压电作动器非对称迟滞模型的建立和参数辨识

现有的众多基于传统Bouc-Wen改进的压电陶瓷非对称迟滞模型存在参数冗余,降低了模型参数辨识的准确性,而且常用的粒子群算法(PSO)在辨识压电陶瓷非对称迟滞模型参数方面收敛慢且容易陷入局部最优值。为此,首先提出了一种归一化的非对称迟滞模型,采用两个多项式达到非对称效果,利用归一化Bouc-Wen消除参数冗余;然后采用参数和变异策略自适应的差分进化算法进行迟滞参数辨识;建立了相应的测试系统,对压电陶瓷作动器进行了实验研究。结果表明,相比于传统的Bouc-Wen模型,所提出的模型能更精确地描述压电陶瓷实际电压位移曲线,而且消除了参数的冗余,降低了参数辨识的难度。相比于粒子群算法和传统差分进化算法,自适应差分进化算法能更快更精准地找到最优参数值。     

基于最小二乘支持向量机的传感器非线性动态补偿

提出了一种基于最小二乘支持向量机的非线性传感器动态测量误差的校正方法，使得通过该方法补偿的传感器具有理想的输入输出特性。先将传感器的非线性动态系统分解成线性动态子环节和非线性静态子环节串联；与之对应，非线性动态补偿过程也包含2个阶段：线性动态补偿和非线性静态校正。然后，通过函数展开将补偿器的非线性传递函数转换为等价的类线性形式一中间模型；再通过LS-SVM回归算法求取中间模型参数；最后，推导出中间模型参数与补偿器2个子模型参数之间的关系，并通过该关系实现非线性静态校正和线性动态补偿环节的同时辨识。与常规非线性动态补偿方法比较，该方法优点是明显的：（1）只需进行一次动态标定实验；（2）能给出非线性动态补偿器的数学解析表达式；（3）充分利用LS—SVM的优点，使辨识的补偿器具有更好的抗干扰能力。仿真与实际实验结果均表明该传感器非线性动态补偿方法有效。     

压电陶瓷作动器非对称迟滞的建模与补偿控制

针对传统Bouc-Wen模型不能反映压电陶瓷作动器迟滞的非对称特性而导致其补偿控制精度难以提高的问题,提出了一种改进Bouc-Wen模型,通过修改形状控制参数使其能够模拟压电陶瓷作动器的非对称迟滞曲线.利用粒子群优化算法辨识了所需的模型参数,进一步研究了基于模型的前馈补偿控制、前馈加PI反馈补偿控制对于实现高精度位移输出的效果;在开环前馈补偿控制实验中,采用改进Bouc-Wen模型比传统Bouc-Wen模型的控制误差可降低约42％;在前馈加PI反馈补偿控制实验中,采用改进Bouc-Wen模型比传统Bouc-Wen模型的控制误差可降低约20％.研究结果表明:在相同的控制方式下,采用改进Bouc-Wen模型能够得到比传统Bouc-Wen模型更高的轨迹跟踪精度;与单纯采用基于模型的前馈补偿控制相比,采用基于模型的前馈加PI反馈补偿控制可显著提高压电陶瓷作动器的位移输出精度.     

基于最小二乘支持向量机的PID参数整定研究

对PID控制提出了一种基于支持向量机的参数整定方法.用支持向量机辨识系统的非线性关系,并对之进行线性化.采用最小二乘的方法获取PID控制器的最优参数.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

传感器动态建模的最小二乘支持向量机方法

提出了应用最小二乘支持向量机（LSISVMs）建立传感器动态模型的方法。LS-SVMs的训练过程遵循的是结构风险最小化原则，而不是通常神经网络的经验误差最小化原则，遵循该原则可获得更好的泛化性能，且不易发生局部最优及过拟合现象，因此可以克服应用人工神经网络建立传感器动态模型的缺陷。通过实例验证了该方法的实用性及可靠性。实验结果表明，即使传感器动态模型存在严重非线性，该方法也仍然有效。     

基于十折法的最小二乘支持向量机参数选取方法

针对最小二乘支持向量机参数选取的问题,提出一种基于十折法的参数选取方法.将数据平均分成十组,采用一组作为训练特征,其它作为测试组,规定参数的可能范围,然后选取平方差最小的作为参数的取值.经实验证明结果令人满意,提出的方法是可行的.     

基于最小二乘支持向量机的振动传感器故障诊断

针对目前机械故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法——最小二乘支持向量机（LS—SVM）,它能够得到现有信息下,不仅是样本数趋于无穷大时的最优解,因此,在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。本文介绍了LS-SVM的基本原理和分类方法,并利用其对振动传感器的常见故障进行诊断,结果表明了LS—SVM对设备故障具有良好的分类效果。     

发动机系统可靠性最小二乘支持向量机分析

准确分析系统可靠性,对于评估产品性能和制定维修策略起着至关重要的作用.采用单步前向预测方式,提出了基于最小二乘支持向量机分析发动机系统可靠性的方法.通过对比最小二乘支持向量机和三种神经网络方法的预测效果,验证了算法的有效性,实验结果表明最小二乘支持向量机能够提供较好的预测精度.在可靠性寿命分析中,为了提高分析的准确性和效率,通过程序化的方法绘制了威布尔概率纸,自动获取相关参数,并对比分析了最小二乘支持向量机预测结果与实际数据对发动机系统可靠性指标的影响,结果显示最小二乘支持向量机能够提供较准确的结果,可以作为系统可靠性分析的一种新方法.     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于支持向量机的压电微操作平台非线性特性描述

