CN116774585B - 一种纳米精度运动台学习控制系统及方法 - Google Patents
一种纳米精度运动台学习控制系统及方法 Download PDFInfo
- Publication number
- CN116774585B CN116774585B CN202310751744.6A CN202310751744A CN116774585B CN 116774585 B CN116774585 B CN 116774585B CN 202310751744 A CN202310751744 A CN 202310751744A CN 116774585 B CN116774585 B CN 116774585B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency domain
- motion
- feedforward
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000002474 experimental method Methods 0.000 claims abstract description 17
- 230000009191 jumping Effects 0.000 claims abstract description 5
- 101100173586 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft2 gene Proteins 0.000 claims description 10
- 101100173585 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft1 gene Proteins 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000001259 photo etching Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
一种纳米精度运动台学习控制系统及方法,涉及一种运动台控制系统及方法。闭环反馈部分包括运动轨迹生成器、反馈控制器、运动台及傅里叶变换器一,前馈部分包括傅里叶变换器二、学习控制器、迭代后移算子及傅里叶逆变换器。迭代实验次数j赋初值为j=1,第j次频域前馈信号赋初值为0;运行系统采集频域误差信号和频域位置测量信号;更新第j+1次频域前馈信号;迭代实验次数j值加1,跳转至步骤二。能够有效抑制外部噪声和扰动的影响,提高收敛性能,而且计算量较少,学习增益确定简单,鲁棒性强,便于工程应用。
Description
技术领域
本发明涉及一种运动台控制系统及方法,尤其是一种纳米精度运动台学习控制系统及方法,属于超精密装备制造技术领域。
背景技术
随着高产量、高品质的生产需求,对超精密装备的性能也提出了越来越苛刻的需求,以超精密光刻装备为例,运动台由加速段过渡到匀速扫描段的调整时间越短,意味着单位时间内芯片的产量越高;而匀速扫描阶段的运动误差越低,光刻过程所能允许的芯片最小特征尺寸越小,芯片品质越高。对控制性能的苛刻需求已迫使反馈控制带宽逼近一阶机械柔性模态,但受限于机械加工工艺,机械柔性模态难以进一步提高,使得反馈控制带宽有限,限制了控制性能的进一步提升。
高端数控机床、光刻机、流水线机器人等高端制造装备由于运动过程的重复性,常常采用基于迭代学习的前馈控制方法辅助反馈控制来克服传统反馈控制的缺陷,其基本思想是对之前运动过程产生的控制量和控制误差信息进行学习,来调整当前运动所需的控制量,通过不断学习逐步减少运动误差。然而现有迭代学习控制方法一般工作在时域,学习增益一般为一个高维矩阵,学习算法计算量较大,不便于实际应用。并且迭代学习控制中的学习增益一般基于逆模型来设计,需要复杂繁琐的建模过程;基于数据驱动的方法在迭代过程中通过测量数据来估计逆模型,而现有方法的模型估计精度对外部扰动和测量噪声比较敏感,会影响最终的收敛性能。
发明内容
为了解决现有超精密装备中采用的基于模型的迭代学习控制方法对外部随机噪声较为敏感,而基于数据的迭代学习控制方法无法消除外部往复性扰动对模型估计精度的影响,导致控制性能有限的问题,本发明提供一种纳米精度运动台学习控制系统及方法,它能够有效抑制外部噪声和扰动的影响,提高收敛性能,而且计算量较少,学习增益确定简单,鲁棒性强,便于工程应用。
为实现上述目的,本发明采取下述技术方案:
一种纳米精度运动台学习控制系统,包括闭环反馈部分Sfb以及前馈部分Sff;
