CN108614419A - 一种弧形微机电***的自适应神经网络控制方法 - Google Patents

一种弧形微机电***的自适应神经网络控制方法 Download PDF

Info

Publication number
CN108614419A
CN108614419A CN201810263712.0A CN201810263712A CN108614419A CN 108614419 A CN108614419 A CN 108614419A CN 201810263712 A CN201810263712 A CN 201810263712A CN 108614419 A CN108614419 A CN 108614419A
Authority
CN
China
Prior art keywords
formula
indicate
neural network
mems
arc
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
Application number
CN201810263712.0A
Other languages
English (en)
Other versions
CN108614419B (zh
Inventor
罗绍华
李少波
Y·塔德塞
胡建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN201810263712.0A priority Critical patent/CN108614419B/zh
Priority to AU2018100710A priority patent/AU2018100710A4/en
Publication of CN108614419A publication Critical patent/CN108614419A/zh
Application granted granted Critical
Publication of CN108614419B publication Critical patent/CN108614419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明公开了一种弧形微机电***的自适应神经网络控制方法。包括下述步骤：a、基于伯努利梁构建弧形微机电***的***模型；b、构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器；构建时，利用对称障碍Lyapunov函数确保弧形微机电***输出约束不被违反、采用具有自适应律的RBF神经网络以任意小的误差估计未知非线性函数、引入扩张状态跟踪微分器来处理backstepping控制中虚拟控制项需要反复求导的问题、设计状态观测器来获取不可测的状态信息、在backstepping框架下融合扩张状态跟踪微分器和状态观测器。本发明便于稳定分析证明，建模精度要求低、计算复杂度低、运算速度快、***的运行稳定性好和运动精度高的特点。

