基于自适应PI模型的压电陶瓷驱动器精密定位方法

由于具备较高的定位精确度,压电陶瓷驱动器在超精密加工、微纳米测试等领域应用广泛,然而压电陶瓷固有的迟滞性严重影响其定位精确度。本文研究驱动范围对压电陶瓷驱动器迟滞性的影响,实验得出迟滞性随驱动范围增大而显著。而在压电陶瓷驱动器的实际应用中,驱动范围是其主要的设置参数之一。为此,本论文提出基于自适应Prandtle-Ishlinskii（PI）模型的拟合方法,根据不同驱动范围下获得的迟滞曲线的斜率变化趋势设置分段区间,采用二次规划算法辨识PI模型的权重参数,基于分段区间对迟滞曲线进行拟合,大大提高了拟合精确度。设计基于自适应PI模型的逆模型作为前馈控制器对压电陶瓷驱动器进行迟滞补偿,并搭建基于Labview的实验平台验证了该算法的可行性。实验结果表明,基于自适应PI逆模型的前馈控制器将压电陶瓷驱动器的定位精确度提高至1.8nm。     

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.     

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。     

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.     

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。     

基于微观极化机理的压电陶瓷迟滞控制模型

针对迟滞和蠕变现象严重影响压电陶瓷驱动器的控制精度问题,基于压电陶瓷微观极化机理,应用Langevin模型和电畴转向理论,解释了由于电畴转向能量损失.压电陶瓷电极化强度由不可逆的电极化强度和剩余电极化强度两部分组成,压电陶瓷应变和电场表现出迟滞现象,而应变和电极化强度呈线性关系,然后推导出基于电极化强度的控制模型.最后应用控制流过压电陶瓷的电流来实现电极化强度控制方法,实验结果表明,同电压控制方法相比,电极化强度控制方法可以显著减小迟滞,线性度好.     

循环神经网络前馈补偿的压电驱动器跟踪控制

压电驱动器固有的迟滞特性,以及其他动态特性严重地影响其跟踪性能.循环神经网络能够准确拟合非线性系统,并且具有记忆存储能力,本文设计了一种循环神经网络对压电驱动器的迟滞特性进行建模,进而得到能够准确模拟输出位移和输入电压之间关系的逆模型,并据此对压电驱动器进行前馈补偿.此外,考虑到建模误差以及其他扰动对驱动器跟踪精度的影...     

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.     

大位移压电陶瓷驱动器的有限元分析

为研究压电陶瓷驱动器的驱动效能,制作了大位移压电陶瓷驱动器.基于压电陶瓷材料的机电耦合特性,应用动力学有限元分析方法,将大位移压电陶瓷驱动器离散成一系列四面体单元,分别进行了力学和电学分析.根据压电陶瓷的基本压电方程,耦合了位移模式与电场模式的有限元模型,建立了压电陶瓷驱动器的有限元动力学模性.利用有限元分析软件ANSYS中的直接耦合场进行分析求解,分析结果与试验测量值取得了良好的一致,证实了利用压电陶瓷双晶片弯曲变形,制作的大位移压电陶瓷驱动器结构设计的合理性.该分析方法对压电陶瓷驱动器的设计、制造与测试具有理论指导意义.     

基于变比模型的AFM扫描器迟滞建模与控制

针对迟滞非线性引起的压电扫描器定位不准确问题,提出一种基于变比模型的迟滞前馈控制方法.通过分析原子力显微镜(AFM)扫描图像数据,利用变比模型,对压电扫描器的迟滞非线性进行了准确建模,在此基础上,针对原子力显微镜纳米级表面成像过程中压电扫描器的周期性运动轨迹,设计一种基于逆的前馈控制策略.将所提出的迟滞补偿算法应用于本原CSPM5500系列原子力显微镜系统,实验结果表明这种方法明显减弱了迟滞非线性的影响,有效抑制了图像畸变,提高了AFM系统的成像性能.     

基于卡尔曼滤波的四轴飞行器成像、惯性和高度组合导航

为了提高四轴飞行器在非结构化、室内和GPS失效环境下的导航精度,本文提出一种用于四轴飞行器的成像、惯性和高度组合导航。首先对四轴飞行器搭载的摄像机进行了标定,获取了摄像机的内外参数。其次设计了着陆标志为标准参照物,以及着陆标志识别方案。再利用卡尔曼滤波器融合视觉、惯性测量系统和超声波测距仪的数据,通过相似三角形定理估计飞行器的相对高度,利用视觉测程法估计飞行器位置和位移速度。最后验证组合导航的有效性,用成像、惯性与高度组合导航实验平台依次进行了相对高度估计实验、平移速度和相对位置估计实验,实验测试表明:在高度估计实验中,组合导航能够很好的描述四轴飞行器的飞行高度估计;在平移速度估计实验中,卡尔曼滤波器估计的速度估计值很平滑;相对位置估计实验中,四轴飞行器的x方向位置保持在原点附近,y方向位置保持在-1.0 m附近,高度位置的最大误差在0.3 m之内。     

基于响应面法和遗传算法的多自由度微陀螺性能优化

为了兼顾微陀螺的灵敏度和带宽,实现其性能优化,将特征提取、响应面法与遗传算法相结合,提出了一种基于灵敏度和带宽最优化的优化设计方法。该方法基于特征提取确定设计变量及约束条件。通过BBD(Box-Behnken Design)方法采样,结合最小二乘法构建微陀螺灵敏度和带宽的响应面近似模型,运用多目标遗传算法对响应面模型进行优化。通过计算Pareto前沿最优解获得一系列优化方案,可同时将灵敏度和带宽分别提升19%和12%,也可在灵敏度不变的前提将带宽拓展78%,可根据实际需要选择不同的优化方案。对原设计和优化方案进行仿真对比,验证了优化设计结果的正确性。采用该方法对多自由度微陀螺的性能进行分析和优化,能在大大提高优化效率的同时有效提高灵敏度与带宽,为微陀螺的优化设计提供一种新思路。     

电感变化率对涡流传感器性能影响的仿真研究

为了提高涡流传感器的电感灵敏度和热稳定性,研究了探头线圈的结构、激励频率和温度对线圈电感变化率的影响。首先通过COMSOL Multiphysics仿真软件构建稳态物理模型并加入瞬态温度模块,通过参数化扫描仿真,验证该模型的合理性。其次在稳态恒温实验条件下对线圈内外半径、厚度、匝数进行仿真,得到导线直径不超过40μm、内半径0.1mm^0.5mm、外半径2.5mm的60匝单层平面线圈的电感灵敏度和测量分辨率最佳。最后在瞬态变温实验条件下得到激励频率900kHz时可以最大程度的提高传感器热稳定性和电感灵敏度,减小温度引起的误差。     

综合灵敏度和品质因数的电涡流谐振测量电路参数优化

为提高电涡流传感器的性能,综合考虑了测量灵敏度和回路品质因数两个重要影响因素,研究了其谐振测量电路的参数选择优化方法。在不影响问题性质的前提下,建立了调幅谐振电路的等效简化模型。首先推导了电路阻抗和幅频响应函数的解析式,通过MATLAB数值仿真,分析耦合电阻R0,谐振电容C0对灵敏度影响。其次推导了测量回路的品质因数Q公式,并分析了R0和C0对Q的关系。最后通过实验验证参数取值对测量电路的影响,为电涡流传感器测量电路参数优化选择提供了有效的指导和参考。     

基于平行四边形柔性铰链的新型微量液体粘度测量方法

在分析化学、生物工程、流量计量等领域,微量液体的粘度对工程分析和计算具有重要意义,微量液体粘度测量的方法也在逐渐发展完善。查阅资料发现,目前微量液体测量装置可用于测量粘度值低于150 m Pa·s的微量液体。为了解决微量液体测量装置的粘度测量范围较小的问题,提出一种基于平行四边形柔性铰链的剪切运动的新型粘度测量方法,待测微量液体样本的体积仅为15μL。该方法使用固定在平行四边形柔性铰链上的刚性杆,将刚性杆的探针部分插入液体,在瞬态力的作用下,平行四边形柔性铰链做一维的阻尼振动,带动探针在液体中做剪切运动,由于液体粘滞力,系统的阻尼因数发生变化,液体粘度越大,阻尼因数越大。可以通过标定实验建立二者的关系,实现微量液体的粘度测量。结果表明,此微量液体粘度测量装置的测量范围扩大到了10 m Pa·s～750 m Pa·s,并且相对误差平均为5.8%。证明了该测量装置满足设计的需求,并且能够有效测量微量液体粘度。     

基于PU与生成对抗网络的POI定位算法

随着智能移动设备的快速普及,人们对基于位置的社交网络服务的依赖性越来越高.但是,由于数据采集成本昂贵以及现有数据采集技术的缺陷,基于小样本数据挖掘的兴趣点(point of interest, POI)定位已经成为了一种挑战.尽管已经有一些POI定位方面的研究,但是现有的方法不能解决正样本数据不足的问题.提出一种基于PU与生成对抗网络(positive and unlabeled generative adversarial network, puGAN)的模型,采用PU学习和生成对抗网络相结合的方式挖掘数据的隐藏特征,生成伪正样本弥补数据不足的问题,并校正无标签样本数据的分布,从而训练出有效的POI判别模型.通过分析ROC曲线以及训练误差和测试误差在迭代过程中的变化和关系来比较不同模型在实验场景下的效果.结果表明,puGAN模型可以有效解决数据样本不足的问题,进而提高POI定位的准确性.     

SDN中基于信息熵与DNN的DDoS攻击检测模型

软件定义网络(software defined networking, SDN)解耦了网络的数据层与控制层,同时控制器也面临“单点失效”的危险.攻击者可以发起分布式拒绝服务攻击(distributed denial of service, DDoS)使控制器失效,影响网络安全.为解决SDN中的DDoS流量检测问题,创新性地提出了基于信息熵与深度神经网络(deep neural network, DNN)的DDoS检测模型.该模型包括基于信息熵的初检模块和基于深度神经网络DNN的DDoS流量检测模块.初检模块通过计算数据包源、目的IP地址的信息熵值初步发现网络中的可疑流量,并利用基于DNN的DDoS检测模块对疑似异常流量进行进一步确认,从而发现DDoS攻击.实验表明：该模型对DDoS流量的识别率达到99%以上,准确率也有显著提高,误报率明显优于基于信息熵的检测方法.同时,该模型还能缩短检测时间,提高资源使用效率.     

基于深度神经网络结构的互联网金融市场动态预测

近些年,互联网金融市场在国内外迅速发展;同时,针对互联网金融市场的研究也成为了学术界的热点.相比于传统金融市场,互联网金融市场具有更高的流动性和易变性.针对互联网金融市场的动态(日交易量和日交易次数)进行研究,提出了基于深度神经网络结构的融合层次时间序列学习的预测模型.首先,该模型可以实现对多序列(市场宏观动态序列和多种子序列)特征变量输入的处理,并且在时间和序列特征2个维度上利用注意力机制来融合输入变量.其次,模型设计了基于预测序列平稳性约束的优化函数,使得模型具有更好的稳健性.最后,在真实的大规模数据集上进行了大量的实验,结果充分证明了所提出的模型在互联网金融市场动态预测问题上的有效性与稳健性.     

实值优化问题的非对称负相关搜索算法

现实世界中的许多应用与实值优化问题紧密相关.为了求解复杂的实值优化问题,一些研究工作提出不同的元启发式假设并设计相应的搜索策略.在搜索解空间过程中,如何平衡探索解空间新区域(多样化)与实现优质解利用(集约化)之间的关系,是提高元启发式搜索算法性能的关键因素之一.特别地,负相关搜索(negatively correlated search, NCS)通过在搜索进程中引入负相关的搜索趋势,促进了解的多样性,有效改进了并行爬山算法的搜索性能.负相关搜索将每一个搜索进程的搜索行为建模为概率分布,在此基础上,根据搜索进程的搜索范围的相对大小,将搜索行为进一步划分为全局搜索行为和局部搜索行为.然后提出一种新的元启发式搜索算法,即非对称负相关搜索(negatively correlated search with asymmetry, NSA),它假设具有全局搜索行为的搜索进程应尽可能远离具有局部搜索行为的搜索进程.得益于搜索进程之间非对称的负相关的搜索趋势,提出的算法相比负相关搜索拥有更优的搜索效率.实验结果表明：相比成熟的搜索方法,非对称负相关搜索在20个多模态实值优化问题上取得了最佳的整体性能.     

基于相似性连接的时间序列Shapelets提取

在时间序列分类问题中,以Shapelets特征为基础的分类算法具有很高的分类准确率和良好的可解释性,因此,高辨别能力Shapelets的提取已成为时间序列研究领域重要的研究热点之一.对于Shapelets提取的研究已取得了很多优秀的成果,但仍存在一些问题,主要是由于通过遍历所有子序列来获取Shapelets的方式非常耗时.尽管可以采取剪枝策略优化该过程,但往往会损失分类准确率.为此,提出一种基于相似性连接的Shapelets提取方法,该方法舍弃逐一判断子序列分类能力的策略,而是以子序列为单位,通过相似性连接的思想构建时序数据间的相似性向量.对于不同类别的时序数据,计算每一对时序数据间的差异向量,进而得到表示时序数据集中不同类别间差异的候选矩阵,然后根据候选矩阵的数值差异,快速筛选出具有高分类能力的Shapelets集合.在真实数据集上的大量实验表明：相比于现有的Shapelets提取方法,这种相似性连接方法所得到的Shapelets在分类任务中不仅具有很好的时间效率,而且能保证高分类准确率.