[发明专利]一种基于神经网络的压电陶瓷驱动器输出控制方法

说明书

本发明一种基于神经网络的压电陶瓷驱动器输出控制方法属于风洞模型试验振动抑制领域，涉及一种基于神经网络的适用于风洞主动抑振支杆的压电陶瓷驱动器输出控制方法。该方法首先安装压电陶瓷驱动器数据采集硬件系统，采集压电陶瓷驱动器输入电压与输出力的实验数据，建立压电陶瓷驱动器神经网络模型，利用处理实验数据作为神经网络模型的输入与输出，选择合适的初始参数来训练该系统神经网络模型，最后在工程中调用训练好的神经网络模型进行应用。该方法与传统线性控制方法相比避免了控制模型上的非线性误差，使控制结果更加准确，精度更高。另外，此方法适应性强，能够应用于所有含有压电陶瓷驱动器的系统。

技术领域

本发明属于风洞模型试验振动抑制领域，涉及一种基于神经网络的适用于风洞主动抑振支杆的压电陶瓷驱动器输出控制方法。

背景技术

在风洞试验中，模型最常用的支撑方式是采用尾部支撑，但尾部支撑形式会导致系统刚度低，系统固有频率与风洞内脉动气流产生耦合，从而引起系统的低频振动。这样会严重影响风洞数据的准确性，而且会给风洞试验造成极大的安全隐患。在风洞支杆系统振动的抑制方法中，目前最有效且最热门的方法是采用驱动器进行主动控制抑振，压电陶瓷驱动器在结构上将压电陶瓷片串联起来，叠堆式排列；在电路上压电陶瓷片之间采用并联连接。压电陶瓷驱动器能高效的将电能转换为机械能，而且体积小，驱动力与驱动功率大。

然而，压电材料本身的物理特性使其具有迟滞、蠕变等非线性特性，严重影响了压电陶瓷驱动器在实际应用中的控制精度，其中迟滞特性对精度影响最为明显。而目前常用的控制方法多是用于线性系统，用其来控制压电陶瓷驱动器会产生较大的误差。

神经网络对于非线性系统具有很强的建模能力，而且理论上神经网络可以逼近任意一个非线性系统，而且运算量较少。因此应用神经网络对压电陶瓷驱动器的输出进行建模，会大大减少由于压电陶瓷驱动器迟滞特性导致的误差，提高系统的控制精度。

李颂华等人的专利《一种基于压电陶瓷的主轴轴承预紧力控制实验装置》,专利号为CN201810016852.8中介绍了一种基于压电陶瓷的主轴轴承预紧力控制的实验装置，对压电陶瓷精密位移与力输出特性进行应用，可以完成无负载、不同转速条件下，预紧力对主轴轴承性能的影响分析。但该方法仅将压电陶瓷应用为检测元件，没有为系统提供力的输入，也没有对其进行控制。

胡力等人于2017年在压电与声光期刊第5期发表的《基于RBF神经网络的压电执行器迟滞建模》中通过径向神经网络的建模方法，实现了压电执行器的输出位移与输入电压非线性曲线的具有较高准确性的拟合。但是该方法仅考虑了输出位移与输入电压，不能适用于存在负载、需要压电陶瓷输出力的压电陶瓷驱动器系统。

发明内容

本发明要解决的技术难题是克服现有技术的缺陷，发明一种基于神经网络的压电作动器输出控制方法，该方法首先安装压电陶瓷驱动器数据采集硬件系统，采集压电陶瓷驱动器输入电压与输出力的实验数据，建立压电陶瓷驱动器神经网络模型，利用处理实验数据作为神经网络模型的输入与输出，选择合适的初始参数来训练该系统神经网络模型，最后可以在工程中调用训练好的神经网络模型进行应用。运用神经网络模型间接实现输出力的控制，避免了在实际系统中力传感器由于结构过大不能安装导致无法获取压电陶瓷驱动器输出力数值的问题，同时考虑了压电陶瓷驱动器迟滞等非线性因素，相较于线性控制方法更为精确、有效。而且此方法适应性强，能够应用于所有含有压电陶瓷驱动器的系统。

本发明采用的技术方案是一种基于神经网络的压电陶瓷驱动器输出力预测方法，其特征是，利用压电陶瓷驱动器数据采集硬件系统完成压电陶瓷驱动器输入电压与输出力的数据采集，建立压电陶瓷驱动器神经网络模型并利用实验数据训练该模型，最后可以在工程中调用训练好的神经网络模型，实现高精度的压电陶瓷驱动器输出力控制。方法的具体步骤如下：

第一步、安装压电陶瓷驱动器数据采集硬件系统