CN112835295B - 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 - Google Patents
基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 Download PDFInfo
- Publication number
- CN112835295B CN112835295B CN202110088650.6A CN202110088650A CN112835295B CN 112835295 B CN112835295 B CN 112835295B CN 202110088650 A CN202110088650 A CN 202110088650A CN 112835295 B CN112835295 B CN 112835295B
- Authority
- CN
- China
- Prior art keywords
- model
- hysteresis
- control
- piezoelectric ceramic
- sliding mode
- 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
本发明提供了基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,依次通过针对压电陶瓷执行器输入电压与输出位移之间多值的映射关系,建立PI迟滞模型;采用优化粒子群方法对PI迟滞模型进行参数辨识,从而建立PI迟滞逆模型;通过PI迟滞逆模型设计前馈控制器,并结合滑模控制的复合控制方法对压电陶瓷执行器进行控制。本发明实现了由压电陶瓷输出‑输入多值映射关系来描述迟滞特性的功能,更好地描述了迟滞特性与压电陶瓷执行器的关系;由前馈控制结合滑模控制的复合控制方法控制压电陶瓷执行器,较好地解决了前馈控制无法实时反馈和滑模面的抖动问题,控制方法简单,控制效果好,有效地抑制了压电陶瓷执行器迟滞非线性特性。
Description
技术领域
本发明属于压电陶瓷执行器技术领域,具体涉及基于PI模型的压电陶瓷执行器参数辨识和复合控制方法。
背景技术
近年来,随着微电子/光电子信息器件制造、微纳制造、光机电一体化、超精密加工技术的飞速发展,制造装备对精度的要求越来越高。由于具有响应快、定位精度高、分辨率高等优势,压电陶瓷驱动器被广泛应用在微型机械制造、超精密加工、半导体技术、显微镜技术等领域。然而由于其输入电压同输出位移之间存在严重的迟滞非线性,影响了运动控制精度和系统的稳定性。
压电陶瓷执行器是利用压电材料的逆压电特性,在输入电压的作用下产生形变,达到机械运动的目的,并通过位移放大机构(例如柔性饺链等)来实现高分辨率位移输出。然而作为一种极性材料,压电陶瓷本身固有的非线性特性,如迟滞、温度、蠕变和动态频率特性等,尤其是迟滞特性,直接影响了系统的运动性能,给跨尺度喷印制造中的精密定位和跟踪带来了困难和挑战。
目前,针对迟滞特性的补偿方法主要分为两种:逆模型补偿和闭环控制。逆模型补偿方法属于开环控制,通过对迟滞特性建立逆模型,串联在系统前进行补偿,具有系统简单,响应快的特点,然而,该方法容易受到扰动影响,控制精度取决于模型精度,无法进行实时补偿。第二种是闭环控制方法,主要包括PID控制、鲁棒控制和自适应控制等方法。此类方法将迟滞看做扰动,直接通过系统的输入、输出及误差进行补偿控制,然而此类方法控制器设计较复杂,加大控制器的负担,不易实现。
发明内容
本发明要解决的技术问题是:提供基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,用于抑制压电陶瓷执行器的迟滞非线性特性。
本发明为解决上述技术问题所采取的技术方案为:基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,包括以下步骤:
S1:获取压电陶瓷执行器在输入电压下产生的输出位移,通过建立PI迟滞模型描述输入电压与输出位移之间的多值映射关系;
S2:采用优化粒子群方法对PI迟滞模型进行参数辨识,建立PI迟滞逆模型并设计前馈控制器;
S3:采用融合逆模型前馈控制与滑模控制的复合控制方法对所述压电陶瓷执行器进行控制。
按上述方案,所述的步骤S1中,具体步骤为:采用基于弹塑性变形的物理模型的建模方法建立PI迟滞模型,设T为采样周期,t∈[t0,tN,t0≤…≤ti≤t≤…≤tN,y0是系统初始状态,y(t)为算子输出,r为算子阈值,具体公式为:
设yi(0)为算子初值,一般取为0,则上式的初始条件为:
y(t0)=max{x(t0)-r,min(x(t0)+r,y0)};
将多个阈值不同的Play算子进行加权叠加后得到PI迟滞模型。
进一步的,所述的步骤S1中,还包括以下步骤:对PI迟滞模型进行改进,通过采用非等间隔阈值法使后半段算子数目比前半段多得到改进PI迟滞模型,具体公式为:
按上述方案,所述的步骤S2中,具体步骤为:
S21:设惯性权重为w,学习因子为c1、c2,K为当前迭代次数,粒子群优化算法的速度更新公式为:
位置更新公式为:
S22:设wmax、wmin分别为权重的上、下限,f为目标适应度值,fvag为平均适应度值,fmin为最小适应度值,则采取优化算法的速度更新和学习因子变化策略的优化粒子群算法的具体公式为:
当适应度值大于平均值时,权重w取上限值wmax、用于增加总群多样性,加大全局搜索范围,增强全局寻优能力;当适应度值小于平均值时则减小权重取值,增强局部搜索能力,加快收敛速度,提高算法精度;
设M为最大迭代次数,c11为个体学习因子c1的初始值,c22为群体学习因子c2的初始值,则:
算法前期,粒子具备较强的个体学习能力的特点,个体学习因子c1取较大值以加快速度更新,更快速寻找到最优位置;算法迭代到后期,群体学习能力更强,将群体学习因子c2数值增大,个体学习因子c1减小,用于在局部范围内寻找最优解,提高算法精度。
按上述方案,所述的步骤S3中,具体步骤为:
S31:根据PI迟滞模型建立迟滞逆模型,通过PI迟滞逆模型设计前馈控制器,再与滑模控制相结合构成复合控制系统,对压电陶瓷执行器的输入电压进行控制;
S32:根据滑模面确定滑模控制器的控制律,并根据控制律、滑模面和PI迟滞模型,得到滑模控制器的控制信号;
S33:根据输入电压对压电陶瓷执行器进行控制。
进一步的,所述的步骤S31中,设s为滑模面,e为位移误差,y为修正输出位移的值,yd为参考位移,C为滑模控制器的比例参数,且C>0,则滑模面为:
e=y-yd。
进一步的,所述的步骤S32中,设u为输入电压,m和b为弹塑性变形物理模型的系统参数,d为控制增益,则控制信号为:
进一步的,所述的步骤S3中,采用Lyapunov稳定性定理证明滑模控制器的稳定性,选取Lyapunov函数为:
从而有:
设系统参数为m=1,b=0.2,d=20,得到:
则滑模控制器稳定性高,抑制了压电陶瓷执行器的迟滞非线性特性。
一种结合前馈控制与滑模控制的复合控制系统,包括逆模型模块、滑模控制模块和压电陶瓷模块;参考位移信号源连接逆模型模块的输入端,压电陶瓷模块的反馈输出端与参考位移信号源结合后连接滑膜控制模块的输入端,逆模型模块的输出端与滑膜控制模块的输出端结合后连接压电陶瓷模块的输入端,压电陶瓷模块输出修正输出位移的值。
本发明的有益效果为:
1.本发明的基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,依次通过建立PI迟滞模型和PI迟滞逆模型设计前馈控制器,并结合滑模控制的复合控制方法对压电陶瓷执行器进行控制,实现了抑制压电陶瓷执行器的迟滞非线性特性的功能;通过压电陶瓷输出-输入多值映射关系描述迟滞特性,更好地描述了迟滞特性与压电陶瓷执行器的关系;由前馈控制结合滑模控制的复合控制方法控制压电陶瓷执行器,较好地解决了前馈控制无法实时反馈和滑模面的抖动问题,控制方法简单,控制效果好,有效地抑制了压电陶瓷执行器的迟滞非线性特性。
2.由于压电陶瓷执行器的迟滞非线性特性表现为输入电压-输出位移之间多值映射关系,本发明根据输入电压与输出位移建立迟滞模型来描述迟滞特性,能更好地体现迟滞特性与压电陶瓷执行器的关系,通过建立逆模型设计前馈控制器,将前馈控制与滑模控制相融合,控制压电陶瓷执行器,提高定位精度。
本发明采用基于弹塑性变形的物理模型的建模方法建立迟滞模型,可以较好地描述压电陶瓷的迟滞特性与压电陶瓷执行器的关系,即压电陶瓷的迟滞非线性中的输入电压-输出位移之间多值映射关系,且模型形式简单,方法简单,便于后续对模型参数进行辨识以得到更加精确的模型。
本发明的Prandtl-Ishilinskii等效迟滞模型可以有效的描述大多数的迟滞系统,由于是算子类模型,具有计算量小、能够计算出解析逆、能够实现在线建模等优点,能够更好的描述迟滞特性,得到精度更高的迟滞模型。
