CN113110069B - 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 - Google Patents
一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 Download PDFInfo
- Publication number
- CN113110069B CN113110069B CN202110562932.5A CN202110562932A CN113110069B CN 113110069 B CN113110069 B CN 113110069B CN 202110562932 A CN202110562932 A CN 202110562932A CN 113110069 B CN113110069 B CN 113110069B
- Authority
- CN
- China
- Prior art keywords
- iteration
- neural network
- iterative
- function
- estimation
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000725 suspension Substances 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 145
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims description 42
- 230000004913 activation Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003252 repetitive effect Effects 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000005339 levitation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000011217 control strategy Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
本发明提出了一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法。本发明针对磁悬浮的X方向,建立系统模型;根据系统模型结合期望运动轨迹构建切换函数以及切换函数导数模型,将系统模型带入切换函数导数可得系统模型的转换表达式,通过系统模型的转换表达式设计迭代神经网络鲁棒控制器,构建相应的RBF神经网络,进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项;通过Lyapunov方法构建迭代能量函数,并计算相邻迭代能量函数之间的差值,构建能量函数约束条件,根据能量函数约束条件,进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新;本发明用于磁悬浮系统,有助于改善磁悬浮平面电机的重复轨迹跟踪效果。
Description
背景技术
磁悬浮平面电机作为一种新型的驱动元件,无需机械导轨支撑就可以实现多自由度运动,且体积小、质量轻、无摩擦,可在真空条件下实现精密运动。因此,磁悬浮平面电机在半导体光刻,微机械加工以及其他高精度工业领域有着良好的应用前景。但应用场景的复杂性和其自身结构的多样性也不可避免地会带来运动控制问题。例如:系统建模误差、装配误差和外部干扰等都会给系统控制带来很大的不确定性,这些不确定性会严重影响磁悬浮平面电机的跟踪性能
传统的自适应鲁棒控制设计简单,鲁棒性较强,已广泛的应用于磁悬浮系统,但其对于系统中与状态相关的不确定项仅通过简单的鲁棒反馈进行抑制,不可避免的导致其跟踪效果过于保守,稳态跟踪误差较大。
由于神经网络具有通过学习机制近似任意非线性映射的能力,因此可以利用神经网络系统中的不确定性进行补偿。目前的结合神经网络的控制方法需要预先确定最优的神经网络参数,但实际应用中很难提前确定最佳的神经网络参数,不合适的神经网络参数会直接影响轨迹跟踪效果。此外,网络连接权值的微分自适应更新律是基于神经网络最优权值为固定值的假设,这使得神经网络对系统不确定性的近似精度有一定的局限性。
发明内容
本发明的主要目的在于:克服现有的磁悬浮平面电机控制方法的不足,兼顾跟踪精度的同时有效消除系统不确定性带来的影响,提出了一种磁悬浮平面电机迭代神经网络鲁棒控制策略,该策略通过其中的自适应鲁棒控制项保证系统的抗干扰能力和鲁棒性,同时,引入迭代神经网络补偿项进一步消除系统的不确定性干扰,利用迭代学习同时对神经网络的网络连接权值和网络参数进行迭代优化,从而进一步提升神经网络的近似精度,改善系统的轨迹跟踪效果。神经网络补偿项通过前馈补偿的形式与鲁棒控制项并联构成迭代神经网络鲁棒控制策略。
本发明的技术方案为一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法,其特征在于,包括以下步骤:
步骤1:针对磁悬浮的X方向,建立系统动力学模型;
步骤2:根据系统动力学模型结合期望运动轨迹构建切换函数,对切换函数求导得到切换函数导数模型,将系统动力学模型带入切换函数导数可得系统动力学模型的转换表达式,通过系统动力学模型的转换表达式设计迭代神经网络鲁棒控制器,构建相应的RBF神经网络,进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项;
