CN110488605B - 一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 - Google Patents
一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 Download PDFInfo
- Publication number
- CN110488605B CN110488605B CN201910659764.4A CN201910659764A CN110488605B CN 110488605 B CN110488605 B CN 110488605B CN 201910659764 A CN201910659764 A CN 201910659764A CN 110488605 B CN110488605 B CN 110488605B
- Authority
- CN
- China
- Prior art keywords
- neural network
- piezoelectric actuator
- hysteresis
- nonlinear
- compensation
- 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 48
- 238000000034 method Methods 0.000 title claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000006073 displacement reaction Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 29
- 230000004044 response Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/001—Vibration damping devices
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/001—Vibration damping devices
- B64C2027/004—Vibration damping devices using actuators, e.g. active systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (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)
- Apparatuses For Generation Of Mechanical Vibrations (AREA)
Abstract
本发明公开一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法,属于直升机振动控制领域,针对直升机机体振动具有多阶谐波响应的振动特征和压电作动器驱动的直升机机体振动主动控制过程中压电作动器迟滞非线性引起的高次谐波响应导致控制效果变差等问题,基于神经网络和非线性自回归外源(NARX)输入模型,提出了两阶谐波信号驱动下压电作动器迟滞非线性神经网络及非线性补偿神经网络,并将非线性补偿神经网络用于压电作动器驱动的直升机机体振动主动控制***中。本发明提出的压电作动器迟滞神经网络补偿方法可以明显提高直升机机体振动主动控制***的控制效果。
Description
技术领域
本发明属于直升机振动控制的技术领域,具体涉及一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法。
背景技术
直升机的高振动水平严重影响驾驶员的工作效率、机载设备的可靠性及乘务人员的舒适性等。直升机机体振动以旋翼引起的频率为rNbΩ的多谐波振动为主,其中r为谐波阶数,Nb为旋翼桨叶片数,Ω为旋翼转速。振动主动控制是理想的直升机机体振动控制方法,压电作动器具有质量轻、响应速度快、输出力大、工作频段宽等优点,是直升机机体振动主动控制理想的作动元件。然而,压电陶瓷材料的迟滞非线性会导致作动器的输入电压和输出位移之间存在不同步,这意味着作动器当前时刻的位移不仅取决于当前时刻的输入电压,也与作动器之前时刻的输入电压和位移有关。由于迟滞非线性的影响,受控结构上会出现高次谐波响应,使振动控制效果降低。
为了提高控制效果,需要对压电作动器的迟滞非线性进行补偿。通常的方法是采用经验模型模拟迟滞非线性并用逆模型进行补偿,常用的经验模型有Preisach模型、Prandtl–Ishlinskii模型、Maxwell模型、Bouc-Wen模型,等。但压电作动器的迟滞回线是非对称的,常用的对称模型难以准确模拟其迟滞特性。并且直升机振动是多谐波振动,通常需要控制两阶以上谐波才能取得比较好的控制效果,而目前的经验模型很少研究压电作动器在多谐波驱动下的迟滞非线性特征及补偿。
发明内容
针对上述现有技术的不足,本发明的目的在于提供一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法,实现压电作动器驱动的直升机机体振动的减振效果提升。
为达到上述目的,本发明采用的技术方案如下:
一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法,包括以下步骤:
S1、根据直升机旋翼特征,提取旋翼激励频率;
