【技术实现步骤摘要】
本专利技术涉及驱动控制工程，具体涉及用于智能材料器件的神经网络建模及迟滞特性预测方法。
技术介绍
1、jiles-atherton模型(ja迟滞模型)是一种用于描述各种智能材料输入输出非线性关系的动力学数学模型。这些智能材料包括磁芯、压电作动器、形状记忆合金等。将这些智能材料的输入输出之间的非线性动力学关系通常表现为动态迟滞特性。动态迟滞的普遍性存在给智能材料驱动应用造成了诸多困难，比如，压电作动器和形状记忆合金驱动器会因动态迟滞的存在导致运动精度和响应速度降低；变压器磁芯和磁流变阻尼器会因动态迟滞的存在造成控制响应变慢或者系统不稳定。现有动态迟滞模型可分为基于物理的模型和基于现象的模型，也可分为具有解释性的白箱模型和难以解释的黑箱模型。通常，基于微分方程和积分算子的模型具有较好的可解释性，但存在建模能力不足、精度较低或者计算消耗大等问题。基于神经网络的模型能够以较高的精度和较低的实现难度逼近实验数据，但具有不可解释的黑箱特性。采用多层前馈神经网络或卷积神经网络来进行建模，虽实现了高建模精度、高鲁棒性，却存在计算成本高、数据量大、运行时间长、不可解释等缺点，导致对智能材料器件的迟滞特性的预测效率低下，准确度不高。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的用于智能材料器件的神经网络建模及迟滞特性预测方法解决了现有技术存在计算成本高、数据量大、运行时间长、不可解释等缺点，导致对智能材料器件的迟滞特性的预测效率低，准确度不高的问题。
2、为了达到上述专利技
3、提供了一种用于智能材料器件的神经网络建模方法，其包括以下步骤：
4、s1、根据智能材料器件的物理特性和约束条件，构建ja迟滞模型；
5、s2、对ja迟滞模型进行离散化，得到离散后的ja迟滞模型；
6、s3、根据离散后的ja迟滞模型及其结构关系、离散后的ja迟滞模型的输入激励与智能材料器件输出响应之间的信号传递关系，构建对应的神经网络，完成建模。
7、进一步地，步骤s1中智能材料器件包括压电作动器、形状记忆合金驱动器、变压器磁芯和磁流变阻尼器。
8、进一步地，步骤s1中的ja迟滞模型的公式为：
9、
10、其中，h为输入变量，表示对智能材料施加的磁场强度；m为输出变量，表示ja迟滞模型输出的磁化程度，mrev表示ja迟滞模型的可逆磁化程度，mirr表示ja迟滞模型的不可逆磁化程度，h表示输入的智能材料器件的磁场强度，表示不可逆磁化程度(mirr)对智能材料器件的输入磁场强度(h)求导，k表示迟滞能量损失因子，δ表示磁场变化方向的参数，α表示不可磁化形状参数，man表示不可磁化程度，c表示磁化权重系数，ms表示磁饱和因子，coth(·)表示双曲余弦函数，a表示磁畴耦合因子。
11、进一步地，步骤s2中的离散后的ja迟滞模型的公式为：
12、
13、其中，k表示时刻，mk表示离散后的ja迟滞模型的时刻k的输出磁化程度，mk-1表示离散后的ja迟滞模型的时刻k-1的输出磁化程度，sinh(·)表示双曲正弦函数，hk-1表示离散后的ja迟滞模型的时刻k-1的输入磁场强度。
14、进一步地，步骤s3中的结构关系为离散后的ja迟滞模型的参数与其公式中各项间结构关系；步骤s3中的离散后的ja迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系为离散后的ja迟滞模型的输入信号到输出信号的传递关系。
15、进一步地，步骤s3中的智能材料器件的神经网络模型包括8个输入层、38个隐含层和一个输出层；38个隐含层和一个输出层均包括一个神经元；层与层之间的连接权重均为1；
16、输入层包括并联的八个输入单元，分别为in1、in2、in3、in4、in5、in6、in7及in8；输出层为隐含层39；
17、其中，智能材料器件的神经网络模型的具体设计过程如下：
18、将输入电压序列h及其导数序列dh、五个由常数1构成的输入序列以及由采样时间t构成的输入序列分别输入至八个输入单元；
19、分别对输入单元in1的输出数据、输入单元in2的输出数据以及隐含层39的输出数据进行延迟，得到对应的延迟数据；将输入单元in3至输入单元in7的输出数据分别输入至隐含层1至隐含层5进行计算；
20、将隐含层39对应的延迟数据、隐含层2的输出数据输入至隐含层12进行计算；将输入单元in1的延迟数据和隐含层12的输出数据输入至隐含层6进行计算；将隐含层1的输出数据输入至隐含层37进行计算；将输入单元in2的延迟数据输入至隐含层13进行计算；将隐含层37和隐含层6的输出数据输入至隐含层7进行计算；
21、将隐含层7的输出数据分别输入至隐含层8、隐含层14进行计算；将隐含层8的输出数据输入至隐含层10进行计算；将隐含层6的输出数据输入至隐含层9进行计算；将隐含层10的输出数据、隐含层1的输出数据输入至隐含层11进行计算；
22、将隐含层9和隐含层11的输出数据输入至隐含层15进行计算；将隐含层9的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层16进行计算；将隐含层11的输出数据、隐含层1的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层17进行计算；将隐含层6的输出数据、隐含层14的输出数据、隐含层4的输出数据输入至隐含层18进行计算；将隐含层1的输出数据、隐含层4的输出数据输入至隐含层19进行计算；将隐含层39对应的延迟数据、隐含层6的输出数据输入至隐含层20进行计算；
