基于学习的前馈增强用于纳米精度平面执行器系统上残差动态的稳态抑制
系统与控制
2021-05-05 v1 系统与控制
摘要
半导体行业日益增长的需求导致对光刻设备性能提升的需要。然而，高精度机电系统的位置跟踪精度常常受到干扰源的限制，这些干扰源源于未建模或不可预见的确定性环境效应。为抵消这些干扰的影响，采用了一种基于学习的前馈控制器，其中底层控制策略基于高斯过程回归从实验数据中估计。所提方法利用了在核选择方面纳入关于残差动态期望稳态行为的先验知识的特性。相应的超参数通过边缘似然的最大化进行优化。随后，学习到的函数被用作当前所采用的刚体前馈控制器的增强部分。该增强的有效性在磁悬浮平面电机平台上进行了实验验证。本文的结果展示了基于机器学习的方法在补偿源于残差动态的静态效应方面的优势与可能性，从而改善了动磁平面电机执行器的位置跟踪性能。
引用
@article{arxiv.2105.01458,
title = {Learning-based feedforward augmentation for steady state rejection of residual dynamics on a nanometer-accurate planar actuator system},
author = {Ioannis Proimadis and Yorick Broens and Roland Tóth and Hans Butler},
journal= {arXiv preprint arXiv:2105.01458},
year = {2021}
}
备注
This paper is to be published in Proceedings of Machine Learning Research vol 144