CN110829885B - 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法 - Google Patents

一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法 Download PDF

Info

Publication number
CN110829885B
CN110829885B CN201911155725.7A CN201911155725A CN110829885B CN 110829885 B CN110829885 B CN 110829885B CN 201911155725 A CN201911155725 A CN 201911155725A CN 110829885 B CN110829885 B CN 110829885B
Authority
CN
China
Prior art keywords
driving device
layer
precision driving
neural network
magnetic field
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
CN201911155725.7A
Other languages
English (en)
Other versions
CN110829885A (zh
Inventor
舒亮
张烨恒
李波
陈定方
卢全国
马塞洛˙吉˙德皮诺
陶孟仑
朱彦超
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.)
Wenzhou University
Original Assignee
Wenzhou 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 Wenzhou University filed Critical Wenzhou University
Priority to CN201911155725.7A priority Critical patent/CN110829885B/zh
Publication of CN110829885A publication Critical patent/CN110829885A/zh
Priority to US17/012,074 priority patent/US11778916B2/en
Application granted granted Critical
Publication of CN110829885B publication Critical patent/CN110829885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N35/00—Magnetostrictive devices
    • H10N35/80—Constructional details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
    • H02N2/00—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction
    • H02N2/02—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing linear motion, e.g. actuators; Linear positioners ; Linear motors
    • H02N2/06—Drive circuits; Control arrangements or methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10N35/00—Magnetostrictive devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Electrical Machinery Utilizing Piezoelectricity, Electrostriction Or Magnetostriction (AREA)
  • Feedback Control In General (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

本发明提供一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法，包括构建对应Terfenol‑D材料杨氏模量的三层神经网络模型；从预设的原始数据集中，获取多个样本数据，形成训练样本集和测试样本集；采用贝叶斯正则化训练算法对模型进行训练，并对训练测试好的三层神经网络模型中各层间的连接权和阈值进行优化，得到最终三层神经网络模型；基于最终三层神经网络模型，构建磁致伸缩精密驱动装置机械阻抗逆模型；以当前负载阻抗水平为逆模型的输入，求解得到的偏置磁场，并通过改变驱动装置励磁线圈中的偏置电流改变偏置磁场水平，使驱动装置机械内阻与负载阻抗自适应匹配，提升能量效率。实施本发明，能够使磁致伸缩精密驱动装置的能量转化效率最高。

