CN106980264B - 基于神经网络的压电驱动器的动态迟滞建模方法 - Google Patents

基于神经网络的压电驱动器的动态迟滞建模方法 Download PDF

Info

Publication number
CN106980264B
CN106980264B CN201710333733.0A CN201710333733A CN106980264B CN 106980264 B CN106980264 B CN 106980264B CN 201710333733 A CN201710333733 A CN 201710333733A CN 106980264 B CN106980264 B CN 106980264B
Authority
CN
China
Prior art keywords
neural network
data
piezoelectric actuator
output
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710333733.0A
Other languages
English (en)
Other versions
CN106980264A (zh
Inventor
陈远晟
罗丹
陈朝霞
郭家豪
应展烽
张旭东
董妍男
徐冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201710333733.0A priority Critical patent/CN106980264B/zh
Publication of CN106980264A publication Critical patent/CN106980264A/zh
Application granted granted Critical
Publication of CN106980264B publication Critical patent/CN106980264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明公开了一种基于神经网络的压电驱动器的动态迟滞建模方法。其步骤为：建立一个多层前馈神经网络对迟滞特性的静态部分进行描述，建立一个多层前馈神经网络对迟滞特性的动态部分进行描述，中间通过一个缓存环节将静态部分和动态部分串联起来，实现了基于神经网络的压电驱动器的动态迟滞建模，可以准确地描述压电驱动器的迟滞曲线且建模方便。将本发明提出的基于神经网络的压电驱动器的动态迟滞建模方法可与控制器的设计相结合，用于控制系统中。

