压电陶瓷驱动器的建模分析与自适应逆控制

压电陶瓷驱动器的迟滞特性可用 Prandtl- Ishlinskii启动模型 (PIOP)描述 ,基于此本文提出一种自适应逆控制方案 .对象和逆控制器分别由一个 Prandtl- Ishlinskii停止模型 (PIOS)表示 ,应用稳定的归一化修正梯度算法 ,进行权值在线更新并收敛于驱动器逆模型实际值 .以降低非线性导致的控制误差提高控制品质     

对迟滞三明治系统基于Duhem算子的自适应控制

对具有迟滞非线性的三明治系统,设计了基于Duhem算子的神经网络自适应控制器.首先对前端动态子系统进行近似补偿;然后用Duhem算子描述所提出的迟滞状态,用神经网络逼近迟滞状态与迟滞输出的关系,实现对迟滞非线性的建模.基于该迟滞模型并采用伪控制技术设计神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性,并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.     

迟滞非线性系统的建模与控制

介绍了对不平滑、多映射迟滞非线性系统的研究成果,重点阐述了迟滞建模与控制器设计的研究现状.详细地分析比较了Preisach模型和线性迟滞模型优缺点.在控制器设计方法方面,比较了常用的两类基于逆模型补偿方案的特点、差别和适应范围,并扼要论述了其他控制方案.最后,对迟滞研究中仍需解决的问题和未来发展方向进行了探讨.     

循环神经网络前馈补偿的压电驱动器跟踪控制

压电驱动器固有的迟滞特性,以及其他动态特性严重地影响其跟踪性能.循环神经网络能够准确拟合非线性系统,并且具有记忆存储能力,本文设计了一种循环神经网络对压电驱动器的迟滞特性进行建模,进而得到能够准确模拟输出位移和输入电压之间关系的逆模型,并据此对压电驱动器进行前馈补偿.此外,考虑到建模误差以及其他扰动对驱动器跟踪精度的影...     

一类非线性系统的自适应控制

针对一类非线性系统，利用微分几何方法中的反馈线性化方法将其等价表示为时变线性系统，再设计一个最小方差自校正调节器，利用参数估计中最成熟的递推最小二乘法对系统参数进行估计，并结合利用最小方差控制策略，实现了对原非线性系统的自适应控制．仿真表明了所提方法的有效性．     

压电陶瓷驱动器迟滞非线性误差的建模与分析

压电陶瓷驱动器的最大迟滞非线性误差可以超过输出行程的15%,而快刀伺服系统(FTS)要求重复定位精度优于10 nm,相对线性度误差优于0.5%,压电陶瓷驱动器的误差无法满足该精度要求;首先对压电陶瓷迟滞非线性误差进行实验分析,将迟滞非线性误差分为频率无关迟滞现象和频率相关迟滞现象;接着对Bouc-Wen(BW)和Prandtl-Ishlinskii(PI)的频率无关迟滞模型进行修正和对比,确定了采用PI模型描述本文的频率无关迟滞现象,PI模型对频率无关迟滞曲线的辨识精度为0.392%;然后设计基于Hammerstein模型的频率相关迟滞模型,Hammerstein模型对频率相关迟滞曲线的辨识误差相比PI模型时,其均方根值降低了88.068%;提出了压电陶瓷驱动器迟滞非线性误差的建模方法,并分析了其有效性和准确性,给FTS伺服控制提供了一种实用的前馈控制器。     

基于状态全反馈的动态迟滞非线性系统自适应控制

该文针对不平滑、多映射动态迟滞非线性系统，提出了一种基于神经网络自适应控制方案。在该方案中，通过利用神经网络来逼近模型误差，避免了目前常用逆模型补偿方案中，需求取复杂逆模型的问题。应用Lyapnov稳定定理，证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内。仿真结果表明，所提出的控制方案能够有效补偿迟滞非线性对系统的影响。     

