专利汇可以提供一种“粘滞-滑动”微动平台的预测控制方法专利检索,专利查询,专利分析的服务。并且本 发明 提供了一种“粘滞‑滑动”微动平台的预测控制方法,将“粘滞‑滑动”微动平台的 定位 控 制模 式分为亚步控制阶段和单步控制阶段;得到负载压电陶瓷执行器的神经元网络模型以及“粘滞‑滑动”微动平台的亚步控制阶段的预测控制律;并得到“粘滞‑滑动”微动平台长行程定位控制的整体测 控制器 。本发明方法能够避免求取压电陶瓷执行器的逆模型,从而不会受到逆模型 精度 的影响;预测控制律可以在实时控制之前完成,仅有解模糊 算法 需要在实时控制中进行,在线计算量非常小,能够有效的完成高频目标位移 信号 下的压电陶瓷执行器的控制;具有很强的实用价值,能够有效的对“粘滞‑滑动”微动平台的末端器位移进行控制。,下面是一种“粘滞-滑动”微动平台的预测控制方法专利的具体信息内容。
1.一种“粘滞-滑动”微动平台的预测控制方法,其特征在于,包括:
步骤A:根据“粘滞-滑动”微动平台的运动特性,将所述“粘滞-滑动”微动平台的定位控制模式分为亚步控制阶段和单步控制阶段;
步骤B:利用多层前向神经元网络对所述“粘滞-滑动”微动平台的负载压电陶瓷执行器进行建模,得到所述负载压电陶瓷执行器的神经元网络模型;
步骤C:由所述负载压电陶瓷执行器的神经元网络模型,得到所述“粘滞-滑动”微动平台的亚步控制阶段的预测控制律;以及
步骤D:基于所述“粘滞-滑动”微动平台的亚步控制阶段的预测控制律,得到所述“粘滞-滑动”微动平台长行程定位控制的整体测控制器。
2.如权利要求1所述的预测控制方法,其特征在于,所述步骤B包括:
子步骤B1:获取神经元网络模型的训练数据;
子步骤B2:利用多层前向神经元网络对负载压电陶瓷执行器进行建模,得到所述负载压电陶瓷执行器的神经元网络模型表达式;
子步骤B3:利用所述神经元网络模型的训练数据对所述负载压电陶瓷执行器的神经元网络模型表达式进行训练,得到所述负载压电陶瓷执行器的神经元网络模型;以及子步骤B4:根据所述负载压电陶瓷执行器的神经元网络模型,得到负载压电陶瓷执行器工作点的同步线性化模型。
3.如权利要求2所述的预测控制方法,其特征在于,所述子步骤B2包括:所述负载压电陶瓷执行器的神经元网络模型表达式为:
其中, 为神经元网络模型表达式的输出;u(t)为神经元网络模型表达式的输入;y(t)为采集得到的负载压电陶瓷执行器的位移;g为神经元网络模型表达式所代表的映射关系;na、nb为结构参数,代表输入和输出的延时阶数;
向量 得到映射关系g的神经元网络模型表
达式:
其中, 为向量 中的元素个数;nh为隐含层的神经元个数;wji代表第i个输入层到隐含层的权值;vj代表隐含层到第j个输出层的权值; 为向量 中的第i个元素;wj0代表隐含层的常数权值;v0代表输出层的常数权值。
4.如权利要求3所述的预测控制方法,其特征在于,所述子步骤B3包括:
子分步骤B3a:W=[v0,…vj,w11,…w1i,…,wj1,…wji]T为权值向量,所述权值向量的迭代表达式为:
(k+1) (k) (k) (k)
W =W +λ f
其中,λ(k)为步长因子;f(k)为搜索方向;k为迭代次数;
子分步骤B3b:将所述神经元网络模型表达式的输出与采集得到的负载压电陶瓷执行器的位移之间的误差最小设定为模型优化的性能指标,利用Levenberg-Marquardt优化方法对下式进行优化求解:
(k) (k)
其中,G(W )为L(W)的梯度矩阵,R(W )为L(W)的近似Hessian矩阵;
子分步骤B3c:当所述达到模型优化的性能指标时得到权值向量W,将权值向量W代入神经网络模型表达式,得到所述负载压电陶瓷执行器的神经元网络模型。
5.如权利要求4所述的预测控制方法,其特征在于,所述子步骤B4包括:
子分步骤B4a:负载压电陶瓷执行器的工作点向量为 将负载压电陶瓷执行器在工作点的非线性模型:
采用二阶线性展开的方法转化为线性模型:
其中,ai和bi为工作点线性模型的未知参数,其表达式为 和
子分步骤B4b:得到所述工作点线性模型的未知参数的计算公式:
其中, 对应于向量 的第i个元素,得到所述负载压电陶瓷执行器工作点的同步线性化模型。
6.如权利要求2所述的预测控制方法,其特征在于,所述步骤C包括:
子步骤C1:由所述负载压电陶瓷执行器的神经元网络模型,得到负载压电陶瓷执行器工作点的性能指标:以及