Description

一种弧形微机电***的自适应神经网络控制方法
技术领域
本发明涉及弧形微机电***，具体涉及一种弧形微机电***的自适应神经网络控制方法。
背景技术
微机电***(MEMS)是集微型传感器、微型执行器、微型能源、信号处理和控制电路、高性能电子集成器件、接口、通信等于一体的复杂微型器件或独立智能***。MEMS技术是一项革命性的新技术，涉及微电子、信息与自动控制、机械学、材料、力学等诸多学科领域，广泛应用于高新技术产业，是一项关系到国家科技发展、经济繁荣和国防安全的关键技术。
非线性因素(诸如建模的不确定性、环境变化、元器件老化、自激振动)不可避免，一旦微机电***发生故障势必引发连锁反应，导致整个装备失效，引起重大的安全事故、经济损失和恶劣的社会影响。由于制造缺陷、外部干扰、滞环以及状态难测等因素的影响，同时微机电***的数学模型存在不确定性，很难获得控制对象的精确模型。弧形微机电***是一个高阶、多场耦合、参数时变的复杂非线性***，现有微机电***的控制方法不能妥善解决弧形微机电***存在输出约束、混沌振荡、状态难测和未知动态时的控制问题。
发明内容
本发明的目的在于，提供一种弧形微机电***的自适应神经网络控制方法。本发明便于稳定分析证明，建模精度要求低、计算复杂度低、运算速度快、***的运行稳定性好和运动精度高的特点。
本发明的技术方案：一种弧形微机电***的自适应神经网络控制方法，包括下述步骤：
a、基于伯努利梁构建弧形微机电***的***模型，得
式(1)中μ,h,α1,β,R,b11表示无量纲参数,q(t)表示状态变量,w0表示频率，u(t)表示控制输入；
b、构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器；构建时，利用对称障碍Lyapunov函数确保弧形微机电***输出约束不被违反、采用具有自适应律的RBF神经网络以任意小的误差估计未知非线性函数、引入扩张状态跟踪微分器来处理backstepping控制中虚拟控制项需要反复求导的问题、设计状态观测器来获取不可测的状态信息、在backstepping框架下融合扩张状态跟踪微分器和状态观测器。
前述的弧形微机电***的自适应神经网络控制方法，定义新变量x1＝q(t)、则步骤a中的***模型式(1)重写为：
式(2)中***输出y满足约束条件，即|y|≤kc1，kc1＞0。
前述的弧形微机电***的自适应神经网络控制方法所述的步骤b中，构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器的过程如下述步骤：
b1、构建状态观测器，表达式如下：
式(3)中表示x＝[x1,x2]T的估计值，通过合理选择K＝[K1,K2]T使得
式(4)属于赫维茨矩阵；
定义状态观测器误差和非线性项则：
其中
选取Lyapunov函数
V0＝ζTPζ (6)
式(6)中P表示正定矩阵，并满足关系式BTP+PB＝-I；
利用杨氏不等式，对V0求导得到
b2、构建自适应神经网络控制器，具体如下：
***模型中的非线性项frbf(X)的估计值由下述RBF神经网络表达式
表达，式(8)中θ＝[θ1,θ2,…,θl]T∈Rl表示权值矢量，l＞1表示神经元的节点数，表示输入矢量，ξ(X)＝[ξ1(X),ξ2(X),…,ξl(X)]T∈Rl，ξi(X)表示高斯基函数，
式(9)中σi表示高斯基函数的宽度，μi＝[μi1,μi2,…,μin]T表示权重因子；
定义第一个误差函数s1＝x1-xr，xr表示参考轨迹，选择对称障碍Lyapunov函数
式(15)中约束条件不被违反；
因状态变量x2不可测，利用状态观测器来估计它的值；
定义第二个误差函数其中α2表示虚拟控制；
对V1求导，则
式(16)中
虚拟控制求得：其中c1＞0；得到
计算的导数
式(18)中
利用RBF神经网络去逼近非线性函数：其中
采取措施减小RBF神经网络的权值矢量数目，利用杨氏不等式，得到
式(19)中表示ψ2(t)的估计值；
采用扩张状态跟踪微分器式(20)得到其α2的导数的估计值
具有非线性函数：
其中βji,j＝1,…,n，i＝1,2表示反馈增益，ηej表示跟踪微分器的误差，δe＞0,αe＞0；
选择Lyapunov函数