所述闭环反馈部分Sfb包括运动轨迹生成器Cr、反馈控制器Cfb、运动台P及傅里叶变换器一Cfft1,所述运动轨迹生成器Cr生成期望运动轨迹r(t),所述期望运动轨迹r(t)与位置测量信号yj(t)相减得到运动误差信号ej(t),所述运动误差信号ej(t)与前馈信号uff,j(t)相加得到反馈输入信号efb,j(t),所述反馈输入信号efb,j(t)经过所述反馈控制器Cfb得到反馈控制信号ufb,j(t),所述反馈控制信号ufb,j(t)与扰动信号dj(t)相加得到总控制信号uall,j(t),所述总控制信号uall,j(t)经过所述运动台P产生实际位置信号yp,j(t),所述实际位置信号yp,j(t)与测量噪声信号vj(t)相加得到位置测量信号yj(t),所述位置测量信号yj(t)经过所述傅里叶变换器一Cfft1得到频域位置测量信号γj(w);
所述前馈部分Sff包括傅里叶变换器二Cfft2、学习控制器CILC、迭代后移算子Cz及傅里叶逆变换器Cifft,所述傅里叶变换器二Cfft2接收运动误差信号ej(t)并得到频域误差信号ζj(w),所述频域误差信号ζj(w)与第j次频域前馈信号μff,j(w)共同输入给所述学习控制器CILC后得到第j+1次频域前馈信号μff,j+1(w),所述第j+1次频域前馈信号μff,j+1(w)经过所述迭代后移算子Cz产生第j次频域前馈信号μff,j(w),所述第j次频域前馈信号μff,j(w)经过所述傅里叶逆变换器Cifft产生所述前馈信号uff,j(t);
上述,下标j表示迭代实验次数,j≥1,t表示时间,w表示频率。
一种纳米精度运动台学习控制方法,通过频域迭代学习方法设计学习控制器CILC,从而确定第j+1次频域前馈信号μff,j+1(w)、第j次频域前馈信号μff,j(w)和频域误差信号ζj(w)之间的迭代关系,包括以下步骤:
步骤一:迭代实验次数j赋初值为j=1,第j次频域前馈信号μff,j(w)赋初值为0;
步骤二:由第j次频域前馈信号μff,j(w)经过傅里叶逆变换器Cifft产生前馈信号uff,j(t),运行闭环反馈部分Sfb,采集运动误差信号ej(t)和频域位置测量信号γj(w),运动误差信号ej(t)经过傅里叶变换器二Cfft2得到频域误差信号ζj(w),若运动误差信号ej(t)满足控制误差要求或迭代实验次数j到达设定的最大值,则停止迭代,否则继续如下步骤;
步骤三:采用基于模型的方式更新第j+1次频域前馈信号μff,j+1(w):
μff,j+1(w)=μff,j(w)+ρjL(w)ζj(w)
其中,L(w)为学习增益,为学习系数,βj按如下方式确定:
其中,β1≥1,χ为条件函数,当(Ej)TEj-1<0时,χ=1,否则χ=0,Ej=[ej(0)ej(1)ej(2)...ej(N-1)]T,N为采样点个数;
步骤四:迭代实验次数j值加1,跳转至步骤二。
与现有技术相比,本发明的有益效果是:传统迭代学习控制方法对外部噪声和扰动较为敏感,鲁棒性较差,而本发明从频域角度提供了一种纳米精度运动台学习控制系统及方法,在基于模型的学习控制中引入自适应机制以削弱外部随机噪声的影响,在基于数据的学习控制中使用差分方式估计逆模型,能够有效抑制外部噪声和扰动的影响,从而提高收敛性能,通过有限次迭代可显著减少运动误差,而且计算量较少,学习增益确定简单,对外部噪声和扰动的鲁棒性较强,采用频域方法计算前馈信号,建模代价较小,可以通过完全数据驱动的方式对控制量进行更新实现纳米级控制精度,便于工程应用。
附图说明
图1是本发明学习控制系统的拓扑图;
图2是实施例仿真中运动台的期望运动轨迹;
图3是实施例仿真中基于模型的学习控制方法的效果图;
图4是实施例仿真中基于数据的学习控制方法的效果图;
图5是实施例仿真中基于模型的学习控制方法与现有方法的结果对比图;
图6是实施例仿真中基于数据的学习控制方法与现有方法的结果对比图。
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,所描述的实施例仅是发明的一部分实施例,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。
如图1所示,一种纳米精度运动台学习控制系统,包括闭环反馈部分Sfb以及前馈部分Sff;
所述闭环反馈部分Sfb包括运动轨迹生成器Cr、反馈控制器Cfb、运动台P及傅里叶变换器一Cfft1,所述运动轨迹生成器Cr生成期望运动轨迹r(t),所述期望运动轨迹r(t)与位置测量信号yj(t)相减得到运动误差信号ej(t),所述运动误差信号ej(t)与前馈信号uff,j(t)相加得到反馈输入信号efb,j(t),所述反馈输入信号efb,j(t)经过所述反馈控制器Cfb得到反馈控制信号ufb,j(t),所述反馈控制信号ufb,j(t)与扰动信号dj(t)相加得到总控制信号uall,j(t),所述总控制信号uall,j(t)经过所述运动台P产生实际位置信号yp,j(t),所述实际位置信号yp,j(t)与测量噪声信号vj(t)相加得到位置测量信号yj(t),所述位置测量信号yj(t)经过所述傅里叶变换器一Cfft1得到频域位置测量信号γj(w);
