CN115951364B - 一种提高压电式快速转向镜平台定位精度的方法 - Google Patents
一种提高压电式快速转向镜平台定位精度的方法 Download PDFInfo
- Publication number
- CN115951364B CN115951364B CN202211661516.1A CN202211661516A CN115951364B CN 115951364 B CN115951364 B CN 115951364B CN 202211661516 A CN202211661516 A CN 202211661516A CN 115951364 B CN115951364 B CN 115951364B
- Authority
- CN
- China
- Prior art keywords
- steering mirror
- piezoelectric type
- mirror platform
- narma
- submodels
- 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 48
- 239000002131 composite material Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- CMWTZPSULFXXJA-VIFPVBQESA-N naproxen Chemical compound C1=C([C@H](C)C(O)=O)C=CC2=CC(OC)=CC=C21 CMWTZPSULFXXJA-VIFPVBQESA-N 0.000 description 4
- 230000001629 suppression Effects 0.000 description 2
- 239000001166 ammonium sulphate Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请提供一种提高压电式快速转向镜平台定位精度的方法,包括:利用多个NARMA‑L2子模型对压电式快速转向镜平台的回滞非线性进行建模;设计训练输入信号,采集压电式快速转向镜平台的输出数据,采用复合神经网络训练以模拟其角度输出;利用一步超前预测误差以及约束优化算法,设计基于多个NARMA‑L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿;设计PID反馈控制器,构成基于多个NARMA‑L2子模型的复合控制器,进一步对压电式快速转向镜平台的回滞进行精补偿。本申请的建模精度高,减弱了控制器的复杂度。
Description
技术领域
本申请涉及非线性***控制技术领域,特别涉及一种提高压电式快速转向镜平台定位精度的方法。
背景技术
由于高定位分辨率、快递响应速度等优点,压电式快速转向镜平台广泛应用在现代光学成像***中。比如,光电指向***可以通过压电式快速转向镜平台控制激光束精确地跟踪目标。但是,压电式材料的回滞非线性会严重影响快速转向镜平台的开环定位精度。因此对压电式快速转向镜平台的回滞补偿对提高定位精度具有重要的意义。
国内外专家对压电式快速转向镜平台的回滞补偿进行了大量的研究。主要方法有基于传统数学模型的补偿以及基于智能模型的补偿。基于传统数学模型的补偿是先采用一个数学模型,比如Bouc-Wen模型、Prandtl-Ishlinski模型以及Duhem模型等,对压电式快速转向镜平台的回滞非线性进行辨识,然后利用得到的数学模型设计具体的补偿策略。但是由于传统数学模型包含了大量的参数,其辨识需要很长的时间。此外,传统数学模型对刻画平台的回滞现象也不太精确。基于智能模型的补偿是先采用NARMA模型来描述压电式快速转向镜平台的回滞非线性,然后用向量机或神经网络来训练模型以模拟其角度输出。
但是,在补偿回滞现象时,需要重新辨识逆回滞模型,引进了额外的补偿误差以及增加了控制器设计复杂度。
发明内容
本申请提供了一种提高压电式快速转向镜平台定位精度的方法,可用于解决补偿回滞现象时引入了额外的补偿误差并增加控制器复杂度的技术问题。
本申请提供一种提高压电式快速转向镜平台定位精度的方法,方法包括:
步骤1,利用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性进行建模;
步骤2,设计训练输入信号,采集压电式快速转向镜平台的输出数据,采用复合神经网络训练以模拟其角度输出;其中,复合神经网络包括两个MLP网络,每个MLP网络包括一层输入层、一层隐藏层以及一层输出层,将其中一个MLP网络输出层的结果和k时刻输入电压相乘,然后再和另外一个MLP网络输出层结果相加,作为复合神经网络的预测输出;
步骤3,利用一步超前预测误差以及约束优化算法,设计基于多个NARMA-L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿;
步骤4,设计PID反馈控制器,构成基于多个NARMA-L2子模型的复合控制器,进一步对压电式快速转向镜平台的回滞进行精补偿,提高定位精度。
可选的,利用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性进行建模,包括:
步骤1-1,将压电式快速转向镜平台的输入电压范围[Umin,Umax]均匀等分为N个子区间,公式如下:
[U1,U2],[U3,U4],…,[UN,UN+1](1)
式中,U1=Umin,UN+1=Umax;每个区间长度为(Umax-Umin)/N;
步骤1-2,用多个NARMA-L2子模型分别描述每个子区间的回滞非线性,其中,每一NARMA-L2模型,分别对应一个子区间;公式如下:
式中,
ψ(k)=[u(k-1),…,u(k-nu),y(k),…,y(k-ny)]T (3)
其中,nu和ny是***阶数;下标Δ(k)是根据当前输入u(k)算出激活对应的子模型的序号;ψ(k)是回归向量;fΔ(k)和gΔ(k)是第Δ(k)个子模型对应的两个非线性映射;是多个NARMA-L2子模型的预测输出。
可选的,复合神经网络采用以下方法训练:
步骤2-1,数据采集:
为了充分激励压电式快速转向镜平台的回滞非线性,训练输入信号用随机信号产生;根据采集到的输出数据,构建训练集其中M是训练集中总的采样数;
步骤2-2,数据分配:根据公式(4),将T中数据分配给每个子模型;
步骤2-3,网络训练:利用复合神经网络分别训练每个子模型,公式如下:
y(k+1)=NfΔ(k)[ψ(k)]+NgΔ(k)[ψ(k)]u(k) (5)
式中,NfΔ(k)和NgΔ(k)是两个MLP网络,分别用来估计非线性函数fΔ(k)和gΔ(k),y(k+1)为k+1时刻的压电式快速转向镜平台的输出角度。
可选的,利用一步超前预测误差以及约束优化算法,设计基于多个NARMA-L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿,包括:
步骤3-1,确定基于多个NARMA-L2子模型的控制器:
根据一步超前预测误差,确定每个子模型的目标函数Ji(k):
式中,yd(k+1)表示期望跟踪的轨迹信号;表示第i个子模型的预测输出;uci(k)表示第i个子控制器的输出;uc(k-1)表示k-1时刻的控制输出;λ是惩罚因子,用来平衡跟踪性能和控制信号平滑度之间的关系;
利用约束优化算法,解出(6)中的最优解方法如下:
式中,
步骤3-2,确定子控制器切换方法;
将(7)带入(6)中,求出每个子模型在k时刻最优的目标函数值然后找出在k时刻最小的目标函数值的序号l,并在切换到该子控制器,公式如下:
式中,uc(k)为k时刻基于多个NARMA-L2子模型的前馈控制器的输出。
可选的,基于多个NARMA-L2子模型的复合控制器如下:
uh(k)=uc(k)+ua(k) (10)
式中,
其中,uh(k)表示基于多个NARMA-L2子模型的复合控制器的输出;ua(k)表示PID控制器的输出;e(k)表示k时刻期望轨迹和测量的压电式快速转向镜平台角度输出之间的误差;Kp,Ki以及Kd是需要调节的PID参数。
本申请的显著包括:(1)采用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性建模,其建模精度比传统的数学模型以及NARMA模型高;(2)多个NARMA-L2子模型更便于控制器设计,可以根据所辨识出模型直接推导出前馈控制器,而无需重新辨识逆回滞模型,减少了控制器设计的复杂度;(3)所提出的基于多个NARMA-L2子模型的复合控制器的控制精度高,鲁棒性高。
附图说明
图1为本申请实施例提供的复合神经网络示意图;
图2为本申请实施例提供的基于多个NARMA-L2子模型的前馈控制器原理示意图;
图3为本申请实施例提供的基于多个NARMA-L2子模型的复合控制器原理示意图;
图4为本申请实施例提供的实验装置示意图;
图5为本申请实施例提供的复合控制器对于回滞的抑制效果图;
图6为本申请实施例提供的复合控制器跟踪误差图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面首先结合附图对本申请实施例适用进行介绍。
本申请提供一种提高压电式快速转向镜平台定位精度的方法,方法包括:
步骤1,利用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性进行建模。
步骤1-1,将压电式快速转向镜平台的输入电压范围[Umin,Umax]均匀等分为N个子区间,公式如下:
[U1,U2],[U3,U4],…,[UN,UN+1](1)
式中,U1=Umin,UN+1=Umax;每个区间长度为(Umax-Umin)/N;
步骤1-2,用多个NARMA-L2子模型分别描述每个子区间的回滞非线性,其中,每一NARMA-L2模型,分别对应一个子区间;公式如下:
式中,
ψ(k)=[u(k-1),…,u(k-nu),y(k),…,y(k-ny)]T (3)
其中,nu和ny是***阶数;下标Δ(k)是根据当前输入u(k)算出激活对应的子模型的序号;ψ(k)是回归向量;fΔ(k)和gΔ(k)是第Δ(k)个子模型对应的两个非线性映射;是多个NARMA-L2子模型的预测输出。
步骤2,设计训练输入信号,采集压电式快速转向镜平台的输出数据,采用复合神经网络训练以模拟其角度输出;其中,复合神经网络包括两个MLP网络,每个MLP网络包括一层输入层、一层隐藏层以及一层输出层,将其中一个MLP网络输出层的结果和k时刻输入电压相乘,然后再和另外一个MLP网络输出层结果相加,作为复合神经网络的预测输出。
