基于多项式拟合的压电陶瓷迟滞神经网络建模

在压电陶瓷致动器优化设计的研究中,针对压电陶瓷的迟滞非线性特性,提出了一种基于多项式拟合算法的神经网络建模方法.由于压电陶瓷驱动器的迟滞现象是一种多对多的映射关系,而传统的建模方法只能对一对一映射进行建模.为解决上述问题,在对压电陶瓷迟滞现象的形成原因和特点进行深入分析的基础上,采用多项式拟合和神经网络相结合的方法对压电陶瓷驱动器的迟滞现象进行建模.仿真结果表明,采用多项式拟合算法的神经网络建模克服了传统建模方法只能对迟滞曲线进行分段建模的局限性,且拟合精度比较高,神经网络正模型的拟合误差为1.45％,神经网络逆模型的拟合误差为1.16％.表明上述神经网络模型精确地反映了压电陶瓷的迟滞特性.     

压电陶瓷迟滞神经网络建模与线性补偿控制

针对压电陶瓷的迟滞非线性,本文首先进行实验测量得到压电陶瓷的位移迟滞数据;通过分析实验数据,引入线性方程实现压电陶瓷输入电压与输出位移关系的线性化,并建立了基于多项式拟合算法的神经网络迟滞模型;根据迟滞模型设计前馈控制器,分别采用了前馈开环和前馈结合PID的方法对压电陶瓷迟滞非线性进行补偿控制实验.实验结果表明,采用前馈开环控制,压电陶瓷位移主环迟滞减小了91.84%,位移次环迟滞减小了85.67%,位移跟踪的平均相对误差为2.97%;采用前馈结合PID控制,压电陶瓷位移主环迟滞减小了96.42%,位移次环迟滞减小了88.44%,位移跟踪的平均相对误差为2.04%.证明了该控制方法能有效地抑制压电陶瓷的迟滞非线性.     

压电陶瓷驱动器迟滞非线性误差的建模与分析

压电陶瓷驱动器的最大迟滞非线性误差可以超过输出行程的15%,而快刀伺服系统(FTS,Fast Tool Servo)要求重复定位精度优于10nm,相对线性度误差优于0.5%,压电陶瓷驱动器的误差无法满足该精度要求。首先对压电陶瓷迟滞非线性误差进行实验分析,将迟滞非线性误差分为频率无关迟滞现象和频率相关迟滞现象。接着对Bouc-Wen（BW）和Prandtl-Ishlinskii（PI）的频率无关迟滞模型进行修正和对比,确定了采用PI模型描述本文的频率无关迟滞现象,PI模型对频率无关迟滞曲线的辨识精度为0.392%。然后设计基于Hammerstein模型的频率相关迟滞模型,Hammerstein模型对频率相关迟滞曲线的辨识误差相比PI模型时,其均方根值降低了88.068%。提出了压电陶瓷驱动器迟滞非线性误差的建模方法,并分析了其有效性和准确性,给FTS伺服控制提供了一种实用的前馈控制器。     

压电陶瓷执行器的非光滑三明治模型辨识与内模控制

压电陶瓷执行器中含有非光滑、多值映射、频率依赖的非线性迟滞特性,然而在实际应用中,压电器件的输入输出信号无法直接测量,常规方法难以进行有效的辨识和控制.本文采用三明治模型来精确描述实际对象,并提出一种基于退化激励信号的两步辨识法解决三明治迟滞模型的辨识问题.最后,基于已辨识的三明治模型,设计一个内模控制器,解决压电陶瓷执行器的精密轨迹控制问题.实验结果表明所提出的辨识和控制方案取得了令人满意的结果.     

