基于Bouc-Wen类迟滞模型的压电微动台建模

针对压电微动台驱动时,由压电陶瓷产生的迟滞现象,提出了一种迟滞模型.基于Bouc-Wen迟滞模型的基本思想,并针对Bouc-Wen迟滞模型进行了优化改进,大大降低了模型参数的辨识难度,缩短了运算时间,保证了模型的较高精度要求.为了验证模型的正确性,运用相关的实验设备对模型进行了实验验证.结果表明:改进后的模型定位误差为0.1866μm,最大相对误差为0.467%,验证了模型具有较高的精度以及该迟滞模型的可行性,为后续压电微动台控制器的设计提供了一种可行方案.     

基于混合差分遗传算法的Bouc-Wen迟滞模型辨识策略

提出一种应用于Bouc-Wen迟滞模型的混合差分遗传算法.该算法可以自适应调节缩放因子来改变交叉概率因子的值,同样也可以自动调节交叉概率因子来调整缩放因子的值.通过缩放因子和交叉概率因子的混合作用,能使算法前期维持种群多样性,同时强化对全局最优值的搜索能力,从而快速寻找最适模型参数.在算法后期,随着局部最优值搜索能力的...     

压电微定位平台神经网络与专家模糊复合控制方法

为了消除压电微定位平台的迟滞非线性特性,实现高精度定位控制,采用具有两个隐含层的BP神经网络建立压电微定位平台的迟滞模型,以精确描述驱动电压与输出位移的迟滞关系;设计一种基于BP神经网络迟滞逆模型的前馈控制器,对迟滞非线性进行补偿,将迟滞非线性近似线性化.为进一步提高定位系统的精度,提出基于迟滞逆模型前馈补偿和专家模糊控制的复合控制方法.仿真结果表明,该复合控制方法可以将压电微定位平台的定位误差控制在0.091μm以内,从而有效地消除迟滞非线性对压电微定位平台定位精度的影响.     

基于非光滑神经网络的X-Y定位平台系统模型辨识

本文首先对X-Y定位平台系统的组成及模型的建立作了简单描述,接着,针对X-Y定位平台中存在的载荷以及摩擦参数的不确定性问题,提出了一种基于改进神经网络结构来对X-Y定位平台不确定性非线性系统的辨识的方法.采用非光滑神经网络来对不确定非线性系统建立模型.结果表明该方法能够对复杂的非线性系统进行辨识,比一般的神经网络具有较高的辨识精度,且具有良好的泛化性能.这种方法可以应用到工业过程实际系统中.     

压电陶瓷驱动器迟滞非线性误差的建模与分析

压电陶瓷驱动器的最大迟滞非线性误差可以超过输出行程的15%,而快刀伺服系统(FTS)要求重复定位精度优于10 nm,相对线性度误差优于0.5%,压电陶瓷驱动器的误差无法满足该精度要求;首先对压电陶瓷迟滞非线性误差进行实验分析,将迟滞非线性误差分为频率无关迟滞现象和频率相关迟滞现象;接着对Bouc-Wen(BW)和Prandtl-Ishlinskii(PI)的频率无关迟滞模型进行修正和对比,确定了采用PI模型描述本文的频率无关迟滞现象,PI模型对频率无关迟滞曲线的辨识精度为0.392%;然后设计基于Hammerstein模型的频率相关迟滞模型,Hammerstein模型对频率相关迟滞曲线的辨识误差相比PI模型时,其均方根值降低了88.068%;提出了压电陶瓷驱动器迟滞非线性误差的建模方法,并分析了其有效性和准确性,给FTS伺服控制提供了一种实用的前馈控制器。     

