[发明专利]基于神经元网络的压电陶瓷执行器的预测控制方法及装置

说明书

技术领域

本发明涉及高精度伺服技术、纳米定位技术以及运动控制技术等领域，尤其是一种压电陶瓷执行器的同步线性化模型预测控制方法。

背景技术

现代制造业正在向提高技术含量、提升加工与制造精度的方向发展。其中制造的准确度与精密度是节约制造成本、提升生产效率的首要诉求。而作为精密加工制造关键技术的纳米级精确定位技术，更是实现上述诉求的重要技术手段之一。压电陶瓷执行器是精密加工制造中广泛应用的元件之一，具有良好的精密定位性能。

然而，压电陶瓷执行器本身的物理特性使得其具有迟滞、蠕变、振动等非线性特性，严重地影响了压电陶瓷执行器在实际应用中的定位精度，尤以迟滞特性的影响最为显著。因此，设计快速有效的控制方法来提高压电陶瓷执行器的定位精度具有很高的价值。

基于模型的补偿控制方法是目前最为主流的控制方法。该方法旨在建立压电陶瓷执行器迟滞特性的正、逆模型(如Bouc-Wen模型、PI等模型结构)，然后在控制通路上加入逆模型作为前馈补偿环节。利用这种方式实现对压电陶瓷执行器迟滞特性的补偿，进而设计相应的线性控制器。但是获得较高准确度的逆模型较为困难且计算量很大，不利于提高控制精度和快速应用。此外，迟滞等特性与作用于压电陶瓷执行器上的电压信号的频率密切相关，这一性质也对逆模型建模造成了一定影响。

值得注意的是，神经元网络在复杂对象的特性拟合方面具有很强的能力，且运算量较小并能以离线的方式进行。因此，神经元网络能够快速获得精确的压电陶瓷执行器模型。此外，预测控制技术以其参数整定方便、控制性能高等优点，在工业领域也获得了广泛的应用。

发明内容

目前针对压电陶瓷执行器位移的控制方法多为基于压电陶瓷执行器正、逆模型的前馈控制。本发明结合自适应控制理论的相关内容，提出了一种压电陶瓷执行器的同步线性化模型预测控制方法。

所述压电陶瓷执行器的同步线性化模型预测控制方法包括以下步骤：

步骤S1：利用多层前向神经元网络对于压电陶瓷执行器进行建模，得到所述压电陶瓷执行器的神经元网络模型；

步骤S2：根据步骤S1中的神经元网络模型，获得不同工作点下的同步线性化模型；

步骤S3：设置预测控制器并对其进行优化；

步骤S4：基于所述压电陶瓷执行器的同步线性化模型和预测控制器，对于所述压电陶瓷执行器的位移进行实时控制。

实验证明，本发明控制方法具有很强的实用价值，能够快速应用于压电陶瓷执行器位移的实际控制。与常见的逆控制方法相比，本方法能够避免求解压电陶瓷执行器的逆模型，减少计算负担，消除逆模型精度对控制效果的影响。另外，与常见的迭代求解的控制方法如迭代学习，非线性预测控制等方法相比，本方法得到的具有解析表达式的控制器求解速度更快，因而更适用于处理压电陶瓷执行器跟踪高频参考信号的控制问题。

附图说明

图1是根据本发明一实施例的针对压电陶瓷执行器的同步线性化模型预测控制方法流程图；

图2是根据本发明一实施例的压电陶瓷执行器位移控制原理框图；

图3是本发明一应用实例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明提出一种针对压电陶瓷执行器的同步线性化模型预测控制方法，该方法利用多层前向神经元网络对压电陶瓷执行器进行建模，并通过线性化方法在每一个采样周期得到同步线性模型，进而利用预测控制器对压电陶瓷执行器的位移进行实时控制，如图1所示，该方法包括以下几个步骤：

步骤S1：利用多层前向神经元网络对于压电陶瓷执行器进行建模，得到所述压电陶瓷执行器的神经元网络模型，该模型能够精确地拟合压电陶瓷执行器的位移；

所述多层前向神经元网络模型的建立包括以下步骤：

步骤S111：设置激励压电陶瓷执行器的正弦电压信号，所述正弦电压信号的电压幅值不超过80V，然后将所述正弦电压信号作用于压电陶瓷执行器，并采集压电陶瓷执行器的位移信号，得到电压-位移数据集S＝([u(t)，y(t)]|t＝1，…，N)，用于后续训练神经元网络模型，其中，u(t)表示正弦电压信号，y(t)表示采集得到的压电陶瓷执行器的位移信号，N表示采集的数据数量，即数据[u(t)，y(t)]的个数。

步骤S112：利用多层前向神经元网络对于所述压电陶瓷执行器进行建模，得到压电陶瓷执行器的神经元网络模型；