买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春光华学院;吉林大学

摘要：本发明公开了一种压电陶瓷微动平台的数据驱动自适应滑模迭代控制方法，属于微纳控制技术领域。该方法在基于紧格式动态线性化的滑模迭代控制的基础上，考虑了系统迭代不确定性，设计数据驱动控制器。与现有的技术相比，本发明不需要任何压电陶瓷微动平台的迟滞非线性模型等其他模型的信息，引入了紧格式动态线性化数据模型，避免了平台建模的复杂过程和所建模型的精确度对控制器有效性的影响；采用对角递归神经网络拟合系统未建模动态且控制器在非严格重复系统中误差收敛。

主权项：1.一种压电陶瓷微动平台的数据驱动自适应滑模迭代控制方法，其特征在于，该方法的步骤如下：步骤1：将压电陶瓷微动平台描述为如下非线性非仿射系统：ylk+1＝fulk,ylk,ξk,k1其中，和分别是系统在k时刻的输入电压和输出位移，l为迭代次数，f·是一个未知的非线性函数，ξk为系统中未建模动态信息；当f·满足对任意变量的偏导数连续且满足广义Lipschiz条件时，压电陶瓷微动平台1可以等价为如下的紧格式动态线性化的数据模型：ylk+1＝ylk+lk+ξk△ulk2其中，lk称为伪偏导数，伪偏导数在任意时刻有界；Δulk为控制量变化量；步骤2：定义伪偏导数准则函数为： 其中为惩罚因子，限制lk的变化范围；将式2代入式3中，根据得到伪偏导数估计公式为： 其中φ∈0，1]为伪偏导数有界性相关参数；步骤3：定义滑模面如下：sk＝θχk5其中，θ为滑模面相关参数，参与误差收敛性分析；χk为误差；由式5可得k+1时刻滑模面为： yrk+1为k+1时刻的期望输入；步骤4：利用对角递归神经网络拟合系统未建模动态；所述神经网络拟合前向公式： 为隐含层第j个神经元与输出层连接的权值，Gjk为k时刻隐含层第j个神经元的输出，为激活函数，Sjk为k时刻隐含层第j个神经元的输入，为隐含层第j个神经元递归权值，为输入层第i个神经元与隐含层第j个神经元的连接权值；Aik为k时刻输入层第i个神经元的输入；m为输入层神经元数量，n为隐含层神经元数量；所述对角递归神经网络的输入为k-1时刻的输出位移ulk-1、k时刻的输入电压ylk、k+1时刻的期望输入电压yrk+1；神经网络权值调整通过梯度下降法实现，elk为k时刻误差，梯度下降法公式可表示为步骤5：为求得数据驱动滑模控制趋近律，定义指数趋近律如下：sk+1＝1-qTsk-λTsgnsk8其中，q为指数趋近参数，用以调节误差收敛速度，T为采样步长，λ为饱和函数限制参数，sgn·为符号函数；由6、7和8可得数据驱动自适应滑模控制律如下： 步骤6：为进一步改善控制器性能，在原数据驱动自适应滑模控制的基础上引入迭代学习控制，并采用自适应学习率提高其控制性能；迭代控制律如下： 其中，为自适应学习率；由9和10，最终控制律总结如下：

全文数据：

权利要求：

百度查询： 长春光华学院 吉林大学 一种压电陶瓷微动平台的数据驱动自适应滑模迭代控制方法