基于B-W模型的压电陶瓷执行器参数辨识复合控制方法技术

本发明专利技术提供了基于B

【技术实现步骤摘要】
基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法


[0001]本专利技术属于压电陶瓷执行器
，具体涉及基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法。

技术介绍

[0002]随着智能材料技术的迅速发展，以压电陶瓷为代表的智能材料作动器已经得到广泛的应用。它具有辨率高、响应快和精度高等优点，是精密定位、精密制造等精密工程领域中最为合适的微位移驱动器件。由于压电陶瓷执行器具有迟滞非线性，从而使其驱动的微动平台产生定位误差，不利于微动平台整体性能的发挥，这就需要建立压电执行器或压电微动平台的迟滞模型，采用相应的控制方法来消除其迟滞误差，提高其定位精度。Bouc
‑
Wen模型一般采用非线性微分方程来进行描述，通过选取微分方程中的未知参数，该微分方程能够模拟各种实际系统的迟滞特性。由于仅需要一个微分方程来描述迟滞非线性特性，Bouc
‑
Wen模型相较于典型的算子类迟滞模型显得更加简单。但迟滞模型需要辨识的参数较多，辨识过程较复杂，且效果不佳。
[0003]压电微动平台的定位控制方法，主要包括：前馈控制、PID控制、滑模控制、以及将这些方法相结合的复合控制。前馈控制属于开环控制，用于预估可能出现的偏差，但不能消除稳态误差，且控制精度依赖于模型的精度。PID控制属于反馈控制，通过对系统偏差的比例、积分与微分的组合来纠正系统偏差。此类方法均需要准确的模型参数辨识，而迟滞模型需要辨识的参数较多，辨识过程较复杂，效果不佳；且控制器设计较复杂，加大控制器的负担，不容易实现。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，用于抑制压电陶瓷执行器的迟滞非线性特性。
[0005]本专利技术为解决上述技术问题所采取的技术方案为：基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，包括以下步骤：
[0006]1.基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：包括以下步骤：
[0007]S1：获取压电陶瓷执行器的输入电压与相应的输出位移，根据所得数据建立标准B
‑
W迟滞模型，并修正模型得到改进B
‑
W迟滞模型；
[0008]S2：采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数；
[0009]S3：采用RBF神经网络和滑模的方法对压电陶瓷执行器进行自适应控制；选择李雅普诺夫函数，通过李雅普诺夫稳定性定理证明滑模控制器的稳定性。
[0010]2.根据权利要求1所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S1中，具体步骤为：
[0011]S11：获取压电陶瓷执行器的输入电压u与相应的输出位移y；
[0012]S12：设h表示B
‑
W迟滞模型的迟滞部分，参数k0和k1为权重系数，A、B、C、n为B
‑
W迟滞模型的用于描述迟滞特性的参数，t为时间；构建压电陶瓷执行器的线性的标准B
‑
W迟滞模型，用微分方程表征输出位移y随输入电压u的变化关系为：
[0013][0014]S13：设ψ为迟滞非线性项，d为初值补偿因数，h1表示B
‑
W迟滞模型改进的迟滞部分，α、分别为B
‑
W迟滞模型的用于描述迟滞特性的参数；将压电陶瓷执行器的线性的标准B
‑
W迟滞模型修正为非线性的改进B
‑
W迟滞模型为：
[0015][0016]S14：设m是压电陶瓷执行器的等效质量，c为等效阻尼系数，k
s
为刚度系数，结合改进B
‑
W迟滞模型表示压电陶瓷执行器为：
[0017][0018]3.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S12中，具体步骤为：取n＝2。
[0019]4.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S2中，具体步骤为：
[0020]S21：初始化模型，设p
i
为粒子最佳的过去位置即个体极值，p
g
为整个粒子群或近邻的最佳过去位置即全局最优解，w为惯性权重，c1和c2为学习因子，r1和r2为(0,1)范围内的随机数，v
i
为粒子速度，x
i
为粒子位置，k为当前迭代次数，k
max
为最大迭代次数，w
max
为迭代开始时的惯性权重，w
min
为迭代结束时的惯性权重；采用传统粒子群算法更新粒子的速度和位置：
