基于不对称指数函数迟滞算子的压电陶瓷执行器动态Preisach迟滞模型

提出一种不对称指数函数迟滞算子,其形状参数为输入电压变化率的函数,因此算子的形状实时变化且不具有对称性。在此基础上构造动态Preisach模型,并利用神经网络完成其辨识。实验结果表明,该动态迟滞模型能够精确地描述压电陶瓷执行器的动态迟滞现象。在多种频率的电压信号激励下,与双S函数迟滞模型相比,该动态迟滞模型预测位移的均方误差(MSE)减小了0.20以上,最大绝对值误差减小了0.84μm以上。

基于迟滞算子的非平滑三明治系统自适应控制

针对一类具有非平滑的迟滞三明治系统,提出一种基于神经网络的自适应控制方法.首先利用神经网络做出了前端动态模块的逆系统实现前端动态模块的近似补偿,这样将迟滞三明治系统转化成一般的迟滞非线性系统.然后提出一个迟滞算子将迟滞的多映射转化成一一映射,基于这个迟滞算子设计了神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.

采用非对称迟滞算子的工业机器人柔性关节迟滞特性建模

针对工业机器人柔性关节所具有的多值对应及非对称特点的复杂迟滞特性对其控制精度产生不利影响的问题,在PI(Prandtl-Ishlinskii)模型框架下,提出一种针对非对称、强非线性复杂迟滞特性的神经网络建模方法。在PI模型的对称Play算子的结构基础上,将Play算子中的线性部分用非线性函数替代:将两个变化后的Sigmoid函数组合,构造一个与迟滞曲线轮廓接近的新函数,作为一个非对称非线性的迟滞算子,以此为激励函数,在PI模型框架下,构建神经网络迟滞模型,对柔性关节表现出的复杂迟滞特性进行建模。在柔性关节不同输入条件下获得的实验数据,对模型进行验证,结果表明最大预测误差能控制在1°以内,相较于PI模型,最大误差减小为其五分之一,均方根误差减小为其五分之一。所建立的神经网络迟滞模型具有较好的泛化能力,建模精度有较大提升。

超磁致伸缩材料迟滞特性的新Hammerstein建模

超磁致伸缩材料(Giant Magnetostrictive Material,GMM)作为一种新型功能材料,因其具有磁-机耦合系数大、响应速度快、频响特性好等优点而被广泛应用于能量采集、微位移驱动、精密定位控制等领域,但材料复杂的迟滞非线性影响了其致动器的定位精度,为了辨识超磁致伸缩材料中存在的迟滞非线性,本文提出一种新Hammerstein模型建模方法。此方法的优点在于模型可以更好地逼近迟滞非线性,提供更高的精度,减少了串联环节的参数辨识工作量。首先,构建一个基于双曲函数的迟滞算子扩展空间的极限学习机模型,用其表示新Hammerstein模型中的静态非线性部分。其次,提取极限学习机模型的全连接层的权重和偏置参数用于构建新模型中的动态线性部分的状态空间方程,减少了传统模型中串联环节的模型参数辨识的工作。最后,建立了可以描述超磁致伸缩材料迟滞特性的新Hammerstein模型。新Hammerstein模型的建模相对误差为0.86%~3.69%,平均绝对误差为2.63%,比传统Hammerstein模型均方根误差低0.8μm左右,平均绝对误差提高将近4%。仿真结果证明了新Hammerstein模型对超磁致伸缩材料复杂迟滞特性建模的有效性。

基于扩展输入空间法的压电执行器迟滞特性动态建模

为辨识压电执行器中的速率相关迟滞特性,基于扩展输入空间法建立迟滞的神经网络动态模型。提出动态迟滞算子来描述速率相关迟滞的变化趋势和动态特性并基于该动态迟滞算子构建扩展输入空间。在这个扩展输入空间上,迟滞的多值映射能够转化成一一映射,同时可以利用动态迟滞算子来提取迟滞的速率相关性。用神经网络来逼近这个一一映射实现速率相关迟滞的动态建模。所提出的神经网络动态模型可以描述迟滞的速率相关性,结构简单,打破了常规迟滞模型基于算子加权叠加的建模框架,并且能够在线调整参数以适应不同条件下的迟滞建模。最后应用该方法对压电执行器中的迟滞特性进行动态建模,试验结果证明了这种建模方法的有效性。