子步骤C2:所述负载压电陶瓷执行器工作点的性能指标达到最优时,得到所述“粘滞-滑动”微动平台的亚步控制阶段的预测控制律。
7.如权利要求6所述的预测控制方法,其特征在于,所述子步骤C1包括:负载压电陶瓷执行器工作点的性能指标为:
其中, 为负载压电陶瓷执行器工作点序列,R(t)为负载压电
陶瓷执行器的跟踪目标值序列, 为同步线性化模型的预测输出序列,U为相邻时刻的电压值变化量序列,ρ为惩罚因子,其中,
R(t)=[r(t+N1)...r(t+N2)]T
其中,r(t)为负载压电陶瓷执行器的跟踪目标值序列t时刻的设定值, 为同步线性化模型的预测输出序列t时刻的预测输出值,Δu(t)为某一相邻时刻的电压值变化量,N1为预测时域下界,N2为预测时域上界,Nu为控制时域长度; 中的
所述子步骤C2包括:最优化所述负载压电陶瓷执行器工作点的性能指标:
得到所述相邻时刻的电压值变化量序列U的解析表达式,从而得到“粘滞-滑动”微动平台的亚步控制阶段的预测控制律,其中,U的解析表达式为:
U(t)=(GTG+ρI)-1GT(R(t)-HΔU′(t)-SY′(t))
ΔU′(t)=[Δu(t+1),Δu(t+2),…Δu(t+N2)]T
ΔY′(t)=[y(t),y(t-1),…y(t-na)]T。
8.如权利要求7所述的预测控制方法,其特征在于,所述步骤D包括:
子步骤D1:设定“粘滞-滑动”微动平台的末端器的目标位移值r(k)、跟踪误差指标ε>0和单步行程Δstep,并初始化预测控制器参数ρ;
子步骤D2:计算末端器跟踪误差e(k)=|r(k)-yef(k)|,其中yef(k)为末端器的实时位置;
子步骤D3:判断e(k)>Δstep是否成立,如果成立,则执行子步骤D4,否则,执行子步骤D5;
子步骤D4:执行第一亚步控制过程,计算U(k),实现“粘滞-滑动”微动平台的亚步控制过程;
子步骤D5:执行第二亚步控制过程,计算U(k),实现“粘滞-滑动”微动平台的亚步控制过程。
9.如权利要求8所述的预测控制方法,其特征在于,所述子步骤D4包括:
子分步骤D4a:rp(k)=Δstep,其中rp(k)为负载压电陶瓷执行器的目标位移值;
子分步骤D4b:计算U(k),其中:
U(k)=(GTG+ρI)-1GT(R(k)-HΔU′(k)-SY′(k))
ΔU′(k)=[Δu(k+1),Δu(k+2),…Δu(k+N2)]T
ΔY′(k)=[y(k),y(k-1),…y(k-na)]T
实现“粘滞-滑动”微动平台的亚步控制过程;
子分步骤D4c:计算ep(k)=|rp(k)-y(k)|,其中y(k)为负载压电陶瓷执行器的实时位移值;以及
子分步骤D4d:判断ep(k)<ε是否成立,如果成立,设定U(k)=0并返回执行子步骤D2;否则返回执行子分步骤D4b。
10.如权利要求8所述的预测控制方法,其特征在于,所述子步骤D5包括:
rp(k)=y(k)+e(k),计算U(k),其中:
U(k)=(GTG+ρI)-1GT(R(k)-HΔU′(k)-SY′(k))
ΔU′(k)=[Δu(k+1),Δu(k+2),…Δu(k+N2)]T
ΔY′(k)=[y(k),y(k-1),…y(k-na)]T
实现“粘滞-滑动”微动平台的亚步控制过程。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于波浪振动作用的海底滑坡模拟系统及试验方法 | 2020-05-08 | 857 |
一种下穿城市密集建筑物的盾构施工及监测方法 | 2020-05-11 | 959 |
一种多通道复合连续管缆 | 2020-05-11 | 197 |
一种常闭湿式多片离合器及其执行机构和控制方法 | 2020-05-11 | 224 |
一种基于BIM的深基坑工程安全监测系统 | 2020-05-11 | 258 |
不同埋深、不同构造应力下跨断层隧巷道的力学行为特征模拟测试装置及测试方法 | 2020-05-08 | 334 |
一种紧凑型刚柔耦合平台连接结构及其构成的多轴运动平台 | 2020-05-08 | 318 |
测温系统及包含其的电磁炉测温系统 | 2020-05-11 | 891 |
一种粘结滑移试验用工装 | 2020-05-08 | 991 |
一种带弹簧内盖的瓶口螺旋盖结构 | 2020-05-08 | 744 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。