压电陶瓷驱动器迟滞建模方法研究

压电陶瓷驱动器是原子力显微镜(AFM)的关键组件。AFM在生物、材料及半导体等领域应用广泛,而利用AFM获得高精确的测试结果依然面临诸多挑战。其中,压电陶瓷驱动器具有迟滞、非线性等特点,在大范围高频工作状态下,对定位精度的影响更显著,这严重限制了AFM的进一步应用。本文围绕大范围压电陶瓷驱动器的迟滞性展开研究,设计一种基于改进型多项式拟合算法的迟滞建模方法,使得拟合模型可随输入信号频率的变化而变化,充分提高压电陶瓷迟滞模型的准确性。实验表明,该方法可为压电陶瓷驱动器建立准确的迟滞模型,建模过程简单,通过设计基于该迟滞逆模型的前馈控制算法,可使驱动范围在100μm的压电陶瓷驱动器的线性度提高至1.5%。     

微位移系统中压电陶瓷驱动器迟滞建模

针对超精密微位移系统中压电陶瓷驱动器的迟滞非线性问题,提出了一种基于遗传反向传播(BP)神经网络的压电陶瓷迟滞非线性建模方法.通过电涡流位移传感器获取压电陶瓷驱动器不同电压值下所对应的位移值;利用六次多项式拟合获得迟滞的数学模型,从而建立基于遗传BP神经网络的迟滞,模型.实验结果显示:该迟滞模型在神经网络测试下的最大误差为0.082 1 μm,平均绝对误差为0.0158 μm.表明,所建的迟滞模型能够较精确地反映出压电陶瓷驱动器的迟滞特性,同时为微位移控制系统设计提供了一定的理论基础.     

基于Bouc-Wen类迟滞模型的压电微动台建模

针对压电微动台驱动时,由压电陶瓷产生的迟滞现象,提出了一种迟滞模型.基于Bouc-Wen迟滞模型的基本思想,并针对Bouc-Wen迟滞模型进行了优化改进,大大降低了模型参数的辨识难度,缩短了运算时间,保证了模型的较高精度要求.为了验证模型的正确性,运用相关的实验设备对模型进行了实验验证.结果表明:改进后的模型定位误差为0.1866μm,最大相对误差为0.467%,验证了模型具有较高的精度以及该迟滞模型的可行性,为后续压电微动台控制器的设计提供了一种可行方案.     

压电陶瓷驱动平台自适应输出反馈控制

压电陶瓷驱动平台的精度和动态特性主要取决于所设计的控制器是否可以有效地补偿压电陶瓷固有的迟滞特性. 针对这一问题, 提出了一种基于神经网络 (Neural network, NN)的自适应输出反馈控制策略. 为了避免压电陶瓷速度测量噪声的影响, 采用高增益观测器对压电陶瓷平台的速度状态进行估计; 为了克服压电陶瓷的迟滞非线性特征, 采用神经网络动态补偿策略; 针对神经网络逼近误差和观测器估计误差, 控制器设计中增加了鲁棒控制项. 最后应用Lyapunov 稳定性理论证明了所提出的控制器的收敛性问题. 仿真实验表明了所提控制方法的有效性.     

AFM压电陶瓷驱动器类Hammerstein建模与参数辨识

AFM( Atomic Force Microscope,原子力显微镜)中的压电陶瓷驱动器具有率相关迟滞非线性特性,这会影响AFM的扫描和定位精度。针对传统静态迟滞模型不能反映系统率相关动态迟滞特性的缺陷,提出Hammerstein模型以描述压电陶瓷驱动器的静态和动态迟滞特性。利用最小二乘支持向量机结合奇异值分解法对模型中的参数进行辨识。实验结果表明,模型能体现压电陶瓷驱动器的率相关迟滞特性,精度高于传统静态迟滞模型,建模方法对此类系统具有较好的应用价值。     

基于Duhem前馈逆补偿的压电陶瓷迟滞非线性 自适应滑模控制

针对压电陶瓷的动态迟滞非线性,研究了基于Duhem逆模型前馈补偿的滑模自适应控制策略。首先,利用多项式逼近Duhem模型中的未知分段函数ｆ(.)和ｇ(.),采用递推最小二乘法进行系统辨识,并求取逆模型,将其作为前馈控制器,考虑压电陶瓷迟滞非线性随输入信号频率变化,且难以完全抵消,模型参数存在不确定性等问题,设计一种自适应滑模控制律。利用Lyapunov稳定性定理及仿真实验证明了该控制律可以使系统全局渐进稳定。最后,进行了压电陶瓷迟滞补偿实验和位移跟踪实验。实验结果表明,前馈逆补偿控制下的压电陶瓷位移迟滞量减小了96.1％,与直接控制相比,前馈逆补偿控制下位移跟踪的最大绝对误差减小了27.0％,平均绝对值误差减小了17.9％,具有更好的跟踪精度和动态性能。