一种压电微动系统的在线数据驱动逆控制方法及装置制造方法及图纸

本发明专利技术公开了一种压电微动系统的在线数据驱动逆控制方法及装置，其中，方法包括根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型；根据电压信号和位移数据对第一迟滞模型以及神经网络的权值进行自适应参数辨识处理，结合第一迟滞逆模型的求解方法，推导第二迟滞逆模型，通过将期望轨迹代替压电微动系统的输出位移，提出基于数据驱动的复合自适应逆控制方法

【技术实现步骤摘要】
一种压电微动系统的在线数据驱动逆控制方法及装置


[0001]本专利技术涉及控制工程
，尤其是一种压电微动系统的在线数据驱动逆控制方法及装置
。

技术介绍

[0002]随着微电子器件制造
、
微纳制造
、
超精密加工技术的飞速发展，制造装备对精度的要求越来越高
。
压电微动系统因具有位移分辨率高
、
驱动力大
、
刚度高
、
体积小等优点，成为应用最为广泛的一种智能材料微驱动器
。
但压电微动系统在输入信号和输出位移上存在复杂的迟滞非线性，对于压电微动系统的精度和稳定性会受到一定程度的影响
。
相关技术中，为了描述压电微动系统中不对称迟滞，往往直接将输入的多项式函数引入传统的
P
‑
I(Prandtl
‑
Ishlinskii)
模型，构建不对称
P
‑
I
模型，但是通过有限项多项式函数无法精确描述迟滞的不对称特性，增加了参数辨识和控制器设计的难度
。
目前针对
P
‑
I
模型在线辨识的问题，只是基于模型预测误差辨识，具有收敛速度慢
、
估计精度低的缺陷
。
对于压电微动系统的前馈控制，由于压电微动系统的前馈控制精度往往依赖迟滞模型的精度，现有研究针对压电微动系统迟滞非线性特性的建模与辨识仍然存在不足，这将大大降低压电微动系统的控制精度
。
综合上述，相关技术中存在的技术问题亟需得到解决
。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种压电微动系统的在线数据驱动逆控制方法及装置，以提高压电微动系统的控制精度
。
[0004]一方面，本专利技术提供了一种压电微动系统的控制方法，包括：
[0005]实时获取电压信号，并将所述电压信号输入压电微动系统，实时输出得到位移数据；
[0006]根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，所述第二迟滞模型包括所述第一迟滞模型和所述神经网络模型；
[0007]根据所述电压信号和所述位移数据对所述第一迟滞模型以及神经网络模型的权值进行自适应参数辨识处理后，设计第二迟滞模型的直接逆迟滞补偿控制器，采用压电微动系统上产生的实验数据进行验证
。
[0008]可选地，所述获取电压信号，并将所述电压信号输入压电微动系统，输出得到位移数据，包括：
[0009]对所述电压信号进行功率放大处理，得到放大信号；
[0010]将所述放大信号输入到所述压电微动系统，并通过位移传感器对所述压电微动系统进行位移测量处理，得到位移数据
。
[0011]可选地，所述根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，包括：
[0012]根据迟滞模型的权值与线性
p l ay
算子构建得到第一迟滞模型；
[0013]根据神经网络的权值与激活函数构建得到神经网络模型；
[0014]将所述第一迟滞模型与所述神经网络模型进行结合，得到第二迟滞模型
。
[0015]可选地，所述根据所述电压信号和所述位移数据对所述第二迟滞模型进行自适应参数辨识处理，建立得到复合自适应逆控制器，包括：
[0016]对所述位移数据进行滤波后运算得到参数估计误差值；
[0017]根据所述第一迟滞模型的预测误差值和所述参数估计误差值共同对所述第一迟滞模型的权值和所述神经网络模型的权值参数进行更新，得到更新后的第二迟滞模型；
[0018]根据所述更新后的第二迟滞模型，构建得到复合自适应逆控制器
。
[0019]可选地，所述根据所述更新后的第二迟滞模型，构建得到复合自适应逆控制器，包括：
[0020]对所述更新后的第二迟滞模型进行逆解析处理，得到迟滞逆模型；
[0021]根据参考轨迹对所述迟滞逆模型进行构建处理，得到复合自适应逆控制器
。
[0022]可选地，所述根据参考轨迹对所述迟滞逆模型进行构建处理，得到复合自适应逆控制器，包括：
[0023]获取参考轨迹；