S2、利用S1中提取的所述旋翼激励频率确定压电作动器的两阶谐波驱动信号样本,采用样本中的驱动信号驱动压电作动器,测量相应的作动器位移,同时根据样本中的驱动信号确定压电作动器期望位移,期望位移与驱动电压成正比;
S3、建立压电作动器迟滞非线性神经网络模型,采用S2中的所述驱动信号样本及所述相应的作动器位移对所述迟滞非线性神经网络进行训练;
S4、基于S3中得到的所述迟滞非线性神经网络模型,建立压电作动器非线性补偿神经网络模型,采用S2中所述驱动信号样本及所述压电作动器期望位移对所述非线性补偿神经网络进行训练;
S5、将S4中得到的压电作动器非线性补偿神经网络整合到直升机振动主动控制的控制器中。
其中S2中所述的确定压电作动器的两阶谐波驱动信号,通过下式实现
u(n)=A×[B×sin(2πω1nTs)+(1-B)×sin(2πω2nTs+C)]
其中A为驱动信号总幅值,取值范围为压电作动器电压范围,B为第一阶谐波频率的幅值比,取值范围为[0,1],C为第二阶谐波与第一阶谐波的相位差,取值范围为[0°,360°],Ts为采样周期,n为当前采样点数,ω1、ω2为旋翼激励频率;A、B、C都选择四个以上的参数,建立两阶谐波驱动信号样本,样本量为ds,每一个驱动信号样本的总采样点数为N。
作为一种实施方式,S3中所述迟滞非线性神经网络模型包括三层:输入层、隐含层和输出层,所述输入层有P个神经元,所述隐含层有Q个神经元,所述输出层有一个神经元,输出层神经元的输出值代表压电作动器位移估计值;所述迟滞非线性神经网络模型基于非线性自回归外源输入模型建立,输入包括驱动电压和模型输出的时间延迟向量,神经网络模型采用反向传播神经网络,其信号正向传播,误差反向传播。
作为一种实施方式,S4中所述非线性补偿神经网络模型包括三层:输入层、隐含层和输出层,输入层有个神经元,隐含层有个神经元,输出层有一个神经元,输出层神经元的输出值代表压电作动器补偿后的驱动信号;所述非线性补偿神经网络模型的输入仅包含驱动电压的时间延迟向量,神经网络模型采用反向传播神经网络,其信号正向传播,误差反向传播。
本发明的有益效果:
(1)本发明实现了压电作动器两阶谐波驱动下的迟滞非线性特性建模与非线性补偿,弥补了传统迟滞模型拟合精度较差的缺点。
(2)本发明采用神经网络模型补偿压电作动器两阶谐波驱动下的非线性特征,并应用到直升机机体的振动主动控制中,有效提高了压电作动器驱动的多谐波振动主动控制的控制效果。
附图说明
图1为本发明实施例用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法的***框图;
图2为图1实施例中压电作动器迟滞非线性神经网络建模示意图;
图3为图1实施例中压电作动器迟滞补偿神经网络建模示意图;
图4为神经网络训练流程图;
图5a为具有压电作动器迟滞补偿的直升机机体振动主动控制在总驱动电压20V时的控制效果图;
图5b为具有压电作动器迟滞补偿的直升机机体振动主动控制在总驱动电压40V时的控制效果图;
图5c为具有压电作动器迟滞补偿的直升机机体振动主动控制在总驱动电压60V时的控制效果图;
图6a为具有压电作动器迟滞补偿的直升机机体振动主动控制在幅值比0.25时的控制效果图;
图6b为具有压电作动器迟滞补偿的直升机机体振动主动控制在幅值比0.50时的控制效果图;
图6c为具有压电作动器迟滞补偿的直升机机体振动主动控制在幅值比0.75时的控制效果图;
图7a为具有压电作动器迟滞补偿的直升机机体振动主动控制在相位差0°时的补偿效果图;
图7b为具有压电作动器迟滞补偿的直升机机体振动主动控制在相位差90°时的补偿效果图;
图7c为具有压电作动器迟滞补偿的直升机机体振动主动控制在相位差180°时的补偿效果图;
图7d为具有压电作动器迟滞补偿的直升机机体振动主动控制在相位差270°时的补偿效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例描述一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法,包括以下步骤:
S1、根据直升机旋翼特征,提取旋翼激励频率;直升机振动主要是旋翼通过频率的多谐波振动,并且以前几阶谐波为主要成份。提取需要控制的前两阶谐波频率ω1=NbΩ,ω2=2NbΩ,其中,Nb代表旋翼桨叶片数,Ω代表旋翼转速。
S2、确定压电作动器的两阶谐波驱动信号样本,采用样本中的驱动信号驱动压电作动器,测量相应的作动器位移。
对相同谐波频率的任意两阶谐波信号,都可以由下式表达:
u(n)=A×[B×sin(2πω1nTs)+(1-B)×sin(2πω2nTs+C)] (1)
式(1)中,A为驱动信号总幅值,取值范围为压电作动器电压范围,B为第一阶频率的幅值比,取值范围为[0,1],C为第二阶谐波与第一阶谐波的相位差,取值范围为[0°,360°],Ts为采样周期,n为当前采样点数。
A、B、C三个参数每个都选择四个以上的参数,建立两阶谐波驱动信号样本,样本量为ds,每一个驱动信号样本的总采样点数为N。采用样本中的驱动信号驱动压电作动器,测量相应的作动器位移。同时根据压电作动器的标示参数确定压电作动器期望位移,期望位移应与驱动电压成正比;
S3、建立压电作动器迟滞非线性神经网络模型,建立过程参照图2所示。
迟滞非线性神经网络具有三层结构:输入层、隐含层和输出层,输入层有P个神经元,隐含层有Q个神经元,输出层只有一个神经元,输出层神经元的输出值代表压电作动器位移估计值。
根据S2中建立的训练样本,第m个训练样本在采样点n处非线性补偿神经网络的输入向量为:
神经网络的输入信号正向传播,经过隐含层传向输出层,得到神经网络的输出值。隐含层神经元输出为:
输出层的值为:
式中,wq为输出层到隐含层神经元q的连接权系数,θO为输出层的神经元偏置。
压电作动器的实际位移与迟滞非线性神经网络模型估计的作动器位移的误差为:
式中,ym(n)为训练样本m中采样点n处测量的压电作动器位移。采用误差信号反向传播,对输出层和隐含层的连接权系数和偏置进行更新。更新公式为:
θO(n+1)=θO(n)-η(n)e(n) (7)
式(7)到式(10)中,f′(·)表示激活函数的反函数,η(n)为神经网络的学习率。
迟滞神经网络模型的完整训练流程如图4所示。首先依次采用所有ds个训练样本在第n采样点的驱动电压和作动器位移对神经网络的连接权值进行更新,全部更新完再采用n+1采样点的样本,以此类推。训练完总时长的所有样本为一个训练循环,共进行di个循环的迭代。在前期的循环采用固定的学习率η0,在最后几个循环采用随时间衰减的学习率进行更新,衰减学习率的公式如下:
式(11)中,β为衰减系数。
S4、基于S3中得到的压电作动器迟滞非线性神经网络模型,建立压电作动器非线性补偿神经网络模型,建立过程如图3所示。
根据S2中建立的训练样本,第m个训练样本在采样点n处非线性补偿神经网络的输入向量为:
神经网络的输入信号正向传播,经过隐含层传向输出层,得到神经网络的计算值。非线性补偿神经网络中隐含层和输出层的神经元输出为:
式(13)中,为向量中的第p个元素。为隐含层神经元q到输入层神经元p的连接权系数,为隐含层神经元偏置,f(·)为激活函数,如式(4)所示。式(14)中,为输出层到隐含层神经元q的连接权系数,为输出层的神经元偏置。
式(16)到式(19)中,f′(·)表示激活函数的反函数,η(n)为神经网络的学习率。
非线性补偿神经网络模型的完整训练流程如图4所示。首先采用所有ds个训练样本在第n采样点的驱动电压和相应的期望位移依次对神经网络的连接权值进行更新,全部更新完再采用n+1采样点的样本,以此类推。训练完总时长的所有样本为一个训练循环,共进行di个循环的迭代。在前期的循环采用固定的学习率η0,在最后几个循环采用随时间衰减的学习率进行更新,衰减学习率的公式参见式(11)。
S5、将S4中得到的压电作动器非线性补偿神经网络整合到直升机振动主动控制的控制器中,参见图1所示。直升机多谐波振动主动控制采用多谐波多输入多输出前馈自适应控制算法,控制算法得到压电作动器所须控制电压后经过时间延迟处理,得到神经网络输入向量,经过S4中得到的非线性补偿神经网络,计算补偿后压电作动器的驱动电压。补偿后的驱动电压驱动作动器产生作动力,经过机体控制通道抵消直升机旋翼引起的振动响应,达到降低直升机机体振动水平的目的。
图5给出了具有压电作动器迟滞补偿的直升机机体振动主动控制在不同总幅值的两阶谐波信号驱动下的控制效果,图中颜色深的曲线为迟滞补偿开启时的控制效果,颜色浅的曲线为迟滞补偿关闭时的控制效果。可以观察到在不论迟滞补偿有没有开启,振动主动控制***都能使直升机的振动水平降低。当开启迟滞补偿时,可以获得更好的减振效果。
图6给出了在不同的压电驱动信号谐波幅值比下具有迟滞补偿神经网络的直升机振动主动控制效果,图中黑色曲线为迟滞补偿开启时的控制效果,红色曲线为迟滞补偿关闭时的控制效果。可以观察到在不论迟滞补偿有没有开启,振动主动控制***都能使直升机的振动水平降低。当开启迟滞补偿时,可以获得更多的减振效果。
图7给出了在不同的压电作动器驱动信号谐波相位差下具有迟滞补偿神经网络的直升机振动主动控制效果,图中黑色曲线为迟滞补偿开启时的控制效果,红色曲线为迟滞补偿关闭时的控制效果。可以观察到在不论迟滞补偿有没有开启,振动主动控制***都能使直升机的振动水平降低。当开启迟滞补偿时,可以获得更多的减振效果。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。
Claims (3)
1.一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法,其特征在于,包括步骤:
S1、根据直升机旋翼特征,提取旋翼激励频率;
S2、利用S1中提取的所述旋翼激励频率确定压电作动器的两阶谐波驱动信号样本,采用样本中的驱动信号驱动压电作动器,测量相应的作动器位移,同时根据样本中的驱动信号确定压电作动器期望位移,期望位移与驱动电压成正比;
S3、建立压电作动器迟滞非线性神经网络模型,采用S2中的所述驱动信号样本及所述相应的作动器位移对所述迟滞非线性神经网络进行训练;
S4、基于S3中得到的所述迟滞非线性神经网络模型,建立压电作动器非线性补偿神经网络模型,采用S2中所述驱动信号样本及所述压电作动器期望位移对所述非线性补偿神经网络进行训练;
S5、将S4中得到的压电作动器非线性补偿神经网络整合到直升机振动主动控制的控制器中;
其中S2中所述的确定压电作动器的两阶谐波驱动信号,通过下式实现
u(n)=A×[B×sin(2πω1nTs)+(1-B)×sin(2πω2nTs+C)]
其中A为驱动信号总幅值,取值范围为压电作动器电压范围,B为第一阶谐波频率的幅值比,取值范围为[0,1],C为第二阶谐波与第一阶谐波的相位差,取值范围为[0°,360°],Ts为采样周期,n为当前采样点数,ω1、ω2为旋翼激励前两阶谐波频率,且ω1=NbΩ,ω2=2NbΩ,其中Nb代表旋翼桨叶片数,Ω代表旋翼转速;
A、B、C都选择四个以上的参数,建立两阶谐波驱动信号样本,样本量为ds,每一个驱动信号样本的总采样点数为N。