式(21)中γ2＞0；
利用扩张状态跟踪微分项来估计V2的时间导数为
由式(20)可知，并存在不等式
把式(18)和式(20)代入式(17)得到
式(23)中
求得实际控制输入u(t)及其自适应律分别为
式(24)或式(25)中c21＞0,c22＞0,m2＞0。
有益效果：与现有技术相比，本发明具有如下优点：本发明的弧形微机电***的自适应神经网络控制方法，利用对称障碍Lyapunov函数来保证弧形微机电***输出约束不被违反，同时便于稳定分析证明；采用具有自适应律的RBF神经网络以任意小的误差估计未知非线性函数，降低了对***精确建模的要求，抑制***参数扰动的影响；通过引入扩张状态跟踪微分器来处理传统backstepping控制中虚拟控制项需要反复求导的问题，降低了计算复杂度并加快运算速度；本发明的控制方法是在backstepping框架下，融合了扩张状态跟踪微分器和状态观测器，该方法降低了状态变量可测及相关物理传感器的要求，抑制了混沌振荡和输出约束对***的影响，提高了***的运行稳定性和运动精度。
附图说明
图1是弧形微机电***的示意图；
图2是不同R值下的相图；
图3是不同R值下的时间历程；
图4是最大Lyapunov指数；
图5是R-x1分岔图；
图6是不同R值下的跟踪性能；
图7是x1和间的观测性能；
图8是x2和间观测性能；
图9是不同R值下的控制输入。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例一种弧形微机电***的自适应神经网络控制方法，包括下述步骤：
a、为了揭示弧形微机电***固有特性和便于设计控制器，利用相图、时间历程、最大Lyapunov指数和分岔图来研究弧形微机电***非线性动力学，并基于伯努利梁构建弧形微机电***的***模型，得
式(1)中μ,h,α1,β,R,b11表示无量纲参数,q(t)表示状态变量,w0表示频率，u(t)表示控制输入；弧形微机电***的示意图如图1所示；
b、构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器；构建时，利用对称障碍Lyapunov函数确保弧形微机电***输出约束不被违反、采用具有自适应律的RBF神经网络以任意小的误差估计未知非线性函数、引入扩张状态跟踪微分器来处理backstepping控制中虚拟控制项需要反复求导的问题、设计状态观测器来获取不可测的状态信息、在backstepping框架下融合扩张状态跟踪微分器和状态观测器。
定义新变量x1＝q(t)、则步骤a中的***模型式(1)重写为：
式(2)中***输出y满足约束条件，即|y|≤kc1，kc1＞0。
为了便于控制器设计，需要揭示弧形微机电***的运行机理；***参数设置为α1＝7.993,β＝119.9883,h＝0.3,R＝0.02,μ＝0.1,w0＝0.4706和u(t)＝0，采用四阶龙格库塔法求解微分方程。图2和3表示不同激励幅值R下的相图和时间历程，由图2和3可知，弧形微机电***出现了混沌振荡。
图4说明Lyapunov指数在很短时间内就变成正值。很显然，弧形微机电***出现了混沌振荡。图5为弧形微机电***的R-x1分岔图，进一步揭示***的周期振荡状态和混沌运动。
弧形微机电***的混沌振荡不可避免地会导致***性能的恶化。因此，有必要提出一种有效的控制方来抑制弧形微机电***的混沌振荡。
前步骤b中，构建用于抑制弧形微机电***的混沌振荡的自适应神经网络控制器的过程如下述步骤：
b1、构建状态观测器，表达式如下：
式(3)中表示x＝[x1,x2]T的估计值，通过合理选择K＝[K1,K2]T使得
式(4)属于赫维茨矩阵；
定义状态观测器误差和非线性项则：
其中
选取Lyapunov函数
V0＝ζTPζ (6)
式(6)中P表示正定矩阵，并满足关系式BTP+PB＝-I；
利用杨氏不等式，对V0求导得到
b2、构建自适应神经网络控制器，具体如下：
***模型的非线性项frbf(X)的估计值由下述RBF神经网络表达式
表达，式(8)中θ＝[θ1,θ2,…,θl]T∈Rl表示权值矢量，l＞1表示神经元的节点数，表示输入矢量，ξ(X)＝[ξ1(X),ξ2(X),…,ξl(X)]T∈Rl，ξi(X)表示高斯基函数，
