基于LSTM神经网络的压电执行器位移迟滞建模

该文搭建迟滞测量实验平台,测量一种用于LED晶圆检测压电执行器的迟滞效应,设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型,使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明,神经网络模型具有较好、较广泛的迟滞建模效果,对于正弦波,位移预测精度保证小于2%;对于衰减正弦波,位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。     

基于改进RBF神经网络的电力负荷预测

为了提高电力系统负荷预测的精度与速度的需求,提出使用交替梯度算法改进径向基函数(RBF)神经网络,对天津市电网进行负荷预测。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。仿真结果表明该算法具有可行性。     

压电叠堆执行器迟滞建模与前馈补偿研究

针对压电叠堆执行器输入电压与输出位移的动态迟滞特性,结合非对称静态Bouc-Wen迟滞模型,建立了压电叠堆执行器动态迟滞模型,并采用粒子群算法辨识出6个模型参数。为提高压电叠堆执行器动态位移输出精度,进一步推导出压电叠堆执行器迟滞逆模型,最终在此基础上对压电叠堆执行器进行前馈补偿研究。仿真与实验结果对比表明,在0~120V峰值电压与0~500Hz激励频率内,所建立的动态迟滞模型能够较好地描述与预测压电叠堆执行器的动态输出位移。前馈补偿实验研究结果表明,利用所建的迟滞逆模型补偿后,压电叠堆执行器的滞环减小,输出位移非线性度下降约3%。     

RBF神经网络在视频业务建模及预测中的应用

ＡＴＭ技术在关键在于业务控制,能否有效地实施业务控制则取决于对业务特征的了解和预测能力。传统的解析方法对视频业务进行预测的局限性较为明显。本文采用径向基函数神经网络对视频业务进行建模和预测,并提出了分别采用ＬＢＧ算法和Ｈｅｓｔｅｎｅｓ奇异值解进行隐含层神经元中心选择和输出神经腱权值计算的改进方法。     

压电叠堆执行器迟滞非线性建模与分析

压电叠堆执行器输出位移具有迟滞非线性特性,在高精度控制和电静液作动器等应用领域,为实现进一步研究和控制,需要针对该特性进行建模。该文首先针对压电叠堆执行器的静态特性,采用改进的非对称BoucWen模型建立压电叠堆执行器的准静态模型;其次,为描述其动态位移输出特性,将执行器输出力分为线性模块和滞后模块,根据系统动力学方程建立压电叠堆执行器迟滞非线性动态模型,进行参数辨识、模型仿真与实验研究。结果表明,在400Hz频率范围内,所建立的模型能够准确描述与预测压电叠堆执行器输出位移的迟滞非线性。     

压电执行器非线性控制方法研究进展

压电执行器在微驱动和微定位领域应用广泛,但压电执行器在输入电压和输出位移间存在着迟滞非线性。非线性的存在使压电执行器定位精度降低,动态响应速度变慢,是其工程上进一步应用的主要障碍。减小和消除迟滞非线性成为实现高精度控制的关键。总结了近年来国内外在减小和消除压电执行器迟滞非线性方面上的研究工作,并指出当今研究的热点及未来研究的方向。     

最小二乘算法在RBF神经网络中的应用

RBF神经网络构造的关键问题是网络中心的选取,最小二乘算法采用正交化方法,独立计算回归算子对输出的贡献,可以使中心的选择步骤简单有效。文章给出了最小二乘算法及其应用函数逼近的实例,结果证明,由于计算过程中应用了这一算法的正交化性质,所以网络调整时对已有模式的扰动达到最小。这说明最小二乘算法不仅简单有效,而且性能优越,并有较强的实用性,在许多领域有广泛应用。     

迟滞非线性系统的神经网络建模

提出了一种利用神经网络对迟滞非线性系统的建模方法。网络分三层结构,隐层神经元的激励函数采用两个移位的Sigmoid函数组成的迟滞环构成,根据非线性系统的特点,给出了网络结构的确定方法。网络的学习算法采用传统的梯度下降学习算法。利用该网络对压电陶瓷迟滞特性进行了建模实验,实验结果证明了该方法的有效性。     

压电驱动器的率相关迟滞特性建模与测试

该文提出了一种与速率相关的Prandtl-Ishlinskii(P-I)模型来表征压电驱动器的速率相关迟滞非线性。该模型基于双边Play算子的经典P-I模型,引入多项式修正其中心对称性。在此基础上将驱动电压升降速率引入模型参数中,用以描述其率相关性。测试压电驱动器的率相关迟滞特性,采用最小二乘算法对模型参数进行辨识。结果表明,在速率为0.12～6 V/ms内最大误差为0.076～0.190μm,均方根误差为0.044～0.077μm,相对误差为1.2%～3.2%,验证了所建模型的准确性。     

基于小波变换的压电陶瓷动态迟滞特性建模

为了解决压电陶瓷迟滞系统的建模问题,提出了一种新迟滞建模方法--在小波域(时频域)对迟滞特性进行建模.该模型通过一维离散小波变换,实现输入信号从时域到小波域的转换;对转换后得到的小波域元素利用RBF神经网络进行逼近;再通过一维离散小波逆变换,使逼近后的小波域元素重新回到时域,整个变换过程间接地实现了对时域迟滞特性的描述.通过仿真表明,该建模方法是有效的,并具有较高的精度.     

基于深度神经网络(DNN)的压电陶瓷前馈补偿研究

针对压电陶瓷固有的迟滞非线性,设计了一种基于深度神经网络(DNN)的前馈补偿控制系统。该系统包含1个输入层、7个隐藏层和1个输出层。实验结果表明,开环情况下压电陶瓷的位移线性误差达8.91μm。施加神经网络前馈补偿后,压电陶瓷的最大位移误差降低到80 nm,稳态误差为±20 nm。进一步测试表明,在10～100 Hz输入频率下系统最大误差小于100 nm,均方根误差为0.01μm,验证了深度神经网络能够准确补偿压电陶瓷动态迟滞非线性,具有较好的频率泛化能力。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

基于H like模型的压电陶瓷作动器内模控制

针对压电陶瓷作动器的率相关特性降低应用端控制精度的问题,该文研究了基于Hammerstein-like模型的内模控制策略.其中非线性部分由最小二乘支持向量机模型表示,动态线性部分由自回归历遍模型表示.在此基础上构建了系统逆模型,设计了内模控制器以实现对压电陶瓷作动器的跟踪控制,最后通过实验平台进行了验证.实验结果表明,...     

压电驱动器迟滞特性的类Hammerstein模型

压电驱动器中迟滞特性会影响微操作系统的定位精度。为了消除迟滞对系统的不良影响,该文提出了类Hammerstein模型来描述压电驱动器的迟滞特性。首先,提出了改进迟滞算子(MDHO),在算子中增加偏置、死区宽度、斜率调整滞环的高度和宽度,体现迟滞的非对称性和速率相关性;然后,利用改进迟滞算子加权叠加表示静态非线性部分,迟滞算子的参数和权重可以在线调整来适应外界条件的变化,利用输入自回归模型表示动态线性部分,建立了可以描述压电驱动器速率相关迟滞特性的类Hammerstein模型;最后,依次通过最小二乘法、矩阵扩围、矩阵奇异值分解对模型中的参数进行辨识,并证明了所辨识的参数是无偏估计。研究结果表明所提出的建模方法是有效的。     

压电陶瓷驱动器迟滞非线性的改善方法

压电陶瓷驱动器在微位移定位方面被广泛应用,但压电陶瓷驱动器的迟滞非线性严重影响其定位精度,因此,介绍了各种改善压电陶瓷驱动器迟滞非线性特性的方法,并提出了用3次样条插值法和最小二乘曲线拟合法来实现压电陶瓷驱动器的精确定位,改善压电陶瓷驱动器的迟滞非线性特性,实验表明,以上方法可使压电陶瓷驱动器的定位误差小于5％.     

基于GRU神经网络的晶圆测试工艺控制方法

压电驱动器位移输出的非线性特性,如迟滞的记忆特性及速率相关性,使压电驱动器的建模与控制较难。该文提出了一种基于门控循环单元(GRU)的新型位移输出控制方法。建立相应的位移输出实验平台来验证和分析压电驱动器的滞后现象。使用GRU模拟滞后的内存特性及采用两个全连接层来模拟速率依赖性。该模型是一个端到端系统,其中压电陶瓷和位移放大机构被视为一个整体。针对不同电压输入预测的输出位移量表明,该模型对速率相关的滞后具有很强的泛化能力。使用相同的循环神经网络结构构建逆模型,并进行实验测试。实验结果表明,所提出的位移输出控制法有效地削弱了压电驱动器的非线性特性,有利于将线性系统控制法与前馈补偿法相结合。     

压电驱动器迟滞特性的Preisach模型研究

压电驱动器的迟滞特性是影响其位移输出精度的主要因素。该文采用改进的Preisach模型对压电驱动器的迟滞特性进行建模，并进行了相应的实验研究。实验结果表明该模型可以很好地预测压电驱动器在经过一定的控制电压序列以后的位移输出值．能够有效地降低迟滞特性对压电驱动器位移输出精度的影响。