基于Preisach逆模型的压电陶瓷执行器迟滞补偿控制

为解决迟滞非线性对压电陶瓷执行器的影响,提出了基于Preisach逆补偿的闭环控制策略,利用考虑了擦除特性的分类排序方法实现了迟滞的Preisach逆模型,通过Preisach逆模型串联补偿降低迟滞作用的影响,并在逆模型前串联PI控制器,通过闭环控制抑制未能完全补偿的迟滞非线性,进而提高系统的控制精度,平均绝对误差下降到0.025μm.实验表明,基于Preisach逆补偿的迟滞补偿控制策略具有良好的控制性能.     

一种新广义Preisach迟滞模型及其神经网络辨识

研究压电陶瓷执行器应用于纳米定位系统时,其多值映射的迟滞特性对系统定位控制精度影响.在经典Preisach模型的基础上,引入平均迟滞函数,提出了一种新广义Preisach迟滞模型,并利用神经网络对新广义Preisach模型关键参量辨识.仿真实验表明,利用该迟滞模型对压电陶瓷执行器建模,可以简化建模过程,提高建模精度.     

微纳米压电陶瓷驱动器的迟滞特性建模

为了高精度地测量微纳米压电陶瓷的驱动特性,研究了一种基于最优模板尺寸的改进图像块匹配位移测量算法;结合Preisach模型,建立了压电陶瓷驱动器迟滞特性模型.首先,研究了不同模板尺寸对位移测量精度的影响,得到了基于标准模板的最优模板尺寸;然后,介绍了Preisach模型用于压电陶瓷驱动器迟滞建模的原理;最后,使用纳米平台系统验证了改进的亚像素模板匹配算法和迟滞特性建模方法的有效性和准确性.     

微纳米压电陶瓷驱动器的迟滞特性建模

为了高精度地测量微纳米压电陶瓷的驱动特性,研究了一种基于最优模板尺寸的改进图像块匹配位移测量算法;结合Preisach模型,建立了压电陶瓷驱动器迟滞特性模型.首先,研究了不同模板尺寸对位移测量精度的影响,得到了基于标准模板的最优模板尺寸;然后,介绍了Preisach模型用于压电陶瓷驱动器迟滞建模的原理;最后,使用纳米平台系统验证了改进的亚像素模板匹配算法和迟滞特性建模方法的有效性和准确性.     

压电叠层作动器迟滞特性模型

压电叠层作动器是智能主动杆的关键部件,迟滞非线性是影响其控制应用的重要方面。在对迟滞特性进行分析的基础上,根据压电叠层作动器的工作特征,采用修正经典Preisach模型对压电作动器的迟滞特性进行建模,以预测压电作动器的位移输出,并进行了相应的实验分析。与随机电压序列的实测输出结果进行比较,该模型的误差范围小于2μm,明显优于线性模型,能更准确地预测作动器的位移输出,为实现精密的作动控制提供了可能。     

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.     

基于不对称指数函数迟滞逆算子的压电陶瓷 执行器动态Preisach迟滞逆模型

迟滞非线性严重影响了压电陶瓷执行器纳米定位系统的定位精度,为补偿它的不良影响,提高系统的控制精度,开展了基于压电陶瓷执行器迟滞非线性的逆模型研究. 根据不对称指数函数迟滞算子构造动态Preisach逆模型,利用神经网络完成辨识. 运用若干组实验数据检验此逆模型的有效性,结果表明,加入历史输入位移值得到的神经网络输出电压与实际给定的电压之间的偏差明显减小,最大偏差值由原来的16V减小到不超过6V,性能得到明显改善.     

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.     

压电致动器Preisach模型的模糊插值算法及实现

为获得运算复杂度、速度、精度均较为理想的迟滞特性建模方法,便于微细精密运动的实时控制,提出了一种新的模糊插值算法.根据压电致动器迟滞特性曲线的几何特征,将其划分为上凸与下凹两类.利用相邻4个等分点的模糊插值模拟曲线的理想输出,分别给出该两类曲线的模糊插值方法.利用上述方法求取位移变化量,得到压电致动器Preisach模型的模糊插值算法.通过标准C语言完成了该算法并在ARM处理器三星S3C2410平台上进行了对比实验.结果表明:传统插值法误差为-0.512 ～0.073 μm、标准差为0.184;压电致动器Preisach模型的模糊插值法误差为-0.347～0.094μm、标准差为0.139,该算法适于基于嵌入式处理器的实时精密控制.     

