[发明专利]基于OS‑ELM的压电陶瓷驱动器建模、控制方法及系统

说明书

技术领域

本发明涉及精密控制技术领域，特别涉及一种基于OS-ELM的压电陶瓷驱动器建模、控制方法及系统。

背景技术

压电陶瓷驱动器具有体积小、质量轻、刚度大、输出力大、输出位移分辨率高和快速动态响应等优点，而广泛的应用在高精密加工控制领域中。但是压电材料制成的驱动器都具有固有的迟滞非线性。在精密驱动系统中，解决迟滞非线性特性带来的控制误差问题是一项非常有挑战性的问题,也是提高控制精度的关键问题。

目前迟滞非线性建模方法主要有三大类：物理类(如Maxwell模型、Duhem模型和JA模型)，半物理类(如如preisach模型、PI模型)和智能类(如基于SVM模型和基于ANN模型)。

这些模型要么存在精度不高以及建模速度慢，要么就是存在难以在线建模要么就是逆模型难以获得；而且几乎没有一种可以较好的结合的控制中去应用，大多迟滞非线性模型必须依赖一些别的控制环节进行使用，如PID控制，重复控制等；即使有少数迟滞非线性模型能够实现运动控制，但是这些模型都难以进行有效的在线自适应调参。

发明内容

有鉴于此，本发明的目的在于提供一种基于OS-ELM的压电陶瓷驱动器建模、控制方法及系统，其目的在于提高压电陶瓷驱动器迟滞非线性建模的模型精度和建模速度。其具体方案如下：

一种基于OS-ELM的压电陶瓷驱动器迟滞非线性建模方法，包括：

对与压电陶瓷驱动器的控制过程相关的数据进行采样，得到相应的样本数据；其中，所述样本数据包括输入样本数据和输出样本数据，每个采样时刻对应的输入样本数据包括当前时刻下的期望输出位移、之前若干采样时刻下的输出位移和输入驱动电压，每个采样时刻对应的输出样本数据包括当前时刻下的输入驱动电压；

基于在线序列极限学习机理论构建待训练模型；

利用所述样本数据训练所述待训练模型，得到训练后模型，以通过所述训练后模型对所述压电陶瓷驱动器进行位移控制。

优选的，所述利用所述样本数据训练所述待训练模型的过程之前，进一步包括：

对所述样本数据中的位移数据进行预处理；

其中，所述预处理包括放大处理和/或去噪处理。

优选的，所述基于在线序列极限学习机理论构建待训练模型的过程，包括：

基于在线序列极限学习机理论构建初始待训练模型；其中，所述初始待训练模型为：

式中，X(t)＝[y(t),y(t-T),u(t-T),y(t-2T),u(t-2T)...y(t-kT),u(t-kT)]，表示所述初始待训练模型中输入端获取到的第t时刻下的数据，t＝T,2T...NT，T表示采样周期，y(t)表示第t时刻下所述压电陶瓷驱动器的输出位移，u(t)表示第t时刻下所述压电陶瓷驱动器的输入驱动电压；O(t)＝u(t)，表示所述初始待训练模型中输出端获取到的第t时刻下的数据，s表示所述初始待训练模型中隐含层的神经元的数量，β_j表示所述初始待训练模型中隐含层的第j个神经元与输出层之间的连接权值，α_j表示所述初始待训练模型中输入层与隐含层的第j个神经元之间的连接权值，θ_j表示所述初始待训练模型中隐含层的第j个神经元的阈值，f表示隐含层的激活函数；

对所述初始待训练模型中的连接权值α_j和阈值θ_j进行设定，得到所述待训练模型。

优选的，所述对所述初始待训练模型中的连接权值α_j和阈值θ_j进行设定的过程，包括：

对所述初始待训练模型中的连接权值α_j和阈值θ_j进行随机设定。

优选的，所述隐含层激活函数为无限可导函数。

优选的，所述基于在线序列极限学习机理论构建待训练模型的过程，还包括：

将所述待训练模型转化为线性待训练模型；其中，所述线性待训练模型为：

Y＝Fβ，

式中，Y＝[O(T) O(2T)…O(NT)]^T为所述线性待训练模型中输出端获取到的数据，X＝[X(T) X(2T)…X(NT)]^T为所述线性待训练模型中输入端获取到的数据，β＝[β₁ β₂…β_s]^T为所述线性待训练模型中隐含层与输出层之间的连接权值，F具体为：