Description

一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法
技术领域
本发明涉及磁致伸缩精密驱动装置技术领域，尤其涉及一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法。
背景技术
磁致伸缩驱动装置(Magnetostrictive transducer)以超磁致伸缩材料(GiantMagnetostrictive Material，简称GMM，商业牌号一般为Terfenol-D)为驱动元件，在外加磁场作用下GMM发生磁致伸缩应变，从而使磁致伸缩装置产生驱动位移和形变，实现电能和机械能之间的转换。
传统的以压电材料为驱动元件的驱动装置，其机械位移形变较小，输出力较低，并且需要高电压驱动，外围控制系统较为复杂。磁致伸缩驱动器能够克服上述驱动器的缺点，位移输出精确度可以达到纳米级，机械应变伸缩量是压电材料的8～10倍，响应速度快，输出力大，控制结构相对简单，这些整体性能特点使得磁致伸缩驱动装置在工程应用中具有独特优势。目前，磁致伸缩驱动装置已成为微位移驱动器、线性马达、精密加工和振动主动控制的重要驱动组元，在流体控制、精密机械控制、大功率海地通讯、航空航天和国防军工的智能结构等领域有着广阔的应用前景。
如图1所示，为现有技术中磁致伸缩驱动装置的局部结构剖视图。该磁致伸缩驱动装置包括激励线圈、永磁体、弹簧垫圈、预紧螺栓、GMM材料(牌号Terfenol-D)、顶杆、负载质量几个部分，其中激励线圈用于提供驱动装置工作过程中的驱动磁场，永磁体用于提供Terfenol-D棒的偏置磁场，弹簧垫圈用于提供驱动装置的偏置应力，其偏置应力强度可以通过调节弹簧刚度和压缩量进行调节，Terfenol-D棒与位移输出顶杆之间采用刚性连接，从而可以将Terfenol-D棒产生的磁致伸缩应变通过顶杆对外进行输出，图1中的质量用来表示负载对象。该磁致伸缩驱动装置的基本工作原理为：激励电流进入线圈产生驱动磁场，在驱动磁场的作用下，Terfenol-D棒发生机械变形，推动顶杆移动，输出力和位移，在此过程中就实现电场到磁场，再到机械能的能量转换和传递。图1中永磁体的作用是产生一定的磁场，使线圈产生的激励磁场频率等于Terfenol-D棒的机械运动频率，从而消除“倍频”现象。考虑到Terfenol-D材料的脆性较大，抗拉强度只有28Mpa，容易断裂，因此使用预紧螺栓和弹簧垫圈给Terfenol-D棒一定的轴向预应力以达到保护的作用。
此外，有研究表明适当大小的预压应力还可以产生更大的磁致伸缩应变，提高驱动装置电磁能向机械能的转换效率。目前磁致伸缩精密驱动装置工作过程中，设计电场向磁场，再向机械场能量的转化，能量转换和传递过程较为复杂，能量使用效率较低。因此，如何提高电磁能到机械能的转化效率，是目前磁致伸缩致精密驱动领域在工程应用中的一项关键难题。
现有的磁致伸缩精密驱动装置中，大多数采用定刚度设计，主要从减少能量传递环节的角度提升效率。例如，优化磁路设计结构、减少线圈漏磁等方法，可以一定程度改善装置的能效指标，但仍然无法从根本上解决问题。
事实上，改变磁致伸缩精密驱动装置定刚度的工作模式，对其进行变刚度、变阻抗控制，以达到系统机械内阻抗与负载阻抗自适应匹配，通过机械机械阻抗匹配的模式来提升其能量转化效率，是从根本上解决精密驱动装置能效问题的关键。对于功率输出系统，机械阻抗匹配程度对能量转化效率有很大影响，当系统内阻抗与负载阻抗实现共轭匹配时，系统能量转化效率达到峰值。
然而，现有的定刚度设计方法，使得精密驱动装置机械内阻无法改变，当内阻抗与负载阻抗失调时，会大大降低能量转化效率。考虑到改变激励线圈中的电流，Terfenol-D的弹性模量随之改变，因而可以通过改变线圈中的偏置电流改变磁场水平，主动调节精密驱动装置的机械内阻，使其与负载阻抗自适应匹配。
因此，为了实现磁致伸缩精密驱动装置机械内阻与负载阻抗自适应匹配，亟需一种基于变刚度机制的磁致伸缩精密驱动装置的机械阻抗匹配控制方法，在实时检测当前负载机械阻抗的同时进行系统机械内阻闭环跟踪控制，使得磁致伸缩精密驱动装置机械内阻与负载阻抗自适应实时匹配，从而提升精密驱动装置的能量转换效率。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于变刚度机制的磁致伸缩精密驱动装置的机械阻抗匹配控制方法，能够在实时检测当前负载机械阻抗的同时进行系统机械内阻闭环跟踪控制，使得磁致伸缩精密驱动装置机械内阻与负载阻抗自适应实时匹配，从而提升精密驱动装置的能量转换效率。磁致伸缩精密驱动装置的机械阻抗匹配控制方法。
为了解决上述技术问题，本发明实施例提供了一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法，所述方法包括以下步骤：
步骤S1、以压应力σ和驱动磁场强度H为输入神经元，杨氏模量E为输出神经元，构建对应Terfenol-D材料杨氏模量的三层神经网络模型；
步骤S2、从预设的原始数据集中，获取多个样本数据，并将所获取的多个样本数据分别形成训练样本集和测试样本集；其中，每一样本数据均包括由压应力σ、驱动磁场强度H及杨氏模量E组成的数据特征项；
步骤S3、将所述训练样本集导入所述三层神经网络模型中采用预设的贝叶斯正则化训练算法进行训练，以及将所述测试样本集导入所述三层神经网络模型中进行测试，得到训练测试好的三层神经网络模型；
步骤S4、对所述训练测试好的三层神经网络模型中各层间的连接权和阈值进行优化，得到优化后的三层神经网络模型；
步骤S5、根据所述训练样本集和所述测试样本集，对所述优化后的三层神经网络模型进行训练及测试，直至所述优化后的三层神经网络模型收敛于预设的误差指标内，得到对应Terfenol-D材料杨氏模量的最终三层神经网络模型；
步骤S6、基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建磁致伸缩精密驱动装置机械阻抗模型；