迟滞系统的鲁棒自适应变论域模糊控制

设计了一个H∞变论域模糊控制器,用于控制一类单输入单输出的基于Preisach模型的未知迟滞非线性系统.该控制器将H∞控制与模糊控制结合起来,提高了H∞控制的智能性和模糊控制的鲁棒性.通过Lyapunov方法,证明了闭环控制系统是稳定的.该控制系统中模糊逻辑逼近误差和外部扰动误差都能通过调节权重因子被限定在一个给定范围内.最后,给出了关于未知迟滞非线性系统的仿真结果,表明了控制方案的可行和有效性.     

基于压力信号采集的输气管道混合模型的建立

为监测输气管道的运行状态,提出一种基于机理模型和神经网络模型的混合建模方法. 机理主模型是基于气体在管道中流动的连续性方程、运动方程和气体状态方程而建立的;神经网络模型用来补偿机理模型建模过程中的简化处理及因忽略某些动态参数变化带来的误差,提高了混合模型建模精度,为下一步进行气体管道的泄漏检测和定位奠定基础. 为避免流量计检测精度较低的缺点,实验中用高精度压力传感器取代流量计,统一采集压力信号,提高检测精度. 基于实验采集压力数据,将机理模型和混合模型输出的精度进行比较. 结果表明混合模型的精度得到了较大提高.      

基于粒子群算法的数控机床切削力误差实时补偿

通过分析数控机床主轴传动系统,推导出主轴伺服电机电流信号与切削力之间的关系,运用BP神经网络理论和粒子群优化算法建立起切削力误差模型,研制出数控机床上的切削力误差实时补偿系统,并通过加工实例对补偿系统进行了验证.结果表明:所建的切削力误差模型具有鲁棒性强和精度高的特点;切削力误差实时补偿系统使用方便,应用性强.     

基于小波神经网络熔丝堆积三维打印精度预测模型

摘要： 熔融沉积快速成形是一个多参数耦合的非线性过程,大量成形参数对成形件精度具有重要影响.为了弄清各个工艺参数对成形零件精度的影响,提高熔丝堆积三维打印产品精度,运用Matlab软件建立了利用成形工艺参数预测产品精度的小波神经网络模型,完成了算法设计.通过熔丝堆积三维打印实验采集样本,利用训练样本对所建立的网络进行训练,完成网络输入输出精度映射关系,并利用测试样本对所训练网络进行检验.仿真试验表明,产品精度预测模型具有很高的精度,验证了该预测模型在理论和实践上的可行性、有效性.把小波神经网络方法运用于熔丝堆积三维打印参数与成形产品精度之间的建模,解决了难以用数学方法建立精确模型的问题.     

P-C-R模型构建及应用

针对目前预测模型精度低的问题,提出将主成分分析、聚类分析用于RBF神经网络预报建模,从而克服大样本数据提取的困难,使得指标的选取能更全面地反映状况,有效地缩减RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱,实现了神经网络训练和仿真验证。仿真结果表明,该模型有较高的预报能力。提出的基于主成分分析和聚类分析的RBF网络预报模型---PCR模型为研究预报提供了一个新的思路和方法,并为其他领域的建模研究开阔了思路,具有一定的理论价值和的应用价值。     

基于神经网络的车用发动机广义预测控制

为了改善具有非线性特性的发动机燃油控制效果,以达到高效率、低污染的要求。利用一种前向神经网络作为非线性系统的模型,并将其分为线性部分和非线性部分。其中非线性部分用单隐层的BP神经网络对其建模,采用学习速度较快的Davidon最小二乘法在线调整网络权值;线性部分采用受控自回归积分滑动平均(CARIMA)模型作为其数学模型,用递推最小二乘法(RLS)作为其参数辨识的方法。每步将所得非线性系统的网络模型线性展开,得到线性回归模型,并以非线性前馈增益方式补偿建模误差,建立了一种适合非线性系统的自校正广义预测控制器。仿真结果表明该算法收敛速度快,控制动作平稳,控制效果理想。     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

基于混沌神经网络的压电陶瓷迟滞模型

为解决压电陶瓷迟滞建模问题,提出一种新型的G-S混沌神经网络模型. 该网络由输入层、隐层和输出层构成,在输入层中引入延迟环节,从而使得历史输入能够对当前输入的响应产生影响. 网络的学习过程是一种混沌优化算法,可有效避免普通神经网络的局部极值和假饱和现象的发生. 将该网络应用于纳米定位系统压电陶瓷执行器迟滞建模中,可以降低建模误差,实验结果验证了该方法的有效性.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.