基于神经网络的压电驱动微定位平台迭代学习控制方法研究：非严格重复初始条件与迭代不确定性的协同优化

本文提出了一种新型增强型数据驱动滑模迭代学习控制（E-DDSILC）策略，针对压电驱动微定位（PAMP）平台存在的非严格重复初始条件和迭代不确定性（UDs）问题展开研究。通过引入对角递归神经网络（DRNN）补偿未建模动态，并首次将误差收敛性证明拓展至非严格重复系统，显著提升了控制精度和工程适用性。实验验证表明该方法优于传统DDSILC和E-DDSILC方案。

　　

亮点

本研究创新性地将增强型数据驱动滑模迭代学习控制（E-DDSILC）的应用范围从严格重复系统拓展至非严格重复初始条件系统，并通过对角递归神经网络（DRNN）有效补偿迭代不确定性，为压电驱动微定位（PAMP）平台提供了高精度控制解决方案。

控制器设计

控制器设计分为三部分：

1. 1.

   利用DRNN实时拟合和补偿非重复性未建模动态（UDs），其简单结构和稳定训练特性显著提升动态线性化精度；

2. 2.

   构建数据驱动滑模控制（DDSC）框架，增强系统抗干扰能力；

3. 3.

   基于DDSC设计具有迭代依赖参数学习机制的迭代学习控制（ILC）策略，其独特的学习机制可自适应调整控制参数。

实验验证

在最大驱动力300N、位移分辨率5 nm的PAMP平台上进行对比实验，结果表明：

• •

  新方法跟踪误差比传统E-DDSILC降低63.2%

• •

  在存在±5 μm标称位移偏差时仍保持稳定控制

• •

  成功克服了门控循环神经网络（LSTM）参数复杂的缺陷

结论

本研究提出的E-DDSILC方案通过DRNN补偿和收敛性理论创新，实现了：

? 非严格重复初始条件下误差的严格收敛

? 对未建模动态的有效抑制

? 控制精度比现有方案提升1个数量级

作者贡献声明

周妙雷负责概念设计与基金支持；孙玉龙执笔论文与算法开发；张修宇完成数据可视化；高伟参与方法验证；苏春翌指导理论分析。

利益冲突声明

全体作者声明不存在可能影响研究结果的财务或个人关系。

致谢

感谢国家自然科学基金（62373092）、吉林省科技发展计划（20240101365JC）和吉林大学创新研究计划（2025CX206）的资助。