现有关于PI模型阈值ri取值方式大多采用等间隔法,在保证模型精度的情况下,会使算子数目过多。本发明采用非等间隔阈值法,即后半段算子数目比前半段多,保证模型精度的同时也提高模型的运算速度。
3.由于迟滞模型存在多个参数,相互之间存在耦合作用,也无法精确描述迟滞现象,本发明通过优化粒子群算法对迟滞模型进行参数辨识,更快寻找最优参数,提高模型精度,从而建立逆模型,根据该高精度迟滞逆模型结合滑模控制设计更为精确的复合控制器。
PI模型具参数较多、不易识别的特点,需要参数辨识来提高模型精度。粒子群中心思想是利用群体中的个体对信息的共享从而使得整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的最优解。
传统粒子群算法,面对多参数问题时,容易陷入局部最优解,导致算法效率低下,计算精度不足,其原因主要是惯性权重取值为定常数,无法随目标对象进行自我调整从而跳出局部最优,加长了算法搜寻时间。
采用优化粒子群方法对所述改进PI模型进行参数辨识,通过修改速度更新和学习因子变化策略,加快粒子群参数辨识收敛速度和提高算法精度,得到所述目标迟滞模型,模型精度更高,更好描述迟滞特性。
通过迟滞逆模型并设计前馈控制器的有益效果是:通过优化粒子群方法进行参数辨识,提高PI模型精度,从而建立精确的逆模型来设计前馈控制器,可以有效的克服迟滞非线性特性,提高系统跟踪性能。
通过优化粒子群方法进行参数辨识,可以很大程度上提高改进PI模型中相关参数的精度,从而提高逆模型的精度,使得建立的逆模型前馈控制器对压电陶瓷迟滞非线性有更好的抑制效果,方便后续与滑模控制相结合。
4.本发明的前馈控制结合滑模控制相比传统控制器,可以进行实时反馈,并且较好地解决滑模面的抖动问题,且方法简单,易实现,控制效果更好,能更有效地效克服压电陶瓷迟滞非线性,提高系统跟踪性能。
本发明将逆模型和滑模控制相结合,不仅解决了前馈控制无法实时补偿问题,提高了系统动态性能;同时滑模控制通过输入位移与输出位移之间的误差作为控制变量,更好地抑制了迟滞非线性特性,提高了系统精度,与传统的滑模控制器相比,可以更好地抑制滑模面的抖动问题,并且该复合控制方法简单易实现,计算量少,控制效果更佳。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的建立PI等效迟滞模型的流程图。
图3是本发明实施例的2Hz输入电压频率下的改进PI等效迟滞模型描述输入电压与输出位移的迟滞图。
图4是本发明实施例的10Hz输入电压频率下的改进PI等效迟滞模型描述输入电压与输出位移的迟滞图。
图5是本发明实施例的采用优化粒子群方法进行参数辨识的流程图。
图6是本发明实施例的5Hz输入电压频率下采用优化粒子群算法辨识PI等效迟滞模型参数所得的输出位移跟踪对比图。
图7是本发明实施例的5Hz输入电压频率下采用优化粒子群算法辨识PI等效迟滞模型参数所得的迟滞曲线对比图。
图8是本发明实施例的前馈控制结合滑模控制的复合控制系统的功能框图。
图9是本发明实施例的4Hz幅值递减的输入电压频率下采用前馈结合滑模控制与前馈结合PID控制的位移跟踪波形对比图。
图10是本发明实施例的4Hz幅值递减的输入电压频率下采用前馈结合滑模控制与前馈结合PID控制的位移跟踪误差对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明的一种基于PI模型的压电陶瓷执行器迟滞非线性的参数辨识和复合控制方法,包括以下步骤:
S1:获取压电陶瓷执行器在输入电压下产生的输出位移,通过建立PI迟滞模型描述输入电压与输出位移之间的多值映射关系;
参见图2,步骤S1具体采用基于弹塑性变形的物理模型的建模方法建立PI(Prandtl-Ishilinskii)迟滞模型,设T为采样周期,t∈[t0,tN],t0≤…≤ti≤t≤…≤tN,y0是系统初始状态,y(t)为算子输出,r为算子阈值,具体公式为:
设yi(0)为算子初值,一般取为0,则上式的初始条件为:
y(t0)=max{x(t0)-r,min(x(t0)+r,y0)};
将多个阈值不同的Play算子进行加权叠加后得到PI迟滞模型。
在步骤S1中,还包括对所述PI迟滞模型进行改进,通过采用非等间隔阈值法使后半段算子数目比前半段多得到改进PI迟滞模型,改进PI迟滞模型的具体公式为:
本发明实施例采用改进PI迟滞模型对输出位移进行验证,以此来验证对迟滞特性的描述,具体如图3和图4所示,分别为在2Hz输入电压频率和10Hz输入电压频率下,采用改进PI迟滞模型描述输入电压和输出位移的迟滞图,可以看出修正PI迟滞模型可以精确的描述压电陶瓷驱动器的迟滞非线性关系。
S2:采用优化粒子群方法对目标迟滞模型进行参数辨识,建立PI迟滞逆模型并设计前馈控制器;
参见图5,步骤S2中采用优化粒子群方法对改进PI迟滞模型进行参数辨识,得到PI迟滞逆模型并设计前馈控制器。
粒子群优化算法包括速度更新公式:
以及位置更新公式:
粒子群方法的参数主要有:惯性权重w,学习因子c1、c2,K为当前迭代次数。惯性权重w取值影响算法的搜索能力,数值越大算法全局搜索能力越强,搜索时间也随之增加。数值越小算法局部搜索能力越强,精度越高,但是容易陷入局部最优解。学习因子c1、c2也称为加速因子,前者作用每个个体的最佳位置,影响算法前期全局寻优的能力,后者作用群体的最佳位置,影响算法后期局部寻优能力。
本发明的优化粒子群算法通过在算法的速度更新和学习因子变化策略上进行优化,具体公式如下:
式中wmax、wmin为权重的上下限,分别为0.9和0.4,f为目标适应度值,fvag为平均适应度值,fmin为最小适应度值。当适应度值大于平均值时,采取最大权重值,增加总群多样性,加大全局搜索范围,增强全局寻优能力,当适应度值小于平均值时则减小权重取值,增强局部搜索能力,加快收敛速度,提高算法精度。
式中学习因子初始值c11=2.5,c22=2,t为当前迭代次数,M为最大迭代次数。针对算法前期粒子需要具备较强的个体学习能力特点,个体学习因子c1取较大值,加快速度更新,更快速寻找到最优位置,算法迭代到后期,则要更强的群体学习能力,这时群体学习因子c2数值增大,c1减小,能在局部范围内寻找最优解,提高算法精度。
本实施例根据改进PI迟滞模型,以频率为5Hz正弦波作为输入,采用优化粒子群方法辨识PI迟滞模型参数,输出位移跟踪对比图和迟滞曲线对比图,具体如图6和图7所示,改进PI迟滞模型描述了输入电压与输出位移之间的迟滞关系,有较好的拟合效果,优化粒子群算法初期的全局寻优能力强于传统粒子群算法,并且随着迭代次数增加,算法的收敛速度也得到加强,在40次迭代左右就可以寻找到最优解,算法的效率得到提升。
S3:采用融合PI迟滞逆模型前馈控制与滑模控制的复合控制方法,对所述压电陶瓷执行器进行控制。具体包括以下步骤:
S31:根据PI迟滞模型建立PI迟滞逆模型,通过PI迟滞逆模型设计前馈控制器,再与滑模控制相结合构成复合控制系统如图8所示,用于对压电陶瓷执行器的输入电压进行控制。
设s为所述滑模面,e为所述位移误差,y为所述修正输出位移的值,yd为所述参考位移,C为所述滑模控制器的比例参数且C>0,则所述滑模面为:
s=C∫e+e,
e=y-yd;
S32:根据所述滑模面确定所述滑模控制器的控制律,并根据所述控制律、所述滑模面和所述目标迟滞模型,得到所述滑模控制器的控制信号;设为所述滑模面的一阶导数,k为指数趋近项系数,ε为趋近速度,sgn(s)为开关函数,则控制律为:
设u为输入电压,m和b为所述弹塑性变形物理模型的系统参数,d为控制增益,则控制信号的具体公式为:
S33:根据所述输入电压对所述压电陶瓷执行器进行控制。
本实施例还采用Lyapunov稳定性定理来证明得到的滑模控制器的稳定性,选取Lyapunov函数为:
从而有:
设系统参数为m=1,b=0.2,d=20,得到:
由此可见,本实施例设计的滑模控制器稳定性高,可以有效抑制压电陶瓷执行器迟滞非线性特性。
本发明实施例根据改进PI迟滞模型,以频率为4Hz幅值递减三角波作为输入,采用融合PI迟滞模型前馈控制与滑模控制的复合控制方法进行仿真实验,输出位移跟踪波形对比图和位移跟踪误差对比图,具体如图9和图10所示,从图可以看出前馈结合滑模的复合控制方法的平均误差和均方根误差分别为0.018μm和0.0226μm,而前馈结合PID的复合控制方法的平均误差和均方根误差分别为0.0480μm和0.0572μm,两者方法相比较,本发明提出的方法比前馈结合PID的复合控制方法的平均误差减小了0.0300μm,均方根误差减小了0.0346μm,平均误差下降了62.5%,均方根误差下降了60.4%,由此可见本发明提出的控制方法精度更高,定位效果更好,具有更好的系统跟踪性能。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (4)
1.基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,其特征在于:包括以下步骤:
S1:获取压电陶瓷执行器在输入电压下产生的输出位移,通过建立PI迟滞模型描述输入电压与输出位移之间的多值映射关系;
S2:采用优化粒子群方法对PI迟滞模型进行参数辨识,建立PI迟滞逆模型并设计前馈控制器;
具体步骤为:
S21:设惯性权重为w,学习因子为c1、c2,K为当前迭代次数,粒子群优化算法的速度更新公式为:
位置更新公式为:
S22:设wmax、wmin分别为权重的上、下限,f为目标适应度值,fvag为平均适应度值,fmin为最小适应度值,则采取优化算法的速度更新和学习因子变化策略的优化粒子群算法的具体公式为:
当适应度值大于平均值时,权重w取上限值wmax、用于增加总群多样性,加大全局搜索范围,增强全局寻优能力;当适应度值小于平均值时则减小权重取值,增强局部搜索能力,加快收敛速度,提高算法精度;
设M为最大迭代次数,c11为个体学习因子c1的初始值,c22为群体学习因子c2的初始值,则:
算法前期,粒子具备较强的个体学习能力的特点,个体学习因子c1取较大值以加快速度更新,更快速寻找到最优位置;算法迭代到后期,群体学习能力更强,将群体学习因子c2数值增大,个体学习因子c1减小,用于在局部范围内寻找最优解,提高算法精度;
S3:采用融合逆模型前馈控制与滑模控制的复合控制方法对所述压电陶瓷执行器进行控制;
具体步骤为:
S31:根据PI迟滞模型建立迟滞逆模型,通过PI迟滞逆模型设计前馈控制器,再与滑模控制相结合构成复合控制系统,对压电陶瓷执行器的输入电压进行控制;
设s为滑模面,e为位移误差,y为修正输出位移的值,yd为参考位移,C为滑模控制器的比例参数,且C>0,则滑模面为:
s=C∫e+e,
e=y-yd;
S32:根据滑模面确定滑模控制器的控制律,并根据控制律、滑模面和PI迟滞模型,得到滑模控制器的控制信号;
设u为输入电压,m和b为弹塑性变形物理模型的系统参数,d为控制增益,则控制信号为:
S33:根据输入电压对压电陶瓷执行器进行控制。
2.根据权利要求1所述的基于PI模型的压电陶瓷执行器参数辨识和复合控制方法,其特征在于:所述的步骤S1中,具体步骤为:采用基于弹塑性变形的物理模型的建模方法建立PI迟滞模型,设T为采样周期,t∈[t0,tN],t0≤…≤ti≤t≤…≤tN,y0是系统初始状态,y(t)为算子输出,r为算子阈值,具体公式为:
设yi(0)为算子初值,一般取为0,则上式的初始条件为:
y(t0)=max{x(t0)-r,min(x(t0)+r,y0)};
将多个阈值不同的Play算子进行加权叠加后得到PI迟滞模型;
对PI迟滞模型进行改进,通过采用非等间隔阈值法使后半段算子数目比前半段多得到改进PI迟滞模型,具体公式为:
4.一种用于权利要求1至3中任意一项所述的基于PI模型的压电陶瓷执行器参数辨识和复合控制方法的结合前馈控制与滑模控制的复合控制系统,其特征在于:包括逆模型模块、滑模控制模块和压电陶瓷模块;参考位移信号源连接逆模型模块的输入端,压电陶瓷模块的反馈输出端与参考位移信号源结合后连接滑膜控制模块的输入端,逆模型模块的输出端与滑膜控制模块的输出端结合后连接压电陶瓷模块的输入端,压电陶瓷模块输出修正输出位移的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088650.6A CN112835295B (zh) | 2021-01-22 | 2021-01-22 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088650.6A CN112835295B (zh) | 2021-01-22 | 2021-01-22 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112835295A CN112835295A (zh) | 2021-05-25 |
CN112835295B true CN112835295B (zh) | 2022-07-19 |
Family
ID=75930909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110088650.6A Active CN112835295B (zh) | 2021-01-22 | 2021-01-22 | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835295B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311712B (zh) * | 2021-05-28 | 2022-07-12 | 哈工大卫星激光通信股份有限公司 | 一种针对快速倾斜镜的迟滞特性的辨识方法 |