步骤3:通过Lyapunov直接方法构建迭代能量函数,并计算相邻迭代能量函数之间的差值,构建相邻迭代能量函数约束条件,根据相邻迭代能量函数约束条件,进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新;
作为优选,步骤1所述系统动力学模型,定义为:
作为优选,步骤2所述切换函数,定义为:
e=xd-x
其中,c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,t为时间,为x方向速度误差,e为x方向位置误差,xd为x方向参考轨迹,x为系统x方向位置,为系统x方向参考轨迹速度,为系统x方向系统实际速度;
步骤2所述切换函数导数模型,定义为:
步骤2所述系统动力学模型的转换表达式,定义为:
步骤2所述第k次迭代时的迭代神经网络鲁棒控制器,定义为:
其中,为第k次迭代时自适应鲁棒控制输出,为第k次迭代时神经网络控制输出,Ms为动子质量,为x方向参考加速度,为第k次迭代x方向速度误差,ek为第k次迭代x方向位置误差c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,为第k次迭代时线性反馈且ηs为反馈增益,pk为第k次迭代切换函数,第k次迭代时为鲁棒反馈项,为第k次迭代时干扰自适应估计项,用于补偿随机干扰Δd;
步骤2所述构建相应的RBF神经网络,具体为:
其中,m为隐含层神经元数量,ψ=[ψ1,...,ψm]T为隐含层激活函数,可表示为:
其中,z为隐含层激活函数输入,隐含层神经元中心c=[c1,...,cm]T,cj为第j个隐含层神经元中心,隐含层神经元宽度b=[b1,...,bm]T,bj为第j个隐含层神经元宽度,为神经网络各个神经元(1,2,...m)的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度。基于该网络模型,在第k次迭代时,神经网络补偿项的控制输出为:
其中,为神经网络各个神经元(1,2,...m)的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度,为第k次迭代的权值估计结果,为第k次迭代的中心估计结果,为第k次迭代的宽度估计结果,ε为逼近偏差,为第k次迭代隐含层激活函数估计值。
其中,ψj为第j个激活函数,cj为第j个隐含层神经元中心,bj为第j个隐含层神经元宽度。
其中,小于某一固定边界值,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数,为第k次迭代的权值估计结果,为第k次迭代的权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,为第k次迭代隐含层激活函数估计值;
作为优选,步骤3所述构建建立次迭代能量函数:
其中,Vk(t)表示第k次迭代能量函数,γc为中心迭代学习率,γb为宽度迭代学习率,Φ-1为学习率对角矩阵的逆,Ms为动子质量,pk为第k次迭代切换函数,为第k次迭代干扰估计偏差,为第k+1次迭代权值估计偏差,为第k+1次迭代宽度估计偏差,为第k+1次迭代宽度估计偏差转置,为第k+1次迭代中心点估计偏差,为第k+1次迭代中心点估计偏差的转置,tr()为矩阵的迹;
步骤3所述计算相邻迭代能量函数之间的差值ΔVk,具体过程为:
其中,表示相邻迭代能量函数之间的差值,Ms为动子质量,pk为第k次迭代切换函数,pk-1为第k-1次迭代切换函数;γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ms为动子质量,为第k次迭代干扰估计偏差,为第k次迭代权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,pk为第k次迭代切换函数,为第k次迭代的权重估计结果,为第k次迭代隐含层激活函数,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数;
权值估计误差能量函数相邻两次迭代k与(k+1)次之间的差值表示为:
其中,
步骤3所述相邻迭代能量函数约束条件为:ΔVk≤0;
步骤3所述鲁棒控制项的更新:
步骤3所述迭代神经网络项的更新为:
其中,γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数。该学习律通过不断重复跟踪轨迹,迭代调整神经网络权值及神经网络参数;
步骤3所述迭代估计补偿量的更新为:
其中,pk为第k次迭代切换函数,为第k次迭代的权重估计结果,为第k次迭代隐含层激活函数,Φ为学习率对角矩阵,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数,γc为中心迭代学习率,γb为宽度迭代学习率。
现有的技术相比,本发明的优势为:
该设计方法可以保证Lyapunov函数Vk(t)随迭代次数的增加单调递减,从而保证了跟踪误差的单调收敛和系统的稳定性。
本发明控制策略利用神经网络补偿控制器系统中的不确定性,不依赖准确的系统模型。此外,通过泰勒级数展开方法将神经网络激活函数线性化,利用迭代学习方法对同时对神经网络连接权值和网络参数进行迭代调优,进一步提高神经网络的近似精度,且无需预先确定最优的网络参数。
附图说明
图1:为动磁式磁悬浮平面电机系统的示意图。
图2:为本发明控制策略一种实施例的迭代神经网络鲁棒控制算法结构图。