步骤S7、基于所述磁致伸缩精密驱动装置机械阻抗模型，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，并搭建从Terfenol-D材料杨氏模量到偏置磁场的逆模型，得到目标刚度所需的偏置磁场水平，且待将所搭建的逆模型与磁致伸缩精密驱动装置进行串联补偿后，求解所搭建的逆模型，得到偏置磁场输入所述磁致伸缩精密驱动装置，使得所述磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配。
其中，所述步骤S4具体包括：
首先，设置输入向量P和目标输出向量B分别为：
Figure BDA0002284750090000041
式中，Pi＝(σi,Hi)，i＝1,…,m；
其次，任意选取一组数据作为样本输入网络，隐藏层的输入向量和输出向量可以表示为：
Figure BDA0002284750090000042
式中，α为隐藏层的输入向量，β为隐藏层的输出向量，f为输入层到隐藏层的传递函数，wij为输入层到隐藏层的连接权，θj为隐藏层阈值；
然后，由隐藏层的输出向量，得到输出层的输入向量和输出向量为：
Figure BDA0002284750090000043
式中，χ为输出层的输入向量，δ为输出层的输出向量，L为隐藏层到输出层的传递函数，vjt为隐藏层到输出层的连接权，γt为输出层阈值；
接着，确定输出层和隐藏层各单元误差为：
Figure BDA0002284750090000051
式中，dt为输出层误差，ej为隐藏层误差；
最后，根据公式(5)，对隐藏层和输出层的阈值和连接权进行修正，直到全局误差小于设定值，得到优化后的三层神经网络模型；
Figure BDA0002284750090000052
式中，Δwij为隐藏层的权值的变化量，Δθj为隐藏层的阈值的变化量，λ为误差系数，0<λ<1。
其中，所述步骤S6具体包括：
根据磁致伸缩精密驱动装置中各部件结构，确定磁致伸缩精密驱动装置的单自由度动力学模型；
基于所述磁致伸缩精密驱动装置的单自由度动力学模型，确定磁致伸缩精密驱动装置的机械阻抗网络；
基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型以及所述磁致伸缩精密驱动装置的机械阻抗网络，利用机械阻抗法得到磁致伸缩精密驱动装置机械阻抗模型。
其中，所述步骤S7具体包括：
基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建从Terfenol-D材料杨氏模量到偏置磁场的逆模型；
基于所述磁致伸缩精密驱动装置机械阻抗模型，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，并利用传感器获取负载运动中位移、速度、加速度等信号，并通过牛顿力学方程计算实时的负载阻抗；
对所计算出的负载阻抗进行分析计算，得到与之相匹配的系统内阻及对应的目标刚度，并通过对所述从Terfenol-D材料杨氏模量到偏置磁场的逆模型求解，得到目标刚度所需的偏置磁场水平，且待将所述从Terfenol-D材料杨氏模量到偏置磁场的逆模型与磁致伸缩精密驱动装置进行串联补偿后，进一步求解所搭建的逆模型，得到偏置磁场输入所述磁致伸缩精密驱动装置，使得所述磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配。
实施本发明实施例，具有如下有益效果：
本发明通过构建Terfenol-D材料杨氏模量的三层神经网络模型，对Terfenol-D材料的应力-杨氏模量关系进行辨识比较，并基于杨氏模量的变化，再由机械阻抗法推导得出磁致伸缩驱动装置的机械内阻，从而能够较为精确地描述在磁场和应力场耦合作用下Terfenol-D材料弹性模量的变化规律，准确得到与负载阻抗自适应匹配的机械内阻，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，通过对Terfenol-D材料杨氏模量的三层神经网络模型求逆，得到目标刚度所需的磁场水平并输入磁致伸缩精密驱动装置，实现磁致伸缩精密驱动装置能量效率的提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为现有技术中磁致伸缩驱动装置的局部结构剖视图；
图2本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法的流程图；
图3为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中经过模型训练以后Terfenol-D杨氏模量与实际值的数据对比图；
图4为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中经过模型训练以后Terfenol-D杨氏模量与实际值的误差直方图；
图5为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中磁致伸缩精密驱动装置的动力学模型简图；
图6为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中磁致伸缩精密驱动装置的单自由度动力学模型框图；
图7为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中磁致伸缩精密驱动装置的机械阻抗网络图；
图8为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中磁致伸缩精密驱动装置机械阻抗跟踪控制流程图；
图9为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中机械内阻控制和不控制时驱动装置能量转化效率随负载刚度变化的对比结果示意图；
图10为本发明实施例提供的磁致伸缩精密驱动装置的机械阻抗匹配控制方法应用场景中机械内阻控制和不控制时驱动装置能量转化效率随负载质量变化的对比结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图2所示，为本发明实施例中，提供的一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法，所述方法包括以下步骤：
步骤S1、以压应力σ和驱动磁场强度H为输入神经元，杨氏模量E为输出神经元，构建对应Terfenol-D材料杨氏模量的三层神经网络模型；
