[发明专利]基于神经网络的压电驱动器的动态迟滞建模方法

摘要

本发明公开了一种基于神经网络的压电驱动器的动态迟滞建模方法。其步骤为：建立一个多层前馈神经网络对迟滞特性的静态部分进行描述，建立一个多层前馈神经网络对迟滞特性的动态部分进行描述，中间通过一个缓存环节将静态部分和动态部分串联起来，实现了基于神经网络的压电驱动器的动态迟滞建模，可以准确地描述压电驱动器的迟滞曲线且建模方便。将本发明提出的基于神经网络的压电驱动器的动态迟滞建模方法可与控制器的设计相结合，用于控制系统中。

主权项

1.基于神经网络的压电驱动器的动态迟滞建模方法，其特征在于，包括以下步骤：步骤1，在低频信号作用下，测试压电驱动器的响应曲线，采集压电驱动器的准静态迟滞数据，分别得到一阶下降曲线和一阶上升曲线；步骤2，建立一个多层前馈神经网络描述迟滞特性的静态部分：此多层前馈神经网络有两个输入，分别为输入信号u(t)和输入信号的当前主导极值u_D(t)，和一个输出X，将步骤1采集的准静态迟滞数据的输入数据作为此神经网络的目标输入，将该准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网络模型FFNN1，其中，所述的静态部分，具体通过以下方法建立：将输入u(t)、u_D(t)与非线性函数g结合加权求和，并将线性函数应用于输出层得到静态部分的多层前馈神经网络的输出X，表示如下：其中，u(t)是输入信号，u_D(t)是输入信号的当前主导极值，是线性函数，g是非线性函数，分别是输入层u(t)、u_D(t)到隐含层的连接权，是隐含层到输出层X的连接权；将准静态迟滞数据的输入数据作为此神经网络的目标输入，将准静态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建带有极值检测模块的神经网路模型FFNN1；步骤3，在不同输入频率下，测试压电驱动器的响应曲线，采集压电驱动器的动态迟滞数据，将采集到的输入数据作为FFNN1的输入，计算FFNN1的输出数据X，通过缓存环节，用采样的方法对输出数据X进行离散化处理，得到一系列离散信号x(t),x(t‑T),x(t‑2T),...，x(t‑kT)，并表示为向量步骤4，建立一个多层前馈神经网络描述迟滞特性的动态部分：将步骤3得到的向量作为动态部分的多层前馈神经网络的输入，输出为Y，将步骤2获取的FFNN1的输出数据作为此神经网络的目标输入，将步骤3得到的动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网络模型FFNN2，其中，所述的动态部分，具体通过以下方法建立：将离散化得到的向量的元素作为动态部分的多层前馈神经网络的输入，并与非线性函数g结合加权求和，并将线性函数应用于输出层得到动态部分的多层前馈神经网络的输出Y，表示如下：其中，x_i是输入，是线性函数，g是非线性函数，是输入层x_i到隐含层的连接权，是隐含层到输出层Y的连接权；动态部分的多层前馈神经网络的输入为输出为Y，将步骤3获取的FFNN1的输出数据作为此神经网络的目标输入，将动态迟滞数据的输出数据作为此神经网络的目标输出，对此神经网络进行训练，构建神经网路模型FFNN2；步骤5，将FFNN1和FFNN2通过一个缓存环节串联起来得到基于神经网络的压电驱动器的动态迟滞建模系统，该缓存环节用于实现对信号的离散化处理。