Abstract Robust and precise motion tracking for micro-electro-mechanical systems in the presence of inherent nonlinearity and external disturbance is of great importance in many applications. Due to high sensitivity to environmental variations, the entire model or some parameters of the system tend to change unexpectedly. Existing offline nonlinearity models are computationally intensive and may be not suitable under system perturbations. In this work, for a class of piezoelectric actuated (PEA) system, a new online neural-network-based sliding mode control (OLNN-SMC) scheme is developed to obtain robust adaptive precision motions. The nonlinearity of the PEA system is identified online and compensated using singularity-free neural networks (NNs). To alleviate the residual NN approximation errors and meanwhile maintain robust stability under external disturbance, a feedback sliding-mode is synthesized into the control law. Considering unknown and varying disturbances, an adaptive mechanism is designed to achieve robust adaptive motion tracking. The controller is implemented and evaluated through experiments on a PEA platform. Results show that the proposed OLNN-SMC is superior to existing proportional-integral-derivative control with disturbance observer (PID+DOB) and adaptive sliding mode control (ASMC) in terms of sinusoidal tracking and disturbance rejection. In particular, the root-mean-square (RMS) errors for sinusoidal tracking at 0.1–10 Hz using the proposed OLNN-SMC are reduced by 83.5% compared with the cases using PID+DOB or ASMC.

中文翻译：

---

使用基于在线神经网络的滑模控制的压电驱动平台的鲁棒自适应运动跟踪

摘要 在存在固有非线性和外部干扰的情况下，对微机电系统进行稳健而精确的运动跟踪在许多应用中具有重要意义。由于对环境变化的高度敏感性，整个模型或系统的某些参数往往会发生意外变化。现有的离线非线性模型计算量很大，可能不适用于系统扰动。在这项工作中，对于一类压电驱动（PEA）系统，开发了一种新的基于在线神经网络的滑模控制（OLNN-SMC）方案，以获得鲁棒的自适应精确运动。在线识别 PEA 系统的非线性并使用无奇异神经网络 (NN) 进行补偿。为了减轻残余NN逼近误差，同时在外部干扰下保持鲁棒稳定性，将反馈滑模合成到控制律中。考虑到未知和变化的干扰，设计了一种自适应机制来实现鲁棒的自适应运动跟踪。该控制器是通过在 PEA 平台上的实验实现和评估的。结果表明，所提出的 OLNN-SMC 在正弦跟踪和干扰抑制方面优于现有的带有干扰观测器 (PID+DOB) 和自适应滑模控制 (ASMC) 的比例积分微分控制。特别是，与使用 PID+DOB 或 ASMC 的情况相比，使用所提出的 OLNN-SMC 在 0.1-10 Hz 处进行正弦跟踪的均方根 (RMS) 误差减少了 83.5%。反馈滑模被合成到控制律中。考虑到未知和变化的干扰，设计了一种自适应机制来实现鲁棒的自适应运动跟踪。该控制器是通过在 PEA 平台上的实验实现和评估的。结果表明，所提出的 OLNN-SMC 在正弦跟踪和干扰抑制方面优于现有的带有干扰观测器 (PID+DOB) 和自适应滑模控制 (ASMC) 的比例积分微分控制。特别是，与使用 PID+DOB 或 ASMC 的情况相比，使用所提出的 OLNN-SMC 在 0.1-10 Hz 处进行正弦跟踪的均方根 (RMS) 误差减少了 83.5%。反馈滑模被合成到控制律中。考虑到未知和变化的干扰，设计了一种自适应机制来实现鲁棒的自适应运动跟踪。该控制器是通过在 PEA 平台上的实验实现和评估的。结果表明，所提出的 OLNN-SMC 在正弦跟踪和干扰抑制方面优于现有的带有干扰观测器 (PID+DOB) 和自适应滑模控制 (ASMC) 的比例积分微分控制。特别是，与使用 PID+DOB 或 ASMC 的情况相比，使用所提出的 OLNN-SMC 在 0.1-10 Hz 处进行正弦跟踪的均方根 (RMS) 误差减少了 83.5%。该控制器是通过在 PEA 平台上的实验实现和评估的。结果表明，所提出的 OLNN-SMC 在正弦跟踪和干扰抑制方面优于现有的带有干扰观测器 (PID+DOB) 和自适应滑模控制 (ASMC) 的比例积分微分控制。特别是，与使用 PID+DOB 或 ASMC 的情况相比，使用所提出的 OLNN-SMC 在 0.1-10 Hz 处进行正弦跟踪的均方根 (RMS) 误差减少了 83.5%。该控制器是通过在 PEA 平台上的实验实现和评估的。结果表明，所提出的 OLNN-SMC 在正弦跟踪和干扰抑制方面优于现有的带有干扰观测器 (PID+DOB) 和自适应滑模控制 (ASMC) 的比例积分微分控制。特别是，与使用 PID+DOB 或 ASMC 的情况相比，使用所提出的 OLNN-SMC 在 0.1-10 Hz 处进行正弦跟踪的均方根 (RMS) 误差减少了 83.5%。