具体过程为，对于输入输出样本，只考虑压应力σ，驱动磁场强度H为两个输入神经元；杨氏模量E为输出神经元。所以输入层有2个神经元，输出层有1个神经元，选取三层神经网络模型，具体的各层次作用和功能如下：
输入层：用于对输入信号进行分析处理，准备输入到隐藏层。
隐藏层：接收来自输入层的信号，对信号进行线性组合运算与非线性的激活函数运算，准备输入到输出层。
输出层：接收来自隐藏层的信号，对信号进行线性组合运算，得到输出信号。各层间传递函数分别采用tansig和purelin函数，输入输出的函数映射关系可表示为：
E＝f(σ,H)；
隐含层神经元个数由经验公式初步确定：
Figure BDA0002284750090000081
式中，r为隐含层神经元个数，s为输入层神经元个数，t为输出层神经元个数，a为0-10之间的常数，这里取隐含层神经元个数为10个。
步骤S2、从预设的原始数据集中，获取多个样本数据，并将所获取的多个样本数据分别形成训练样本集和测试样本集；其中，每一样本数据均包括由压应力σ、驱动磁场强度H及杨氏模量E组成的数据特征项；
具体过程为，样本数据的质量和数量在很大程度上影响到神经网络的泛化能力，选择出的样本数据必须具有代表性，能体现原始数据集的整体特性，选取1495组数据用于模型的构建及验证。部分数据如下表1所示：
表1
Figure BDA0002284750090000082
选取70％的实验数据作为训练数据，这些数据在训练过程中呈现给网络，然后根据网络的误差进行调整；15％的样本作为验证数据，这些数据用于测量网络泛化，并在泛化停止改进时停止训练；15％的样本作为测试数据，这些数据对训练没有影响，而是提供一个独立的测量网络，用于评估在训练期间和训练之后的模型表现。
步骤S3、将所述训练样本集导入所述三层神经网络模型中采用预设的贝叶斯正则化训练算法进行训练，以及将所述测试样本集导入所述三层神经网络模型中进行测试，得到训练测试好的三层神经网络模型；
具体过程为，选取Bayesian Regularization(贝叶斯正则化)训练算法，这种算法对于困难的、复杂的或有噪声的数据集，可以得到很好的泛化效果。正则化方法通过修正神经网络的训练性能函数来提高其推广能力，一般情况下，神经网络的训练性能函数采用均方误差函数ED，即：
Figure BDA0002284750090000091
在正则化方法中，典型目标函数中增加了网络权值平方和均值，网络性能函数经改进变为如下形式：
E＝ζ1ED+ζ2EW
Figure BDA0002284750090000092
式中，ζ1、ζ2为控制参数，若ζ1>>ζ2，训练过程强调网络误差的减小；反之，若ζ1<<ζ2，则训练过程强调权值的减小，最终使得神经网络的输出更加平滑，防止训练过程中出现极小点。
通过采用新的性能指标函数E，可以在保证网络训练误差尽可能小的情况下使网络具有较小的权值，这实际上相当于自动缩小了网络的规模。常规的正则化方法很难确定比例系数ζ1、ζ2的大小，而贝叶斯正则化方法根据Levenberg-Marquard理论对网络的权值和阈值进行调整，在网络训练中自适应地调节目标函数参数ζ1、ζ2的大小。
步骤S4、对所述训练测试好的三层神经网络模型中各层间的连接权和阈值进行优化，得到优化后的三层神经网络模型；
具体过程为，神经网络模型各层间都有各自的连接权和阈值，这些参数的选取会影响模型运算的结果。此外，神经元个数的选取对模型的输出结果也有一定影响。模型优化的主要思路是通过优化各层的阈值和连接权，调整神经元个数，减小全局误差。本发明实施例中通过试算法将隐藏层的最佳神经元个数调整为20个，连接权和阈值的修正通过以下方案实现。
首先，设置输入向量P和目标输出向量B分别为：
Figure BDA0002284750090000101
式中，Pi＝(σi,Hi)，i＝1,…,m；
其次，任意选取一组数据作为样本输入网络，隐藏层的输入向量和输出向量可以表示为：
Figure BDA0002284750090000102
式中，α为隐藏层的输入向量，β为隐藏层的输出向量，f为输入层到隐藏层的传递函数，wij为输入层到隐藏层的连接权，θj为隐藏层阈值；
然后，由隐藏层的输出向量，得到输出层的输入向量和输出向量为：
Figure BDA0002284750090000103
式中，χ为输出层的输入向量，δ为输出层的输出向量，L为隐藏层到输出层的传递函数，vjt为隐藏层到输出层的连接权，γt为输出层阈值；
接着，确定输出层和隐藏层各单元误差为：
Figure BDA0002284750090000104
式中，dt为输出层误差，ej为隐藏层误差；
最后，根据公式(5)，对隐藏层和输出层的阈值和连接权进行修正，直到全局误差小于设定值，得到优化后的三层神经网络模型；
Figure BDA0002284750090000105
式中，Δwij为隐藏层的权值的变化量，Δθj为隐藏层的阈值的变化量，λ为误差系数，0<λ<1。
因此，各层间的连接权和阈值通过上述方案进行调节，直到全局误差小于设定值，神经网络模型达到目标要求，即得到优化后的三层神经网络模型。
步骤S5、根据所述训练样本集和所述测试样本集，对所述优化后的三层神经网络模型进行训练及测试，直至所述优化后的三层神经网络模型收敛于预设的误差指标内，得到对应Terfenol-D材料杨氏模量的最终三层神经网络模型；
具体过程为，再次对模型进行训练，以应力σ、磁场强度H为输入，杨氏模量E为输出，结果显示，经过1000步迭代后收敛于所要求的误差指标。
进一步的，将实验数据与神经网络模型的仿真预测结果进行对比，对比结果与误差值，具体如图3所示。
经过对比可以发现，所建立的神经网络模型能够较好地预测不同偏置磁场强度下的Terfenol-D的杨氏模量值，可以利用该模型来计算任意偏置磁场Hi和应力下的材料杨氏模量，如图4所示。
步骤S6、基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建磁致伸缩精密驱动装置机械阻抗模型；
具体过程为，根据磁致伸缩精密驱动装置中各部件结构(如图5所示)，确定磁致伸缩精密驱动装置的单自由度动力学模型，如图6所示；其中，在图6中，考虑磁致伸缩精密驱动装置中作动器的各部件结构，设Terfenol-D棒等效质量为mT，等效刚度为KT，将负载看作弹性质量负载，等效刚度为KL，质量为mL；
