而ε为一个很小正数,所以存在一个N*使
(1-ρ0)(1+ε)<1 (58)
即得到
所以系统假设下设计的控制率能够保证系统是稳定的,
系统当前时刻的控制量为:
u(k)=u(k-1)+Δu(k) (60)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481100.6A CN111897211B (zh) | 2020-05-31 | 2020-05-31 | 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481100.6A CN111897211B (zh) | 2020-05-31 | 2020-05-31 | 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897211A CN111897211A (zh) | 2020-11-06 |
CN111897211B true CN111897211B (zh) | 2022-09-27 |
Family
ID=73206983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010481100.6A Active CN111897211B (zh) | 2020-05-31 | 2020-05-31 | 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897211B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113890019A (zh) * | 2021-09-27 | 2022-01-04 | 邓文生 | 一种稳定性约束的间歇电力系统自适应cgpc-pi控制方法 |
CN114660948B (zh) * | 2022-05-24 | 2022-08-02 | 河北工业大学 | 一种压电撞击式微喷阀高精度控制方法 |
CN115028301B (zh) * | 2022-05-31 | 2024-04-26 | 河北工程大学 | 一种智能净化游泳池水循环再利用系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134320A (ja) * | 1999-11-01 | 2001-05-18 | Honda Motor Co Ltd | 車線追従制御装置 |
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 |
CN105353610A (zh) * | 2015-10-10 | 2016-02-24 | 吉林大学 | 基于kp模型的磁控形状记忆合金执行器建模方法 |
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 |
CN110245430A (zh) * | 2019-06-18 | 2019-09-17 | 吉林大学 | 改进Bouc-Wen模型迟滞建模方法 |
CN111142404A (zh) * | 2019-12-17 | 2020-05-12 | 吉林大学 | 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 |
-
2020
- 2020-05-31 CN CN202010481100.6A patent/CN111897211B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134320A (ja) * | 1999-11-01 | 2001-05-18 | Honda Motor Co Ltd | 車線追従制御装置 |
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 |
CN105353610A (zh) * | 2015-10-10 | 2016-02-24 | 吉林大学 | 基于kp模型的磁控形状记忆合金执行器建模方法 |
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 |
CN110245430A (zh) * | 2019-06-18 | 2019-09-17 | 吉林大学 | 改进Bouc-Wen模型迟滞建模方法 |
CN111142404A (zh) * | 2019-12-17 | 2020-05-12 | 吉林大学 | 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 |
Non-Patent Citations (1)
Title |
---|
压电微定位平台神经网络与专家模糊复合控制方法;周淼磊等;《控制与决策》;20180131;第33卷(第1期);第95-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111897211A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897211B (zh) | 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 | |
Jin et al. | Zeroing neural networks: A survey | |
Hung et al. | Design of self-tuning fuzzy sliding mode control for TORA system | |
Delavari et al. | Fractional order controller design for a flexible link manipulator robot | |
JP2004185620A (ja) | ダイナミックインバージョン制御方法及びシステム並びに記録媒体 | |
Hsu et al. | Emotional fuzzy sliding-mode control for unknown nonlinear systems | |
Lin et al. | Adaptive TOPSIS fuzzy CMAC back-stepping control system design for nonlinear systems | |
Rebai et al. | Design of an optimized fractional order fuzzy PID controller for a piezoelectric actuator | |
Wu et al. | Learning dynamics of gradient descent optimization in deep neural networks | |
Huynh et al. | A TOPSIS multi-criteria decision method-based intelligent recurrent wavelet CMAC control system design for MIMO uncertain nonlinear systems | |
Hsu et al. | Intelligent nonsingular terminal sliding-mode control via perturbed fuzzy neural network | |
Homaeinezhad et al. | Feedback control of actuation‐constrained moving structure carrying Timoshenko beam | |
Fang et al. | Adaptive neural sliding mode control of uncertain robotic manipulators with predefined time convergence | |
Rahmani et al. | Robust vibration control of laminated rectangular composite plates in hygrothermal and thermal environment | |
Xu et al. | A novel tracking control approach of amplitude signals for vibratory gyroscopes suppressing high-frequency disturbance | |
Wang et al. | An adaptive fuzzy predictive controller with hysteresis compensation for piezoelectric actuators | |
Rezaee et al. | Robust adaptive fuzzy sliding mode control of nonlinear uncertain MIMO fluttering FGP plate based on feedback linearization | |
Lin | An active vibration absorber of smart panel by using a decomposed parallel fuzzy control structure | |
Hadian et al. | A new event-based PI controller using evolutionary algorithms | |
Xiong et al. | Discrete-time implementation of continuous terminal algorithm with implicit-Euler method | |
Dong et al. | The Fuzzy Control of Electro-hydraulic Servo System Based on DE Algorithm | |
CN111796518B (zh) | 磁控形状记忆合金执行器位移控制方法 | |
Rozali et al. | Robust control design of nonlinear system via Backstepping-PSO with sliding mode techniques | |
Sun et al. | Model reference adaptive control with adjustable gain for piezoelectric actuator | |
Lin et al. | Asymptotically stable economic nonlinear model predictive control without pre-calculated steady-state optimum |
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 |