[发明专利]一种压电陶瓷驱动器的自适应学习控制方法

摘要

本发明是一种压电陶瓷驱动器的自适应学习控制方法。包括如下步骤1）建立压电陶瓷驱动器的动态迟滞模型，设计人工神经网络与PID结合的控制方法；2）采用强化学习算法在线实现PID参数的自适应整定；3）采用一个三层径向基函数网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近；4）径向基函数网络第一层输入系统误差、误差的一次差分和二次差分；5）强化学习中的执行器实现系统状态到PID三个参数的映射；6）强化学习中评价器则对执行器的输出进行评判并且生成误差信号，利用该信号来更新系统的各个参数。本发明解决压电陶瓷驱动器的迟滞非线性问题，提高压电陶瓷驱动平台的重复定位精度，消除压电陶瓷的迟滞非线性对系统的影响。

主权项

一种压电陶瓷驱动器的自适应学习控制方法，其特征在于包括有如下步骤：(1)首先建立压电陶瓷驱动器的动态迟滞模型，再设计人工神经网络与PID结合的控制方法；(2)采用强化学习算法在线实现PID参数的自适应整定；(3)采用一个三层的径向基函数神经网络同时对强化学习算法中执行器的策略函数和评价器的值函数进行逼近；(4)径向基函数神经网络第一层为输入层，分别输入系统误差、误差的一次差分和二次差分；(5)强化学习算法中的执行器实现系统状态到PID三个参数的映射；(6)强化学习算法中评价器则对执行器的输出进行评判并且生成误差信号，利用该信号来更新系统的各个参数；上述步骤1)人工神经网络与PID结合的控制方法具体包括如下步骤：11)将前馈补偿PID控制算法进行离散化；12)在反馈中，期望输入位移和实际的输出位移进行比较，所得的误差即为PID控制器的输入信号；13)误差经过状态转换器转换成为强化学习算法所需要的状态向量；14)由系统误差、误差的一次差分和二次差分组成的状态向量作为人工神经网络的输入层；15)人工神经网络的隐层节点基函数选用高斯型核函数；16)人工神经网络的输出层由执行器和评价器两部分组成，执行器部分输出PID的参数，评价器则输出值函数，用来判断执行动作的优劣。