压电陶瓷驱动器迟滞非线性建模及逆补偿控制

自适应光学系统中的倾斜镜、变形镜通常是应用压电陶瓷驱动器来进行精密位移控制,但压电陶瓷驱动器都有较大的非线性迟滞效应,对系统定位性能造成了一定的影响。为了补偿迟滞现象,需要对迟滞效应进行建模。本文通过引入迟滞算子,使用贝叶斯正则化训练算法训练BP神经网络来构建压电陶瓷驱动器迟滞模型,以中国科学院光电技术研究所自主研制的压电陶瓷驱动器为对象开展了实验研究。实验结果表明,通过BP神经网络构建的压电陶瓷驱动器迟滞模型具有较准确的辨识能力,其中正模型的相对误差为0.0127,逆模型的相对误差为0.014。利用所建立的模型,压电陶瓷驱动器的非线性度从14.6%降低到了1.43%。

压电倾斜镜迟滞非线性建模及逆补偿控制

自适应光学系统中的压电倾斜镜通常是用来实时校正大气湍流引起的波前畸变,但压电倾斜镜的响应都有较大的非线性迟滞效应,大大降低了倾斜镜的到位精度,并且影响系统稳定性,制约了倾斜校正系统的带宽,因此需要对迟滞现象进行建模,通过建立的模型进行补偿。本文通过引入迟滞算子,使用贝叶斯正则化训练算法训练BP神经网络来构建压电倾斜镜迟滞模型,以中国科学院光电技术研究所自主研制的压电倾斜镜为对象开展了实验研究。最后的实验结果表明,通过BP神经网络构建的压电倾斜镜迟滞模型具有较准确的辨识能力,其中,X方向的迟滞大小由6.5%降低到了1.3%,Y方向的迟滞大小由7.1%降低到了1.6%。

基于输入空间扩张的动态迟滞神经网络模型

针对神经网络不能直接用于辨识具有多值映射特征的迟滞非线性的不足,利用输入空间扩张的方法,引入动态迟滞算子来反映动态迟滞的速率依赖性,由迟滞的输入、输入变化率和算子输出构造神经网络的扩张输入空间,将输出空间的迟滞多值映射转换为在新的扩张输入空间上的一一映射,从而将神经网络应用到动态迟滞非线性的辨识中.所建立模型结构简单,易于实现在线调整.最后,使用该方法对压电陶瓷执行器中的动态迟滞进行了辨识.

采用拓展空间法建立迟滞模型

神经网络应用于非线性建模具有很多优点,但对迟滞这类多值映射非线性无能为力。一个新的基于神经网络的迟滞建模方法——拓展空间法被提出。通过坐标变换建立基本迟滞算子,将基本迟滞算子的输出与迟滞输入同时作为神经网络的输入,使神经网络的输入空间由一维上升为二维,从而使输入与输出之间形成一对一映射关系。最后的实验结果表明,通过拓展空间法神经网络能够对多值映射非线性进行建模。

未知控制方向的迟滞非线性系统预设自适应控制

针对一类含有迟滞特性的未知控制方向严反馈非线性系统,设计了基于误差变换的反步自适应控制器.首先提出动态迟滞算子来扩展输入空间建立神经网络迟滞模型.然后利用径向基函数(RBF)神经网络逼近未知函数,并引入Nussbaum型函数来解决系统未知控制方向问题.最后采用误差变换将误差限定在预设的范围内,并利用反步法设计自适应控制器.该控制方案不仅能够保证跟踪精度,还可以提高系统暂态和稳态性能.仿真结果表明了控制方案的可行性.

压电驱动器迟滞特性的类Hammerstein模型

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。

工业机器人柔性关节迟滞特性的在线序列极限学习机混合建模

为体现柔性关节迟滞的基本特性,构建一个类迟滞算子,将其与在线序列极限学习机(OS-ELM)串联,设计一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。在混合模型中,采用具有学习效率高、泛化能力强的在线序列极限学习机,能有效地回避使用梯度下降法对模型参数学习时存在的速度慢和局部最小值问题,提高了建模精度。利用不同状态下的实验数据进行模型验证,结果表明所提出的迟滞混合模型具有高精度和较高的泛化能力。