图3:为本发明控制策略一种实施例的步骤流程图。
图4:为实际应用于磁悬浮系统所得的控制策略在有限次迭代过程中的位置跟踪误差收敛过程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1至图4介绍本发明的具体实施方式为一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法,具体包括以下步骤:
步骤1:根据图1,针对磁悬浮的X方向,建立系统动力学模型;
步骤1所述系统动力学模型,定义为:
步骤2:根据系统动力学模型结合期望运动轨迹构建切换函数,对切换函数求导得到切换函数导数模型,将系统动力学模型带入切换函数导数可得系统动力学模型的转换表达式,通过系统动力学模型的转换表达式设计迭代神经网络鲁棒控制器,构建相应的RBF神经网络,进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项;
步骤2所述切换函数,定义为:
e=xd-x
其中,c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,t为时间,为x方向速度误差,e为x方向位置误差,xd为x方向参考轨迹,x为系统x方向位置,为系统x方向参考轨迹速度,为系统x方向系统实际速度;
步骤2所述切换函数导数模型,定义为:
步骤2所述系统动力学模型的转换表达式,定义为:
步骤2所述第k次迭代时的迭代神经网络鲁棒控制器,定义为:
其中,为第k次迭代时自适应鲁棒控制输出,为第k次迭代时神经网络控制输出,Ms为动子质量,为x方向参考加速度,为第k次迭代x方向速度误差,ek为第k次迭代x方向位置误差c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,为第k次迭代时线性反馈且ηs为反馈增益,pk为第k次迭代切换函数,第k次迭代时为鲁棒反馈项,为第k次迭代时干扰自适应估计项,用于补偿随机干扰Δd;
步骤2所述构建相应的RBF神经网络,具体为:
其中,m为隐含层神经元数量,ψ=[ψ1,...,ψm]T为隐含层激活函数,可表示为:
其中,z为隐含层激活函数输入,隐含层神经元中心c=[c1,...,cm]T,cj为第j个隐含层神经元中心,隐含层神经元宽度b=[b1,...,bm]T,bj为第j个隐含层神经元宽度,为神经网络各个神经元(1,2,...m)的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度。基于该网络模型,在第k次迭代时,神经网络补偿项的控制输出为:
其中,为神经网络各个神经元(1,2,...m)的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度,为第k次迭代的权值估计结果,为第k次迭代的中心估计结果,为第k次迭代的宽度估计结果,ε为逼近偏差,为第k次迭代隐含层激活函数估计值。
其中,ψj为第j个激活函数,cj为第j个隐含层神经元中心,bj为第j个隐含层神经元宽度。
其中,小于某一固定边界值,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数,为第k次迭代的权值估计结果,为第k次迭代的权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,为第k次迭代隐含层激活函数估计值;
步骤3:通过Lyapunov直接方法构建迭代能量函数,并计算相邻迭代能量函数之间的差值,构建相邻迭代能量函数约束条件,根据相邻迭代能量函数约束条件,进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新;
步骤3所述构建建立次迭代能量函数:
其中,Vk(t)表示第k次迭代能量函数,γc为中心迭代学习率,γb为宽度迭代学习率,Φ-1为学习率对角矩阵的逆,Ms为动子质量,pk为第k次迭代切换函数,为第k次迭代干扰估计偏差,为第k+1次迭代权值估计偏差,为第k+1次迭代宽度估计偏差,为第k+1次迭代宽度估计偏差转置,为第k+1次迭代中心点估计偏差,为第k+1次迭代中心点估计偏差的转置,tr()为矩阵的迹;
步骤3所述计算相邻迭代能量函数之间的差值ΔVk,具体过程为:
其中,表示相邻迭代能量函数之间的差值,Ms为动子质量,pk为第k次迭代切换函数,pk-1为第k-1次迭代切换函数;γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ms为动子质量,为第k次迭代干扰估计偏差,为第k次迭代权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,pk为第k次迭代切换函数,为第k次迭代的权重估计结果,为第k次迭代隐含层激活函数,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数;
权值估计误差能量函数相邻两次迭代k与(k+1)次之间的差值表示为:
其中,
步骤3所述相邻迭代能量函数约束条件为:ΔVk≤0;
步骤3所述鲁棒控制项的更新:
步骤3所述迭代神经网络项的更新为:
其中,γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数。该学习律通过不断重复跟踪轨迹,迭代调整神经网络权值及神经网络参数;
步骤3所述迭代估计补偿量的更新为:
其中,pk为第k次迭代切换函数,为第k次迭代的权重估计结果,为第k次迭代隐含层激活函数,Φ为学习率对角矩阵,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数,γc为中心迭代学习率,γb为宽度迭代学习率。
因此,可以看出相邻两次迭代的Lyapunov函数Vk的差值为负,通过迭代Vk会不断减小,由于Vk≥0,因此误差最终会收敛为0,同时,系统中的信号都是有界的,保证了系统的稳定性。
将提出的控制策略应用于时间磁悬浮平面电机系统的具体过程:
首先需要确定参考轨迹,该参考轨迹必须为连续可导。神经网络的初始连接权值w=0,神经元数量m=9,控制参数c1=20,c2=100,γc=20,γb=100。为了验证控制方法的有效性,在存在外部干扰的情况下,如图4所示,使磁悬浮系统系统跟踪正弦轨迹xd=sin(πt)(mm)。
控制策略的实际控制效果如图4所示。根据跟踪误差的变化可以看出,随着不断的迭代学习,使得神经网络的逼近精度不断提高,因此磁悬浮系统的跟踪误差不断减小,经过有限次数的迭代后,实际磁悬浮系统的运动轨迹已经非常接近参考轨迹,跟踪均方根误差小于0.0036mm,最大绝对值误差小于0.0122mm。
在系统存在外部干扰的情况下,经过迭代学习后,位置跟踪误差显著减小,相比已有的自适应神经网络控制方法,本发明具有更高的跟踪精度,证明了控制策略的有效性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法,其特征在于,包括以下步骤:
步骤1:针对磁悬浮的X方向,建立系统动力学模型;
步骤2:根据系统动力学模型结合期望运动轨迹构建切换函数,对切换函数求导得到切换函数导数模型,将系统动力学模型带入切换函数导数可得系统动力学模型的转换表达式,通过系统动力学模型的转换表达式设计迭代神经网络鲁棒控制器,构建相应的RBF神经网络,进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项;
步骤3:通过Lyapunov直接方法构建迭代能量函数,并计算相邻迭代能量函数之间的差值,构建相邻迭代能量函数约束条件,根据相邻迭代能量函数约束条件,进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新;
步骤2所述切换函数,定义为:
e=xd-x
其中,c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,t为时间,为x方向速度误差,e为x方向位置误差,xd为x方向参考轨迹,x为系统x方向位置,为系统x方向参考轨迹速度,为系统x方向系统实际速度;
步骤2所述切换函数导数模型,定义为:
步骤2所述系统动力学模型的转换表达式,定义为:
步骤2第k次迭代时的迭代神经网络鲁棒控制器,定义为:
其中,为第k次迭代时自适应鲁棒控制输出,为第k次迭代时神经网络控制输出,Ms为动子质量,为x方向参考加速度,为第k次迭代x方向速度误差,ek为第k次迭代x方向位置误差c1为x方向切换面第一设计参数,c2为x方向切换面第二设计参数,为第k次迭代时线性反馈且ηs为反馈增益,pk为第k次迭代切换函数,第k次迭代时为鲁棒反馈项,为第k次迭代时干扰自适应估计项,用于补偿系统的非重复性随机干扰Δd;
步骤2所述构建相应的RBF神经网络,具体为:
其中,m为隐含层神经元数量,ψ=[ψ1,...,ψm]T为隐含层激活函数,可表示为:
其中,z为隐含层激活函数输入,隐含层神经元中心c=[c1,...,cm]T,cj为第j个隐含层神经元中心,隐含层神经元宽度b=[b1,...,bm]T,bj为第j个隐含层神经元宽度,为神经网络各个神经元的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度;
其中,为神经网络各个神经元的最优连接权值,c*为最优的神经网络中心,b*为最优的神经网络宽度,为第k次迭代的权值估计结果,为第k次迭代的中心估计结果,为第k次迭代的宽度估计结果,ε为逼近偏差,为第k次迭代隐含层激活函数估计值;
其中,ψj为第j个激活函数,cj为第j个隐含层神经元中心,bj为第j个隐含层神经元宽度;
其中,小于某一固定边界值,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数,为第k次迭代的权值估计结果,为第k次迭代的权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,为第k次迭代隐含层激活函数估计值;
步骤3所述构建迭代能量函数:
其中,Vk(t)表示第k次迭代能量函数,γc为中心迭代学习率,γb为宽度迭代学习率,Φ-1为学习率对角矩阵的逆,Ms为动子质量,pk为第k次迭代切换函数,为第k次迭代干扰估计偏差,为第k+1次迭代权值估计偏差,为第k+1次迭代宽度估计偏差,为第k+1次迭代宽度估计偏差转置,为第k+1次迭代中心点估计偏差,为第k+1次迭代中心点估计偏差的转置,tr()为矩阵的迹;
步骤3所述计算相邻迭代能量函数之间的差值ΔVk,具体过程为:
其中,表示相邻迭代能量函数之间的差值,Ms为动子质量,pk为第k次迭代切换函数,pk-1为第k-1次迭代切换函数;γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ms为动子质量,为第k次迭代干扰估计偏差,为第k次迭代权值估计偏差,为第k次迭代宽度估计偏差,为第k次迭代中心点估计偏差,pk为第k次迭代切换函数,为第k次迭代的权重估计结果,为第k次迭代隐含层激活函数,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数;
