基于EOS‑ELM的压电驱动定位平台建模方法、控制方法及系统技术方案

本申请公开了一种基于EOS‑ELM的压电驱动定位平台建模方法、控制方法及系统。本申请以当前期望输出位移和之前若干个输出位移、输入驱动电压作为模型的输入值，以当前时刻的压电驱动器构件的输入驱动电压值作为模型的输出值，解决了迟滞非线性多值映射问题，而且可避免繁杂的模型求逆过程；其次，本申请随机给定隐含层与输入层之间的权值和阈值，可将传统的神经网络转化为线性方程模型，极大的缩短了模型的训练时间；再者，本申请采用无限可导函数作为隐含层激活函数，能够达到出色的训练效果；另外本申请只需采用递推最小二乘法就能实现参数在线自适应更新，提高了模型的适用性能；并且本申请将多个弱学习机进行集成，可以提高模型的精度和稳定性。

Control method and system of piezoelectric drive positioning platform modeling method, EOS based on ELM

The invention discloses a method and a system for controlling the piezoelectric drive positioning platform modeling method, EOS based on ELM. This application is expected before the output displacement and output displacement, a plurality of input voltage as the input of the model to the current value, the piezoelectric actuator component current driving the input voltage value as the output of the model, solve the hysteresis nonlinear multivalued mapping problem, but also can avoid the complicated model inversion process; secondly, the for a given random input layer between the hidden layer and the weights and thresholds of the traditional neural network can be transformed into a linear equation model, greatly shortens the training time of the model; moreover, the invention uses infinite differentiable function as the hidden layer activation function, can achieve excellent training effect; in addition the application only need to use the recursive least squares method can realize on-line parameter adaptive updating, improving the application performance model; and the application of multiple weak learning machine set The model can improve the accuracy and stability of the model.

