1 哈尔滨工业大学(深圳)机电工程与自动化学院, 广东 深圳 518000
2 深圳市西渥智控科技有限公司, 广东 深圳 518000
该文搭建迟滞测量实验平台, 测量一种用于LED晶圆检测压电执行器的迟滞效应, 设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型, 使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明, 神经网络模型具有较好、较广泛的迟滞建模效果, 对于正弦波, 位移预测精度保证小于2%; 对于衰减正弦波, 位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。
压电执行器 迟滞非线性 长短期记忆(LSTM)神经网络 piezoelectric actuator hysteresis nonlinearity long short-term memory(LSTM) neural network
大连理工大学 机械工程学院, 辽宁 大连 116024
针对压电叠堆作动器的率相关迟滞非线性特性, 该文提出了一种基于asymmetric unilateral backlash(aubacklash）算子的BP神经网络率相关迟滞建模方法。首先提出了改进的aubacklash算子, 改善了Prandtl-Ishlinskii(PI）模型backlash算子在原点处残余位移及严格中心对称的问题; 其次分析了压电叠堆作动器迟滞的率相关记忆特性, 提出了率相关BP神经网络迟滞模型; 最后搭建了迟滞建模精度评估系统, 采用Levenberg-Marquardt(L-M）算法辨识aubacklash算子模型参数, 确定了BP神经网络模型最优结构参数。实验结果表明, 在高、低单一频率及混合频率下, BP神经网络模型较PI模型均方误差降低了70.90%~89.98%, 相对误差降低了70.69%~89.84%, 验证了该模型的精度与频率适应性。
压电叠堆作动器 迟滞非线性 非对称单边backlash算子 BP神经网络 率相关建模 piezoelectric stack actuator hysteretic nonlinearity asymmetric unilateral backlash operator BP neural network rate-dependent modeling
上海师范大学 信息与机电工程学院,上海 201418
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%。
压电式气体比例阀 迟滞非线性 PI模型 前馈补偿器 piezoelectric gas proportional valve hysteresis nonlinear PI model feedforward compensator
光学 精密工程
2022, 30(14): 1716
哈尔滨工业大学(深圳) 机电工程与自动化学院,广东 深圳 518000
压电驱动器位移输出的非线性特性，如迟滞的记忆特性及速率相关性，使压电驱动器的建模与控制较难。该文提出了一种基于门控循环单元(GRU)的新型位移输出控制方法。建立相应的位移输出实验平台来验证和分析压电驱动器的滞后现象。使用 GRU 模拟滞后的内存特性及采用两个全连接层来模拟速率依赖性。该模型是一个端到端系统，其中压电陶瓷和位移放大机构被视为一个整体。针对不同电压输入预测的输出位移量表明,该模型对速率相关的滞后具有很强的泛化能力。使用相同的循环神经网络结构构建逆模型，并进行实验测试。实验结果表明，所提出的位移输出控制法有效地削弱了压电驱动器的非线性特性，有利于将线性系统控制法与前馈补偿法相结合。
压电驱动器 迟滞非线性 位移输出控制 门控循环单元 晶圆测试 piezoelectric actuator hysteresis nonlinearity displacement output control gated recurrent unit wafer test
1 中国科学院 上海应用物理研究所,上海 201800
2 中国科学院大学,北京 100049
3 中国科学院 上海高等研究院,上海 201210
针对压电陶瓷固有的迟滞非线性，设计了一种基于深度神经网络(DNN)的前馈补偿控制系统。该系统包含1个输入层、7个隐藏层和1个输出层。实验结果表明，开环情况下压电陶瓷的位移线性误差达8.91 μm。施加神经网络前馈补偿后，压电陶瓷的最大位移误差降低到80 nm，稳态误差为±20 nm。进一步测试表明，在10~100 Hz输入频率下系统最大误差小于100 nm，均方根误差为0.01 μm，验证了深度神经网络能够准确补偿压电陶瓷动态迟滞非线性，具有较好的频率泛化能力。
压电陶瓷 迟滞非线性 深度神经网络 前馈控制 piezoelectric ceramics hysteresis nonlinearity deep neural network feedforward control
浙江理工大学 机械与自动控制学院, 浙江 杭州 310018
为了辨识压电陶瓷中的迟滞非线性, 该文提出一种改进的粒子群算法(PSO)对非对称Bouc-Wen模型进行参数优化。首先在归一化Bouc-Wen模型中引入非对称因子描述非对称特性, 解决该模型只适用于描述对称迟滞的问题。其次通过引入混沌映射、收缩因子和动态学习因子来对传统PSO进行改进, 动态改变粒子群的权重和学习因子, 有效地提高算法的搜索能力和收敛速度。最后通过改进的PSO对非对称Bouc-Wen模型进行参数辨识。结果表明, 改进的粒子群算法能较好地辨识Bouc-Wen模型参数, 验证了方法的有效性。
压电陶瓷 改进粒子群算法(PSO) 非对称Bouc-Wen模型 迟滞非线性 参数辨识 piezoelectric ceramics improved particle swarm algorithm asymmetric Bouc-Wen model hysteresis nonlinearity parameter identification
浙江理工大学 机械与自动控制学院, 浙江 杭州 310018
为了辨识压电驱动器中固有的迟滞特性, 提出了一种基于区间二型Takagi-Sugeno(T-S)模糊系统的建模方案。首先, 引用垂直距离公式替换传统的误差计算公式, 使聚类算法与所辨识的超平面结果直接相关联, 并提出了改进的区间二型模糊C回归模型(FCRM)聚类算法用于模糊空间的划分, 提高了区间划分精度。其次, 针对超球型高斯隶属度函数与超平面型聚类算法结构不匹配的问题, 引入了与超平面相匹配的超平面隶属度函数完成模糊前件参数的辨识, 并利用最小二乘法完成模糊后件参数的辨识。最后, 利用上述方案完成了压电驱动器迟滞特性的建模。实验结果证明该方案是有效的。
压电驱动器 迟滞非线性 Takagi-Sugeno(T-S)模糊系统 模糊C回归模型 区间二型模糊集 piezoelectric actuator hysteresis nonlinearity T-S fuzzy system fuzzy C-regression model interval type-2 fuzzy sets
浙江理工大学 机械与自动控制学院, 浙江 杭州 310018
压电驱动器中迟滞特性会影响微操作系统的定位精度。为了消除迟滞对系统的不良影响，该文提出了类Hammerstein模型来描述压电驱动器的迟滞特性。首先，提出了改进迟滞算子(MDHO)，在算子中增加偏置、死区宽度、斜率调整滞环的高度和宽度，体现迟滞的非对称性和速率相关性；然后，利用改进迟滞算子加权叠加表示静态非线性部分，迟滞算子的参数和权重可以在线调整来适应外界条件的变化，利用输入自回归模型表示动态线性部分，建立了可以描述压电驱动器速率相关迟滞特性的类Hammerstein模型；最后，依次通过最小二乘法、矩阵扩围、矩阵奇异值分解对模型中的参数进行辨识，并证明了所辨识的参数是无偏估计。研究结果表明所提出的建模方法是有效的。
压电驱动器 迟滞非线性 改进迟滞算子 类Hammerstein模型 奇异值分解 piezoelectric actuator hysteresis nonlinearity modified hysteresis operator Hammerstein like model singular value decomposition
