[发明专利]一种工件台微动MIMO鲁棒模糊神经网络滑模控制方法

摘要

一种工件台微动MIMO鲁棒模糊神经网络滑模控制方法，属于超精密运动控制领域，为了解决光刻机工件台微动部分为实现完全对角解耦形式而进行的近似和忽略操作问题以及水平、竖直方向的未建模耦合特性问题。本发明包括一建立带有扰动项的工件台微动六自由度耦合模型；二针对一建立的带有扰动项的工件台微动六自由度耦合模型确定模型参数不确定性；三根据一和二，采用神经网络对非线性函数进行估计，获得估计结果；四根据一和三确定工件台微动MIMO鲁棒模糊神经网络滑模控制律；五根据四确定的控制律对工件台微动六自由度系统进行控制。本发明用于工件台微动六自由度控制系统。

主权项

一种工件台微动MIMO鲁棒模糊神经网络滑模控制方法，其特征在于，所述控制方法包括如下步骤：步骤一、根据工件台微动六自由度系统，建立带有扰动项的工件台微动六自由度耦合模型；步骤二、针对步骤一建立的带有扰动项的工件台微动六自由度耦合模型确定模型参数不确定性；步骤三、针对步骤一建立的带有扰动项的工件台微动六自由度耦合模型和步骤二的模型参数不确定性，采用神经网络对非线性函数进行估计，获得估计结果；步骤四、根据步骤一建立的带有扰动项的工件台微动六自由度耦合模型和步骤三的神经网络估计结果确定工件台微动MIMO鲁棒模糊神经网络滑模控制律；步骤五、根据步骤四确定的控制律对工件台微动六自由度系统进行控制；所述步骤一中，建立带有扰动项的工件台微动六自由度耦合模型为：Mq··+Cq·=f-fex;]]>其中，M为惯性矩阵，C为克氏矩阵，f为音圈电机推力，fex为扰动项；所述步骤三中，利用神经网络对非线性函数进行估计；估计结果为：其中，和分别为工件台微动六自由度系统的输出速度和加速度，为函数T的神经网络估计，为神经网络估计权值矩阵，a(θ)为激活向量，θ为神经网络输入，为惯性矩阵名义值，△M为惯性矩阵的加性不确定性参数；所述步骤四中，工件台微动MIMO鲁棒模糊神经网络滑模控制律为：f=M^(q··d-αe·-u0)+C^q·u0=w^Ta(θ)+u+(c+σ)s;]]>其中，u为模糊控制项，c＝diag{c1c2c3c4c5c6}和σ＝diag{σ1 σ2 σ3 σ4 σ5 σ6}均为正定对角矩阵，c1、c2、c3、c4、c5和c6表示c的六自由度分量，σ1、σ2、σ3、σ4、σ5和σ6表示σ的六自由度分量，滑模项s＝diag{s1s2s3s4s5s6}，s1、s2、s3、s4、s5和s6分别表示s的六自由度分量，diag代表对角矩阵；表示参考加速度，表示跟踪速度误差，α表示比例系数矩阵。