23、将隐含层15的输出数据、隐含层16的输出数据、隐含层17的输出数据输入至隐含层21进行计算；将隐含层18的输出数据、隐含层19的输出数据、隐含层20数据的输出数据输入至隐含层22进行计算；将隐含层3的输出数据输入至隐含层23进行计算；将隐含层5的输出数据、隐含层13的输出数据输入至隐含层24进行计算；
24、将隐含层6的输出数据、隐含层23的输出数据、隐含层24数据的输出输入至隐含层27进行计算；将隐含层21的输出数据输入至隐含层38进行计算；将隐含层38的输出数据、隐含层15的输出数据输入至隐含层29进行计算；
25、将输入单元in8的输出数据、隐含层23的输出数据、隐含层22的输出数据、输入单元in2的延迟数据输入至隐含层25进行计算；将隐含层22的输出、隐含层2的输出数据输入至隐含层26进行计算；将隐含层26的输出数据、隐含层27的输出输入至隐含层28进行计算；将隐含层9的输出数据、隐含层4的输出数据、隐含层3的输出数据、输入单元in2的延迟数据、输入单元in8的输出数据输入至隐含层31进行计算；将隐含层11的输出数据、隐含层4的输出数据、隐含层3的输出数据、隐含层1的输出数据、输入单元in2的延迟数据、输入单元in8的输出数据输入至隐含层32本文档来自技高网...
【技术保护点】
1.一种用于智能材料器件的神经网络建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S1中智能材料器件包括压电作动器、形状记忆合金驱动器、变压器磁芯和磁流变阻尼器。
3.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S1中的JA迟滞模型的公式为：
4.根据权利要求3所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S2中的离散后的JA迟滞模型的公式为：
5.根据权利要求3所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S3中的结构关系为离散后的JA迟滞模型的参数与其公式中各项间结构关系；所述步骤S3中的离散后的JA迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系为离散后的JA迟滞模型的输入信号到输出信号的传递关系。
6.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S3中的智能材料器件的神经网络模型包括8个输入层、38个隐含层和一个输出层；所述38个隐含层和一个
7.根据权利要求6所述的用于智能材料器件的神经网络建模方法，其特征在于：所述隐含层1至隐含层5的激活函数分别为Sa＝eτu、Sα＝eτu、Sc＝eτu、Sms＝eτu、Sk＝eτu；所述隐含层8的激活函数为双曲正弦函数，即sinh(u)；所述隐含层9、隐含层10的激活函数均为平方函数，即u2；所述隐含层13的激活函数为饱和函数，即sat(u)；所述隐含层14的激活函数为双曲余弦函数，即coth(u)；所述隐含层23的激活函数为1-u；所述隐含层36、隐含层37、隐含层38的激活函数均为其余隐含层的激活函数均为线性激活函数；其中，u表示该隐含层的输入序列，τ表示搜索步长参数。
8.一种基于权利要求1至7任一所述的用于智能材料器件的神经网络建模方法的迟滞特性预测方法，其特征在于：包括以下步骤：
9.根据权利要求8所述的迟滞特性预测方法，其特征在于：所述步骤B2采用LM算法对神经网络进行训练，根据均方误差目标函数对神经网络的权重进行调整，直至得到小于10-5的均方误差目标函数，得到训练后的神经网络。
10.根据权利要求9所述的迟滞特性预测方法，其特征在于：所述训练步数设定为500步。
...【技术特征摘要】
1.一种用于智能材料器件的神经网络建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤s1中智能材料器件包括压电作动器、形状记忆合金驱动器、变压器磁芯和磁流变阻尼器。
3.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤s1中的ja迟滞模型的公式为：
4.根据权利要求3所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤s2中的离散后的ja迟滞模型的公式为：
5.根据权利要求3所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤s3中的结构关系为离散后的ja迟滞模型的参数与其公式中各项间结构关系；所述步骤s3中的离散后的ja迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系为离散后的ja迟滞模型的输入信号到输出信号的传递关系。
6.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤s3中的智能材料器件的神经网络模型包括8个输入层、38个隐含层和一个输出层；所述38个隐含层和一个输出层均包括一个神经元；层与层之间的连接权重均为1...
【专利技术属性】
技术研发人员：王耿，陈国强，倪磊，赵冬梅，廖璇，张兰强，姚纳，周虹，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。