压电驱动器的迟滞现象会使微操作平台出现非线性问题,严重影响了其运动精度和重复定位精度。为了解决该问题,提出了一种基于Preisach模型与支持向量机的联合建模方法来描述微操作平台的非线性特性。以一种一维微操作平台为对象,以压电驱动电压和所对应的平台输出位移为样本点,采用支持向量机理论建立反映平台非线性回归模型,利用该模型预测非样本点所对应的平台输出位移,结合Preisach模型可精确预测平台在任意电压序列作用下的输出位移。为了验证所建立模型的有效性,进行了实验研究,任意选取2组不同的输入电压序列,利用支持向量机回归模型和Preisach模型分别得到所选取的电压序列对应的输出位移的预测值,在相同的电压序列作用下进行实验得到其实测值,将实测值与预测值进行比较分析,结果表明,2组实测值与预测值之间的相对误差范围分别为0.6%～2.1%、0.02%～2.1%,预测位移与实测位移非常接近,说明所建立的模型能精确描述微操作平台的非线性特性,以实现其精确运动。     

Identification of thermal error in a feed system based on multi-class LS-SVM

Research of thermal characteristics has been a key issue in the development of high-speed feed system. The thermal positioning error of a ball-screw is one of the most important objects to consider for high-accuracy and high-speed machine tools. The research work undertaken herein ultimately aims at the development of a comprehensive thermal error identification model with high accuracy and robust. Using multi-class least squares support vector machines (LS-SVM), the thermal positioning error of the feed system is identified with the variance and mean square value of the temperatures of supporting bearings and screw-nut as feature vector. A series of experiments were carried out on a self-made quasi high-speed feed system experimental bench HUST-FS-001 to verify the identification capacity of the presented method. The results show that the recommended model can be used to predict the thermal error of a feed system with good accuracy, which is better than the ordinary BP and RBF neural network. The work described in this paper lays a solid foundation of thermal error prediction and compensation in a feed system.     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。     

基于LS-SVM的传感器阵列多维信号智能提取方法研究

传感器阵列可同时对多个信号进行测量,而对多个输入信号进行解耦和并行提取是其关键。提出一种基于最小二乘支持向量机(LS-SVM)的传感器阵列输入信号逆向提取智能方法,该方法基于结构风险最小化,能够逼近任意复杂的非线性关系且泛化能力强。仿真试验表明,该方法具有拟合精度高、运算速度快、容易实现等优点,适用于对传感器阵列多个输入信号进行解耦和并行提取。     

基于支持向量机的点云曲面刀具路径规划

针对单值散乱点云曲面刀具路径规划问题,提出了一种基于最小二乘支持向量机的计算方法。在计算过程中,将点云数据向平面投影,得到二维点集。应用网格划分和边界网格内测量点高斯映射技术,提取平面区域内的边界特征点。用边界特征点定义点云曲面的实际加工区域,在此区域内规划平行等间距刀具路径。应用最小二乘支持向量机拟合点云数据,求得被加工曲面的连续表达模型,经此模型将二维刀具路径数据向三维空间映射,求出刀触点数据。将刀触点经法向偏置计算,求得刀位点。实例验证证明,该方法能较好地解决信息不完备散乱点云曲面刀具路径生成问题。      

基于超级电容模型的参数辨识及其仿真研究

研究和分析了超级电容三分枝模型建立的理论基础,阐述了参数辨识的概念和递推最小二乘法应用于参数辨识的基本原理,在此基础上结合Matlab,编写了递推最小二乘法辨识程序,实现了对超级电容三分枝模型传递函数的辨识,最后通过对辨识结果的分析和仿真,验证了三分枝模型的正确性。     

积层式压电驱动器的有限元建模分析

该文利用有限元分析法对直动式压电伺服阀驱动元件-积层式压电驱动器的静、动态特性进行了深入的分析,建立了积层式压电驱动器多层压电结构的有限元模型,得到静态与动态工作的分析结果。理论分析的结果表明,积层式压电驱动器具有较大的输出位移与输出力,以及具有良好的动态响应特性,由其构造压电伺服阀,不会限制系统的频宽,结合合理的放大机构与阀体结构,有望达到高速、精密的伺服控制。     

LS-SVM在基于小波变换的模态分析中端部效应的应用

系统地阐述了运用改进的Morlet小波进行模态参数识别的方法。运用小波熵对小波参数进行了优化选择从而可以进行密频模态的识别,针对小波分析时产生的端部效应问题,提出了运用最小二乘支持向量机（LS-SVM）对小波骨架进行预测延拓的方法,经预测分析后可获取较准确的模态参数。通过仿真及实验信号的验证分析,表明基于LS-SVM方法可以有效地消除端部效应,且其准确效果优于基于RBF的神经网络和时变自回归的预测方法。     

压电驱动器的非线性模型及其精密定位控制研究

压电驱动器的非线性特性和迟滞特性是影响微动平台定位控制精度的主要因素。采用改进的Preisach模型对压电驱动器的迟滞特性进行建模，利用建立的Preisach模型进行开环精密定位控制和作为PID反馈控制的前馈环节的研究。实验结果表明，该模型能够有效地降低非线性迟滞特性对压电驱动器位移输出精度的影响，提高驱动器的动态响应特性。