基于磁致伸缩精密驱动装置的单自由度动力学模型，确定磁致伸缩精密驱动装置的机械阻抗网络，如图7所示；其中，由于图6的磁致伸缩精密驱动装置的单自由度动力学模型中阻尼很小，可以忽略不计，因此可以得到图7的磁致伸缩精密驱动装置的机械阻抗网络图；
基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型以及磁致伸缩精密驱动装置的机械阻抗网络，利用机械阻抗法得到磁致伸缩精密驱动装置机械阻抗模型。
其中，图7中各元件的模型，可以采用公式(6)表示：
Figure BDA0002284750090000121
由基尔霍夫定律可得：系统内阻为Zi＝ZmT+ZkT＝(mTω-KT/ω)j，负载阻抗为ZL＝(mLω-KL/ω)j。整个系统的总阻抗值为Z＝(mTω-KT/ω+mLω-KL/ω)j。
然而，在式(6)中的Terfenol-D棒等效质量mT可以采用公式(7)表示：
Figure BDA0002284750090000122
式中，Terfenol-D棒的密度为ρ，长度为L，直径为d。
在式(6)中的Terfenol-D棒等效刚度为KT可以采用公式(8)表示：
Figure BDA0002284750090000123
由此可见，基于Terfenol-D材料杨氏模量的最终三层神经网络模型，结合公式(6)-(8)。可以得到磁致伸缩精密驱动装置机械阻抗模型。
步骤S7、基于所述磁致伸缩精密驱动装置机械阻抗模型，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，并搭建从Terfenol-D材料杨氏模量到偏置磁场的逆模型，得到目标刚度所需的偏置磁场水平，且待将所搭建的逆模型与磁致伸缩精密驱动装置进行串联补偿后，求解所搭建的逆模型，得到偏置磁场输入所述磁致伸缩精密驱动装置，使得所述磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配。
具体过程为，基于根据步骤S5所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建从Terfenol-D材料杨氏模量到偏置磁场的逆模型；
基于步骤S6计算得到的磁致伸缩精密驱动装置机械阻抗对机械阻抗匹配控制网络进行设计。如图8所示的磁致伸缩精密驱动装置机械阻抗跟踪控制流程图，系统当前内阻作为机械阻抗匹配控制器的初始值，在控制程序开始执行之后，该初始值不断被机械负载识别单元的反馈值实时更新和替代。机械负载识别单元利用传感器获取负载运动中位移、速度、加速度等信号，并通过牛顿力学方程计算实时的负载阻抗。
在此基础上，首先对负载阻抗进行分析计算，得到与之相匹配的系统内阻及对应的目标刚度；接着，通过对从Terfenol-D材料杨氏模量到偏置磁场的逆模型求解，得到目标刚度所需的偏置磁场水平；最后，将从Terfenol-D材料杨氏模量到偏置磁场的逆模型与磁致伸缩精密驱动装置进行串联补偿后，求解逆模型，得到偏置磁场输入磁致伸缩精密驱动装置，使得磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配，提升能量效率，即主动调节驱动装置的机械内阻，达到与负载阻抗自适应匹配的目的。
图8中采用的神经网络模型求逆的具体的思路为：建立从Terfenol-D材料杨氏模量到偏置磁场的逆模型，然后由机械阻抗匹配控制器得到目标阻抗，求解该目标阻抗对应的杨氏模量值，以此时的杨氏模量值作为输入信号，输入逆模型进行计算，得到所对应的偏置磁场H，将该偏置磁场作为控制信号，施加给磁致伸缩精密驱动装置，最终使驱动装置的机械内阻与负载机械阻抗相匹配，完成与负载机械阻抗的匹配控制。
为验证本发明提出的负载机械阻抗闭环跟踪控制方法的有效性，将变内阻控制方案与定内阻方案的能量转化效率进行对比。分别选取三组Terfenol-D材料刚度KT，第一组8×106(N/m)、第二组2×107(N/m)、第三组3×107(N/m)，对驱动装置能量转化效率的变化进行分析，以负载刚度KL为自变量，驱动装置能量转化效率η为因变量，分别绘制能量转化效率与负载刚度关系曲线，对比结果如图9所示。
从图9中可以看到，若系统内阻抗不变，随着负载刚度的连续变化，功率转化效率η值在0.05至0.25间波动；而在内阻抗连续可调的控制方案下，η值始终在0.25到0.23之间波动，内阻可调的控制方案明显提高了磁致伸缩精密驱动装置输出功率。
若以负载质量mL为自变量，驱动装置功率转化效率η为因变量，分别选取三组Terfenol-D材料刚度KT，第一组5×107(N/m)、第二组7×107(N/m)、第三组8×107(N/m)(N/m)，绘制能量转化效率与负载质量的关系曲线，对比结果如图10所示。
从图10中可以看到，若不对驱动装置机械内阻进行控制，随着负载质量的连续变化，驱动装置能量转化效率η值在0.1至0.2间波动；而对驱动装置的机械内阻进行跟踪控制以后，其能量转换效率η值始终在0.25到0.24之间波动，明显提高了磁致伸缩精密驱动装置能量功率，从而验证了本发明提出的磁致伸缩精密驱动装置的机械阻抗匹配控制方法是可行且有效的。
实施本发明实施例，具有如下有益效果：
本发明通过构建Terfenol-D材料杨氏模量的三层神经网络模型，对Terfenol-D材料的应力-杨氏模量关系进行辨识比较，并基于杨氏模量的变化，再由机械阻抗法推导得出磁致伸缩驱动装置的机械内阻，从而能够较为精确地描述在磁场和应力场耦合作用下Terfenol-D材料弹性模量的变化规律，准确得到与负载阻抗自适应匹配的机械内阻，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，通过对Terfenol-D材料杨氏模量的三层神经网络模型求逆，得到目标刚度所需的磁场水平并输入磁致伸缩精密驱动装置，实现磁致伸缩精密驱动装置能量效率的提升。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤，是可以通过程序来指令相关的硬件来完成的，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法，其特征在于，所述方法包括以下步骤：