【技术实现步骤摘要】
基于EOS-ELM的压电驱动定位平台建模方法、控制方法及系统
本专利技术涉及精密控制领域，特别涉及一种基于EOS-ELM的压电驱动定位平台建模方法、控制方法及系统。
技术介绍
压电驱动器具有体积小、质量轻、刚度大、输出力大、输出位移分辨率高和快速动态响应等优点，而广泛的应用在压电驱动的微/纳定位平台中。但是压电材料制成的驱动器都具有固有的迟滞非线性。在压电驱动的微/纳定位平台的运动控制中，解决迟滞非线性特性带来的控制误差问题是一项非常有挑战性的问题,也是提高控制精度的关键问题。目前迟滞非线性建模方法主要有三大类：物理类(如Maxwell模型、Duhem模型和JA模型)，半物理类(如如preisach模型、PI模型)和智能类(如基于SVM模型和基于ANN模型)。这些模型要么存在精度不高以及建模速度慢，要么就是存在难以在线建模要么就是逆模型难以获得；而且几乎没有一种可以较好的结合的控制中去应用，大多迟滞非线性模型必须依赖一些别的控制环节进行使用，如PID控制，重复控制等；即使有少数迟滞非线性模型能够实现运动控制，但是这些模型都难以进行有效的在线自适应调参。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于EOS-ELM的压电驱动定位平台建模方法、控制方法及系统，其目的在于提高压电驱动微/纳定位平台迟滞非线性建模的模型精度和建模速度。其具体方案如下：一种基于EOS-ELM的压电驱动定位平台迟滞非线性建模方法，包括，对与压电驱动的微/纳定位平台控制过程相关的数据进行采集，得到相应的样本数据；其中，所述样本数据包括输入样本数据和输出样本数据，每个采样时刻对应的输入样本数据包括当前时刻下的期望输出位移、之前若干采样时刻下的输出位移和输入驱动电压，每个采样时刻对应的输出样本数据包括当前时刻下的输入驱动电压；基于在线序列极限学习机理论构建n个待训练模型；利用所述样本数据训练所述n个待训练模型，得到n个训练后模型；将n个所述训练后模型集成为一个集成模型，以通过所述集成模型对所述微/纳定位平台进行位移控制。优选的，所述利用所述样本数据训练所述n个待训练模型的过程之前，进一步包括：对所述样本数据中的位移数据进行预处理；其中，所述预处理包括放大处理和/或去噪处理。优选的，所述基于在线序列极限学习机理论构建n个待训练模型的过程，包括：基于在线序列极限学习机理论构建n个初始待训练模型，其中，所述n个初始待训练模型中的第k个初始待训练模型的表达式为：式中，X(t)＝[y(t),y(t-T),u(t-T),y(t-2T),u(t-2T)...y(t-mT),u(t-mT)]，表示所述n个初始待训练模型的第k个初始待训练模型中输入端获取到的第t时刻下的数据，t＝T,2T...NT，T表示采样周期，y(t)表示第t时刻下所述微/纳定位平台的输出位移，u(t)表示第t时刻下所述微/纳定位平台的输入驱动电压，O(t)表示所述n个初始待训练模型的第k个初始待训练模型中输出端获取到的第t时刻下的数据，s表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的神经元的数量，βk,j表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的第j个神经元与输出层之间的连接权值，αk,j表示所述n个初始待训练模型中的第k个初始待训练模型中输入层与隐含层的第j个神经元之间的连接权值，θk,j表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的第j个神经元的阈值，f表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的激活函数，k＝1,2,3...n；对所述n个初始待训练模型中的每一个初始待训练模型中的连接权值αk,j和阈值θk,j进行设定，得到所述n个待训练模型。优选的，所述对所述n个初始待训练模型中的每一个初始待训练模型中的连接权值αk,j和阈值θk,j进行设定的过程，包括：对所述n个初始待训练模型中的每一个初始待训练模型的连接权值αk,j和阈值θk,j进行随机设定。优选的，所述n个初始待训练模型中的每一个初始待训练模型中的隐含层激活函数为无限可导函数。优选的，所述基于在线序列极限学习机理论构建n个待训练模型的过程，还包括：将所述n个待训练模型转化为n个线性待训练模型；其中，所述n个线性待训练模型中的第k个线性待训练模型为：Y＝Fkβk；式中，Y＝[O(T)O(2T)…O(NT)]T为所述n个线性待训练模型中的第k个线性待训练模型中输出端获取到的数据，X＝[X(T)X(2T)…X(NT)]T为所述n个线性待训练模型中的第k个线性待训练模型中输入端获取到的数据，βk＝[βk,1βk,2…βk,s]T为所述n个线性待训练模型中的第k个线性待训练模型中隐含层与输出层之间的连接权值，Fk具体为：优选的，所述利用所述样本数据训练n个待训练模型，得到n个训练后模型的过程，包括：利用所述样本数据对所述n个线性待训练模型进行训练，得到所述n个训练后模型；其中，所述n个训练后模型中的第k个训练后模型中的连接权值βk具体为：式中，Fk+为Fk的伪逆。优选的，所述利用上述样本数据对所述n个线性待训练模型进行训练，得到所述n个训练后模型的过程之后，包括：将所述n个训练后模型集成一个集成模型，其中，所述集成模型，具体为：优选的，所述将所述n个训练后模型集成一个集成模型之后，还包括：利用新样本数据(xN+1,oN+1)对所述n个训练后模型中第k个训练后模型进行训练更新，得到更新后模型；其中，所述更新后模型中的连接权值具体为：式中，表示已利用N个样本数据进行训练后得到的第k个训练后模型中的连接权值，其中，fk,N+1＝f(αkxN+1+θk)，本专利技术还相应公开了一种基于EOS-ELM的压电驱动定位平台迟滞非线性建模系统，包括：数据采集模块，用于对与压电驱动的微/纳定位平台控制过程相关的数据进行采集，得到相应的样本数据；其中，所述样本数据包括输入样本数据和输出样本数据，每个采样时刻对应的输入样本数据包括当前时刻下的期望输出位移、之前若干采样时刻下的输出位移和输入驱动电压，每个采样时刻对应的输出样本数据包括当前时刻下的输入驱动电压；模型构建模块，用于基于在线序列极限学习机理论构建n个待训练模型；模型训练模块，用于利用所述样本数据训练所述n个待训练模型，得到n个训练后模型。模型集成模块，用于将n个所述训练后模型集成为一个集成模型，以通过所述集成模型对所述微/纳定位平台进行位移控制。本专利技术进一步公开了一种基于EOS-ELM的压电驱动定位平台控制方法，包括：获取期待待控制微/纳定位平台输出的位移量，得到期望位移量；将所述期望位移量输入至利用前述建模方法创建的集成模型中，得到所述集成模型输出的与所述期望位移量对应的驱动电压；依据所述驱动电压，对所述待控制微/纳定位平台进行相应的控制，以使所述待控制微/纳定位平台产生与所述驱动电压对应的位移。本专利技术还进一步公开了一种基于EOS-ELM的压电驱动定位平台控制系统，包括，第一参数获取模块，用于获取期待待控制微/纳定位平台输出的位移量，得到期望位移量；第二参数获取模块，用于将所述期望位移量输入至利用前述建模系统创建的集成模型中，得到所述集成模型输出的与所述期望位移量对应的驱动电压；微/纳定位平台控制模块，用于依据所述驱动电本文档来自技高网...