具体的,包括:步骤2-1,数据采集:
为了充分激励压电式快速转向镜平台的回滞非线性,训练输入信号用随机信号产生;根据采集到的输出数据,构建训练集其中M是训练集中总的采样数;
步骤2-2,数据分配:根据公式(4),将T中数据分配给每个子模型;
步骤2-3,网络训练:利用复合神经网络分别训练每个子模型,公式如下:
y(k+1)=NfΔ(k)[ψ(k)]+NgΔ(k)[ψ(k)]u(k) (5)
式中,NfΔ(k)和NgΔ(k)是两个MLP网络,分别用来估计非线性函数fΔ(k)和gΔ(k),y(k+1)为k+1时刻的压电式快速转向镜平台的输出角度。
步骤3,利用一步超前预测误差以及约束优化算法,设计基于多个NARMA-L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿。
具体的,包括:
步骤3-1,确定基于多个NARMA-L2子模型的控制器:
根据一步超前预测误差,确定每个子模型的目标函数Ji(k):
式中,yd(k+1)表示k+1时刻的期望跟踪的轨迹信号;表示第i个子模型的预测输出;uci(k)表示第i个子控制器的输出;uc(k-1)表示k-1时刻的控制输出;λ是惩罚因子,用来平衡跟踪性能和控制信号平滑度之间的关系;
利用约束优化算法,解出(6)中的最优解方法如下:
式中,
步骤3-2,确定子控制器切换方法;
将(7)带入(6)中,求出每个子模型在k时刻最优的目标函数值然后找出在k时刻最小的目标函数值的序号l,并在切换到该子控制器,公式如下:
式中,uc(k)为k时刻基于多个NARMA-L2子模型的前馈控制器的输出。
步骤4,设计PID反馈控制器,构成基于多个NARMA-L2子模型的复合控制器,进一步对压电式快速转向镜平台的回滞进行精补偿,提高定位精度。
基于多个NARMA-L2子模型的复合控制器如下:
uh(k)=uc(k)+ua(k) (10)
式中,
其中,uh(k)表示基于多个NARMA-L2子模型的复合控制器的输出;ua(k)表示PID控制器的输出;e(k)表示k时刻期望轨迹和测量的压电式快速转向镜平台角度输出之间的误差;Kp,Ki以及Kd是需要调节的PID参数。
下面结合具体实验证实本申请实施例。
本申请中所有的实验都在图4所示的实验装置中完成,其中目标机的型号是LX3160,数据采集板的型号是ADT800,均采购于中国盛博有限公司;控制机箱的型号是E517,压电式快速转向镜平台的型号是T-T104,均采购于德国PhysikInstrumente公司。该压电式快速转向镜平台的行程是0-10mrad,控制输入电压的范围是0-10V。按照具体实施方式中的方法进行控制器设计,其中步骤1中的子模型数量N设置为10;步骤3中的λ设置为0.005;步骤4中的Kp设置为1.2,Ki设置为0.2,以及Kd设置为0.001。这些参数在实验中均需要通过试凑法调出。
为了验证基于多个NARMA-L2模型的复合控制器的高精度跟踪性能,设计了一个幅度和频率都在变化的参考轨迹yr,公式如下:
yr(t)=3e-0.15t[sin(40πte-1.2t-1.5)+1]+1(mrad) (12)
式中,yr加了1mrad的偏置,这是由于所采用的压电式快速转向镜平台不能输入负电压。为了让期望轨迹yd在初始时刻不发生跳变,在实验中加入了一个全通滤波器,公式如下:
式中,ζ设置为1,ωn设置为200πrad/s。
为了比较基于多个NARMA-L2子模型的复合控制器的性能,也实现了常见的两种控制器:基于逆Bouc-Wen模型的复合控制器和基于逆NARMA模型的复合控制器。结合图5和图6,本申请提高压电式快速转向镜平台定位精度的方法,实验结果如下:
如图5所示为本申请实施例提供的复合控制器对于回滞的抑制效果复合控制器的跟踪误差。
如图6所示为本申请实施例提供的复合控制器的跟踪误差。
从图5、图6可以清晰地看出,所提出的基于多个NARMA-L2子模型的复合控制器的跟踪性能在高频处要明显优于其他两种控制器。
综上所述,本发明提出的一种提高压电式快速转向镜平台定位精度的方法,其显著优点为:(1)采用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性建模,其建模精度比传统的数学模型以及NARMA模型高;(2)多个NARMA-L2子模型更便于控制器设计,可以根据所辨识出模型直接推导出前馈控制器,而无需重新辨识逆回滞模型,减少了控制器设计的复杂度;(3)所提出的基于多个NARMA-L2子模型的复合控制器的控制精度高,鲁棒性高。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (5)
1.一种提高压电式快速转向镜平台定位精度的方法,其特征在于,所述方法包括:
步骤1,利用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性进行建模;
步骤2,设计训练输入信号,采集压电式快速转向镜平台的输出数据,采用复合神经网络训练以模拟其角度输出;其中,复合神经网络包括两个MLP网络,每个MLP网络包括一层输入层、一层隐藏层以及一层输出层,将其中一个MLP网络输出层的结果和k时刻输入电压相乘,然后再和另外一个MLP网络输出层结果相加,作为复合神经网络的预测输出;
