An Inversion-free Predictive Controller for Piezoelectric Actuators Based on A Dynamic Linearized Neural Network Model

Liu, Weichuan; Cheng, Long; Hou, Zeng-Guang; Yu, Jun; Tan, Min

doi:10.1109/tmech.2015.2431819

Cited by 82 publications

(61 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…With this inversion model, the desired position of the driving object can be determined by the predesigned reference of the end-effector. Third, the model predictive control method proposed in [ 30] is employed to control the PEA to let the driving object reach the desired position. This model predictive controller is able to handle the hysteresis nonlinearity well.…”

Section: Driving Objectmentioning

confidence: 99%

“…In the sub-step control phase, it can be seen that the positioning control of PEAs is one crucial technique for PASS-Ds. Among the advanced control algorithms of PEAs, this paper employs the dynamic linearized neural network based model predictive control method proposed in [ 30] because this method requires no calculation of the inversion of hysteresis and has a satisfactory control performance by experiment validations. The next subsection gives a brief introduction to this model predictive control method.…”

Section: Preliminaries a Control Paradigm Of Passdsmentioning

confidence: 99%

“…displacement of PEAs at the pth sampling point and ρ > 0 is the penalty parameter for limiting the change of control input. Interested readers are referred to[30] for details in the predictive controller design and the experiment validations.…”

mentioning

confidence: 99%

See 2 more Smart Citations

A Neural-Network-Based Controller for Piezoelectric-Actuated Stick–Slip Devices

Cheng

Liu

Yang

et al. 2018

IEEE Trans. Ind. Electron.

Self Cite

105

View full text Add to dashboard Cite

Section: Driving Objectmentioning

confidence: 99%

Section: Preliminaries a Control Paradigm Of Passdsmentioning

confidence: 99%

See 1 more Smart Citation

A Neural-Network-Based Controller for Piezoelectric-Actuated Stick–Slip Devices

Cheng

Liu

Yang

et al. 2018

IEEE Trans. Ind. Electron.

Self Cite

105

View full text Add to dashboard Cite

“…In the hysteresis compensation of the PEA, Wang and Chen presented a novel Duhem model based on the neural network to describe the dynamic hysteresis of PEAs [26]. An inversion-free predictive controller was proposed based on a dynamic linearized multilayer feedforward neural network model [27]. A cerebellar model articulation controller neural network PID controller was also proposed [4].…”

Section: Introductionmentioning

confidence: 99%

Single-Neuron Adaptive Hysteresis Compensation of Piezoelectric Actuator Based on Hebb Learning Rules

Qin

Duan

2020

Micromachines

View full text Add to dashboard Cite

This paper presents an adaptive hysteresis compensation approach for a piezoelectric actuator (PEA) using single-neuron adaptive control. For a given desired trajectory, the control input to the PEA is dynamically adjusted by the error between the actual and desired trajectories using Hebb learning rules. A single neuron with self-learning and self-adaptive capabilities is a non-linear processing unit, which is ideal for time-variant systems. Based on the single-neuron control, the compensation of the PEA’s hysteresis can be regarded as a process of transmitting biological neuron information. Through the error information between the actual and desired trajectories, the control input is adjusted via the weight adjustment method of neuron learning. In addition, this paper also integrates the combination of Hebb learning rules and supervised learning as teacher signals, which can quickly respond to control signals. The weights of the single-neuron controller can be constantly adjusted online to improve the control performance of the system. Experimental results show that the proposed single-neuron adaptive hysteresis compensation method can track continuous and discontinuous trajectories well. The single-neuron adaptive controller has better adaptive and self-learning performance against the rate-dependence of the PEA’s hysteresis.

show abstract

“…Considerando que la mayoría de los modelos de histéresis sólo son válidos para ciertas frecuencias de señal de entrada, se suele utilizar un control feedforward combinado con control feedback, para conseguir un seguimiento más preciso del desplazamiento [5].Además, teniendo en cuenta que modelar la histéresis es un procedimiento complejo, frecuentemente se utilizan planteamientos basados en la identificación del modelo de la planta sin considerar la histéresis. Se suelen aplicar diferentes técnicas de control tales como control PID [6], control robusto H∞ [7], técnica basada en inversión [8], controladores basados en modelos de red neuronal dinámicos linealizados [9], o basados en redes neuronales fuzzy Pi-sigma [10]. Un enfoque alternativo en plataformas movidas por actuadores piezoeléctricos es considerar la histéresis como una perturbación y utilizar técnicas de control deslizante (sliding mode control, SMC) [3], [11].…”

unclassified

Sliding Mode Control con estimación de perturbaciones y superficie deslizante PID para control de actuador piezoeléctrico