所述前馈部分Sff包括傅里叶变换器二Cfft2、学习控制器CILC、迭代后移算子Cz及傅里叶逆变换器Cifft,所述傅里叶变换器二Cfft2接收运动误差信号ej(t)并得到频域误差信号ζj(w),所述频域误差信号ζj(w)与第j次频域前馈信号μff,j(w)共同输入给所述学习控制器CILC后得到第j+1次频域前馈信号μff,j+1(w),所述第j+1次频域前馈信号μff,j+1(w)经过所述迭代后移算子Cz产生第j次频域前馈信号μff,j(w),所述第j次频域前馈信号μff,j(w)经过所述傅里叶逆变换器Cifft产生所述前馈信号uff,j(t);
上述,下标j表示迭代实验次数,j≥1,t表示时间,w表示频率。
如图1所示,一种纳米精度运动台学习控制方法,通过频域迭代学习方法设计学习控制器CILC,从而确定第j+1次频域前馈信号μff,j+1(w)、第j次频域前馈信号μff,j(w)和频域误差信号ζj(w)之间的迭代关系,包括以下步骤:
步骤一:迭代实验次数j赋初值为j=1,第j次频域前馈信号μff,j(w)赋初值为0;
步骤二:由第j次频域前馈信号μff,j(w)经过傅里叶逆变换器Cifft产生前馈信号uff,j(t),运行闭环反馈部分Sfb,采集运动误差信号ej(t)和频域位置测量信号γj(w),运动误差信号ej(t)经过傅里叶变换器二Cfft2得到频域误差信号ζj(w),若运动误差信号ej(t)满足控制误差要求或迭代实验次数j到达设定的最大值,则停止迭代,否则继续如下步骤;
步骤三:采用基于模型的方式更新第j+1次频域前馈信号μff,j+1(w):
μff,j+1(w)=μff,j(w)+ρjL(w)ζj(w)
其中,L(w)为学习增益,为学习系数,βj按如下方式确定:
其中,β1≥1,χ为条件函数,当(Ej)TEj-1<0时,χ=1,否则χ=0,Ej=[ej(0)ej(1)ej(2)...ej(N-1)]T,N为采样点个数。
学习增益L(w)采用如下方式确定:
当运动台P与反馈控制器Cfb的频域模型已知时,其中,P(w)为运动台P的频域模型,Cfb(w)为反馈控制器Cfb的频域模型;
当运动台P与反馈控制器Cfb的频域模型未知时,采用扫频方式在步骤一之前确定L(w):前馈信号uff,j(t)置为零,利用运动轨迹生成器Cr生成白噪声信号rn(t),所述白噪声信号rn(t)的信号长度与期望运动轨迹r(t)的长度相同,运行闭环反馈部分Sfb,采集白噪声信号下的频域位置测量信号γn(w),其中,rn(w)为白噪声信号rn(t)经傅里叶变换之后得到的频域信号,得到L(w)之后利用运动轨迹生成器Cr生成期望运动轨迹r(t),然后再开始步骤一。
步骤四:迭代实验次数j值加1,跳转至步骤二。
此外,如果运动台P和/或反馈控制器Cfb的频域模型未知,且无法进行扫频实验时,步骤三可采用基于数据的方式更新第j+1次频域前馈信号μff,j+1(w):
其中,0<σj≤1,r(w)为期望运动轨迹r(t)经傅里叶变换之后得到的频域信号。
实施例
该实施例中,运动轨迹生成器Cr为5阶S形运动轨迹生成器,生成运动台P的期望运动轨迹r(t)结合图2所示,反馈控制器Cfb、运动台P的数学模型Cfb(s)、P(s)分别如下:
其中,s表示拉普拉斯算子,将s替换为iw,i为虚数单位,即可得到反馈控制器Cfb、运动台P的频域模型Cfb(w)、P(w)。
测量噪声信号vj(t)是方差为0.1×10-9均值为0的白噪声信号,扰动信号dj(t)是与实际位置信号yp,j(t)成周期关系的信号,用于模拟实际场景中存在的线缆力扰动、执行器力矩波动等扰动力。
通过频域迭代学习方法设计学习控制器CILC,通过迭代实验修正前馈信号uff,j(t),从而逐步减少运动误差信号ej(t),具体如下:
步骤一:迭代实验次数j赋初值为j=1,第j次频域前馈信号μff,j(w)赋初值为0,此时相当于前馈信号uff,j(t)为零,前馈部分Sff不起作用,学习控制系统仅由闭环反馈部分Sfb组成;
步骤二:由第j次频域前馈信号μff,j(w)经过傅里叶逆变换器Cifft产生前馈信号uff,j(t),运行闭环反馈部分Sfb,采集运动误差信号ej(t)和频域位置测量信号γj(w),运动误差信号ej(t)经过傅里叶变换器二Cfft2得到频域误差信号ζj(w),若运动误差信号ej(t)满足控制误差要求或迭代实验次数j到达设定的最大值,则停止迭代,否则继续如下步骤,该实施例中将最大迭代次数设为50;
步骤三:采用基于模型的方式更新第j+1次频域前馈信号μff,j+1(w):
μff,j+1(w)=μff,j(w)+ρjL(w)ζj(w)
其中,L(w)为学习增益,为学习系数,βj按如下方式确定:
其中,β1≥1,χ为条件函数,当(Ej)TEj-1<0时,χ=1,否则χ=0,Ej=[ej(0)ej(1)ej(2)...ej(N-1)]T,N为采样点个数,该实施例中取β1=1.5;
分别通过基于模型和基于数据的两种方式进行仿真,具体如下:
1)基于模型的方式,运动台P与反馈控制器Cfb的频域模型已知时,学习增益其中,P(w)为运动台P的频域模型,Cfb(w)为反馈控制器Cfb的频域模型。
由于实际场景下,P(w)不能够精确已知,该实施例中使用P(w)的近似模型如下:
2)基于数据的方式,运动台P和/或反馈控制器Cfb的频域模型未知,且无法进行扫频实验时,更新第j+1次频域前馈信号μff,j+1(w):
其中,0<σj≤1,r(w)为期望运动轨迹r(t)经傅里叶变换之后得到的频域信号,该实施例中取σj=0.9;
步骤四:迭代实验次数j值加1,跳转至步骤二。
最终,基于模型方式的仿真结果结合图3所示,基于数据方式的仿真结果结合图4所示,可以看出,经过多次迭代,本发明中基于模型的学习控制方法与基于数据的学习控制方法均可以使运动误差大幅度降低,可由微米量级降至纳米量级。
将本发明基于模型的学习控制方法与现有基于模型的频域学习控制方法进行对比,结合图5所示,可以看出本发明方法在第10次迭代实验之后相比现有方法可以进一步减少运动误差,这主要由于本发明设计了自适应的学习增益,可以进一步较少外部随机噪声对学习控制效果的影响。
将本发明基于数据的学习控制方法与现有基于数据的频域学习控制方法进行对比,结合图6所示,可以看出本发明即使不使用模型信息仍然可以大幅较少运动误差,而且相比现有方法,在外部周期性扰动作用下,可实现更小的运动误差,这主要是由于本发明采用了差分方式,可以减少周期性扰动对学习增益估计精度的影响。
综合图3~图6所示结果,可以看出,在随机噪声和外部扰动作用下,本发明相比现有方法可以实现更高的控制精度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的装体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种纳米精度运动台学习控制系统,其特征在于:包括闭环反馈部分Sfb以及前馈部分Sff;
所述闭环反馈部分Sfb包括运动轨迹生成器Cr、反馈控制器Cfb、运动台P及傅里叶变换器一Cfft1,所述运动轨迹生成器Cr生成期望运动轨迹r(t),所述期望运动轨迹r(t)与位置测量信号yj(t)相减得到运动误差信号ej(t),所述运动误差信号ej(t)与前馈信号uff,j(t)相加得到反馈输入信号efb,j(t),所述反馈输入信号efb,j(t)经过所述反馈控制器Cfb得到反馈控制信号ufb,j(t),所述反馈控制信号ufb,j(t)与扰动信号dj(t)相加得到总控制信号uall,j(t),所述总控制信号uall,j(t)经过所述运动台P产生实际位置信号yp,j(t),所述实际位置信号yp,j(t)与测量噪声信号vj(t)相加得到位置测量信号yj(t),所述位置测量信号yj(t)经过所述傅里叶变换器一Cfft1得到频域位置测量信号γj(w);
所述前馈部分Sff包括傅里叶变换器二Cfft2、学习控制器CILC、迭代后移算子Cz及傅里叶逆变换器Cifft,所述傅里叶变换器二Cfft2接收运动误差信号ej(t)并得到频域误差信号ζj(w),所述频域误差信号ζj(w)与第j次频域前馈信号μff,j(w)共同输入给所述学习控制器CILC后得到第j+1次频域前馈信号μff,j+1(w),所述第j+1次频域前馈信号μff,j+1(w)经过所述迭代后移算子Cz产生第j次频域前馈信号μff,j(w),所述第j次频域前馈信号μff,j(w)经过所述傅里叶逆变换器Cifft产生所述前馈信号uff,j(t);
上述,下标j表示迭代实验次数,j≥1,t表示时间,w表示频率。
2.一种纳米精度运动台学习控制方法,其特征在于:根据权利要求1所述的系统,通过频域迭代学习方法设计学习控制器CILC,从而确定第j+1次频域前馈信号μff,j+1(w)、第j次频域前馈信号μff,j(w)和频域误差信号ζj(w)之间的迭代关系,其控制方法包括以下步骤:
步骤一:迭代实验次数j赋初值为j=1,第j次频域前馈信号μff,j(w)赋初值为0;
步骤二:由第j次频域前馈信号μff,j(w)经过傅里叶逆变换器Cifft产生前馈信号uff,j(t),运行闭环反馈部分Sfb,采集运动误差信号ej(t)和频域位置测量信号γj(w),运动误差信号ej(t)经过傅里叶变换器二Cfft2得到频域误差信号ζj(w),若运动误差信号ej(t)满足控制误差要求或迭代实验次数j到达设定的最大值,则停止迭代,否则继续如下步骤;
步骤三:采用基于模型的方式更新第j+1次频域前馈信号μff,j+1(w):
μff,j+1(w)=μff,j(w)+ρjL(w)ζj(w)
其中,L(w)为学习增益,为学习系数,βj按如下方式确定:
