1 山东大学 控制科学与工程学院, 济南 山东 250061
2 山东大学 威海校区 机电与信息工程学院, 威海 山东 264209
3 泰山医学院 信息工程学院, 泰安 山东 271016
在实验的基础上证实了压电执行器动态蠕变现象的存在。考虑到压电执行器的高频响特点和PID在高实时性要求场合的应用, 构建了复合控制器来抑制动态蠕变。该复合控制器由具有Prandtl Ishlinskii类型的迟滞直接逆作为前馈控制器, 由根据在线测试结果和实时性要求选择的增量式PI作为反馈控制器, 其中增量式PI的参数由模糊逻辑控制器在线调节。 通过实验验证了复合控制器抑制动态蠕变的有效性。结果表明, 当同幅值的0.1 Hz正弦信号在一个周期内被离散化为20台阶, 40台阶, 80台阶时, 相等电压台阶对应的蠕变过程和范围都是不同的。本文构建的复合控制器能够对不同台阶的动态和静态蠕变进行有效抑制, 补偿后蠕变的均方根误差(RMSE)分别降低为补偿前的28.6%, 31.0%和35.4%。
压电执行器 动态蠕变 迟滞补偿 模糊PI控制器 piezoelectric actuator dynamic creep hysteresis compensation fuzzy PI controller
1 山东大学 控制科学与工程学院, 山东 济南 250061
2 泰山医学院 信息工程学院, 山东 泰安 271016
3 山东大学威海校区 机电与信息工程学院,山东 威海 264209
研究了具有不同离散化台阶的正弦电压对压电陶瓷驱动器蠕变大小以及蠕变起始时间的影响, 采用新的数学模型分析了低频下压电陶瓷驱动器的蠕变特性。首先, 对0.025 Hz/0V～60 V正弦电压输入信号进行了5种倍数关系的离散化, 分析了蠕变与输入电压的关系以及蠕变与输入台阶电压压差的关系。然后, 按照提出的数学模型, 在符合文中所述两种准则前提下, 对蠕变起始时间进行了预测。实验结果表明, 上升段蠕变变化范围最大出现在台阶电压等于47.7 V时, 而下降段蠕变变化范围最大出现在台阶电压等于12.3 V; 相比于20个台阶, 320个台阶对应的上升段最大蠕变增长量下降了899.5%, 而在下降段最大蠕变的这一比值增大到了936.9%。使用所提公式对蠕变起始时间进行预测, 得到当台阶电压为12.3 V时, 20、40、80、160、320个台阶的蠕变起始时间分别在0.959、0.911、0.813、0.664和0.016 ms以后。蠕变与输入电压以及蠕变与输入台阶电压差值都是迟滞关系, 并且台阶蠕变随着台阶数量的增加而减小。不同离散化的电压信号改变了蠕变的起始时间,台阶电压数量越多,蠕变起始时间越早。
压电驱动器 蠕变 台阶电压 起始时间 piezoactuator creep stair voltage initial time
1 泰山学院 物理与电子工程学院，山东 泰安 271021
2 山东大学 电气工程学院，山东 济南 250061
3 山东大学 控制科学与工程学院，山东 济南 250061
4 青岛理工大学 自动化工程学院，山东 青岛 266033
由于压电陶瓷驱动器的迟滞非线性严重影响其定位精度，本文提出了一种滑模神经网络控制方法来改善它的性能。用径向基函数神经网络的输出作滑模控制的等价控制量，由迟滞补偿器估计控制器参数误差、外部扰动和近似计算所造成的不确定量对神经网络的输出控制量进行补偿，从而使驱动器系统状态保持在滑模平面上。基于Lyapunov稳定性理论推导了控制器和补偿器的自适应调节律，分析了控制系统的收敛性和稳定性。以可变幅值的低频三角波为参考位移量对控制系统进行了实验测试与分析，结果表明，只采用神经网络控制时的平均定位误差为0.43 μm，最大误差为0.77 μm，而采用滑模控制方法对神经网络控制量进行补偿后，平均定位误差减小为0.27 μm，最大误差减小为0.49 μm，定位精度有了显著的提高。
压电陶瓷驱动器 迟滞非线性 精确定位 神经网络 滑模控制 piezoelectric actuator hysteresis nonlinearity precision positioning neural network sliding-mode control
山东大学 控制科学与工程学院，山东 济南 250061
考虑压电驱动器固有的迟滞特性对驱动器定位精度的影响，提出了一种精确描述压电驱动器迟滞非线性特性的建模方法。根据迟滞曲线的运动规律，并且考虑迟滞曲线的记忆更新特性，新的迟滞数学模型修正了单纯采用抛物线拟合时的建模误差。为了验证模型的有效性，以PST150/7/40VS12型压电陶瓷驱动器为例进行了试验研究。研究显示，采用抛物线迟滞模型对一阶反转输入信号进行预测时，最大误差为0.141 3 μm ，均方误差为0.060 4 μm ，对复杂信号模型预测的最大误差为1.396 0 μm ，均方误差为0.856 6 μm; 采用修正后的模型对文中复杂信号建模时，最大误差为0.237 0 μm ，均方误差为0.09 μm。实验结果表明，修正后的模型不仅能够满足迟滞曲线的运动规律，还能够满足迟滞非线性的记忆更新特性，可以比较精确地描述复杂输入信号下的迟滞非线性特性。
压电驱动器 迟滞非线性 建模 非局部记忆 piezoelectric actuator hysteresis nonlinearity modeling nonlocal memory
1 青岛理工大学 自动化工程学院，山东 青岛 266033
2 山东大学 电气工程学院，山东 济南 250061
3 山东大学 控制科学与工程学院，山东 济南 250061
4 泰山学院 物理与电子工程系，山东 泰安 271021
建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响。采用双Sigmoid激活函数对神经网络激活函数进行了改进，同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同。设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型，推导了网络权值、阈值及激活函数阈值修正公式。最后，基于神经网络模型设计了压电工作台的自适应控制方案，该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整。实验结果表明：提出的神经网络在线辨识模型平均误差为0.095 μm，最大误差为0.32 μm；自适应控制方案跟踪三角波的平均误差为0.070 μm，最大误差为0.100 μm；跟踪复频波的平均误差为0.80 μm，最大误差为0.105 μm。实验数据显示压电工作台的定位精度得到了有效提高。
压电工作台 神经网络 迟滞 自适应控制 piezo-stage neural network hysteresis adaptive control
1 山东大学 控制科学与工程学院,山东 济南 250061
2 泰山学院 物理与电子科学系,山东 泰安 271021
为实现压电微动工作台的快速准确运动定位,研究了其运动定位模型。压电工作台的运动定位精度主要受工作台动态特性和迟滞特性的影响,在介绍这两类典型特性模型及其适用范围的基础上,提出了能够同时体现压电工作台动态特性和迟滞特性的动态迟滞模型,并给出了采用Prandtl-Ishlinskii (PI)迟滞算子的动态迟滞模型参数辨识途径。以TRITOR100型压电工作台为例进行实验研究,结果表明:当压电工作台在30 μm的定位范围内以±900 V/s的输入电压速率进行快速运动定位时,动态迟滞模型的模型精度比以往常用的线性动态模型和迟滞模型有较大提高,其平均误差为0.16 μm,最大误差为0.38 μm,为高性能运动定位工作台控制系统的设计提供了模型基础。
压电微动工作台 运动定位 动态迟滞模型 PI迟滞模型 扫描探针显微镜 piezopositioning stage dynamic positioning dynamic hysteresis model PI hysteresis model scanning probe microscope