Description

基于神经网络的压电驱动器的动态迟滞建模方法
技术领域
本发明涉及了基于神经网络的压电驱动器的动态迟滞建模方法。
背景技术
压电驱动器是微位移驱动元件，具有位移分辨率高、响应快、不发热、无噪声、刚度大、可微小化等优点，从而被广泛应用于精密定位技术中，但其迟滞非线性被认为是关系到影响压电陶瓷驱动器定位精度关键因素。迟滞特性不但会降低系统的控制精度，甚至会导致系统不稳定。迟滞是一种非常规的非平滑的非线性，它的复杂性表现在：(1)多映射性：在相同的输入值下可以有不同的输出，或者在相同的输出下可以有不同的输入；(2)记忆性：迟滞的当前输出不仅与当前的输入值有关，而且还与输入信号的历史极值有关。由于神经网络高精度的逼近能力，快速的并行运算能力和强大的容错能力，使其在非线性系统的辨识中得到广泛的应用。多层神经网络由于具有理论上能逼近任意非线性连续函数的能力，且结构简单、易于编程，因而在非线性系统建模和自适应控制中得到广泛应用。应用人工神经网络能够建立非线性的动态的输入输出关系，尤其是多层前馈神经网络在此方面的应用更为广泛。现有的压电驱动器的动态迟滞建模方法，没有标准的训练算法，模型辨识相对困难。
发明内容
针对上述问题，本发明提出了基于神经网络的压电驱动器的动态迟滞建模方法。建立一个多层前馈神经网络对迟滞特性的静态部分进行描述，建立一个多层前馈神经网络对迟滞特性的动态部分进行描述，中间通过一个缓存环节，实现对信号的离散化处理，将静态部分和动态部分串联起来，实现了基于神经网络的压电驱动器的动态迟滞建模，可以准确地描述压电驱动器的迟滞曲线且建模方便。
为了实现上述目的，本发明通过以下技术方案来实现：
1)在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，得到一阶下降曲线。
2)在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，得到一阶上升曲线。
3)建立一个多层前馈神经网络描述迟滞特性的静态部分：此多层前馈神经网络有两个输入，分别为输入信号u(t)和输入信号的当前主导极值uD(t)，和一个输出X，将步骤1采集的准静态迟滞数据的输入数据作为此神经网络的目标输入，将该准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网络模型FFNN1；
4)在不同输入频率下，测试压电驱动器的响应曲线，采集压电驱动器的动态迟滞数据，将采集到的输入数据作为FFNN1的输入，计算FFNN1的输出数据X，通过缓存环节，用采样的方法对输出数据X进行离散化处理，得到一系列离散信号x(t),x(t-T),x(t-2T),...,x(t-kT)，并表示为向量
5)建立一个多层前馈神经网络描述迟滞特性的动态部分：将步骤3得到的向量作为动态部分的多层前馈神经网络的输入，输出为Y，将步骤2获取的FFNN1的输出数据作为此神经网络的目标输入，将步骤3得到的动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网络模型FFNN2；
6)将FFNN1和FFNN2通过一个缓存环节串联起来得到基于神经网络的压电驱动器的动态迟滞建模系统，该缓存环节用于实现对信号的离散化处理。
本发明的优点是：
1.本发明提出基于神经网络的压电驱动器的动态迟滞建模方法，简单方便，并且神经网络已有成熟的网络结构。
2.本发明提出基于神经网络的压电驱动器的动态迟滞建模方法，模型参数辨识方便，并且神经网络已有经典的训练算法。
附图说明
图1所示为压电驱动器迟滞特性实验装置原理图。
图2所示为一阶下降曲线图：(a)为迟滞曲线中的一阶下降曲线；(b)为一阶下降曲线幅值变化曲线。
图3所示为一阶上升曲线图：(a)为迟滞曲线中的一阶上升曲线；(b)为一阶上升曲线幅值变化曲线。
图4所示为静态部分的多层前馈神经网络结构图。
图5所示为动态部分的多层前馈神经网络结构图。
图6所示为基于神经网络的压电驱动器的动态迟滞建模原理图。
具体实施方式
下面结合附图1-6对本发明的具体实施方式做进一步的说明。
如附图1所示为压电驱动器迟滞特性实验装置原理图。
选择具有迟滞特性的压电陶瓷作为研究对象，包含信号发生器、功率放大器和激光位移传感器以及数据采集分析装置。信号发生器产生输入信号，并存储在数据采集分析装置中。数据采集分析装置接收并保存信号发生器产生的输入信号、位移传感器输出的位移信号，并进行数据处理，绘制迟滞曲线。功率放大电路能将低压驱动信号放大到几十伏甚至上百伏，加载到压电陶瓷两端，驱动压电陶瓷产生位移。激光位移传感器采集压电陶瓷的位移，并转换为电压信号，数据采集分析装置中。在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，得到一阶下降曲线。在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，得到一阶上升曲线。