其中,β1≥1,χ为条件函数,当(Ej)TEj-1<0时,χ=1,否则χ=0,Ej=[ej(0)ej(1)ej(2)...ej(N-1)]T,N为采样点个数;
步骤四:迭代实验次数j值加1,跳转至步骤二。
3.根据权利要求2所述的控制方法,其特征在于:所述步骤三中学习增益L(w)采用如下方式确定:
当运动台P与反馈控制器Cfb的频域模型已知时,其中,P(w)为运动台P的频域模型,Cfb(w)为反馈控制器Cfb的频域模型;
当运动台P与反馈控制器Cfb的频域模型未知时,采用扫频方式在步骤一之前确定L(w):前馈信号uff,j(t)置为零,利用运动轨迹生成器Cr生成白噪声信号rn(t),所述白噪声信号rn(t)的信号长度与期望运动轨迹r(t)的长度相同,运行闭环反馈部分Sfb,采集白噪声信号下的频域位置测量信号γn(w),其中,rn(w)为白噪声信号rn(t)经傅里叶变换之后得到的频域信号,得到L(w)之后利用运动轨迹生成器Cr生成期望运动轨迹r(t),然后再开始步骤一。
4.根据权利要求2所述的控制方法,其特征在于:所述步骤三中如运动台P和/或反馈控制器Cfb的频域模型未知,且无法进行扫频实验时,采用基于数据的方式更新第j+1次频域前馈信号μff,j+1(w):
其中,0<σj≤1,r(w)为期望运动轨迹r(t)经傅里叶变换之后得到的频域信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751744.6A CN116774585B (zh) | 2023-06-25 | 2023-06-25 | 一种纳米精度运动台学习控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751744.6A CN116774585B (zh) | 2023-06-25 | 2023-06-25 | 一种纳米精度运动台学习控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774585A CN116774585A (zh) | 2023-09-19 |
CN116774585B true CN116774585B (zh) | 2023-11-14 |
Family
ID=87985547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310751744.6A Active CN116774585B (zh) | 2023-06-25 | 2023-06-25 | 一种纳米精度运动台学习控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774585B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707577A (zh) * | 2012-05-23 | 2012-10-03 | 哈尔滨工业大学 | 宏微双机构伺服控制系统及其控制方法 |
CN103293958A (zh) * | 2013-05-30 | 2013-09-11 | 浙江工业大学 | 一种储纬器间歇储纬过程的迭代学习速度控制方法 |
CN104503244A (zh) * | 2014-12-29 | 2015-04-08 | 中国科学技术大学 | 基于非重复性扰动观测器的精密定位选择性ilc系统及方法 |
CN113031439A (zh) * | 2021-03-01 | 2021-06-25 | 哈尔滨工业大学 | 一种双运动台精密协同控制系统及方法 |
CN113485123A (zh) * | 2021-08-10 | 2021-10-08 | 哈尔滨工业大学 | 一种小行程纳米级运动台的频域自适应迭代学习控制方法 |
CN113759721A (zh) * | 2021-09-02 | 2021-12-07 | 大连交通大学 | 一种永磁同步电动机l1自适应迭代学习控制方法 |
JP2022132711A (ja) * | 2021-03-01 | 2022-09-13 | 国立大学法人 名古屋工業大学 | Frf同定システム、frf同定方法及びilcアルゴリズム |
CN116256973A (zh) * | 2022-12-26 | 2023-06-13 | 哈尔滨工业大学 | 一种宏微冗余驱动运动台协同控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5279299B2 (ja) * | 2008-02-29 | 2013-09-04 | キヤノン株式会社 | 反復学習制御回路を備える位置制御装置、露光装置及びデバイス製造方法 |
-
2023