步骤S1、以压应力σ和驱动磁场强度H为输入神经元，杨氏模量E为输出神经元，构建对应Terfenol-D材料杨氏模量的三层神经网络模型；
步骤S2、从预设的原始数据集中，获取多个样本数据，并将所获取的多个样本数据分别形成训练样本集和测试样本集；其中，每一样本数据均包括由压应力σ、驱动磁场强度H及杨氏模量E组成的数据特征项；
步骤S3、将所述训练样本集导入所述三层神经网络模型中采用预设的贝叶斯正则化训练算法进行训练，以及将所述测试样本集导入所述三层神经网络模型中进行测试，得到训练测试好的三层神经网络模型；
步骤S4、对所述训练测试好的三层神经网络模型中各层间的连接权和阈值进行优化，得到优化后的三层神经网络模型；
步骤S5、根据所述训练样本集和所述测试样本集，对所述优化后的三层神经网络模型进行训练及测试，直至所述优化后的三层神经网络模型收敛于预设的误差指标内，得到对应Terfenol-D材料杨氏模量的最终三层神经网络模型；
步骤S6、基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建磁致伸缩精密驱动装置机械阻抗模型；
步骤S7、基于所述磁致伸缩精密驱动装置机械阻抗模型，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，并搭建从Terfenol-D材料杨氏模量到偏置磁场的逆模型，得到目标刚度所需的偏置磁场水平，且待将所搭建的逆模型与磁致伸缩精密驱动装置进行串联补偿后，求解所搭建的逆模型，得到偏置磁场输入所述磁致伸缩精密驱动装置，使得所述磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配。
2.如权利要求1所述的磁致伸缩精密驱动装置的机械阻抗匹配控制方法，其特征在于，所述步骤S4具体包括：
首先，设置输入向量P和目标输出向量B分别为：
Figure FDA0003771022560000021
式中，Pi＝(σi,Hi)，i＝1,…,m；
其次，任意选取一组数据作为样本输入网络，隐藏层的输入向量和输出向量可以表示为：
Figure FDA0003771022560000022
式中，α为隐藏层的输入向量，β为隐藏层的输出向量，f为输入层到隐藏层的传递函数，wij为输入层到隐藏层的连接权，θj为隐藏层阈值；
然后，由隐藏层的输出向量，得到输出层的输入向量和输出向量为：
Figure FDA0003771022560000023
式中，χ为输出层的输入向量，δ为输出层的输出向量，L为隐藏层到输出层的传递函数，vjt为隐藏层到输出层的连接权，γt为输出层阈值；
接着，确定输出层和隐藏层各单元误差为：
Figure FDA0003771022560000024
式中，dt为输出层误差，ej为隐藏层误差；
最后，根据公式(5)，对隐藏层和输出层的阈值和连接权进行修正，直到全局误差小于设定值，得到优化后的三层神经网络模型；
Figure FDA0003771022560000031
式中，Δwij为隐藏层的权值的变化量，Δθj为隐藏层的阈值的变化量，λ为误差系数，0<λ<1。
3.如权利要求1所述的磁致伸缩精密驱动装置的机械阻抗匹配控制方法，其特征在于，所述步骤S6具体包括：
根据磁致伸缩精密驱动装置中各部件结构，确定磁致伸缩精密驱动装置的单自由度动力学模型；
基于所述磁致伸缩精密驱动装置的单自由度动力学模型，确定磁致伸缩精密驱动装置的机械阻抗网络；
基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型以及所述磁致伸缩精密驱动装置的机械阻抗网络，利用机械阻抗法得到磁致伸缩精密驱动装置机械阻抗模型。
4.如权利要求1所述的磁致伸缩精密驱动装置的机械阻抗匹配控制方法，其特征在于，所述步骤S7具体包括：
基于所得到的对应Terfenol-D材料杨氏模量的最终三层神经网络模型，构建从Terfenol-D材料杨氏模量到偏置磁场的逆模型；
基于所述磁致伸缩精密驱动装置机械阻抗模型，构建磁致伸缩精密驱动装置机械阻抗匹配控制网络，并利用传感器获取负载运动中的位移、速度和加速度，并通过牛顿力学方程计算实时的负载阻抗；
对所计算出的负载阻抗进行分析计算，得到与之相匹配的系统内阻及对应的目标刚度，并通过对所述从Terfenol-D材料杨氏模量到偏置磁场的逆模型求解，得到目标刚度所需的偏置磁场水平，且待将所述从Terfenol-D材料杨氏模量到偏置磁场的逆模型与磁致伸缩精密驱动装置进行串联补偿后，进一步求解所搭建的逆模型，得到偏置磁场输入所述磁致伸缩精密驱动装置，使得所述磁致伸缩精密驱动装置能通过改变直流偏置线圈中的偏置电流来改变偏置磁场水平，实现机械内阻与负载阻抗自适应匹配。
CN201911155725.7A 2019-11-22 2019-11-22 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法 Active CN110829885B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911155725.7A CN110829885B (zh) 2019-11-22 2019-11-22 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法
US17/012,074 US11778916B2 (en) 2019-11-22 2020-09-04 Matching control method for mechanical impedance of magnetostrictive precision transducer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911155725.7A CN110829885B (zh) 2019-11-22 2019-11-22 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法