迟滞非线性动态系统神经网络自适应控制

为了减轻非线性动态系统中未知迟滞(Hysteresis)的不良影响,该文提出了一类Backlash型迟滞模型。将有限数量不同宽度的Backlash(Matlab／Simulink)算子进行叠加,来仿真执行器中的迟滞非线性动态。用此模型,提出了基于径向基函数神经网络的自适应控制方案,以控制伴有未知迟滞的非线性动态系统。该方案采用了动态逆的思想及伪控制的概念。利用Lyapunov稳定理论,设计了两个鲁棒控制项,保证动态系统的稳定性、系统中所有信号有界和误差收敛到起点的领域内。通过Matlab／Simulink仿真实验,证明了所提出方案的有效性。     

压电陶瓷执行器的动态迟滞非线性特性建模

针对精密定位系统中压电陶瓷执行器的迟滞非线性特性建模问题,提出了一种基于Hammerstein迟滞模型的建模方法。通过引入一个Backlash类的算子来描述迟滞非线性的轮廓。在利用"扩展输入空间法"将迟滞特性的多值映射转换为一一映射的基础上,采用引力搜索算法优化的支持向量回归机建立静态迟滞模型。为体现迟滞的动态特性,用ARX模型表征迟滞环的率相关性,从而建立了Hammerstein级联模型。并从精密定位系统中采集了实测数据,通过电容传感器获取压电陶瓷执行器给定电压下的位移值,对所提出的模型进行了实验。实验表明:该模型具有较好的性能,辨识过程简便且易于工程实现。     

压电迟滞系统的3阶滑模跟踪控制器设计

对一类压电迟滞系统模型,设计了3阶滑模跟踪控制器.引入辅助变量项,对3阶滑模函数获得了一种特定动态方程;根据这个动态方程,求出了滑模控制量;采用Lyapunov方法证明并分析了所有滑模平面的稳定性.仿真实验验证了该滑模跟踪控制器的有效性.     

压电陶瓷驱动器迟滞建模方法研究

压电陶瓷驱动器是原子力显微镜(AFM)的关键组件。AFM在生物、材料及半导体等领域应用广泛,而利用AFM获得高精确的测试结果依然面临诸多挑战。其中,压电陶瓷驱动器具有迟滞、非线性等特点,在大范围高频工作状态下,对定位精度的影响更显著,这严重限制了AFM的进一步应用。本文围绕大范围压电陶瓷驱动器的迟滞性展开研究,设计一种基于改进型多项式拟合算法的迟滞建模方法,使得拟合模型可随输入信号频率的变化而变化,充分提高压电陶瓷迟滞模型的准确性。实验表明,该方法可为压电陶瓷驱动器建立准确的迟滞模型,建模过程简单,通过设计基于该迟滞逆模型的前馈控制算法,可使驱动范围在100μm的压电陶瓷驱动器的线性度提高至1.5%。     

压电陶瓷迟滞神经网络建模与线性补偿控制

针对压电陶瓷的迟滞非线性,本文首先进行实验测量得到压电陶瓷的位移迟滞数据;通过分析实验数据,引入线性方程实现压电陶瓷输入电压与输出位移关系的线性化,并建立了基于多项式拟合算法的神经网络迟滞模型;根据迟滞模型设计前馈控制器,分别采用了前馈开环和前馈结合PID的方法对压电陶瓷迟滞非线性进行补偿控制实验.实验结果表明,采用前馈开环控制,压电陶瓷位移主环迟滞减小了91.84%,位移次环迟滞减小了85.67%,位移跟踪的平均相对误差为2.97%;采用前馈结合PID控制,压电陶瓷位移主环迟滞减小了96.42%,位移次环迟滞减小了88.44%,位移跟踪的平均相对误差为2.04%.证明了该控制方法能有效地抑制压电陶瓷的迟滞非线性.     