- 2023-06-25 CN CN202310751744.6A patent/CN116774585B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707577A (zh) * | 2012-05-23 | 2012-10-03 | 哈尔滨工业大学 | 宏微双机构伺服控制系统及其控制方法 |
CN103293958A (zh) * | 2013-05-30 | 2013-09-11 | 浙江工业大学 | 一种储纬器间歇储纬过程的迭代学习速度控制方法 |
CN104503244A (zh) * | 2014-12-29 | 2015-04-08 | 中国科学技术大学 | 基于非重复性扰动观测器的精密定位选择性ilc系统及方法 |
CN113031439A (zh) * | 2021-03-01 | 2021-06-25 | 哈尔滨工业大学 | 一种双运动台精密协同控制系统及方法 |
JP2022132711A (ja) * | 2021-03-01 | 2022-09-13 | 国立大学法人 名古屋工業大学 | Frf同定システム、frf同定方法及びilcアルゴリズム |
CN113485123A (zh) * | 2021-08-10 | 2021-10-08 | 哈尔滨工业大学 | 一种小行程纳米级运动台的频域自适应迭代学习控制方法 |
CN113759721A (zh) * | 2021-09-02 | 2021-12-07 | 大连交通大学 | 一种永磁同步电动机l1自适应迭代学习控制方法 |
CN116256973A (zh) * | 2022-12-26 | 2023-06-13 | 哈尔滨工业大学 | 一种宏微冗余驱动运动台协同控制系统及方法 |
Non-Patent Citations (9)
Title |
---|
Accelerated Convergence Interleaving Iterative Learning Control and Inverse Dynamics Identification;Cheng-Wei Chen etal.;《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》;第45-56页 * |
Adaptive Learning Control with Extended Bandwidth for Synchronization Motion Stages;Pengyu Sun etal.;《2023 IEEE 12th Data Driven Control and Learning Systems Conference》;第1793-1798页 * |
Feng Zhao ; Ling Jie ; Ming Min ; Xiao Xiao-Hui.High-bandwidth and flexible tracking control for precision motion with application to a piezo nanopositioner.《The Review of scientific instruments》.2017,第085107页. * |
Iterative Control Decoupling Tuning by Feedforward Compensation for Precision Motion Stage;Hongyang Zhao etal.;《2023 IEEE 12th Data Driven Control and Learning Systems Conference》;第1812-1817页 * |
Model Inverse Based Iterative Learning Control Using Finite Impulse Response Approximations;Benjamin T. Fine, Sandipan Mishra, Masayoshi Tomizuka;《2009 American Control Conference》;第931-936页 * |
Ohnishi, W ; Strijbosch, N and Oomen, T.State-tracking iterative learning control in frequency domain design for improved intersample behavior.《 INTERNATIONAL JOURNAL OF ROBUST AND NONLINEAR CONTROL 》.2023,第4009-4027页. * |
基于无模型迭代学习的光刻机工件台轨迹跟踪控制;张泽州;《中国优秀硕士学位论文全文数据库 信息科技辑》;第I135-216页 * |