基于自适应PI模型的压电陶瓷驱动器精密定位方法

由于具备较高的定位精确度,压电陶瓷驱动器在超精密加工、微纳米测试等领域应用广泛,然而压电陶瓷固有的迟滞性严重影响其定位精确度。本文研究驱动范围对压电陶瓷驱动器迟滞性的影响,实验得出迟滞性随驱动范围增大而显著。而在压电陶瓷驱动器的实际应用中,驱动范围是其主要的设置参数之一。为此,本论文提出基于自适应Prandtle-Ishlinskii（PI）模型的拟合方法,根据不同驱动范围下获得的迟滞曲线的斜率变化趋势设置分段区间,采用二次规划算法辨识PI模型的权重参数,基于分段区间对迟滞曲线进行拟合,大大提高了拟合精确度。设计基于自适应PI模型的逆模型作为前馈控制器对压电陶瓷驱动器进行迟滞补偿,并搭建基于Labview的实验平台验证了该算法的可行性。实验结果表明,基于自适应PI逆模型的前馈控制器将压电陶瓷驱动器的定位精确度提高至1.8nm。     

基于频率相关的压电作动器迟滞特性建模及参数辨识

为辨识压电作动器在应用过程中的率相关迟滞特性,采用基于最小二乘支持向量机理论对压电作动器进行建模,并引入粒子群算法对模型的参数进行优化,模型以当前及历史输入电压、历史输出位移组成的向量作为模型的输入,而以当前的输出位移作为模型的输出进行训练。最后,通过仿真结果和实验结果对比发现,本文建立的压电率相关迟滞模型平均误差为0.0208μｍ,最大误差为0.4290μｍ比Bouc-Wen模型精度高,验证了本文建模方法的可行性。     

压电作动器的动态迟滞建模与H∞鲁棒控制

压电作动器具有率相关动态迟滞非线性特性,给传统建模和控制技术提出了挑战.本文针对压电作动器,提出了一种基于Bouc-Wen的Hammerstein率相关迟滞非线性模型,其中Bouc-Wen模型和线性动态模块分别用于描述系统的静态迟滞非线性特性和率相关特性.同时,构造了一个基于Bouc-Wen模型的迟滞补偿器,将迟滞补偿器与被控对象串联使系统线性化;并建立了不确定性系统模型,提出了一种H∞鲁棒跟踪控制方案,可以实现给定频率范围内单频率和复合频率参考信号的良好跟踪.实验结果表明,所建动态模型具有良好的泛化能力,跟踪控制相对误差小于8%,证明了所提出方法的有效性.     

基于混合策略改进的果蝇优化算法

针对基本果蝇优化算法收敛精度不高、容易陷入局部最优和收敛速度慢的问题,提出一种基于混合策略改进的果蝇优化算法(MSFOA)。受鲸鱼捕食猎物的启发,在对个体历史最优位置的更新中,采用新的组合搜索的方法,加快果蝇搜索迭代速度;在更新后的位置公式中引入自适应权重系数,提高算法的优化精度;当达到局部收敛状态时,结合多尺度高斯变异算子解决局部最优的限制。采用6个测试函数的仿真结果表明,MSFOA算法相比其它算法具有更快的收敛速度和较高的寻优精度。     

基于微观极化机理的压电陶瓷迟滞控制模型

针对迟滞和蠕变现象严重影响压电陶瓷驱动器的控制精度问题,基于压电陶瓷微观极化机理,应用Langevin模型和电畴转向理论,解释了由于电畴转向能量损失.压电陶瓷电极化强度由不可逆的电极化强度和剩余电极化强度两部分组成,压电陶瓷应变和电场表现出迟滞现象,而应变和电极化强度呈线性关系,然后推导出基于电极化强度的控制模型.最后应用控制流过压电陶瓷的电流来实现电极化强度控制方法,实验结果表明,同电压控制方法相比,电极化强度控制方法可以显著减小迟滞,线性度好.     