Publications (2)

Publication Number Publication Date
CN110829885A CN110829885A (zh) 2020-02-21
CN110829885B true CN110829885B (zh) 2022-10-21

Family

ID=69558293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911155725.7A Active CN110829885B (zh) 2019-11-22 2019-11-22 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法

Country Status (2)

Country Link
US (1) US11778916B2 (zh)
CN (1) CN110829885B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110829885B (zh) * 2019-11-22 2022-10-21 温州大学 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法
CN113394941B (zh) * 2021-06-16 2022-11-11 西北工业大学 一种电磁-压电混合式双效准零刚度振动俘能装置
CN114004140A (zh) * 2021-09-24 2022-02-01 杭州电子科技大学 一种超声波换能器带载建模方法
CN114039504B (zh) * 2021-10-25 2024-04-09 天津大学 一种逆模型权重函数等密度分割的gma位移补偿方法
CN114002627B (zh) * 2021-10-29 2023-08-25 深圳技术大学 一种强磁场下磁致伸缩材料的微观原位测量系统
CN118228610B (zh) * 2024-05-23 2024-10-01 中国人民解放军海军工程大学 适用于非正弦电压激励的卷铁心变压器铁心振动建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645298A (zh) * 2012-04-06 2012-08-22 南京航空航天大学 带有温度修正作用的巴克豪森应力检测方法
EP3301426A1 (en) * 2016-09-30 2018-04-04 General Electric Company Calibration apparatus, calibration method, and measuring system
CN108167264A (zh) * 2017-12-18 2018-06-15 温州大学 一种基于超磁致伸缩材料的变刚度液压驱动机构及其变刚度调控方法
CN108269249A (zh) * 2017-12-11 2018-07-10 深圳市智能机器人研究院 一种螺栓检测系统及其实现方法
CN110043519A (zh) * 2019-03-14 2019-07-23 温州大学 一种机械内阻连续可调的高效率电静液作动器