【技术保护点】
一种基于EOS‑ELM的压电驱动定位平台迟滞非线性建模方法，其特征在于，包括：对与压电驱动的微/纳定位平台控制过程相关的数据进行采集，得到相应的样本数据；其中，所述样本数据包括输入样本数据和输出样本数据，每个采样时刻对应的输入样本数据包括当前时刻下的期望输出位移、之前若干采样时刻下的输出位移和输入驱动电压，每个采样时刻对应的输出样本数据包括当前时刻下的输入驱动电压；基于在线序列极限学习机理论构建n个待训练模型；利用所述样本数据训练所述n个待训练模型，得到n个训练后模型；将n个所述训练后模型集成为一个集成模型，以通过所述集成模型对所述微/纳定位平台进行位移控制。

【技术特征摘要】
1.一种基于EOS-ELM的压电驱动定位平台迟滞非线性建模方法，其特征在于，包括：对与压电驱动的微/纳定位平台控制过程相关的数据进行采集，得到相应的样本数据；其中，所述样本数据包括输入样本数据和输出样本数据，每个采样时刻对应的输入样本数据包括当前时刻下的期望输出位移、之前若干采样时刻下的输出位移和输入驱动电压，每个采样时刻对应的输出样本数据包括当前时刻下的输入驱动电压；基于在线序列极限学习机理论构建n个待训练模型；利用所述样本数据训练所述n个待训练模型，得到n个训练后模型；将n个所述训练后模型集成为一个集成模型，以通过所述集成模型对所述微/纳定位平台进行位移控制。2.根据权利要求1所述的方法，其特征在于，所述利用所述样本数据训练所述n个待训练模型的过程之前，进一步包括：对所述样本数据中的位移数据进行预处理；其中，所述预处理包括放大处理和/或去噪处理。3.根据权利要求1所述的方法，其特征在于，所述基于在线序列极限学习机理论构建n个待训练模型的过程，包括：基于在线序列极限学习机理论构建n个初始待训练模型，其中，所述n个初始待训练模型中的第k个初始待训练模型的表达式为：式中，X(t)＝[y(t),y(t-T),u(t-T),y(t-2T),u(t-2T)...y(t-mT),u(t-mT)]，表示所述n个初始待训练模型的第k个初始待训练模型中输入端获取到的第t时刻下的数据，t＝T,2T...NT，T表示采样周期，y(t)表示第t时刻下所述微/纳定位平台的输出位移，u(t)表示第t时刻下所述微/纳定位平台的输入驱动电压，O(t)表示所述n个初始待训练模型的第k个初始待训练模型中输出端获取到的第t时刻下的数据，s表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的神经元的数量，βk,j表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的第j个神经元与输出层之间的连接权值，αk,j表示所述n个初始待训练模型中的第k个初始待训练模型中输入层与隐含层的第j个神经元之间的连接权值，θk,j表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的第j个神经元的阈值，f表示所述n个初始待训练模型中的第k个初始待训练模型中隐含层的激活函数，k＝1,2,3...n；对所述n个初始待训练模型中的每一个初始待训练模型中的连接权值αk,j和阈值θk,j进行设定，得到所述n个待训练模型。4.根据权利要求3所述的方法，其特征在于，所述对所述n个初始待训练模型中的每一个初始待训练模型中的连接权值αk,j和阈值θk,j进行设定的过程，包括：对所述n个初始待训练模型中的每一个初始待训练模型的连接权值αk,j和阈值θk,j进行随机设定。5.根据权利要求4所述的方法，其特征在于，所述n个初始待训练模型中的每一个初始待训练模型中的隐含层激活函数为无限可导函数。6.根据权利要求4或5所述的方法，其特征在于，所述基于在线序列极限学习机理论构建n个待训练模型的过程，还包括：将所述n个待训练模型转化为n个线性待训练模型；其中，所述n个线性待训练模型中的第k个线性待训练模型为：Y＝Fkβk；式中，Y＝[O(T)O(2T)…O(NT)]T为所述n个线性待训练模型中的第k个线性待训练模型中输出端获取到的数据，X＝[X(T)X(2T)…X(NT)]T为所述n个线性待训练模型中的第k个线性待训练模型中输入端获取到的数据，βk＝[βk,1βk,2…βk,s]T为所述n个线性待训练模型中的第k个线性待训练模型中隐含层与输出层之间的连接权值，Fk具体为：

【专利技术属性】
技术研发人员：汤晖，吴泽龙，高健，陈新，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44