针对传统Prandtl-Ishlinskii(PI)模型不能反映压电式气体比例阀迟滞非对称特性而导致其补偿控制精度难以提高的问题, 提出了一种改进的PI模型, 通过添加3次多项式使其能拟合压电式气体流量比例控制阀的非对称迟滞曲线。利用改进的自适应粒子群遗传算法辨识所需的模型参数, 模型相对误差为0.007 3%, 并将模型用于前馈补偿控制。实验结果表明, 基于迟滞模型的前馈补偿控制可显著提高压电式气体比例阀输出流量控制的快速性, 调节时间降低了60%。

分析了PFSM的迟滞非线性特性和蠕变特性对控制精度的影响, 提出将XGBoost模型应用于PFSM的动态迟滞非线性特征建模。通过提取PFSM的加压历史特征, 有效地解决了迟滞非线性中数据一对多的问题, 提取的特征包括电压的电压值、变化频率、变化方向、电压增量、历史局部极大值与局部极小值和时间间隔等。仿真结果表明, 此模型可以对迟滞非线性特性和蠕变特性有较好的拟合效果, 相对于静态PI模型, 拟合精度提高了约40 μrand。同时具有模型参数容易识别、易移植到嵌入式芯片等优点。该动态迟滞非线性特征建模方法有理论意义和实用价值。

探究压电陶瓷的迟滞非线性规律, 为进一步修正迟滞非线性提供参考依据和理论基础。通过实验测量得到迟滞模型并对实验数据分析, 拟合出上升轨迹的修正直线, 求出其在相同位移下与上升、下降轨迹的电压差作为补偿电压, 发现两条轨迹采样点上的输入电压与补偿电压满足近似多项式关系; 分别选定5, 10和15 V不同步长进行驱动实验。实验结果: 上升轨迹(下降轨迹)多项式参数R-square=0.999 2(0.999 9), RMSE=0.083(0.080 86); R-square=0.999 7(0999 9), RMSE=0.057 39(0.094 99); R-square=0.995 2(0.999 8), RMSE=0.291 6(0.165 5)。实验结论: 两条轨迹的R-square近似为1, RMSE较接近0, 重复性误差在1.13％~2.63％, 输入电压与补偿电压满足近似多项式关系, 拟合程度和匹配性较高, 且重复性较好, 具有可预测性, 从而为进一步修正压电陶瓷驱动器的迟滞非线性提供了参考依据和理论基础。

针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略.通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制.仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58.此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能.