迟滞非线性环节的建模与逆控制

压电陶瓷器件这类复合材料在精密定位和微位移控制中得到广泛的应用,但其存在压电相互转化时寄生的难以建模的迟滞非线性现象的不足。通过采用一种和前向神经网络结构类似,以BackLash迟滞算子为激励函数的网络结构,并利用最小二乘法调整网络权值,从而无需考虑具体物理对象而实现对这类复杂迟滞非线性环节的建模,进而推导出所提出网络结构的逆模型。采用所建逆模型来对迟滞非线性环节进行补偿,仿真结果表明:提出的迟滞环建模方法及其控制算法可实现对迟滞环的线性补偿。

基于RBF神经网络的快速伺服刀架迟滞特性建模

为了减小压电陶瓷固有的迟滞非线性特点对快速伺服刀架(FTS)控制精度的影响,提出了一种基于RBF神经网络的快速伺服刀架迟滞特性建模方法.利用拓展输入空间法建立了FTS迟滞系统的RBF神经网络模型,通过引入指数型迟滞算子,将FTS系统的输入与迟滞算子的输出一起作为RBF神经网络的输入向量,实现了FTS迟滞系统由多值映射到单值映射的转换,进而利用神经网络对其进行建模.为了更精确地跟踪快速伺服刀架的迟滞位移曲线,通过增加调整系数σ来对迟滞算子进行改进.实验表明,该迟滞模型可以很好地预测快速伺服刀架的迟滞位移曲线,模型的验证均方差MSE=5.163 3×10-6.

基于RBF神经网络的压电位移台迟滞非线性建模研究

针对压电陶瓷微位移台固有的率相关迟滞非线性特性,以基于play算子的改进PI模型构建迟滞算子,结合径向基(Radial Basis Function,RBF)神经网络模型,建立描述压电陶瓷微位移台迟滞特性的率相关模型。研究结果表明,在输入信号频率在10 Hz~90 Hz范围内时,模型输出的最大位移误差为0.3990μm~0.9321μm,均方根误差为0.2594μm~0.5652μm,相对误差为0.95%~2.48%。验证了基于PI迟滞算子和RBF神经网络的仿真模型能够准确有效的描述压电微位移台的率相关动态迟滞特性,具有较高的频率泛化能力。该方法易于实现,工程适用性强,具有较好的实用价值。

基于神经网络的迟滞非线性逆模型

为了补偿迟滞特性对系统的不良影响,提高迟滞非线性系统的控制精度,建立了神经网络迟滞非线性逆模型.由于神经网络不能够直接逼近迟滞逆这种具有记忆性的多映射现象,通过引入一个迟滞逆算子,将多映射的迟滞逆转换成一一映射,然后运用神经网络来逼近这个一一映射从而建立一个基于神经网络的迟滞逆模型.该模型的主要优点是结构简单、精度高,可以在线调整神经网络的权值以适应不同工作条件下的迟滞逆辨识.最后,运用该方法对压电执行器中的迟滞非线性建立了逆模型.

基于神经网络的迟滞逆模型

一个新的基于神经网络的迟滞逆模型被提出.采用连续坐标变换的方法,建立基本迟滞逆算子(EIHO),EIHO为神经网络提供了基本的迟滞逆信息,并与迟滞逆的输入一起作为神经网络的输入,使迟滞逆由多值映射关系转化为一对一映射关系,从而达到用神经网络逼近迟滞逆的目的.一组实测数据被用来检验模型有效性,实验结果表明,这种建模方法是有效的.

一类具有迟滞-蠕变非线性对象的内模控制

针对压电晶体材料在压电相互转化时发生的迟滞-蠕变现象,本文采用内模控制方案来对其进行控制补偿.为实现内模控制,给出一种由Backlash迟滞算子和线性蠕变算子的加权叠加而得到模型来对其进行建模,进而得出建模结构的逆模型.仿真结果表明,本文提出的迟滞-蠕变环节建模方法及自适应内模控制算法的有效性.

压电陶瓷执行器的输入历史相关Preisach模型

压电陶瓷执行器的迟滞特性是影响其定位精度的主要因素。用于描述迟滞特性的经典Preisach模型的输出与历史时刻输入密切相关,在Preisach权函数中引入历史时刻输入信息,提出一种新的Preisach模型。采用简化迟滞算子对模型进行预处理后,构造神经网络实现模型的辨识。实验数据表明,在衰减正弦电压信号激励下,该模型预测位移误差绝对值的最大值与经典Preisach模型相比减少了76%,均方误差减少了78%。

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.