式(9)中σi表示高斯基函数的宽度，μi＝[μi1,μi2,…,μin]T表示权重因子。
根据神经网络表达式(8)可知，得到
式(10)中ε＞0，Ωθ和DX表示θ(t)和X的紧凑集。定义理想参数θ*等于同时存在
假设1：参考轨迹xr有界，即|xr|≤xu，xu＞0，也有界；
假设2:存在常数L>0并满足
式(11)中表示fi(x)的估计值；
引理1：对于定义开集和
考虑***
式(12)中η:＝[w,s]T∈N，he:+×N→l+n在t上是分段连续的和在Z上局部李普希茨；对于U:l→+，有
式(13)中μ1和μ2表示K∞类函数；
假设和如果存在不等式
那么
定义第一个误差函数s1＝x1-xr，xr表示参考轨迹，选择对称障碍Lyapunov函数
式(15)中约束条件不被违反；
因状态变量x2不可测，利用状态观测器来估计它的值；
定义第二个误差函数其中α2表示虚拟控制；
对V1求导，则
式(16)中
虚拟控制求得：其中c1＞0；得到
计算的导数
式(18)中
fun(·)具有非常复杂的非线性特征，由于受到制造误差、外部环境振动和建模误差等影响，***参数诸如可能未知或不确定，同时***参数的扰动会导致混沌振荡；鉴于此，有必要寻找有效的办法去克服控制器中负面的因素和非线性特征：利用RBF神经网络去逼近非线性函数：其中
为了减少计算负担，采取措施减小RBF神经网络的权值矢量数目，利用杨氏不等式，得到
式(19)中表示ψ2(t)的估计值；
对于的导数会增加设计复杂性和计算负担的问题，采用扩张状态跟踪微分器式(20)得到其α2的导数的估计值
具有非线性函数：
其中βji,j＝1,…,n，i＝1,2表示反馈增益，ηej表示跟踪微分器的误差，δe＞0,αe＞0；
选择Lyapunov函数
式(21)中γ2＞0；
利用扩张状态跟踪微分项来估计V2的时间导数为
由式(20)可知，并存在不等式
把式(18)和式(20)代入式(17)得到
式(23)中
求得实际控制输入(即自适应神经网络控制器)u(t)及其自适应律分别为
式(24)或式(25)中c21＞0,c22＞0,m2＞0；
把式(24)和式(25)代入式(23)得到
式(26)中根据引理1和杨氏不等式可知，式(26)可简化为
定理1：针对在分布式静电驱动下具有未知***参数、混沌振荡、状态不可测和部分状态约束的弧形微机电***控制问题，如果状态观测器构建如式，集成自适应律式和扩张状态跟踪微分器式的自适应神经网络控制器设计如式，那么闭环***的所有信号一致最终有界，同时输出约束不会被违反；
证明：定义Lyapunov函数那么，它的导数可求为
式(28)中和
对式(28)两边进行积分，有
因此，和隶属于一个紧凑集
由式(29)得到
自从和|xr|≤xu，可以推断得到输出y保持在给定的约束范围内的结论。至此定理1的证明完成。
仿真实验分析
选取参考轨迹xr＝0.4sin(2t)，定义输出约束|y|＜kc1＝0.43。从前面所述可知，成立。所提控制器参数选择为c1＝8，c21＝8，c22＝0.1，γ2＝1，m2＝10，ν2＝5。状态观测器的参数设计为K1＝1,K2＝1。扩张状态跟踪微分器的参数选取为β21＝3,β22＝300,δe＝0.022,αe＝0.3。的初值等于0.02。另外，RBF神经网络包括了9个节点，权重因子μi∈[-6,6]和高斯基函数的宽度σi＝3。
图6(a)-(c)展示了不同R值下的第一误差函数。显然，在参考轨迹和实际轨迹间的跟踪性能已经达到。图6(d)-(f)展示了所有跟踪误差小于±0.03。利用对称障碍Lyapunov函数后，|y|＜kc1得到保证。另外，同图2中相图和图3中的时间历程可知，弧形微机电***很快达到了一个稳定状态，受到分布静电电压驱动所引发的混沌振荡也得到了彻底的抑制。
图7和图8揭示了状态观测器的观测性能。由图7和图8可知，状态观测器能精准估计实际信号，并降低对物理传感器的限制。尽管弧形微机电***存在未知参数、部分状态约束和混沌振荡，但观测者误差却以极小的振荡快速趋于零。
图9描述了弧形微机电***在静态直流电压和谐波交流电压激励下且不同R值下的控制输入。由图9可知，弧形微机电***控制输入的4条曲线在极短的时间内保持一致。同时也说明所提控制器具有很好的抗干扰能力。