[0021][0022]S22：采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数；辨识的迭代过程要求c1递减，c2递增；在搜索前期，较大的c1和较小的c2使粒子向粒子个体极值方向移动用于全局搜索；在搜索后期，较小的c1和较大的c2使粒子向种群全体极值移动用于加快收敛；
[0023]设c
1int
为预设的个体学习因子初始值，c
1fin
为预设的个体学习因子迭代终止值；c
2int
为预设的社会学习因子初始值，c
2fin
为预设的社会学习因子迭代终止值；
[0024]采用对数变化规律改进惯性权重w及学习因子c1和c2，则改进公式为：
[0025][0026][0027]S23：若达到最大迭代次数，则粒子群算法终止；若未达到最大迭代次数，则采用步骤S22的改进公式的重复计算粒子的个体极值、粒子群的全局最优解，并更新粒子的速度和位置。
[0028]5.根据权利要求4所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于，所述的步骤S3中，具体步骤为：
[0029]S31：设：
[0030][0031][0032][0033]则将改进B
‑
W迟滞模型改写为：
[0034][0035]S32：设理想跟踪指令为y
d
，定义跟踪误差e＝y
d
‑
y，x为网络的输入，取h＝[h
j
]T
为高斯基函数的输出，h(x)为RBF神经网络的高斯基函数；b
j
为节点基宽参数，c
j
为节点中心，W为RBF神经网络的权值矩阵，W
*
为网络的理想权值；ε为网络的逼近误差；采用RBF神经网络逼近f，RBF神经网络算法为：
[0036][0037]f＝W
*T
h(x)+ε；
[0038]则RBF神经网络的输出为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：包括以下步骤：S1：获取压电陶瓷执行器的输入电压与相应的输出位移，根据所得数据建立标准B
‑
W迟滞模型，并修正模型得到改进B
‑
W迟滞模型；S2：采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数；S3：采用RBF神经网络和滑模的方法对压电陶瓷执行器进行自适应控制；选择李雅普诺夫函数，通过李雅普诺夫稳定性定理证明滑模控制器的稳定性。2.根据权利要求1所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S1中，具体步骤为：S11：获取压电陶瓷执行器的输入电压u与相应的输出位移y；S12：设h表示B
‑
W迟滞模型的迟滞部分，参数k0和k1为权重系数，A、B、C、n为B
‑
W迟滞模型的用于描述迟滞特性的参数，t为时间；构建压电陶瓷执行器的线性的标准B
‑
W迟滞模型，用微分方程表征输出位移y随输入电压u的变化关系为：S13：设ψ为迟滞非线性项，d为初值补偿因数，h1表示B
‑
W迟滞模型改进的迟滞部分，α、分别为B
‑
W迟滞模型的用于描述迟滞特性的参数；将压电陶瓷执行器的线性的标准B
‑
W迟滞模型修正为非线性的改进B
‑
W迟滞模型为：S14：设m是压电陶瓷执行器的等效质量，c为等效阻尼系数，k
s
为刚度系数，结合改进B
‑
W迟滞模型表示压电陶瓷执行器为：3.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S12中，具体步骤为：取n＝2。4.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法，其特征在于：所述的步骤S2中，具体步骤为：S21：初始化模型，设p
i
为粒子最佳的过去位置即个体极值，p
g
为整个粒子群或近邻的最佳过去位置即全局最优解，w为惯性权重，c1和c2为学习因子，r1和r2为(0,1)范围内的随机数，v
i
为粒子速度，x
i
为粒子位置，k为当前迭代次数，k
max
为最大迭代次数，w
max
为迭代开始时的惯性权重，w
min
为迭代结束时的惯性权重；采用传统粒子群算法更新粒子的速度和位置：S22：采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数；辨识的迭代过程要求c1递减，
c2递增；在搜索前期，较大的c1和较小的c2使粒子向粒子个体极值方向移动用于全局搜索；在搜索后期，较小的c1和较大的c2使粒子向种群全体极值移动用于加快收敛；设c
1int
为预设的个体学习因子初始值，c
1fin
为预设的个体学习因子迭代终止值；c
2int
为预设的社会学习因子初始值，c
2fin
为预设的社会学习因子迭代终止值；采用对数变...

【专利技术属性】
技术研发人员：李自成，徐瑞瑞，熊涛，王后能，廖小兵，曾丽，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：