Chouza¹,

Barambones²,

Calvo³

et al. 2020

Actas De Las XXXIX Jornadas De Automática, Badajoz, 5-7 De Septiembre De 2018

View full text Add to dashboard Cite

ResumenEn este artículo se propone un control deslizante mejorado con estimación de perturbación (Sliding Mode Control with Perturbation Estimation, SMCPE) y una superficie deslizante tipo PID para el control de posición de un actuador piezoeléctrico. Se utiliza un modelo dinámico del sistema con histéresis Bouc-Wen y un observador para estimar los estados del sistema a partir de la única variable medible, la posición. Las simulaciones realizadas prueban que el rendimiento del controlador propuesto es mejor que el de un PID o de un SMCPE convencional.Palabras clave: control deslizante (SMC), actuador piezoeléctrico (PEA), control preciso de posición, histéresis INTRODUCCIÓNLos actuadores piezoeléctricos (PEAs) y los sistemas de posicionamiento implementados con PEA han sido ampliamente usados en el campo del micro-y nanoposicionamiento [1] debido a su alta resolución de desplazamiento (por debajo del nanómetro), gran fuerza de actuación (típicamente varios cientos de N), alta velocidad de respuesta y alta rigidez. También se han utilizado en aplicaciones como microscopios de sonda de barrido (SPM) o sistemas servo de doble etapa para HDDs [2]. Aun así, el mayor problema de los PEA viene de las no-linealidades debidas a los efectos de histéresis, creep y vibraciones, que han demostrado ser capaces de degradar significativamente el rendimiento del sistema e incluso poner en peligro su estabilidad. Para mitigar estos problemas es importante que al modelarlos se incluyan estos efectos en el modelo de forma que sea posible diseñar e implementar controladores de trayectoria para alcanzar los requisitos de posicionamiento deseados.La histéresis representa la relación no-lineal entre la tensión aplicada y el desplazamiento de salida del PEA. Induce un severo error de posición en bucle abierto de hasta el 10-15% del rango de desplazamiento. Por ello, la histéresis debería ser eliminada para poder utilizar este tipo de actuadores en aplicaciones de alta precisión.La exitosa compensación de la histéresis depende del diseño de una estrategia de control adecuada. Típicamente, la histéresis se compensa con técnicas de control feedforward que utilizan la inversa de algún modelo de histéresis como, por ejemplo, el modelo Preisach, el modelo Duhenm, el modelo Maxwell, el modelo Bouc-Wen [3], o el modelo Prandtl-Ishlinskii [4]. Considerando que la mayoría de los modelos de histéresis sólo son válidos para ciertas frecuencias de señal de entrada, se suele utilizar un control feedforward combinado con control feedback, para conseguir un seguimiento más preciso del desplazamiento [5].Además, teniendo en cuenta que modelar la histéresis es un procedimiento complejo, frecuentemente se utilizan planteamientos basados en la identificación del modelo de la planta sin considerar la histéresis. Se suelen aplicar diferentes técnicas de control tales como control PID [6], control robusto H∞ [7], técnica basada en inversión [8], controladores basados en modelos de red neuronal dinámicos linealizados [9], o basados en redes neuronales fuzzy ...

show abstract

An Inversion-free Predictive Controller for Piezoelectric Actuators Based on A Dynamic Linearized Neural Network Model

Cited by 82 publications

References 39 publications

A Neural-Network-Based Controller for Piezoelectric-Actuated Stick–Slip Devices

A Neural-Network-Based Controller for Piezoelectric-Actuated Stick–Slip Devices

Single-Neuron Adaptive Hysteresis Compensation of Piezoelectric Actuator Based on Hebb Learning Rules

Sliding Mode Control con estimación de perturbaciones y superficie deslizante PID para control de actuador piezoeléctrico

Contact Info

Product

Resources

About