电磁驱动柔顺微定位平台闭环频域逆迭代学习控制;张旭等;《光学精密工程》;第2149-2157页 * |
精密直线电机推力波动前馈补偿方法研究;曹峻;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;第C042-157页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116774585A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319144B (zh) | 一种机器人轨迹跟踪控制方法及系统 | |
Bristow et al. | A survey of iterative learning control | |
Wang et al. | Adaptive integral terminal sliding mode control for automobile electronic throttle via an uncertainty observer and experimental validation | |
CN108303885B (zh) | 一种基于干扰观测器的电机位置伺服系统自适应控制方法 | |
Zou et al. | Preview-based optimal inversion for output tracking: Application to scanning tunneling microscopy | |
CN112318509B (zh) | 一种空间机器人高斯过程轨迹跟踪控制方法 | |
CN110116409B (zh) | 一种基于扰动观测器的四通道遥操作双边控制方法 | |
WO2022160894A1 (zh) | 基于迭代学习的数控机床快速误差补偿控制系统及方法 | |
CN107272409B (zh) | 一种基于迭代学习的直线伺服系统振动抑制方法 | |
CN110703693B (zh) | 一种机床进给系统的迭代学习前馈控制方法及系统 | |
CN110703609A (zh) | 一种电机伺服系统智能运动控制方法 | |
CN111427267B (zh) | 一种采用力与力矩自适应估计的高速飞行器攻角跟踪方法 | |
CN113219907A (zh) | 一种精密运动台扰动力辨识系统与方法 | |
Guo et al. | Asymptotic adaptive tracking control for hypersonic vehicles with guaranteeing multi-performance requirements | |
Kim et al. | Performance tuning of robust motion controllers for high-accuracy positioning systems | |
CN116774585B (zh) | 一种纳米精度运动台学习控制系统及方法 | |
CN111948943A (zh) | 一种柔性机械臂的组合滑模运动控制方法 | |
CN109324503B (zh) | 基于鲁棒积分的多层神经网络电机系统控制方法 | |
CN115556103A (zh) | 一种基于动力学前馈的分数阶阻抗控制器及其设计方法 | |
CN116678605B (zh) | 一种精密运动台质量-阻尼-刚度特性软测量系统及方法 | |
Wang et al. | Fast-update iterative learning control for performance enhancement with application to motion systems | |
Wang et al. | Robust immersion and invariance adaptive control of linear motor system | |
CN112363538A (zh) | 一种速度信息不完备下的auv区域跟踪控制方法 | |
Guo et al. | Robust adaptive iterative learning control for high-speed trains under non-strictly repeated conditions | |
Zhong et al. | Gain-scheduling robust control with guaranteed stability for ball screw drives with uncertain load mass and varying resonant modes |
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 |