步骤3,利用一步超前预测误差以及约束优化算法,设计基于多个NARMA-L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿;
步骤4,设计PID反馈控制器,构成基于多个NARMA-L2子模型的复合控制器,对压电式快速转向镜平台的回滞进行精补偿。
2.根据权利要求1所述的一种提高压电式快速转向镜平台定位精度的方法,其特征在于,利用多个NARMA-L2子模型对压电式快速转向镜平台的回滞非线性进行建模,包括:
步骤1-1,将压电式快速转向镜平台的输入电压范围[Umin,Umax]均匀等分为N个子区间,公式如下:
[U1,U2],[U3,U4],…,[UN,UN+1] (1)
式中,U1=Umin,UN+1=Umax;每个区间长度为(Umax-Umin)/N;
步骤1-2,用多个NARMA-L2子模型分别描述每个子区间的回滞非线性,其中,每一NARMA-L2模型,分别对应一个子区间;公式如下:
式中,
ψ(k)=[u(k-1),…,u(k-nu),y(k),…,y(k-ny)]T (3)
其中,nu和ny是***阶数;下标Δ(k)是根据当前输入u(k)算出激活对应的子模型的序号;ψ(k)是回归向量;fΔ(k)和gΔ(k)是第Δ(k)个子模型对应的两个非线性映射;是多个NARMA-L2子模型的预测输出。
3.根据权利要求2所述的一种提高压电式快速转向镜平台定位精度的方法,其特征在于,复合神经网络采用以下方法训练:
步骤2-1,数据采集:
为了充分激励压电式快速转向镜平台的回滞非线性,训练输入信号用随机信号产生;根据采集到的输出数据,构建训练集其中M是训练集中总的采样数;
步骤2-2,数据分配:根据公式(4),将T中数据分配给每个子模型;
步骤2-3,网络训练:利用复合神经网络分别训练每个子模型,公式如下:
y(k+1)=NfΔ(k)[ψ(k)]+NgΔ(k)[ψ(k)]u(k) (5)
式中,NfΔ(k)和NgΔ(k)是两个MLP网络,分别用来估计非线性函数fΔ(k)和gΔ(k),y(k+1)为k+1时刻的压电式快速转向镜平台的输出角度;其中,ψ(k)是回归向量;u(k)是当前时刻输入;fΔ(k)和gΔ(k)是第Δ(k)个子模型对应的两个非线性映射。
4.根据权利要求1所述的一种提高压电式快速转向镜平台定位精度的方法,其特征在于,利用一步超前预测误差以及约束优化算法,设计基于多个NARMA-L2子模型的前馈控制器,对压电式快速转向镜平台的回滞进行粗补偿,包括:
步骤3-1,确定基于多个NARMA-L2子模型的控制器:
根据一步超前预测误差,确定每个子模型的目标函数Ji(k):
式中,yd(k+1)表示期望跟踪的轨迹信号;表示第i个子模型的预测输出;uci(k)表示第i个子控制器的输出;uc(k-1)表示k-1时刻的控制输出;λ是惩罚因子,用来平衡跟踪性能和控制信号平滑度之间的关系;
利用约束优化算法,解出(6)中的最优解方法如下:
式中,
步骤3-2,确定子控制器切换方法;
将(7)带入(6)中,求出每个子模型在k时刻最优的目标函数值然后找出在k时刻最小的目标函数值的序号l,并在切换到该子控制器,公式如下:
式中,uc(k)为k时刻基于多个NARMA-L2子模型的前馈控制器的输出。
5.根据权利要求1所述的一种提高压电式快速转向镜平台定位精度的方法,其特征在于,基于多个NARMA-L2子模型的复合控制器如下:
uh(k)=uc(k)+ua(k)(10)式中,
其中,uh(k)表示基于多个NARMA-L2子模型的复合控制器的输出;ua(k)表示PID控制器的输出;e(k)表示k时刻期望轨迹和测量的压电式快速转向镜平台角度输出之间的误差;Kp,Ki以及Kd是需要调节的PID参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661516.1A CN115951364B (zh) | 2022-12-23 | 2022-12-23 | 一种提高压电式快速转向镜平台定位精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661516.1A CN115951364B (zh) | 2022-12-23 | 2022-12-23 | 一种提高压电式快速转向镜平台定位精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115951364A CN115951364A (zh) | 2023-04-11 |
CN115951364B true CN115951364B (zh) | 2024-03-12 |
Family
ID=87288448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211661516.1A Active CN115951364B (zh) | 2022-12-23 | 2022-12-23 | 一种提高压电式快速转向镜平台定位精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951364B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009086220A1 (en) * | 2007-12-21 | 2009-07-09 | University Of Florida | Systems and methods for offset-free model predictive control |