Claims (3)

1.一种弧形微机电***的自适应神经网络控制方法，其特征在于：包括下述步骤：
a、基于伯努利梁构建弧形微机电***的***模型，得
式(1)中μ,h,α1,β,R,b11表示无量纲参数,q(t)表示状态变量,w0表示频率，u(t)表示控制输入；
b、构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器；构建时，利用对称障碍Lyapunov函数确保弧形微机电***输出约束不被违反、采用具有自适应律的RBF神经网络以任意小的误差估计未知非线性函数、引入扩张状态跟踪微分器来处理backstepping控制中虚拟控制项需要反复求导的问题、设计状态观测器来获取不可测的状态信息、在backstepping框架下融合扩张状态跟踪微分器和状态观测器。
2.根据权利要求1所述的弧形微机电***的自适应神经网络控制方法，其特征在于：定义新变量x1＝q(t)、则步骤a中的***模型式(1)重写为：
式(2)中***输出y满足约束条件，即|y|≤kc1，kc1＞0。
3.根据权利要求2所述的弧形微机电***的自适应神经网络控制方法，其特征在于：步骤b中，构建用于抑制弧形微机电***的混沌振荡和保证***状态约束的自适应神经网络控制器的过程如下述步骤：
b1、构建状态观测器，表达式如下：
式(3)中表示x＝[x1,x2]T的估计值，通过合理选择K＝[K1,K2]T使得
式(4)属于赫维茨矩阵；
定义状态观测器误差和非线性项则：
其中f(x)＝0ζ＝[ζ1 ζ2]T；
选取Lyapunov函数
V0＝ζTPζ (6)
式(6)中P表示正定矩阵，并满足关系式BTP+PB＝-I；
利用杨氏不等式，对V0求导得到
b2、构建自适应神经网络控制器，具体如下：
***模型中的非线性项frbf(X)的估计值由下述RBF神经网络表达式
表达，式(8)中θ＝[θ1,θ2,…,θl]T∈Rl表示权值矢量，l＞1表示神经元的节点数，表示输入矢量，ξ(X)＝[ξ1(X),ξ2(X),…,ξl(X)]T∈Rl，ξi(X)表示高斯基函数，
式(9)中σi表示高斯基函数的宽度，μi＝[μi1,μi2,…,μin]T表示权重因子；
定义第一个误差函数s1＝x1-xr，xr表示参考轨迹，选择对称障碍Lyapunov函数
式(15)中约束条件不被违反；
因状态变量x2不可测，利用状态观测器来估计它的值；
定义第二个误差函数其中α2表示虚拟控制；
对V1求导，则
式(16)中
虚拟控制求得：其中c1＞0；得到
计算的导数
式(18)中
利用RBF神经网络去逼近非线性函数：其中
采取措施减小RBF神经网络的权值矢量数目，利用杨氏不等式，得到
式(19)中 表示ψ2(t)的估计值；
采用扩张状态跟踪微分器式(20)得到其α2的导数的估计值
具有非线性函数：
其中βji,j＝1,…,n，i＝1,2表示反馈增益，ηej表示跟踪微分器的误差，δe＞0,αe＞0；
选择Lyapunov函数
式(21)中γ2＞0；
利用扩张状态跟踪微分项来估计V2的时间导数为
由式(20)可知，并存在不等式
把式(18)和式(20)代入式(17)得到
式(23)中
求得实际控制输入u(t)及其自适应律分别为
式(24)或式(25)中c21＞0,c22＞0,m2＞0。
CN201810263712.0A 2018-03-28 2018-03-28 一种弧形微机电***的自适应神经网络控制方法 Active CN108614419B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810263712.0A CN108614419B (zh) 2018-03-28 2018-03-28 一种弧形微机电***的自适应神经网络控制方法
AU2018100710A AU2018100710A4 (en) 2018-03-28 2018-05-25 Adaptive Neural Network Control Method For Arch-Shaped Microelectromechanical System

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810263712.0A CN108614419B (zh) 2018-03-28 2018-03-28 一种弧形微机电***的自适应神经网络控制方法

Publications (2)

Publication Number Publication Date
CN108614419A true CN108614419A (zh) 2018-10-02
CN108614419B CN108614419B (zh) 2020-12-08

Family

ID=62635846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810263712.0A Active CN108614419B (zh) 2018-03-28 2018-03-28 一种弧形微机电***的自适应神经网络控制方法

Country Status (2)