权值估计误差能量函数相邻两次迭代k与k+1次之间的差值表示为:
其中,
步骤3所述相邻迭代能量函数约束条件为:ΔVk≤0;
步骤3所述鲁棒控制项的更新:
步骤3所述迭代神经网络项的更新为:
其中,γc为中心迭代学习率,γb为宽度迭代学习率,Φ为学习率对角矩阵,Ak为第k次迭代中心系数,Bk为第k次迭代宽度系数;该学习律通过不断重复跟踪轨迹,迭代调整神经网络权值及神经网络参数;
步骤3所述迭代估计补偿量的更新为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562932.5A CN113110069B (zh) | 2021-05-24 | 2021-05-24 | 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562932.5A CN113110069B (zh) | 2021-05-24 | 2021-05-24 | 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113110069A CN113110069A (zh) | 2021-07-13 |
CN113110069B true CN113110069B (zh) | 2022-03-15 |
Family
ID=76722986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562932.5A Expired - Fee Related CN113110069B (zh) | 2021-05-24 | 2021-05-24 | 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110069B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703319B (zh) * | 2021-08-26 | 2023-07-28 | 合肥工业大学 | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218097A1 (zh) * | 2018-05-14 | 2019-11-21 | Lu Shan | 汽车爆胎安全稳定控制系统 |
CN111949038A (zh) * | 2020-08-26 | 2020-11-17 | 华中科技大学 | 一种考虑迭代滑模的移动机器人解耦控制方法 |
CN112269317A (zh) * | 2020-11-04 | 2021-01-26 | 天津大学 | 一种基于扩展卡尔曼滤波器的双边遥操作控制方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110264335A1 (en) * | 2010-04-22 | 2011-10-27 | Nmhg Oregon, Llc | Robust control for engine anti-stall |
US9988047B2 (en) * | 2013-12-12 | 2018-06-05 | Magna Electronics Inc. | Vehicle control system with traffic driving control |
DE102015204258A1 (de) * | 2015-03-10 | 2016-09-15 | Robert Bosch Gmbh | Verfahren zum Ermitteln einer Schaltfunktion für einen Sliding Mode Regler und Sliding Mode Regler |
CN104932259A (zh) * | 2015-05-20 | 2015-09-23 | 南京理工大学 | 一种电液位置伺服系统的增益自调节的超螺旋滑模控制方法 |
US20210136515A1 (en) * | 2015-07-17 | 2021-05-06 | Feng Zhang | Method, apparatus, and system for wireless monitoring with motion localization |
CN106250931A (zh) * | 2016-08-03 | 2016-12-21 | 武汉大学 | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 |
IL264661B (en) * | 2016-09-05 | 2022-06-01 | Mycrops Tech Ltd | System and method for characterizing cannabis plants |
CN108563123B (zh) * | 2018-04-16 | 2021-04-06 | 东南大学 | 直线电机x-y的自适应迭代学习鲁棒控制系统及设计方法 |
WO2020167291A1 (en) * | 2019-02-12 | 2020-08-20 | Siemens Aktiengesellschaft | Computerized system and method configured with hierarchical constraints to ensure safe operation of an autonomous machine |