如附图2所示为一阶下降曲线图：(a)为迟滞曲线中的一阶下降曲线；(b)为一阶下降曲线幅值变化曲线。
为了辨识神经网络模型，需要系统的测量数据作为神经网络的期望值进行训练。一阶下降曲线的输入信号为调制的变幅值的正弦信号，零时刻为正弦信号的最小值，每经过一个周期，最大值衰减。求得目标数据的一阶下降曲线，每条一阶下降曲线对应的当前主导极值为局部最大值。依据经典Preisach记忆擦除性，利用极值检测模块对多层前馈神经网络模型使用过程中的主导极值进行测量。
如附图3所示为一阶上升曲线图：(a)为迟滞曲线中的一阶上升曲线；(b)为一阶上升曲线幅值变化曲线。
为了辨识神经网络模型，需要系统的测量数据作为神经网络的期望值进行训练。一阶上升曲线的输入信号为调制的变幅值的正弦信号，零时刻为正弦信号的最大值，每经过一个周期，最小值增加。求得目标数据的一阶上升曲线，每条一阶上升曲线对应的当前主导极值为局部最小值。依据经典Preisach记忆擦除性，利用极值检测模块对多层前馈神经网络模型使用过程中的主导极值进行测量。
如附图4所示为静态部分的多层前馈神经网络结构图。
静态部分的多层前馈神经网络包括输入层，隐含层和输出层。静态部分的多层前馈神经网络，通过以下方法建立：
将输入u(t)、uD(t)与非线性函数g结合加权求和，并将线性函数应用于输出层到静态部分的多层前馈神经网络的输出X，表示如下：
其中，u(t)是输入信号，uD(t)是输入信号的当前主导极值，是线性函数，g是非线性函数，分别是输入层u(t)、uD(t)到隐含层的连接权，是隐含层到输出层X的连接权；将输入信号u(t)经过极值检测模块即可得到输入信号的当前主导极值uD(t)。
将准静态迟滞数据的输入数据作为此神经网络的目标输入，将准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网路模型FFNN1；
在不同输入频率下，测试压电驱动器的响应曲线，采集压电驱动器的动态迟滞数据，将测试的输入数据作为FFNN1的输入，计算FFNN1的输出数据X，通过缓存环节，用采样的方法对连续信号X进行离散化处理，每隔一个采样周期T采样一个点，得到n个采样点，分别为x(t),x(t-T),x(t-2T),...,x(t-kT)，其中k＝0,1,2,...,n-1；令
将得到的向量作为动态部分的多层前馈神经网络的输入。
如附图5所示为动态部分的多层前馈神经网络结构图。
动态部分的多层前馈神经网络包括输入层，隐含层和输出层。动态部分的多层前馈神经网络，通过以下方法建立：
将离散化得到的向量的元素作为动态部分的多层前馈神经网络的输入，并与非线性函数g结合加权求和，并将线性函数应用于输出层得到动态部分的多层前馈神经网络的输出Y，表示如下：
其中，xi是输入，是线性函数，g是非线性函数，是输入层xi到隐含层的连接权，是隐含层到输出层Y的连接权；
动态部分的多层前馈神经网络的输入为输出为Y，将获取的FFNN1的输出数据作为此神经网络的目标输入，将动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网路模型FFNN2。
如附图6所示为基于神经网络的压电驱动器的动态迟滞建模原理图。
FFNN1是静态部分的多层前馈神经网络，包含两个输入u(t)和uD(t)，一个输出X；FFNN2是动态部分的多层前馈神经网络，包含n个输入xi，一个输出Y。
静态部分的多层前馈神经网络表示如下：
X＝FFNN1(u(t),uD(t)) (4)
动态部分的多层前馈神经网络表示如下：
其中，FFNN1、FFNN2表示前馈神经网络；u(t)是输入信号，uD(t)是输入信号的当前主导极值；静态部分的多层前馈神经网络的输出X；是离散化后的向量；动态部分的多层前馈神经网络的输出Y。
将静态部分的多层前馈神经网络和动态部分的多层前馈神经网络通过一个缓存环节串联起来，缓存环节用于实现对信号的离散化处理，实现了基于神经网络的压电驱动器的动态迟滞建模。
本发明提出了基于神经网络的压电驱动器的动态迟滞建模方法，可以准确地描述压电驱动器的迟滞曲线，与经典的建模方法相比，神经网络有一系列标准的训练算法，模型辨识相对容易，而且也易于控制器的设计。本发明提出的基于神经网络的压电驱动器的动态迟滞建模方法，可与控制器的设计相结合，用于控制系统中。