基于LS-SVM的SOFC系统自适应逆控制

关于固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)性能的优化问题,其中工作温度和电压是关键参数。针对固体氧化物燃料具有较强的非线性且常规成熟线性理论不适用的特点,提出了一种最小二乘支持向量机(LS-SVM)的自适应逆控制策略。首先建立了SOFC的机理模型,然后采用LS-SVM方法建立了SOFC系统的逆动力学模型。在获得逆动力学模型的基础上,设计了一种逆动力学递推最小二乘支持向量机的控制方法。在自适应逆控制下,逆模型通过RLS算法更新,控制器依据ε-滤波进行在线调整。SOFC系统辨识和仿真结果表明,改进方法的可信性,辨识出的逆动力模型具有较高的精度,所设计的控制器能获得较好的控制性能。仿真结果可以为SOFC的实用化和产业化提供一定的理论依据。     

基于多项式拟合的压电陶瓷迟滞神经网络建模

在压电陶瓷致动器优化设计的研究中,针对压电陶瓷的迟滞非线性特性,提出了一种基于多项式拟合算法的神经网络建模方法.由于压电陶瓷驱动器的迟滞现象是一种多对多的映射关系,而传统的建模方法只能对一对一映射进行建模.为解决上述问题,在对压电陶瓷迟滞现象的形成原因和特点进行深入分析的基础上,采用多项式拟合和神经网络相结合的方法对压电陶瓷驱动器的迟滞现象进行建模.仿真结果表明,采用多项式拟合算法的神经网络建模克服了传统建模方法只能对迟滞曲线进行分段建模的局限性,且拟合精度比较高,神经网络正模型的拟合误差为1.45％,神经网络逆模型的拟合误差为1.16％.表明上述神经网络模型精确地反映了压电陶瓷的迟滞特性.     

基于自适应PI模型的压电陶瓷驱动器精密定位方法

由于具备较高的定位精确度,压电陶瓷驱动器在超精密加工、微纳米测试等领域应用广泛,然而压电陶瓷固有的迟滞性严重影响其定位精确度。本文研究驱动范围对压电陶瓷驱动器迟滞性的影响,实验得出迟滞性随驱动范围增大而显著。而在压电陶瓷驱动器的实际应用中,驱动范围是其主要的设置参数之一。为此,本论文提出基于自适应Prandtle-Ishlinskii（PI）模型的拟合方法,根据不同驱动范围下获得的迟滞曲线的斜率变化趋势设置分段区间,采用二次规划算法辨识PI模型的权重参数,基于分段区间对迟滞曲线进行拟合,大大提高了拟合精确度。设计基于自适应PI模型的逆模型作为前馈控制器对压电陶瓷驱动器进行迟滞补偿,并搭建基于Labview的实验平台验证了该算法的可行性。实验结果表明,基于自适应PI逆模型的前馈控制器将压电陶瓷驱动器的定位精确度提高至1.8nm。     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

基于BP神经网络的自适应补偿控制方法

研究工业过程控制系统补偿问题,对于一类模型未知的SISO非线性系统,传统的控制方法不能获得被控系统的精确数学模型,因而在系统稳定性和鲁棒性上存在缺馅,控制效果不佳。为了提高被控非线性系统的稳定性和鲁棒性,提出了一种基于BP神经网络的自适应补偿控制方法。首先,通过逆系统理推导了被控系统输出和伪控制量之间的误差,然后误差进行在线自适应BP神经网络补偿,从而实现对被控系统的BP神经网络自适应补偿控制,且采用Lyapunov理论证明BP神经而网络的收敛性和闭环系统的稳定性。计算机仿真表明所提方法明显提高了非线性系统的鲁棒控制性能。     

基于神经网络的迟滞非线性补偿控制

提出了一种基于神经网络的迟滞非线性的补偿方法.首先构造一个Duhem逆算子来描述迟滞逆状态.然后利用神经网络来逼近此状态和输出之间的关系来得到神经网络迟滞逆模型,神经网络权值采用反馈误差学习方法来进行在线调整.系统的前馈控制器和反馈控制器分别为逆模型和PID控制器.该方法不需要建立迟滞的正模型,能够在线构造逆模型来实现迟滞补偿.最后通过仿真验证了该方法的有效性.     

一类非线性系统的间接自适应模糊滑模控制

基于启发式知识的模糊控制是一种解决非线性系统控制问题的有效方法。然而其设计缺乏系统性,并且系统的稳定性和鲁棒性难以保证。本文利用滑模控制的概念和Lyapunov综合方法提出一种针对一类非线性系统的间接自适应模糊滑模控制（IAFSMC）方法。仿真研究表明即使在缺少系统先验知识和不确定性干扰的情况下,系统性能也十分理想。