Country Link
CN (1) CN108614419B (zh)
AU (1) AU2018100710A4 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613826A (zh) * 2018-12-17 2019-04-12 重庆航天职业技术学院 一种分数阶拱形mems谐振器的反振荡自适应控制方法
CN109991852A (zh) * 2019-04-19 2019-07-09 贵州大学 具有磁滞特性的分数阶静电驱动微机电***控制方法
CN110134011A (zh) * 2019-04-23 2019-08-16 浙江工业大学 一种倒立摆自适应迭代学习反演控制方法
CN110456644A (zh) * 2019-08-13 2019-11-15 北京地平线机器人技术研发有限公司 确定自动化设备的执行动作信息的方法、装置及电子设备
CN110501906A (zh) * 2019-08-30 2019-11-26 贵州大学 互耦分数阶混沌机电换能器加速自适应模糊控制方法
CN111308888A (zh) * 2019-12-12 2020-06-19 山东大学 一种基于增益策略的微电子机械***的控制方法及***
CN111427262A (zh) * 2019-11-13 2020-07-17 西北工业大学 极端环境下mems传感器未知扰动智能控制方法
CN113114156A (zh) * 2021-04-15 2021-07-13 贵州大学 Mems谐振器自适应混沌控制电路及方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389525B (zh) * 2019-07-15 2022-06-14 江苏科技大学 基于极限学习机的混联机构自适应反步控制方法
US11526724B2 (en) * 2019-08-21 2022-12-13 GM Global Technology Operations LLC Virtual sensor for estimating online unmeasurable variables via successive time derivatives
CN111221250B (zh) * 2020-01-14 2022-06-03 三峡大学 一种具有参数不确定性和多个外部扰动的非线性***及其设计方法
CN111781829A (zh) * 2020-06-17 2020-10-16 西安交通大学 一种用于转台伺服***齿隙补偿的神经网络控制方法
CN112180717B (zh) * 2020-10-14 2021-09-03 河北工业大学 一种基于2d模型的热交换器温度模糊控制方法及***
CN113031446B (zh) * 2021-03-15 2022-11-08 贵州大学 不确定时滞非线性***非奇异性神经自适应跟踪控制方法
CN113485105B (zh) * 2021-07-02 2023-02-28 华南理工大学 基于非对称输出的欧拉-伯努利梁自适应迭代控制方法
CN114721258B (zh) * 2022-02-21 2023-03-10 电子科技大学 基于非线性扩展状态观测器的下肢外骨骼反步控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298315A (zh) * 2011-06-21 2011-12-28 河海大学常州校区 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制***
CN103324087A (zh) * 2013-06-19 2013-09-25 河海大学常州校区 基于神经网络的微陀螺仪的自适应反演控制***及方法
CN104267595A (zh) * 2014-10-21 2015-01-07 南京理工大学 具有时变输出约束的电机伺服***自适应鲁棒位置控制方法
US9064036B2 (en) * 2008-04-24 2015-06-23 The Invention Science Fund I, Llc Methods and systems for monitoring bioactive agent use
CN105204343A (zh) * 2015-10-13 2015-12-30 淮阴工学院 具有输出约束和非对称死区输入的纳米机电***自适应backstepping控制方法
EP3169082A1 (en) * 2015-10-20 2017-05-17 Sonion Nederland B.V. Microphone assembly with suppressed frequency response
CN107479377A (zh) * 2017-08-03 2017-12-15 淮阴工学院 分数阶弧形微机电***的自适应同步控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9064036B2 (en) * 2008-04-24 2015-06-23 The Invention Science Fund I, Llc Methods and systems for monitoring bioactive agent use
CN102298315A (zh) * 2011-06-21 2011-12-28 河海大学常州校区 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制***
CN103324087A (zh) * 2013-06-19 2013-09-25 河海大学常州校区 基于神经网络的微陀螺仪的自适应反演控制***及方法
CN104267595A (zh) * 2014-10-21 2015-01-07 南京理工大学 具有时变输出约束的电机伺服***自适应鲁棒位置控制方法
CN105204343A (zh) * 2015-10-13 2015-12-30 淮阴工学院 具有输出约束和非对称死区输入的纳米机电***自适应backstepping控制方法
EP3169082A1 (en) * 2015-10-20 2017-05-17 Sonion Nederland B.V. Microphone assembly with suppressed frequency response
CN107479377A (zh) * 2017-08-03 2017-12-15 淮阴工学院 分数阶弧形微机电***的自适应同步控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHENG LU，等: "Adaptive backstepping control of MEMS gyroscope based on neural state observer", 《2015 34TH CHINESE CONTROL CONFERENCE (CCC)》 *
K. P. TEE等: "Adaptive control of electrostatic microactuators with bidirectional drive", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 *
SHAOHUA LUO等: "Chaos Analysis-Based Adaptive Backstepping Control of the Microelectromechanical Resonators With Constrained Output and Uncertain Time Delay", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
杨明，等: "《野战火箭制导与控制技术》", 30 November 2015, 北京：国防工业出版社 *
罗绍华: "滤波减速器传动机器人的自适应RBF反演法控制", 《重庆大学学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613826B (zh) * 2018-12-17 2021-07-27 重庆航天职业技术学院 一种分数阶拱形mems谐振器的反振荡自适应控制方法
CN109613826A (zh) * 2018-12-17 2019-04-12 重庆航天职业技术学院 一种分数阶拱形mems谐振器的反振荡自适应控制方法
CN109991852A (zh) * 2019-04-19 2019-07-09 贵州大学 具有磁滞特性的分数阶静电驱动微机电***控制方法
CN109991852B (zh) * 2019-04-19 2022-02-22 贵州大学 具有磁滞特性的分数阶静电驱动微机电***控制方法
CN110134011A (zh) * 2019-04-23 2019-08-16 浙江工业大学 一种倒立摆自适应迭代学习反演控制方法
CN110134011B (zh) * 2019-04-23 2022-01-11 浙江工业大学 一种倒立摆自适应迭代学习反演控制方法
CN110456644A (zh) * 2019-08-13 2019-11-15 北京地平线机器人技术研发有限公司 确定自动化设备的执行动作信息的方法、装置及电子设备
CN110456644B (zh) * 2019-08-13 2022-12-06 北京地平线机器人技术研发有限公司 确定自动化设备的执行动作信息的方法、装置及电子设备
CN110501906A (zh) * 2019-08-30 2019-11-26 贵州大学 互耦分数阶混沌机电换能器加速自适应模糊控制方法
CN111427262A (zh) * 2019-11-13 2020-07-17 西北工业大学 极端环境下mems传感器未知扰动智能控制方法
CN111427262B (zh) * 2019-11-13 2022-03-18 西北工业大学 极端环境下mems传感器未知扰动智能控制方法
CN111308888B (zh) * 2019-12-12 2021-05-28 山东大学 一种基于增益策略的微电子机械***的控制方法及***
CN111308888A (zh) * 2019-12-12 2020-06-19 山东大学 一种基于增益策略的微电子机械***的控制方法及***
CN113114156A (zh) * 2021-04-15 2021-07-13 贵州大学 Mems谐振器自适应混沌控制电路及方法
CN113114156B (zh) * 2021-04-15 2022-08-02 贵州大学 Mems谐振器自适应混沌控制电路及方法

