基于Preisach模型的深度学习网络迟滞建模

针对传统压电扫描器迟滞模型泛化能力较弱的问题,提出了一种基于Preisach模型的深度学习网络来建立迟滞模型,提高了模型的学习能力和泛化能力.具体而言,首先利用深度学习在深度特征提取方面的优势,建立包含卷积层、池化层、展开层以及深度特征层的深度学习层来提取输入电压信号的特征信息;其次,利用傅里叶变换层计算得到输入信号的频率,并将频率输入到非线性层,构造并输出了与输入信号频率相关的非线性项,该非线性项作为权值函数与Preisach模型的迟滞单元输出相乘,并将乘积叠加得到了频率相关的模型输出向量;最后,将深度学习层输出的特征向量与Preisach模型输出向量点乘,即可得到深度学习网络的最终输出位移.同时利用电容位移传感器采集的16组输入输出信号对深度学习网络进行训练,得到了网络中的权值参数,并利用其他8组输入输出数据对深度网络进行测试,训练和测试结果表明,本文所提出的基于Preisach模型的深度学习网络在得到高精度迟滞模型的同时,提高了模型的泛化能力.     

迟滞非线性系统的建模与控制

介绍了对不平滑、多映射迟滞非线性系统的研究成果,重点阐述了迟滞建模与控制器设计的研究现状.详细地分析比较了Preisach模型和线性迟滞模型优缺点.在控制器设计方法方面,比较了常用的两类基于逆模型补偿方案的特点、差别和适应范围,并扼要论述了其他控制方案.最后,对迟滞研究中仍需解决的问题和未来发展方向进行了探讨.     

对Preisach类的迟滞非线性神经网络建模

为了消除迟滞非线性对系统的不良影响,本文利用神经网络对Preisach类的迟滞非线性进行建模．通过引入一个特殊的迟滞因子,将多映射的迟滞非线性转换成一一映射,然后建立了基于神经网络的迟滞非线性模型．该模型结构简单,简化了辨识过程,可以调整神经网络权值以适应不同条件下的迟滞辨识．最后．应用该方法对压电执行器中的迟滞非线性建模,并与KP模型进行了比较．     

基于状态观测器的迟滞非线性系统输出反馈控制

利用Preisach模型与其边界线之间的映射关系建立了容易在线更新的迟滞模型．将模型和径向基网络相结合，针对一类动态多映射迟滞非线性系统设计了输出反馈控制器．应用LyaPunov定理得到系统控制律和神经网络权值更新律，从而保证了闭环系统的跟踪误差及网络权值偏差收敛到原点的某个有界邻域内．     

一类具有应力相关迟滞非线性智能结构的建模与跟踪控制研究

智能结构在变化的负载下产生的应力相关迟滞非线性严重影响了其在亚微米级跟踪控制中的应用. 因此, 本文提出了一种应力相关Preisach算子用以描述当输入信号与应力同时变化时, 智能结构所产生的迟滞非线性特性. 该应力相关Preisach算子是在经典Preisach算子的基础上, 通过将应力相关项引入密度函数所得到的. 此外, 为了实现逆补偿控制器的设计, 本文提出了应力相关Preisach算子的性质与基于模糊树方法的辨识方案. 继而, 本文设计了一种基于所提算子的前馈逆补偿与反馈控制器结合的复合控制方案, 并将其应用于一类超磁致伸缩智能结构的实时跟踪控制实验中. 实验证明, 与经典Preisach算子相比, 所提出的算子和相应的控制方案能够较好的消除应力相关迟滞非线性的影响并使控制效果显著提高.     

率相关迟滞非线性系统的智能化建模与控制

提出一种新的率相关迟滞非线性系统的建模方法,并对其在超磁致伸缩作动器建模中的应用进行了研究.与已有的方法比较,所建的模型结构简单.与实验结果对比,模型可以很好地描述作动器对于复合频率输入信号的迟滞非线性.基于模糊树模型,结合神经网络中的逆向学习和专门化学习,提出了一种直接逆模型控制器设计方法.首先离线辨识对象的逆模型作为初始的控制器,然后与对象串联,用LMS算法在线调节控制器中的线性参数.将该方法应用到超磁致伸缩作动器的跟踪控制中,数值仿真结果表明了方法的正确性和可行性.     

基于迟滞算子的非平滑三明治系统自适应控制

针对一类具有非平滑的迟滞三明治系统, 提出一种基于神经网络的自适应控制方法. 首先利用神经网络做出了前端动态模块的逆系统实现前端动态模块的近似补偿, 这样将迟滞三明治系统转化成一般的迟滞非线性系统. 然后提出一个迟滞算子将迟滞的多映射转化成一一映射, 基于这个迟滞算子设计了神经网络自适应控制器, 通过Lyapunov方法证明了系统的稳定性并推导出神经网络的权值自适应调整律和控制律. 最后通过仿真验证了该方案的有效性.     