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6984902B1 (en) * 2003-02-03 2006-01-10 Ferro Solutions, Inc. High efficiency vibration energy harvester
CN102721490B (zh) * 2012-07-09 2013-10-23 河北工业大学 基于超磁致伸缩材料Terfenol-D的无源压力传感器
CN103346692B (zh) * 2013-07-02 2015-05-20 南京航空航天大学 振动主动控制中压电作动器迟滞非线性频域补偿方法
CN105099263B (zh) * 2015-09-28 2017-03-08 闽江学院 基于广义回归神经网络辨识器的超声波电机位置与速度控制系统
CN206286155U (zh) * 2016-12-21 2017-06-30 江西省建筑科学研究院 超磁致伸缩换能器
CN108550692A (zh) * 2018-03-30 2018-09-18 湖北大学 一种共振模式可调的磁电耦合复合材料及其制备方法
CN109977557B (zh) * 2019-03-28 2023-05-05 广东志成冠军集团有限公司 一种适用于电声纵振换能器等效电路的建模方法
CN210775659U (zh) * 2019-09-30 2020-06-16 河北工业大学 一种磁致伸缩换能器自动阻抗匹配器
CN110829885B (zh) * 2019-11-22 2022-10-21 温州大学 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法
US11616393B2 (en) * 2020-11-24 2023-03-28 San Diego State University (Sdsu) Foundation Low-power high-frequency directional tunable AC magnetic field

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645298A (zh) * 2012-04-06 2012-08-22 南京航空航天大学 带有温度修正作用的巴克豪森应力检测方法
EP3301426A1 (en) * 2016-09-30 2018-04-04 General Electric Company Calibration apparatus, calibration method, and measuring system
CN108269249A (zh) * 2017-12-11 2018-07-10 深圳市智能机器人研究院 一种螺栓检测系统及其实现方法
CN108167264A (zh) * 2017-12-18 2018-06-15 温州大学 一种基于超磁致伸缩材料的变刚度液压驱动机构及其变刚度调控方法
CN110043519A (zh) * 2019-03-14 2019-07-23 温州大学 一种机械内阻连续可调的高效率电静液作动器

Also Published As

Publication number Publication date
US20210159386A1 (en) 2021-05-27
US11778916B2 (en) 2023-10-03
CN110829885A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110829885B (zh) 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法
Hassani et al. A survey on hysteresis modeling, identification and control
Li et al. Compensation of hysteresis nonlinearity in magnetostrictive actuators with inverse multiplicative structure for Preisach model
CN106707760A (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
CN101986564B (zh) 基于Backlash算子和神经网络的自适应滤波器
Abe Trajectory planning for flexible Cartesian robot manipulator by using artificial neural network: numerical simulation and experimental verification
CN107577146B (zh) 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法
KR101905743B1 (ko) 적응 뉴로 퍼지 추론 시스템을 적용한 합동에 기반한 피에조엑추에이터의 새로운　자기이력 모델링 및 그것의 보상기
Jiang et al. Active vibration control based on modal controller considering structure-actuator interaction
CN104238367A (zh) 一种基于神经网络的壳体结构表面振动一致性控制方法
CN106682728A (zh) 基于Duhem的压电执行器的神经网络参数辨识方法
Lalik et al. Cubic SVM neural classification algorithm for Self-excited Acoustical System
Li et al. Third‐order integral sliding mode control of piezoelectric actuators based on rate‐amplitude‐dependent Prandtl‐Ishlinskii model
Zhou et al. Reinforcement learning fuzzy neural network control for magnetic shape memory alloy actuator
CN111063401A (zh) 一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法
Najafabadi et al. Hysteresis compensation of piezoelectric actuators under dynamic load condition
CN117709162A (zh) 基于深度学习的换能器动态特性快速分析优化方法及系统
CN117649902B (zh) 用于智能材料器件的神经网络建模及迟滞特性预测方法
He et al. Design and performance analysis of high response actuator using magnetic shape memory alloy
Srivastava et al. Control of smart laminated FRP structures using artificial neural networks
Wang et al. Robust tracking control system design for a nonlinear IPMC using neural network-based sliding mode approach
Shu et al. Impedance tracking control of magnetostrictive transducer based on variable stiffness tuning
Xu et al. Research on LQR Control of Magnetic Suspension Active Vibration Isolation System Based on Multi-population Genetic Algorithm
Xie et al. Data-driven Iterative Learning Model Predictive Control for Pneumatic Muscle Actuators
CN111898235B (zh) 磁控形状记忆合金执行器的Duhem模型参数辨识方法

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