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)要求重复定位精度优于10 nm,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。     

压电作动器的动态迟滞建模与H∞鲁棒控制

压电作动器具有率相关动态迟滞非线性特性,给传统建模和控制技术提出了挑战.本文针对压电作动器,提出了一种基于Bouc-Wen的Hammerstein率相关迟滞非线性模型,其中Bouc-Wen模型和线性动态模块分别用于描述系统的静态迟滞非线性特性和率相关特性.同时,构造了一个基于Bouc-Wen模型的迟滞补偿器,将迟滞补偿器与被控对象串联使系统线性化;并建立了不确定性系统模型,提出了一种H∞鲁棒跟踪控制方案,可以实现给定频率范围内单频率和复合频率参考信号的良好跟踪.实验结果表明,所建动态模型具有良好的泛化能力,跟踪控制相对误差小于8%,证明了所提出方法的有效性.     

率相关超磁致伸缩作动器的建模与H∞鲁棒控制

超磁致伸缩作动器(GMA)的率相关迟滞非线性成为其在工程应用中的一大阻碍因素.文中通过使用特殊的建模激励信号,基于最小二乘支持向量机(LS-SVM)建立了一定频率范围内的一个统一率相关Hammerstein-like迟滞非线性模型,该模型能够保证其建模频率范围内单频和复合频率的模型泛化性.在此模型基础上,设计了针对一定频率范围内输入信号的H∞鲁棒跟踪控制器,针对该频率范围内的所有单频和复合频率的输入信号,该控制器都能够保证其跟踪控制效果,最后通过实验实时跟踪控制结果来进一步验证了所设计控制器的有效性.     

基于径向基神经网络的压电作动器建模与控制

针对压电作动器(piezoelectric actuator,PEA)的率相关迟滞非线性特性,构建了Hammerstein模型对压电作动器建模.采用径向基(radial basis function,RBF)神经网络模型表征迟滞非线性,利用自回归历遍模型(auto-regressive exogenous,ARX)表征频率的影响,并对模型参数进行了辨识.此模型可以在信号频率在1～300 Hz范围内时,较好地描述压电作动器的迟滞特性,建模相对误差为1.99%～4.08%.采用RBF神经网络前馈逆补偿控制,结合PI反馈的复合控制策略实现跟踪控制,控制误差小于2.98%,证明了控制策略的有效性.     

一种频率依赖性迟滞的神经网络内模控制

针对压电陶瓷等智能材料存在的依赖输入频率的迟滞非线性问题,采用BP神经网络对迟滞非线性进行辨识,并通过内模控制方案来对其进行控制.在迟滞的建模上,构建了一种静态迟滞非线性环节串联一个对输入频率敏感的线性动态环节组成的Hammerstein模型.在此基础上,得出Hammerstein模型的逆模型,并通过构造的正、逆模型进行内模控制.实验结果说明,提出的建模方法与内模控制方案是有效的.     

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。     

压电陶瓷执行器的动态迟滞非线性特性建模

针对精密定位系统中压电陶瓷执行器的迟滞非线性特性建模问题,提出了一种基于Hammerstein迟滞模型的建模方法。通过引入一个Backlash类的算子来描述迟滞非线性的轮廓。在利用"扩展输入空间法"将迟滞特性的多值映射转换为一一映射的基础上,采用引力搜索算法优化的支持向量回归机建立静态迟滞模型。为体现迟滞的动态特性,用ARX模型表征迟滞环的率相关性,从而建立了Hammerstein级联模型。并从精密定位系统中采集了实测数据,通过电容传感器获取压电陶瓷执行器给定电压下的位移值,对所提出的模型进行了实验。实验表明:该模型具有较好的性能,辨识过程简便且易于工程实现。     

Hammerstein模型辨识的回顾及展望

Hammerstein模型是一类具有特定结构的典型非线性模型,由静态非线性环节和动态线性环节串联而成,能较好地反映过程特征的特点,可以描述一大类非线性过程.本文结合Hammerstein模型辨识的基本过程和特点,从Hammerstein模型中间变量不可测量的角度出发,首先按静态非线性环节与动态线性环节同步辨识法和分步辨识法综述了Hammerstein模型的相关理论和方法;然后,分析了现有的基于Hammerstein模型的控制系统设计方案;最后对Hammerstein系统未来可能的研究提出若干看法.     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

非线性动态系统建模方法研究

讨论了一类非线性动态系统建模的新方法。首先,假设原非线性动态系统可以用Hammerstein模型来表示。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起中间模型。接下来,利用粒子群优化（Particle Swarm Optimization,PSO）算法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。为了进一步增强建模的性能,提出了利用一种改进的粒子群优化（Improved Particle Swarm Optimization,IPSO）算法。仿真结果说明了该方法的合理性和有效性。     

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.     

气动人工肌肉驱动的并联平台模糊PID控制

为了提高气动人工肌肉(PAM)驱动的3自由度并联平台的位置跟踪控制精度,提出一种基于Prandtl-Ishlinskii(P-I)逆模型的模糊PID(比例-积分-微分)控制算法.首先通过动态试验分析单根PAM的迟滞特性,建立P-I逆模型.接着搭建PAM驱动的3自由度并联试验平台,设计模糊PID控制器.试验结果显示模型最大误差为0.3904 mm,平均误差为0.0793 mm,验证了所提控制算法能够很大程度地减小PAM迟滞特性对动态控制精度的影响.3自由度平台的γ角误差能保持在0.13?以内,基于P-I逆模型的模糊PID控制器整体误差波动小,表明动态轨迹跟踪效果较好.     

动态迟滞Hammerstein系统的改进卡尔曼状态估计

迟滞特性具有非光滑、多值映射等复杂特性.而在实际的工程中,当输入电压变化频率超过一定的范围时,迟滞的特性是随着输入频率的改变发生变化,使得整个系统的状态估计工作更复杂.本文首先提出一种新的描述动态迟滞的方法,进而描述了动态迟滞Hammerstein系统的状态空间方程,根据此系统在传统卡尔曼滤波器的基础上进行改进得到一种新的非光滑卡尔曼滤波器.最后通过仿真和实验,比较了在输入信号变化频率比较大时,用动态迟滞Hammerstein系统来描述压电陶瓷和采用静态迟滞Hammerstein系统来描述压电陶瓷的特性,非光滑卡尔曼滤波器对这两种含有噪声的模型进行滤波,结果表明由于静态迟滞Hammerstein系统的建模不能很好的描述压电陶瓷的特性,模型存在着误差,因此对系统状态估计的结果也没有用动态Hammerstein系统的误差小,从而说明当输入电压频率变化比较大时研究动态的迟滞Hammerstein模型是很有意义的.     

气动人工肌肉驱动的肘关节辅助机器人迟滞补偿

面向上肢康复与辅助运动,研制了一款基于气动人工肌肉(PAM)柔顺驱动的肘关节辅助机器人.气动人工肌肉的迟滞非线性极大降低了系统的运动精度.常见的基于离线辨识的迟滞补偿方法不能很好地适应系统状态的变化.本文提出了一种将直接逆模型法与改进的自适应投影(MAP)算法相结合的自适应迟滞补偿策略:基于直接逆模型法,使用Prandtl-Ishlinskii模型创建系统的逆迟滞模型,并以该模型为迟滞补偿器;使用MAP算法实现逆迟滞模型参数的在线辨识.这种方法无须离线建模与求逆,且无须针对不同的轨迹调节控制器参数.实验结果表明,与PID(比例-积分-微分)控制器与自适应投影(AP)算法相比,该方法有效地补偿了系统的迟滞,暂态过程的调节时间与超调量明显优于前面2种方法,闭环系统能够很好地跟踪阶跃与幅值衰减的正弦信号等不同类型的运动轨迹.     

一类多变量Hammerstein模型的参数辨识方法

通过对系统输入信号的设计,使Hammerstein系统输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉.利用最小二乘辨识得到系统的线性动态模型.基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了多变量Hammerstein系统辨识的动态分离方法.仿真结果表明所提出的方法是有效的.     

一种辨识Hammerstein模型的新方法

本文结合参数估计理论和函数逼近论中的一些理论结果,提出了一种开环辨识Hammerstein 模型的新方法.这种方法能够克服目前广泛采用的辨识Hammerstein模型的方法中的 缺点,获得模型线性动态部分参数的渐近无偏估计及无记忆非线性特性,具有接近最佳逼近 效果和较好收敛性的逼近多项式.     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

风洞系统非线性块状结构模型

本文将非线性块状模型的建模思想引入风洞系统模型的建立过程中,针对主排气阀和栅指电液伺服机构具有死区非线性特性,分别用含有死区输入的Hammerstein块状模型描述其动态特性,将主排气阀和栅指机构的输出作为风洞流场的输入,建立两输入两输出多变量耦合动态模型.两个独立的Hammerstein子模型与线性动态耦合的风洞流场模型串联构成一个非线性多变量块状模型.采用自适应加权递推辨识算法在线辨识Hammerstein子模型参数,采用带有遗忘因子的递推最小二乘法辨识风洞流场模型参数.仿真与风洞现场测试结果验证了本文方法的有效性.     

基于RBF神经网络的压电位移台迟滞非线性建模研究

针对压电陶瓷微位移台固有的率相关迟滞非线性特性,以基于play算子的改进PPI模型构建迟滞算子,结合径向基(Radial Basis Function,RBF)神经网络模型,建立描述压电陶瓷微位移台迟滞特性的率相关模型.研究结果表明,在输入信号频率在10 Hz～90 Hz范围内时,模型输出的最大位移误差为0.399 0 μm～0.932 1 μm,均方根误差为0.259 4 μm～0.565 2 μm,相对误差为0.95％～2.48％.验证了基于PI迟滞算子和RBF神经网络的仿真模型能够准确有效的描述压电微位移台的率相关动态迟滞特性,具有较高的频率泛化能力.该方法易于实现,工程适用性强,具有较好的实用价值.     

基于状态全反馈的动态迟滞非线性系统

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.