2.根据权利要求1所述的压电作动器迟滞神经网络补偿方法,其特征在于,S3中所述迟滞非线性神经网络模型包括三层:输入层、隐含层和输出层,所述输入层有P个神经元,所述隐含层有Q个神经元,所述输出层有一个神经元,输出层神经元的输出值代表压电作动器位移估计值;所述迟滞非线性神经网络模型基于非线性自回归外源输入模型建立,输入包括驱动电压和模型输出的时间延迟向量,神经网络模型采用反向传播神经网络,其信号正向传播,误差反向传播。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659764.4A CN110488605B (zh) | 2019-07-22 | 2019-07-22 | 一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659764.4A CN110488605B (zh) | 2019-07-22 | 2019-07-22 | 一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488605A CN110488605A (zh) | 2019-11-22 |
CN110488605B true CN110488605B (zh) | 2021-06-22 |
Family
ID=68547548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910659764.4A Expired - Fee Related CN110488605B (zh) | 2019-07-22 | 2019-07-22 | 一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488605B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908282B (zh) * | 2019-12-04 | 2022-06-21 | 中国直升机设计研究所 | 一种用于直升机振动主动控制***次级通路建模方法 |
CN110928180B (zh) * | 2019-12-04 | 2023-03-28 | 中国直升机设计研究所 | 一种作动器的迟滞补偿方法和装置 |
CN111123705B (zh) * | 2019-12-18 | 2021-09-21 | 南京航空航天大学 | 一种螺旋桨及传动轴***的主动振动控制的设计方法 |
CN112859589B (zh) * | 2021-01-14 | 2022-04-15 | 南京航空航天大学 | 旋翼变转速直升机振动主动控制的混合控制方法 |
CN113291464B (zh) * | 2021-04-20 | 2022-12-06 | 中国直升机设计研究所 | 一种直升机振动主动控制***作动器的双电机控制方法 |
CN114412953B (zh) * | 2021-12-24 | 2022-11-25 | 南京航空航天大学 | 基于被动控制的直升机旋翼压电薄膜抑振结构及方法 |
CN114459712B (zh) * | 2022-01-11 | 2023-12-29 | 东南大学 | 一种基于自回归模型的地震模拟振动台实验补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506031A (zh) * | 2011-12-31 | 2012-06-20 | 北京航空航天大学 | 一种基于双边溢流原理的液压管路流体脉动主动抑制方法 |
CN103346692A (zh) * | 2013-07-02 | 2013-10-09 | 南京航空航天大学 | 振动主动控制中压电作动器迟滞非线性频域补偿方法 |
CN105717931A (zh) * | 2016-01-28 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 反作用飞轮的微振动主被动一体化隔振装置 |
CN108710301A (zh) * | 2018-06-07 | 2018-10-26 | 哈尔滨工业大学 | 一种采用Maxwell模型对压电陶瓷作动器迟滞非线性在线辨识和补偿的方法及*** |
CN108945405A (zh) * | 2018-04-23 | 2018-12-07 | 南京航空航天大学 | 直升机机体振动自适应谐波前馈-滑模反馈混合控制方法 |
-
2019
- 2019-07-22 CN CN201910659764.4A patent/CN110488605B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506031A (zh) * | 2011-12-31 | 2012-06-20 | 北京航空航天大学 | 一种基于双边溢流原理的液压管路流体脉动主动抑制方法 |
CN103346692A (zh) * | 2013-07-02 | 2013-10-09 | 南京航空航天大学 | 振动主动控制中压电作动器迟滞非线性频域补偿方法 |
CN105717931A (zh) * | 2016-01-28 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 反作用飞轮的微振动主被动一体化隔振装置 |
CN108945405A (zh) * | 2018-04-23 | 2018-12-07 | 南京航空航天大学 | 直升机机体振动自适应谐波前馈-滑模反馈混合控制方法 |