具有Preisach类型磁滞输入的不确定非线性系统 自适应神经网络控制

本文针对一类执行器受Preisach磁滞约束的不确定非线性系统, 提出一种基于神经网络的直接自适应控制 方案, 旨在解决系统的预定精度轨迹跟踪问题. 由于Preisach算子与系统动态发生耦合, 导致算子输出信号不可测 量, 给磁滞的逆补偿造成了困难. 为解决此问题, 本文首先将Preisach模型进行分解, 以提取出控制命令信号用于 Backstepping递归设计, 并在此基础上融合一类降阶光滑函数与直接自适应神经网络控制策略, 形成对磁滞非线性 和被控对象非线性的强鲁棒性能, 且所设计方案仅包含一个需要在线更新的自适应参数, 同时可保证Lyapunov函数 时间导数的半负定性. 通过严格数学分析, 已证明该方案不仅保证闭环系统所有信号均有界, 而且输出跟踪误差随 时间渐近收敛到用户预定区间. 基于压电定位平台的半物理仿真实验进一步验证了所提出控制方案的有效性.     

基于状态全反馈的动态迟滞非线性系统自适应控制

该文针对不平滑、多映射动态迟滞非线性系统，提出了一种基于神经网络自适应控制方案。在该方案中，通过利用神经网络来逼近模型误差，避免了目前常用逆模型补偿方案中，需求取复杂逆模型的问题。应用Lyapnov稳定定理，证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内。仿真结果表明，所提出的控制方案能够有效补偿迟滞非线性对系统的影响。     

未知控制方向的迟滞非线性系统预设自适应控制

针对一类含有迟滞特性的未知控制方向严反馈非线性系统,设计了基于误差变换的反步自适应控制器.首先提出动态迟滞算子来扩展输入空间建立神经网络迟滞模型.然后利用径向基函数(RBF)神经网络逼近未知函数,并引入Nussbaum型函数来解决系统未知控制方向问题.最后采用误差变换将误差限定在预设的范围内,并利用反步法设计自适应控制器.该控制方案不仅能够保证跟踪精度,还可以提高系统暂态和稳态性能.仿真结果表明了控制方案的可行性.     

New realisation of Preisach model using adaptive polynomial approximation

Modelling system with hysteresis has received considerable attention recently due to the increasing accurate requirement in engineering applications. The classical Preisach model (CPM) is the most popular model to demonstrate hysteresis which can be represented by infinite but countable first-order reversal curves (FORCs). The usage of look-up tables is one way to approach the CPM in actual practice. The data in those tables correspond with the samples of a finite number of FORCs. This approach, however, faces two major problems: firstly, it requires a large amount of memory space to obtain an accurate prediction of hysteresis; secondly, it is difficult to derive efficient ways to modify the data table to reflect the timing effect of elements with hysteresis. To overcome, this article proposes the idea of using a set of polynomials to emulate the CPM instead of table look-up. The polynomial approximation requires less memory space for data storage. Furthermore, the polynomial coefficients can be obtained accurately by using the least-square approximation or adaptive identification algorithm, such as the possibility of accurate tracking of hysteresis model parameters.     

基于Volterra 模型的非线性系统预测控制

基于系统的正、负和双阶跃响应,提出一种新的非线性预测控制模型的建立方法,同时给出了相应的非线性控制算法,并证明了控制算法解的存在性和唯一性,针对 化工过程蒸馏塔控制系统,通过仿真计算验证了该方法的有效性。     

基于Volterra级数模型的非线性系统自适应控制稳定性研究

研究一类单输入单输出非线性系统的自适应控制问题, 这类系统能用有限阶离散Volterra级数模型表示. 采用递推最小二乘算法进行参数估计, 并通过解高次方程得到控制律. 结合反馈型Volterra级数系统的局部L稳定理论, 证明了算法的局部收敛性质. 通过对一个化工连续搅拌反应器 (CSTR)的过程控制进一步验证了该算法的有效性.     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

基于PREISACH模型的压电陶瓷定位控制

压电陶瓷的迟滞非线性特性是影响其定位精度的主要因素之一。本文采用Preisach模型对压电陶瓷进行建模,并采用不完全微分的PID控制策略,通过实验比较其不同控制策略下的定位误差,证明此方法适用于对压电陶瓷进行高精度定位。     

基于遗传算法的模型参考自适应控制*

本文以连续搅拌反应釜（ＣＳＴＲ）这一非线性系统为例，介绍了根据参考模型的输出，运用遗传算法对控制的ＰＩＤ参数不断寻优，不断调整，以达到参考模型所要求的控制效果的自适应控制方法，并对改变遗传算法的几个参数对控制效果的影响进行了比较讨论。     

模糊内模PID控制及应用

工业控制系统经常存在时滞现象,且含有一定程度的非线性环节,采用常规控制方法很难满足控制要求.内模控制对时滞系统具有较好的控制作用.当内模与系统实际模型相差较大时,控制效果将会下降.根据影响系统参数的主要因素,预先确定在不同条件下系统的传递函数.当系统运行时,借助模糊控制理论,直接调用相应的系统参数,并采用内模PID进行控制.实际应用表明,该方法具有很好的控制效果.