CN101715257A (zh) * | 2009-11-20 | 2010-05-26 | 东北大学 | 电炉电极智能控制器 |
CN201654405U (zh) * | 2010-03-24 | 2010-11-24 | 国网电力科学研究院 | 光纤光栅解调*** |
CN103439968A (zh) * | 2013-08-28 | 2013-12-11 | 浙江大学 | 存在控制阀粘滞特性的化工过程的控制性能测定方法 |
CN104238366A (zh) * | 2014-09-29 | 2014-12-24 | 中国科学院自动化研究所 | 基于神经元网络的压电陶瓷执行器的预测控制方法及装置 |
CN106773694A (zh) * | 2016-12-26 | 2017-05-31 | 东北电力大学 | 压电精密位置平台自适应输出反馈逆控制方法 |
CN111931411A (zh) * | 2020-05-25 | 2020-11-13 | 吉林大学 | 压电驱动微定位平台Duhem动态迟滞建模方法 |
CN114114928A (zh) * | 2021-12-01 | 2022-03-01 | 吉林大学 | 一种压电微定位平台的固定时间自适应事件触发控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IES20020063A2 (en) * | 2001-01-31 | 2002-08-07 | Predictions Dynamics Ltd | Neutral network training |
US9174839B2 (en) * | 2008-01-30 | 2015-11-03 | Imbed Biosciences, Inc. | Methods and compositions for wound healing |
CN111523236A (zh) * | 2020-04-24 | 2020-08-11 | 哈尔滨工业大学 | 基于Koopman算子的压电陶瓷迟滞模型线性化辨识方法 |
CN112286047B (zh) * | 2020-09-28 | 2022-04-08 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
-
2022
- 2022-12-23 CN CN202211661516.1A patent/CN115951364B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009086220A1 (en) * | 2007-12-21 | 2009-07-09 | University Of Florida | Systems and methods for offset-free model predictive control |
CN101715257A (zh) * | 2009-11-20 | 2010-05-26 | 东北大学 | 电炉电极智能控制器 |
CN201654405U (zh) * | 2010-03-24 | 2010-11-24 | 国网电力科学研究院 | 光纤光栅解调*** |
CN103439968A (zh) * | 2013-08-28 | 2013-12-11 | 浙江大学 | 存在控制阀粘滞特性的化工过程的控制性能测定方法 |
CN104238366A (zh) * | 2014-09-29 | 2014-12-24 | 中国科学院自动化研究所 | 基于神经元网络的压电陶瓷执行器的预测控制方法及装置 |
CN106773694A (zh) * | 2016-12-26 | 2017-05-31 | 东北电力大学 | 压电精密位置平台自适应输出反馈逆控制方法 |
CN111931411A (zh) * | 2020-05-25 | 2020-11-13 | 吉林大学 | 压电驱动微定位平台Duhem动态迟滞建模方法 |
CN114114928A (zh) * | 2021-12-01 | 2022-03-01 | 吉林大学 | 一种压电微定位平台的固定时间自适应事件触发控制方法 |
Non-Patent Citations (11)
Title |
---|
A Review on Model and Control of Electromagnetic Active Engine Mounts;Henghai Zhang 等;《Shock and Vibration》;第1-20页 * |
NARMA-L2模型的改进及其神经网络自校正控制器;侯小秋 等;《黑龙江科技大学学报》;第782-787页 * |
NARMAX model based pseudo-Hammerstein identification for rate-dependent hysteresis;Liang Deng 等;《Fifth International Conference on Intelligent Control and Information Processing》;第155-162页 * |