CN110949366B (zh) * | 2019-11-08 | 2022-04-26 | 江苏大学 | 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 |
CN111506991B (zh) * | 2020-04-08 | 2022-04-29 | 武汉大学 | 磁悬浮转台磁力建模方法、系统及存储介质 |
CN111522243A (zh) * | 2020-05-20 | 2020-08-11 | 河北工业大学 | 一种五自由度上肢外骨骼系统鲁棒迭代学习控制策略 |
CN111608868B (zh) * | 2020-05-27 | 2021-03-26 | 上海海事大学 | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 |
US20210056419A1 (en) * | 2020-10-13 | 2021-02-25 | Firpo Wycoff Carr | Method for Training a Deep Neural Network for Recognition of Emergency Non-Blood Treatment Alternatives to Blood Transfusion in the Jehovah's Witness Patient |
-
2021
- 2021-05-24 CN CN202110562932.5A patent/CN113110069B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218097A1 (zh) * | 2018-05-14 | 2019-11-21 | Lu Shan | 汽车爆胎安全稳定控制系统 |
CN111949038A (zh) * | 2020-08-26 | 2020-11-17 | 华中科技大学 | 一种考虑迭代滑模的移动机器人解耦控制方法 |
CN112269317A (zh) * | 2020-11-04 | 2021-01-26 | 天津大学 | 一种基于扩展卡尔曼滤波器的双边遥操作控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113110069A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN113110048B (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 | |
CN111872937B (zh) | 一种任务空间中不确定机械臂的控制方法 | |
CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
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 | |
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 | |
CN111880409A (zh) | 一种基于数据驱动的自主水下航行器轨迹跟踪控制方法 | |
CN112859618B (zh) | 一种多自由度磁悬浮平面电机自适应学习滑模控制方法 | |
CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
CN114545864A (zh) | 一种电液伺服系统摩擦补偿控制方法 | |
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 | |
CN110888320B (zh) | 基于双电动缸同步运动误差建模的自适应鲁棒控制方法 | |
CN109995278B (zh) | 一种考虑输入受限的电机伺服系统自调节控制方法 | |
CN109324503B (zh) | 基于鲁棒积分的多层神经网络电机系统控制方法 | |
CN116360258A (zh) | 基于固定时间收敛的高超声速变形飞行器抗干扰控制方法 | |
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 | |
CN115236987A (zh) | 一种基于误差跟踪的磁悬浮工作台迭代学习鲁棒控制方法 | |
CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 | |
CN114637318A (zh) | 一种高超声速飞行器滑模控制方法 | |
CN114660942A (zh) | 一种复合式直升机全模式自适应控制方法 | |
CN111776250B (zh) | 基于干涉神经网络的航天器组合体误差补偿控制方法 | |
Tan et al. | Constrained adaptive neural control for air-breathing hypersonic vehicles without backstepping | |
CN114488818B (zh) | 一种pid控制系统的设定点迭代学习优化方法 | |
Ma et al. | Missile IGC Based on Improved Model Predictive Control and Sliding Mode Observer |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220315 |