提出了基于内积的压电陶瓷动态神经网络非线性、非光滑迟滞逆模型,采用反馈误差学习方法,快速地在线得到压电陶瓷的逆模型,避免了通过正模型求取压电陶瓷的Jacobian信息。结合PID反馈控制,在dSPACE系统平台上实现了压电陶瓷的神经网络...提出了基于内积的压电陶瓷动态神经网络非线性、非光滑迟滞逆模型,采用反馈误差学习方法,快速地在线得到压电陶瓷的逆模型,避免了通过正模型求取压电陶瓷的Jacobian信息。结合PID反馈控制,在dSPACE系统平台上实现了压电陶瓷的神经网络自适应逆控制。为提高实时性,采用了效率高、速度快的C-MEX S Function编程。实验结果表明:神经网络自适应逆控制的控制精度为0.13μm,而PID控制精度为0.32μm。所提出方法有效地消除了迟滞的影响,控制精度高。展开更多
文摘提出了基于内积的压电陶瓷动态神经网络非线性、非光滑迟滞逆模型,采用反馈误差学习方法,快速地在线得到压电陶瓷的逆模型,避免了通过正模型求取压电陶瓷的Jacobian信息。结合PID反馈控制,在dSPACE系统平台上实现了压电陶瓷的神经网络自适应逆控制。为提高实时性,采用了效率高、速度快的C-MEX S Function编程。实验结果表明:神经网络自适应逆控制的控制精度为0.13μm,而PID控制精度为0.32μm。所提出方法有效地消除了迟滞的影响,控制精度高。