CN108710301A (zh) * | 2018-06-07 | 2018-10-26 | 哈尔滨工业大学 | 一种采用Maxwell模型对压电陶瓷作动器迟滞非线性在线辨识和补偿的方法及*** |
Non-Patent Citations (3)
Title |
---|
MIMOMH feed-forward adaptive vibration control of helicopter fuselage by using piezoelectric stack actuators;De Meng 等;《Journal of Vibration and Control》;20180215;全文 * |
Modeling and compensation of piezoceramic actuator;S.R. Viswamurthy 等;《Science Direct》;20161213;全文 * |
智能旋翼的振动控制研究;李春明;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20020115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110488605A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488605B (zh) | 一种用于直升机机体振动主动控制的压电作动器迟滞神经网络补偿方法 | |
Hu et al. | Robust tracking control for vehicle electronic throttle using adaptive dynamic sliding mode and extended state observer | |
CN108663940B (zh) | 基于集总复合估计的飞行器神经网络学习控制方法 | |
Meng et al. | Neural network based hysteresis compensation of piezoelectric stack actuator driven active control of helicopter vibration | |
CN107607101B (zh) | 基于干扰观测器的mems陀螺滑模控制方法 | |
Heeg | An analytical and experimental investigation of flutter suppression via piezoelectric actuation | |
US6751602B2 (en) | Neural net controller for noise and vibration reduction | |
CN103853046B (zh) | 一种压电陶瓷驱动器的自适应学习控制方法 | |
CN101986564B (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 | |
CN107607103B (zh) | 基于干扰观测器的mems陀螺仪复合学习控制方法 | |
CN108945405A (zh) | 直升机机体振动自适应谐波前馈-滑模反馈混合控制方法 | |
CN106945831B (zh) | 直升机机体振动多谐波多输入多输出前馈自适应控制方法 | |
CN103482061B (zh) | 直升机结构响应自适应控制的谐波同步识别修正法 | |
CN112327627A (zh) | 基于复合学习的非线性切换***自适应滑模控制方法 | |
CN108846246B (zh) | 一种基于预测控制的高超声速飞行器机翼颤振减损方法及减损控制器 | |
Roudbari et al. | Intelligent modeling and identification of aircraft nonlinear flight | |
CN112379595B (zh) | 非线性严格反馈切换***复合干扰学习控制方法 | |
Ma | Vibration control of smart structures with bonded PZT patches: novel adaptive filtering algorithm and hybrid control scheme | |
CN105786038A (zh) | 一种时频域混合自适应滤波的结构振动主动控制方法 | |
CN114310851B (zh) | 一种机器人免力矩传感器的拖动示教方法 | |
CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服***摩擦补偿方法 | |
CN109658947A (zh) | 一种同步建模和控制的主动噪声控制方法 | |
Toha et al. | Dynamic nonlinear inverse-model based control of a twin rotor system using adaptive neuro-fuzzy inference system | |
Norambuena et al. | Active structural excitation as known source for structure-borne noise research |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210622 |