CN114077196B (zh) * | 2021-11-16 | 2023-06-06 | 哈尔滨工业大学(深圳) | 一种基于改进Prandtl-Ishlinskii模型的压电驱动器复合控制方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853046A (zh) * | 2014-02-14 | 2014-06-11 | 广东工业大学 | 一种压电陶瓷驱动器的自适应学习控制方法 |
CN103941585A (zh) * | 2014-01-23 | 2014-07-23 | 吉林大学 | 基于Duhem模型的压电陶瓷执行器建模方法 |
CN106682728A (zh) * | 2016-09-30 | 2017-05-17 | 河南理工大学 | 基于Duhem的压电执行器的神经网络参数辨识方法 |
CN107544241A (zh) * | 2017-09-25 | 2018-01-05 | 广州佳越实业有限公司 | 压电陶瓷执行器迟滞的非线性pid逆补偿控制方法 |
CN107608209A (zh) * | 2017-08-23 | 2018-01-19 | 苏州大学 | 压电陶瓷驱动器的前馈与闭环复合控制方法、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 |
CN110632845A (zh) * | 2019-09-16 | 2019-12-31 | 杭州电子科技大学 | 基于改进pi模型的压电驱动器迟滞建模及前馈控制方法 |
CN111368400A (zh) * | 2020-02-17 | 2020-07-03 | 华南理工大学 | 基于pso算法的压电微驱动变频定位平台建模辨识方法 |
CN111413869A (zh) * | 2020-03-18 | 2020-07-14 | 紫光云技术有限公司 | 一种基于模型的压电陶瓷驱动器迟滞补偿方法 |
CN111914981A (zh) * | 2020-05-31 | 2020-11-10 | 吉林大学 | 基于粒子群-蚁群并行交叉算法的改进pi模型辨识方法 |
-
2021
- 2021-01-22 CN CN202110088650.6A patent/CN112835295B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941585A (zh) * | 2014-01-23 | 2014-07-23 | 吉林大学 | 基于Duhem模型的压电陶瓷执行器建模方法 |
CN103853046A (zh) * | 2014-02-14 | 2014-06-11 | 广东工业大学 | 一种压电陶瓷驱动器的自适应学习控制方法 |
CN106682728A (zh) * | 2016-09-30 | 2017-05-17 | 河南理工大学 | 基于Duhem的压电执行器的神经网络参数辨识方法 |
CN107608209A (zh) * | 2017-08-23 | 2018-01-19 | 苏州大学 | 压电陶瓷驱动器的前馈与闭环复合控制方法、系统 |
CN107544241A (zh) * | 2017-09-25 | 2018-01-05 | 广州佳越实业有限公司 | 压电陶瓷执行器迟滞的非线性pid逆补偿控制方法 |
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 |
CN110632845A (zh) * | 2019-09-16 | 2019-12-31 | 杭州电子科技大学 | 基于改进pi模型的压电驱动器迟滞建模及前馈控制方法 |
CN111368400A (zh) * | 2020-02-17 | 2020-07-03 | 华南理工大学 | 基于pso算法的压电微驱动变频定位平台建模辨识方法 |
CN111413869A (zh) * | 2020-03-18 | 2020-07-14 | 紫光云技术有限公司 | 一种基于模型的压电陶瓷驱动器迟滞补偿方法 |