[0024]将所述参考轨迹与所述神经网络模型的输出相减，得到输入轨迹；
[0025]将所述输入轨迹作为所述迟滞逆模型的输入，得到复合自适应逆控制器
。
[0026]另一方面，本专利技术实施例还提供了一种压电微动系统的控制装置，包括：
[0027]第一模块，用于实时获取电压信号，并将所述电压信号输入压电微动系统，实时输出得到位移数据；
[0028]第二模块，用于根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，所述第二迟滞模型包括所述第一迟滞模型和所述神经网络模型；
[0029]第三模块，用于根据所述电压信号和所述位移数据对所述第一迟滞模型以及神经网络模型的权值进行自适应参数辨识处理后，设立第二迟滞模型的直接逆迟滞补偿控制，采用压电微动系统上产生的实验数据进行验证
。
[0030]可选地，第一模块，包括：
[0031]给定输入电压信号，经过功率放大器之后，为压电驱动系统提供激励，借助光栅位移传感器测量压电微动系统的输出位移数据，所述第一模块用于为后续模块的迟滞模型参数在线辨识提供实时的输入输出数据
。
[0032]另一方面，本专利技术实施例还公开了一种电子设备，包括处理器以及存储器；
[0033]所述存储器用于存储程序；
[0034]所述处理器执行所述程序实现如前面所述的方法
。
[0035]另一方面，本专利技术实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法
。
[0036]另一方面，本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中
。
计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法
。
[0037]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术实施例通
过根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，能够结合神经网络对迟滞非线性的不对称特性进行逼近，提高迟滞模型的精度；另外，本专利技术实施例还通过基于数据驱动的复合自适应逆控制方法，以克服迟滞模型结构与参数不确定性对压电微动系统建模的不利影响，进而提高压电微动系统对期望轨迹的高速高精度跟踪
。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种压电微动系统的在线数据驱动逆控制方法，其特征在于，所述方法包括：实时获取电压信号，并将所述电压信号输入压电微动系统，实时输出得到位移数据；根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，所述第二迟滞模型包括所述第一迟滞模型和所述神经网络模型；根据所述电压信号和所述位移数据对所述第一迟滞模型以及所述神经网络模型的权值进行自适应参数辨识处理后，设计所述第二迟滞模型的直接逆迟滞补偿控制器，采用压电微动系统上产生的实验数据进行验证
。2.
根据权利要求1所述的方法，其特征在于，所述实时获取电压信号，并将所述电压信号输入压电微动系统，实时输出得到位移数据，包括：对所述电压信号进行功率放大处理，得到放大信号；将所述放大信号输入到所述压电微动系统，并通过光栅位移传感器对所述压电微动系统进行位移测量处理，得到位移数据
。3.
根据权利要求1所述的方法，其特征在于，所述根据神经网络模型对第一迟滞模型进行改进处理，构建得到第二迟滞模型，包括：根据迟滞模型的权值与线性
play
算子加权求和构建得到第一迟滞模型；根据神经网络的权值与激活函数加权求和构建得到神经网络模型；将所述第一迟滞模型与所述神经网络模型进行结合，得到第二迟滞模型
。4.
根据权利要求1所述的方法，其特征在于，根据所述电压信号和所述位移数据对所述第一迟滞模型以及神经网络模型的权值进行自适应参数辨识处理，包括：对所述位移数据进行滤波后运算得到参数估计误差值；根据所述第一迟滞模型的预测误差值和所述参数估计误差值共同对所述第一迟滞模型的权值和神经网络模型的权值参数进行更新，得到更新后的第二迟滞模型，并根据所述更新后的第二迟滞模型，构建得到复合自适应逆控制器
。5.
根据权利要求4所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：张扬名，方剑吟，
申请(专利权)人：暨南大学，
类型：发明
国别省市：