基于历史认知的果蝇优化算法

针对果蝇优化算法的早熟收敛问题,提出了一种新的基于历史认知的果蝇优化算法。新算法通过增加个体“历史认知”的改进策略,优化进化方程,从而避免潜在全局最优解因为不考虑自己的历史轨迹,仅依靠单纯的聚集行为,而使自己的寻优轨迹迂回曲折,错过成为全局最优解的可能;并且通过线性递增的动态变化系数ω调整在迭代寻优过程中个体的“历史”对本次学习的价值,增强算法跳出局部最优,寻找全局最优的能力。对几种经典测试函数进行了仿真和实例计算,结果表明新算法更好地平衡了全局和局部搜索能力,在收敛速度、收敛可靠性及收敛精度上比其他经典智能优化算法有较大的提高。     

修正浓度与适应步长的果蝇优化算法

基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优。另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高。针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法。该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间。在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变。为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升。     

果蝇优化算法的进展研究分析

果蝇优化算法作为一种新兴的群智能优化算法,具有结构简单、调节参数少、可操作性强和全局寻优快等特点,使其相较于其他智能算法更容易理解和实现,因此自其提出之日起便受到广泛的关注与研究。综述了果蝇优化算法的设计思想,围绕现有的改进方法和相关应用进行重点分析,分析了果蝇优化算法的研究进展,包括候选解产生机制、多种群协同搜索、飞行策略等方面的改进以及在复杂函数优化、参数优化、调度及物流问题等方面的应用,最后提出果蝇优化算法未来值得关注的研究方向和内容。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

反向认知的高效果蝇优化算法

针对果蝇优化算法的早熟收敛问题,提出一种基于最优和最差个体协同学习的果蝇优化算法。该算法通过在进化方程中添加向最差个体学习的改进策略,优化进化方程,增强算法跳出局部最优、寻找全局最优的能力。对经典测试函数的仿真结果表明,该算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上比其他算法有较大的提高。     

基于维度分区的果蝇优化新算法

为提高果蝇算法的收敛稳定性,提出了一种基于维度分区的果蝇优化新算法。将果蝇种群均分为两组:跟随果蝇和搜索果蝇。跟随果蝇在全局最优果蝇附近实现精细化局部搜索,而搜索果蝇则将位置向量的每个维度搜索范围划分为若干个区间,通过比较各个区间的最优位置来更新果蝇位置。为加快算法收敛速度,若某搜索果蝇在连续若干次迭代过程中 均 表现最差,则在当前最优果蝇位置附近产生该果蝇的新位置。针对8种典型函数的仿真实验表明:与传统算法相比, 所提算法所需参数较少,收敛稳定性高,并且在收敛精度及收敛速度等方面具有明显优势。     

基于改进果蝇算法的模拟电路故障诊断

针对模拟电路中非线性元件故障的定位问题,提出一种改进的果蝇算法优化支持向量机的故障诊断方法。首先对被诊断电路的输出信号进行采样,用Volterra级数提取输出信号的特征,然后利用改进的果蝇算法优化SVM的核函数参数和结构参数,建立诊断模型,在对数放大器电路中对故障进行诊断分类。通过实验可以看出,该方法能够有效避免支持向量机参数选择的随机性,有利于提高诊断精度,并且有较快的诊断速度。     

基于果蝇优化算法的多工位装配序列规划

为同时解决产品装配序列规划和多工位分配问题,提出一种面向复杂产品的基于果蝇优化算法的多工位装配序列规划方法。首先,基于果蝇优化算法设计了针对求解序列的编码体系;其次,采用多子种群并行搜索模式,重新设计了果蝇优化算法的搜索过程;然后,为了综合考虑多工位上相关装配操作成本的影响,提出了新的适应度函数表达式,并将适应度函数与优先序列矩阵结合起来对进化过程进行引导,实现了对产品装配序列和工位分配顺序的优化;最后,以飞机起落架为例,验证了所提方法在解决多目标优化问题方面的有效性。     

基于IFOA算法的SVM参数优化及其应用

为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm, IFOA),仿真实验表明, IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力。在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型。该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型。应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明：提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性。     

基于模糊强化学习和果蝇优化的WSN数据聚合算法

在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数...