CN111914981A (zh) * | 2020-05-31 | 2020-11-10 | 吉林大学 | 基于粒子群-蚁群并行交叉算法的改进pi模型辨识方法 |
Non-Patent Citations (2)
Title |
---|
压电执行器的Bonc-Wen模型在线参数辨识;朱炜等;《光学精密工程》;20150131;第23卷(第1期);第110-116页 * |
基于Bonc-Wen模型的压电执行器的前馈线性化控制器;王代华等;《仪器仪表学报》;20150731;第36卷(第7期);第1514-1521页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112835295A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112835295B (zh) | 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法 | |
CN107608209A (zh) | 压电陶瓷驱动器的前馈与闭环复合控制方法、系统 | |
CN111308896B (zh) | 基于可变误差的非线性系统自适应最优控制方法 | |
CN110154028A (zh) | 机械臂无模型自适应积分终端滑模控制方法 | |
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
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 | |
CN111931411A (zh) | 压电驱动微定位平台Duhem动态迟滞建模方法 | |
CN103941589B (zh) | 一种压电执行器的非线性模型预测控制方法 | |
CN108237531B (zh) | 一种仿人机器人步态自学习控制方法 | |
CN105353610A (zh) | 基于kp模型的磁控形状记忆合金执行器建模方法 | |
CN110362110A (zh) | 一种固定时自适应神经网络无人机航迹角控制方法 | |
CN109062040A (zh) | 基于系统嵌套优化的预测pid方法 | |
Chen et al. | Adaptive sliding control with self-tuning fuzzy compensation for a piezoelectrically actuated X–Y table | |
CN116755481A (zh) | 一种基于神经网络的pid振动主动控制与可靠性分析方法 | |
CN114077196B (zh) | 一种基于改进Prandtl-Ishlinskii模型的压电驱动器复合控制方法 | |
CN113110064A (zh) | 基于Duhem逆模型的压电动态迟滞前馈补偿方法 | |
CN113114128A (zh) | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 | |
CN113110069B (zh) | 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 | |
CN114859725A (zh) | 一种非线性系统自适应事件触发控制方法及系统 | |
CN113009830A (zh) | 一种压电作动器的非线性建模及控制方法 | |
Zhao et al. | Global linearization identification and compensation of nonresonant dispersed hysteresis for piezoelectric actuator | |
CN114296349B (zh) | 一种纳米定位平台的磁滞控制方法和装置 | |
Sun et al. | Model reference adaptive control with adjustable gain for piezoelectric actuator | |
CN114609988B (zh) | 一种基于改进推理控制器的大滞后系统控制方法 | |
CN114137835B (zh) | 基于b-w模型的压电陶瓷执行器参数辨识复合控制方法 |
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 |