Claims (5)

1.基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，包括以下步骤：
步骤1，在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，分别得到一阶下降曲线和一阶上升曲线；
步骤2，建立一个多层前馈神经网络描述迟滞特性的静态部分：此多层前馈神经网络有两个输入，分别为输入信号u(t)和输入信号的当前主导极值uD(t)，和一个输出X，将步骤1采集的准静态迟滞数据的输入数据作为此神经网络的目标输入，将该准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网络模型FFNN1，其中，所述的静态部分，具体通过以下方法建立：
将输入u(t)、uD(t)与非线性函数g结合加权求和，并将线性函数应用于输出层得到静态部分的多层前馈神经网络的输出X，表示如下：
其中，u(t)是输入信号，uD(t)是输入信号的当前主导极值，是线性函数，g是非线性函数，分别是输入层u(t)、uD(t)到隐含层的连接权，是隐含层到输出层X的连接权；
将准静态迟滞数据的输入数据作为此神经网络的目标输入，将准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网路模型FFNN1；
步骤3，在不同输入频率下，测试压电驱动器的响应曲线，采集压电驱动器的动态迟滞数据，将采集到的输入数据作为FFNN1的输入，计算FFNN1的输出数据X，通过缓存环节，用采样的方法对输出数据X进行离散化处理，得到一系列离散信号x(t),x(t-T),x(t-2T),...，x(t-kT)，并表示为向量
步骤4，建立一个多层前馈神经网络描述迟滞特性的动态部分：将步骤3得到的向量作为动态部分的多层前馈神经网络的输入，输出为Y，将步骤2获取的FFNN1的输出数据作为此神经网络的目标输入，将步骤3得到的动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网络模型FFNN2，其中，所述的动态部分，具体通过以下方法建立：
将离散化得到的向量的元素作为动态部分的多层前馈神经网络的输入，并与非线性函数g结合加权求和，并将线性函数应用于输出层得到动态部分的多层前馈神经网络的输出Y，表示如下：
其中，xi是输入，是线性函数，g是非线性函数，是输入层xi到隐含层的连接权，是隐含层到输出层Y的连接权；
动态部分的多层前馈神经网络的输入为输出为Y，将步骤3获取的FFNN1的输出数据作为此神经网络的目标输入，将动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网路模型FFNN2；
步骤5，将FFNN1和FFNN2通过一个缓存环节串联起来得到基于神经网络的压电驱动器的动态迟滞建模系统，该缓存环节用于实现对信号的离散化处理。
2.根据权利要求1所述的基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，步骤1中，测试一阶下降曲线的输入信号为调制的变幅值的正弦信号，零时刻为正弦信号的最小值，每经过一个周期，最大值衰减。
3.根据权利要求1所述的基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，步骤1中，测试一阶上升曲线的输入信号为调制的变幅值的正弦信号，零时刻为正弦信号的最大值，每经过一个周期，最小值增加。
4.根据权利要求1所述的基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，步骤2所述的输入信号的当前主导极值uD(t)通过如下步骤得到：
求得目标数据的一阶下降曲线，每条一阶下降曲线对应的当前主导极值为局部最大值；求得目标数据的一阶上升曲线，每条一阶上升曲线对应的当前主导极值为局部最小值；依据经典Preisach记忆擦除性，利用极值检测模块对多层前馈神经网络模型使用过程中的主导极值进行测量。
5.根据权利要求1所述的基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，步骤3所述的将输出数据X进行离散化方法处理，通过以下方法实现：
用采样的方法对输出数据X进行离散化处理，每隔一个采样周期T采样一个点，得到n个采样点，分别为x(t),x(t-T),x(t-2T),...，x(t-kT)，其中k＝0,1,2,...，n-1；令
CN201710333733.0A 2017-05-12 2017-05-12 基于神经网络的压电驱动器的动态迟滞建模方法 Active CN106980264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710333733.0A CN106980264B (zh) 2017-05-12 2017-05-12 基于神经网络的压电驱动器的动态迟滞建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710333733.0A CN106980264B (zh) 2017-05-12 2017-05-12 基于神经网络的压电驱动器的动态迟滞建模方法

Publications (2)

Publication Number Publication Date
CN106980264A CN106980264A (zh) 2017-07-25
CN106980264B true CN106980264B (zh) 2019-10-18

Family

ID=59342040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710333733.0A Active CN106980264B (zh) 2017-05-12 2017-05-12 基于神经网络的压电驱动器的动态迟滞建模方法

Country Status (1)