一种带智能补偿器的神经网络控制器及其应用;刘淑祥 等;《南京航空航天大学学报》;第772-777页 * |
压电式快速反射镜***建模与传递函数辨识;陆金磊 等;《上海航天》;第110-115页 * |
基于NBPID的回滞***控制;张达科 等;《计算机测量与控制》;第940-943页 * |
基于动态递归神经网络的超磁致伸缩驱动器精密位移控制;曹淑瑛 等;《中国电机工程学报》;第106-111页 * |
基于神经网络控制器的直流无刷电动机控制研究;任晶莹 等;《农机化研究》;第226-229页 * |
扫描探针显微镜中压电执行器回滞非线性软计算建模及其实时补偿;黄自元 等;《电子显微学报》;第331-337页 * |
暂冲式高速风洞流场控制***建模与仿真;芮伟 等;《实验流体力学》;第89-95页 * |
飞行器垂直尾翼的神经网络模型辨识;孙丽华 等;《振动.测试与诊断》;第684-688、712-713页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115951364A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR900005546B1 (ko) | 적응프로세스 제어장치 | |
CN111459051B (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
CN110154028A (zh) | 机械臂无模型自适应积分终端滑模控制方法 | |
CN108614425A (zh) | 移动机器人自适应积分滑模控制方法 | |
CN110221541A (zh) | 伺服***中前馈控制器的前馈系数获取装置、方法 | |
CN111506996B (zh) | 一种基于辨识误差受限的转台伺服***自适应辨识方法 | |
CN107831654A (zh) | 不确定线性离散***的保性能预见重复控制器的控制方法 | |
Xie et al. | Adaptive fractional order PI controller design for a flexible swing arm system via enhanced virtual reference feedback tuning | |
CN111740658B (zh) | 基于策略迭代的电机***最优调节控制方法 | |
CN113467236B (zh) | 一种对误差信号进行时滞补偿的方法 | |
CN115951364B (zh) | 一种提高压电式快速转向镜平台定位精度的方法 | |
CN113179044B (zh) | 一种压电陶瓷驱动器的迟滞补偿方法、***及定位设备 | |
Liu et al. | Time‐iteration‐domain integrated learning control for robust trajectory tracking and disturbance rejection: With application to a PMLSM | |
CN108919646B (zh) | 一种基于支持向量机的快速偏转镜视轴抖振抑制方法 | |
Collings et al. | An information-state approach to risk-sensitive tracking problems | |
CN107807532B (zh) | 一种用于超磁致伸缩隔振平台的自适应逆隔振控制方法 | |
Tavakoli et al. | Kalman filter-smoothed random walk based centralized controller for multi-input multi-output processes | |
CN113110021B (zh) | 一种用于伺服***辨识与控制器设计的方法 | |
CN113641193B (zh) | 一种非最小相位***精确跟踪控制方法 | |
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 | |
Liao et al. | Adaptive sliding mode control without knowledge of uncertainty bounds | |
CN110308655B (zh) | 一种基于a3c算法的伺服***补偿方法 | |
CN113110064A (zh) | 基于Duhem逆模型的压电动态迟滞前馈补偿方法 | |
CN112379601A (zh) | 基于工业过程的mfa控制***设计方法 | |
Nwoke et al. | Asymmetric Barrier Lyapunov Function Self Optimizing Control For Brushless DC Motor With Globalized Constrained Nelder-Mead Algorithm |
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 |