Also Published As

Publication number Publication date
CN108614419B (zh) 2020-12-08
AU2018100710A4 (en) 2018-06-28

Similar Documents

Publication Publication Date Title
CN108614419A (zh) 一种弧形微机电***的自适应神经网络控制方法
Hsu Self-organizing adaptive fuzzy neural control for a class of nonlinear systems
Fei et al. Robust adaptive control of MEMS triaxial gyroscope using fuzzy compensator
Lynch et al. Embedded type-2 FLC for real-time speed control of marine and traction diesel engines
CN111459051A (zh) 一种带扰动观测器的离散终端滑模无模型控制方法
CN106647277A (zh) 弧形微型机电混沌***的自适应动态面控制方法
Ławryńczuk Nonlinear state-space predictive control with on-line linearisation and state estimation
Kala et al. Performance evaluation of fuzzy logic and PID controller for liquid level process
Carvajal-Rubio et al. On the discretization of a class of homogeneous differentiators
Chen et al. Novel adaptive neural networks control with event-triggered for uncertain nonlinear system
Al-Amin et al. Design of an intelligent temperature controller of furnace system using the fuzzy self-tuning PID controller
Sun et al. Stochastic game theoretic trajectory optimization in continuous time
Bartczuk et al. Hybrid state variables-fuzzy logic modelling of nonlinear objects
Tang et al. Robust fuzzy control of mechanical systems
Tiwari et al. Computationally efficient data-driven discovery and linear representation of nonlinear systems for control
Ling et al. ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system
Baquero et al. Adaptive sliding mode control based on fuzzy logic for variable dead time processes
CN113820954A (zh) 一种广义噪声下复杂非线性***的容错控制方法
Yang et al. Intelligent Forecasting System Using Grey Model Combined with Neural Network.
Kondalu et al. Vehicle suspension system control by using adaptive fuzzy controller
Zhang et al. Integration of fuzzy and sliding mode control based on fractional calculus theory for permanent magnet synchronous motor
Di Teodoro et al. Sliding-mode controller based on fractional order calculus for chemical processes
Pham et al. Adaptive Sliding Mode Control Based on Fuzzy Logic and Low Pass Filter for Two-Tank Interacting System
CN115508665B (zh) 一种针对rlc分数线性电路的故障检测方法
Somwanshi et al. Analysis of control of inverted pendulum using adaptive neuro fuzzy system

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