基于神经网络的压电驱动器的动态迟滞建模方法技术

本发明专利技术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。将本发明专利技术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。

Dynamic Hysteresis Modeling Method of piezoelectric actuator based on Neural Network

The invention discloses a dynamic hysteresis modeling method of a piezoelectric actuator based on a neural network. The method comprises the following steps: the static part of the hysteresis characteristics are described to establish a multilayer feedforward neural network, the dynamic component of hysteresis characteristics are described to establish a multilayer feedforward neural network, through the middle of a cache part of the static part and dynamic part series, the dynamic hysteresis model of piezoelectric actuator neural network. Based on, can accurately describe the piezoelectric actuator hysteresis curve and convenient modeling. The Dynamic Hysteresis Modeling Method of the piezoelectric actuator based on neural network can be combined with the design of the controller, and is used in the control system.

【技术实现步骤摘要】
基于神经网络的压电驱动器的动态迟滞建模方法
本专利技术涉及了基于神经网络的压电驱动器的动态迟滞建模方法。
技术介绍
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。专利技术本文档来自技高网...

【技术保护点】
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；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...

【技术特征摘要】
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；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；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所述的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所述的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2所述的静态部分，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：...

【专利技术属性】
技术研发人员：陈远晟，罗丹，陈朝霞，郭家豪，应展烽，张旭东，董妍男，徐冰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32