Country Link
CN (1) CN106980264B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505840A (zh) * 2017-07-31 2017-12-22 广东工业大学 基于FReOS‑ELM的压电驱动FTS建模方法、控制方法及系统
CN107390546A (zh) * 2017-07-31 2017-11-24 广东工业大学 基于eos‑elm的压电驱动定位平台建模方法、控制方法及系统
CN107367936A (zh) * 2017-07-31 2017-11-21 广东工业大学 基于os‑elm的压电陶瓷驱动器建模、控制方法及系统
CN109472355B (zh) * 2018-11-06 2021-01-01 地平线(上海)人工智能技术有限公司 卷积处理引擎及控制方法和相应的卷积神经网络加速器
CN110245430B (zh) * 2019-06-18 2022-08-02 吉林大学 改进Bouc-Wen模型迟滞建模方法
CN110470921B (zh) * 2019-08-14 2022-03-18 上海卫星工程研究所 压电作动器输出力迟滞效应测试系统及测试方法
CN113487016A (zh) * 2021-07-07 2021-10-08 华中科技大学鄂州工业技术研究院 基于神经网络的扫描器件位移控制方法、设备及存储介质
CN114397820B (zh) * 2022-01-16 2023-09-19 吉林大学 压电微动平台基于Hopfield神经网络估计器的自适应控制方法
CN114706432B (zh) * 2022-05-20 2023-04-28 哈尔滨理工大学 一种基于跨介质时延的随机微振动主动隔振控制方法
CN115600480B (zh) * 2022-06-13 2023-06-27 哈尔滨工业大学 一种针对压电换能器的全局线性化频散迟滞建模方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794116A (zh) * 2005-12-22 2006-06-28 桂林电子工业学院 基于神经网络的迟滞特性建模方法
CN103853046B (zh) * 2014-02-14 2017-10-10 广东工业大学 一种压电陶瓷驱动器的自适应学习控制方法
CN103941589B (zh) * 2014-04-24 2016-08-24 中国科学院自动化研究所 一种压电执行器的非线性模型预测控制方法

Also Published As

Publication number Publication date
CN106980264A (zh) 2017-07-25

Similar Documents

Publication Publication Date Title
CN106980264B (zh) 基于神经网络的压电驱动器的动态迟滞建模方法
CN106707760B (zh) 一种用于压电驱动器动态迟滞补偿的非线性逆控制方法
US11630929B2 (en) Linearization identification method for hysteresis model of piezoceramics based on Koopman operators
Wunderlich et al. Digital twin models of power electronic converters using dynamic neural networks
CN104991997B (zh) 自适应差分进化算法优化的广义率相关p-i迟滞建模方法
CN108875159A (zh) 一种压电驱动器的率相关迟滞建模方法
CN110108443B (zh) 一种基于神经网络的压电陶瓷驱动器输出控制方法
CN111106783A (zh) 一种信号制作方法、信号制作装置、振动马达及触屏设备
Wang et al. A Hammerstein-based model for rate-dependent hysteresis in piezoelectric actuator
CN110657934A (zh) 一种电动振动台在线修正迭代控制方法
CN106682728B (zh) 基于Duhem模型的压电执行器的神经网络参数辨识方法
CN108534819A (zh) 一种恒流或恒压传感器模拟系统及方法
CN107505840A (zh) 基于FReOS‑ELM的压电驱动FTS建模方法、控制方法及系统
Efe et al. Control of subsonic cavity flows by neural networks-analytical models and experimental validation
CN107561934B (zh) 基于多参考时域传递率的仅输出结构模态参数辨识方法
CN108152629B (zh) 一种用于火电厂绘制电压耐受力曲线的方法
CN106788064B (zh) 基于emd-elm的感应电机定子电阻参数识别方法
Yu et al. Nonlinear dynamic compensation of sensors using inverse-model-based neural network
Leal et al. Experimental and computational assessment of a shape memory alloy based morphing wing incorporating linear and non-linear control
CN109472054B (zh) 一种扬声器热学参数的分频段识别方法
Yao et al. Identification of acceleration harmonics for a hydraulic shaking table by using Hopfield neural network
CN105759156A (zh) 一种多方向振动能量收集装置性能测试系统及方法
CN115600480B (zh) 一种针对压电换能器的全局线性化频散迟滞建模方法、装置、计算机设备及存储介质
CN116945185A (zh) 基于数据驱动建模的形状记忆合金软体驱动器控制方法
Jackowska-Strumillo Hybrid analytical and ANN-based modelling of temperature sensors nonlinear dynamic properties

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant