压电微动工作台动态迟滞模型研究

为实现压电微动工作台的快速准确运动定位,研究了其运动定位模型。压电工作台的运动定位精度主要受到工作台动态特性和迟滞特性的影响。在介绍这两类典型特性模型及其适用范围的基础上,提出了能够同时体现压电工作台动态特性和迟滞特性的动态迟滞模型,并给出了采用Prandtl-Ishlinskii (PI)迟滞算子的动态迟滞模型参数辨识方法。实验研究表明,动态迟滞模型的模型精度在压电工作台大行程、快速运动定位时较以往线性动态模型和迟滞模型有较大提高,其平均误差为0.16μm,最大误差为0.38μm,为下一步高性能运动定位工作台控制系统的设计提供了必要的模型基础。     

压电微位移台的动态迟滞建模及实验验证

为了提高压电微位移平台快速定位的精确度,建立了一种表征压电微位移平台驱动电压与输出位移关系的定位模型。考虑压电工作台在快速、大行程精确定位过程中会受压电陶瓷迟滞特性及本身动态特性的影响,本文采用BoucWen模型描述压电陶瓷迟滞特性,并结合压电工作台的动态特性进行共同建模,使模型同时体现压电工作台的动态特性与迟滞特性。为了验证模型的正确性,搭建了基于压电微位移平台和相关驱动器的实验设备对模型进行了实验验证,并进行了测控程序的二次开发。研究结果表明,与单纯的Bouc-Wen模型相比,提出模型在最大位移输出为40μm,输入电压频率为40Hz时的最大误差由3.04μm下降到了0.67μm,此时最大相对误差为1.68%。得到的结果验证了提出的模型可较好地模拟压电工作台的迟滞特性与动态特性,大大提高压电微位移平台在快速、大行程定位中的精确度。     

压电工作台的神经网络建模与控制

建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响.采用双Sigmoid激活函数对神经网络激活函数进行了改进,同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同.设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型,推导了网络权值、阈值及激活函数阈值修正公式.最后,基于神经网络模型设计了压电工作台的自适应控制方案,该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整.实验结果表明:提出的神经网络在线辨识模型平均误差为0.095 μm,最大误差为0.32 μm;自适应控制方案跟踪三角波的平均误差为0.070 μm,最大误差为0.100 μm;跟踪复频波的平均误差为0.80 μm,最大误差为0.105 μm.实验数据显示压电工作台的定位精度得到了有效提高.     

扫描电化学显微镜压电工作台的建模与控制

为提高扫描电化学显微镜(SECM)微定位系统的运动定位精度,对其压电工作台的数学模型和控制器设计进行了研究.介绍了压电工作台的动态迟滞模型方程和采用Prandtl-Ishlinskii(PI)迟滞算子的动态迟滞模型,并在此基础上设计了压电工作台的复合控制方案.以CHI900B型扫描电化学显微镜的三维压电工作台为实验对象,对动态迟滞模型的具体建模过程进行了阐述,并验证了控制器的性能.在100 V/s和900 V/s两种不同输入电压速率下进行运动定位实验,动态迟滞模型平均误差分别为0.08μm和0.11μm,精度明中显优于压电工作台的线性动态模型和PI迟滞模型.复合控制方案下,系统跟踪±400μm/s任意三角波的平均误差为0.085μm,最大误差为0.105μm;跟踪复频波的平均误差为0.105μm,最大误差为0.115μm.控制效果较好.     

压电超精密定位台的动态迟滞建模研究

为了提高压电超精密定位台的建模精度,采用Backlash-Like迟滞非线性模型来描述压电超精密定位台的迟滞特性,采用基于遗传因子的递推最小二乘法来辨识Backlash-Like模型的参数,并结合压电超精密定位台的动态特性,建立了压电超精密定位台的二阶动态迟滞模型。通过实验得到,对比Backlash-Like模型,动态迟滞模型在频率为30和40 Hz时,最大输出位移误差由1.21和1.39μm下降到0.32和0.44μm,且最大相对误差分别仅为3.5%和4.4%,平均位移误差由0.53和0.76μm下降到0.17和0.21μm,平均相对误差由1.93%和3.38%下降到1.11%和1.37%。实验结果验证了提出的动态迟滞模型,既能减小了因压电超精密定位台的动态特性而引起的系统误差,又能很好地模拟其迟滞特性与动态特性,并且避免了不同频率下的模型参数反复辨识问题,提高了压电超精密定位台在高频、快速、大行程定位中的精度。该方法简单且适应性强,易于工程实现。     

压电驱动器记忆特性迟滞非线性建模

考虑压电驱动器固有的迟滞特性对驱动器定位精度的影响,提出了一种精确描述压电驱动器迟滞非线性特性的建模方法.根据迟滞曲线的运动规律,并且考虑迟滞曲线的记忆更新特性,新的迟滞数学模型修正了单纯采用抛物线拟合时的建模误差.为了验证模型的有效性,以PST150/7/40VS12型压电陶瓷驱动器为例进行了试验研究.研究显示,采用抛物线迟滞模型对一阶反转输入信号进行预测时,最大误差为0.141 3 μm,均方误差为0.060 4 μm,对复杂信号模型预测的最大误差为1.396 0 μm,均方误差为0.856 6 μm;采用修正后的模型对文中复杂信号建模时,最大误差为0.237 0 μm,均方误差为0.09 μm.实验结果表明,修正后的模型不仅能够满足迟滞曲线的运动规律,还能够满足迟滞非线性的记忆更新特性,可以比较精确地描述复杂输人信号下的迟滞非线性特性.     

压电陶瓷执行器的类Hammerstein模型及其参数辨识

针对压电陶瓷执行器的迟滞非线性对压电陶瓷精密定位的影响,提出了应用类Hammerstein模型对压电陶瓷执行器进行建模的方法.建立了压电陶瓷执行器的迟滞模型并且描述其频率相关性.利用类Hammerstein模型把压电陶瓷执行器看成静态迟滞模型和动态二阶系统的串联,其中静态模型由分类排序的Preisach模型进行描述,二阶系统应用遗传算法辨识其参数.实验结果表明:加入二阶系统后,类Hammerstein模型对频率的相关性有较大增强,其误差相应地大幅降低,在800 Hz时平均绝对误差为0.339 2 μm;丽由Prcisach建立的迟滞模型的误差随着频率的增大而大幅增大,在800 Hz为0.888 1 μm.     

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。     

压电微定位台的率相关动态迟滞建模及参数辨识

针对压电微定位台固有的率相关迟滞非线性严重限制其微定位精度的问题,研究了基于Backlash-Like的Hammerstein率相关迟滞非线性模型及其建模方法。以改进的Backlash-Like分段辨识模型描述压电微定位台的静态非线性特性,结合ARX(Auto Regressive eXogenous)模型,建立描述压电微定位台的率相关动态迟滞模型。同时,针对传统的粒子群算法(Particle Swarm Optimization,PSO)进行模型参数辨识时易陷入局部最优的问题,提出一种具有交叉变异策略的改进型粒子群算法进行模型的参数辨识。实验结果表明:与传统的Backlash-Like模型相比,改进的Backlash-Like分段辨识模型在输入电压为60V,频率为2Hz的信号时,模型辨识的最大误差由0.68μm下降到了0.104μm,最大相对误差由2.69%下降为0.35%。当压电微定位台输入电压为60V,频率分别为30Hz,60Hz和90Hz的单频信号时,Hammerstein率相关迟滞模型较Backlash-Like分段辨识模型,均方根误差由0.393 1～0.700 6μm下降至0.054 1～0.190 4μm,相对误差由1.721%～3.087%下降至0.236%～0.831%。验证了基于改进Backlash-Like的Hammerstein率相关迟滞模型较传统的Backlash-Like静态迟滞模型能精确地描述压电微定位台的率相关动态迟滞特性,具有较好的频率泛化能力,提高了压电微定位平台的定位精度。     

压电陶瓷执行器迟滞特性的广义非线性Preisach模型及其数值实现

压电陶瓷执行器的迟滞非线性不具有经典Preisach模型的次环一致特性,直接利用该模型对压电陶瓷执行器的迟滞特性建模会产生较大误差。为了提高压电陶瓷执行器的迟滞特性建模精度,在非线性Preisach模型的基础上推导得到适用于压电陶瓷迟滞特性的广义非线性Preisach模型,并给出简化分类计算公式。广义非线性Preisach模型将经典Preisach模型表示定理中的次环一致特性修改为次环等弦长特性,放宽了对描述对象的限制要求。实验数据表明,与经典Preisach模型相比,广义非线性Preisach模型预测位移的误差绝对值的最大值降低了0.22 μm,均方根误差降低了0.11 μm,能够更精确地描述压电陶瓷的迟滞特性。     

压电陶瓷微动台的复合控制

压电陶瓷微动台的迟滞非线性严重影响其动态定位精度,为了解决这一问题,采用一种改进的PI模型对微动台的迟滞非线性进行了建模.为了提高传统PID算法对压电陶瓷微动台的动态定位性能,将改进的PI模型与传统PID算法组合构成前馈复合控制算法,并进行了微动台的慢速与快速动态定位实验.结果表明,对同频曲线定位时,前馈PID复合算法的最大误差为传统PID算法的40％左右,平均误差为传统算法的20％～30％左右;对多频曲线定位时,前馈PID复合算法的最大误差和平均误差为传统PID算法的33％左右.数据表明前馈PID复合算法的动态定位性能明显优于传统PID算法.     

基于非线性GA算法的动态P模型的参数辨识与验证

针对现有的GMM-FBG电流传感器的磁滞非线性问题,提出了一种改进的动态Preisach磁滞模型。采用非线性遗传算法对改进动态Preisach磁滞数学模型进行参数辨识,提高了动态磁滞曲线的预测精度。运用改进动态Preisach模型对GMMFBG电流传感器进行建模及实验验证,实验及仿真结果表明该模型具有较好的预测性,预测误差在3.0%以内。经过磁滞补偿使得传感系统电流的测量灵敏度达到0.050 nm/A。     

Preisach迟滞逆模型的神经网络分类排序

为了补偿影响压电陶瓷执行器纳米定位系统精度的迟滞非线性,提高系统的控制精度,开展了基于压电陶瓷执行器的迟滞非线性逆模型的研究。兼顾到迟滞的擦除特性和建模的精确度,提出了一种Preisach逆模型分类排序法的神经网络实现方法,用神经网络取代了传统的反查值方法,以避免插值误差。建立三层BP神经网络,运用实测数据进行训练,确定各层权值;然后,结合排序得到的电压和位移极值信息,通过神经网络方法拟合出较精确的输入电压值。运用若干组实验数据检验了此逆模型的有效性,结果表明,该神经网络的实现方法将逆模型的平均误差降低到了1.5V以下,最大误差绝对值降低到了2.7V以下。与反查值方法相比,神经网络实现方法有效提高了压电陶瓷执行器纳米定位系统的迟滞逆模型的精度。     

压电执行器动态迟滞建模与LQG最优控制器设计

为提高空间天文望远镜稳像系统中压电快摆镜(Fast Steering Mirror,FSM)的动态性能,对压电执行器(Piezoelectric Actuator,PZT)动态迟滞补偿和控制进行研究。鉴于基于广义Play算子Prandtl-Ishlinskii(PI)模型的求逆复杂性和迟滞曲线的非对称性,构造一种基于广义Stop算子PI逆模型来补偿压电执行器迟滞非线性。采用Hammerstein模型对压电执行器动态迟滞特性进行建模,以广义PI模型和自回归遍历模型(Auto-regressive Exogenous Model,ARX)分别表征Hammerstein迟滞模型中的静态非线性和率相关性,并针对迟滞率相关模型不确定性问题,提出一种前馈补偿和线性二次型Gauss最优控制算法(Linear Quadratic Gaussian,LQG)相结合的复合控制策略。利用自适应差分进化算法(Adaptive Differential Evolution algorithm,ADE)辨识和整定模型及控制器参数。实验结果表明:该动态迟滞模型能够有效描述1～100Hz频率范围内压电执行器迟滞曲线,拟合均方根误差为0.077 1μm(@1 Hz)～0.512 3μm(@100Hz),相对误差为0.31%(@1Hz)～2.09%(@100Hz);实时跟踪幅值为24.5μm的变频目标位移,LQG控制算法的跟踪精度相比于直接前馈控制和PID控制分别提高48.6%和27.02%。     

磁流变阻尼器动力性能测试与建模

建立磁流变阻尼器精确的力学模型是进行磁流变阻尼减振结构反应分析与设计并取得良好振动控制效果的一个重要前提。首先,对一个最大出力为10kN的磁流变阻尼器进行动力性能测试;其次,基于试验结果分别建立该阻尼器的参数化与非参数化动力学模型,并对所建立模型的有效性进行验证;最后,对两种不同建模方式的结果进行对比分析。结果表明,建立的参数化模型——双曲正切滞回模型能够有效地描述磁流变阻尼器的动力特性;非参数化模型——反向传播(back propagation,简称BP)神经网络正向、逆向力学模型具有良好的训练样本拟合度、泛化能力和抗噪性能;在试验数据拟合度上,BP神经网络模型要好于双曲正切滞回模型,但后者阻尼力表达式形式简单,更易于程序化。     

非线性Preisach理论与超磁致伸缩执行器高阶迟滞建模

经典Preisach理论在建模迟滞过程时要求其所描述迟滞过程必须满足擦除特性和滞环全等特性,并把这两个条件作为其建模的充分与必要条件。试验表明超磁致伸缩材料的迟滞过程仅满足擦除特性而不满足滞环全等要求,正是这个原因使经典模型在预测具有多次回转特征的高阶迟滞输出时存在较大误差。在经典模型基础上提出一种改进模型,新模型一方面放松经典模型对次环全等的严格要求,另一方面还在参数辨识过程中同时将一阶和二阶回转曲线数据考虑在内,从而提高其对高阶回转迟滞曲线的预测精度。最后在直动式超磁致伸缩执行器上进行试验。结果表明,在预测具有多次回转特征的高阶迟滞输出时,新模型的预测精度明显高于经典模型,对二阶、三阶滞回曲线的预测精度分别提高了34%和33%。