多迟滞耦合非线性系统耦合机理及其智能控制研究

The parallel micro-manipulator is one of the most important devices in the microelectronic industry. However, the control accuracy of the parallel micro-manipulators cannot achieve nanoscale because of the multi-hysteresis coupling nonlinearity, which has been the bottleneck of the rapid development of the ultra-precision machining and related industries. The project aims to improve the control accuracy of the parallel micro-manipulators. The theories and approaches describing rate-dependence, load-dependence and creep are researched so that the dynamic hysteretic operators (DHOs) are constructed. Based on the DHOs, neural network-based dynamic hysteresis models can be obtained using the expanded space method. Based on the dynamic hysteresis models, control schemes are proposed to compensate the hysteresis nonlinearities. In this way, the ultra-precision control of the hysteresis nonlinearities for the parallel micro-manipulator can be achieved. The project is expected to become the cornerstone of the nanoscale control of the parallel micro-manipulators.

并联微动台是微电子业最重要的装备之一，但由于多迟滞耦合非线性的存在，其控制精度无法达到纳米级，这已成为超精密加工及相关行业快速发展的瓶颈。本项目以提高并联微动台控制精度为目标，从研究描述率相关性、负载动力学相关性和蠕变特性的理论与方法入手，构造动态迟滞算子，采用扩展空间法，建立基于神经网络的动态迟滞非线性模型。基于迟滞非线性模型，研究迟滞非线性的补偿方案。从而，实现并联微动台迟滞非线性的超精密控制。该项目可望为实现并联微动台的纳米级控制奠定坚实基础。

并联微动台作为超精密定位系统，常采用压电执行器作为其驱动装置，但压电执行器固有的迟滞非线性严重影响了系统控制精度。课题组根据压电执行器动态迟滞非线性的特征，提出了一个可变阶迟滞算子。基于该迟滞算子，构造了一个基础迟滞模型。由该基础迟滞模型的输出信号与迟滞非线性的输入信号一起构成神经网络的输入空间，这样神经网络的输入空间由一维被扩展为了二维，并从理论上证明了扩展后的神经网络输入空间与输出空间之间的映射仅包括一对一映射和多对一映射，而不包括神经网络无法逼近的一对多映射。由此，解决了神经网络无法逼近多值映射非线性的问题，进而建立了基于神经网络的动态迟滞非线性模型。最后的实验结果证明了该建模方法的有效性。.此外，课题组还结合PI模型和Preisach模型的优点，提出了一种混合PI-Preisach模型，该模型具有PI模型和Preisach模型两者的优点，同时还易于在Matlab/Simulink环境下数字实现。.最后，课题组对迟滞非线性逆补偿方法进行了研究。由于隐式模型存在的不足，课题组提出了一种显式迟滞非线性模型，并构造了逆模型，提出了基于逆补偿的控制策略。实验结果表明，该显式模型可以描述各种输入频率下的迟滞非线性，所提出的逆补偿方案也能较好地补偿迟滞非线性的消极影响。

内容获取失败，请点击重试