[发明专利]磁控形状记忆合金执行器位移控制方法

说明书

一种磁控形状记忆合金执行器位移控制方法，属于智能材料及其机构建模与控制领域。本发明的目的是将神经网络与迭代学习控制相结合，设计了基于神经网络的迭代学习控制器，并给出系统初始状态在有界范围内变化时系统收敛条件的磁控形状记忆合金执行器位移控制方法。本发明步骤是：建立可以描述磁控形状记忆合金执行器率相关迟滞非线性的Volterra级数模型，并利用神经网络构建Volterra级数的核函数；采用神经网络拟合迭代学习控制器，并给出系统初始状态在有界范围内变化时系统的收敛条件。本发明不但放宽了迭代学习控制的适用条件，更符合实际应用环境，还提高了迭代学习控制的鲁棒性，提升控制品质。

技术领域

本发明属于智能材料及其机构建模与控制领域。

背景技术

进入二十世纪九十年代以来，随着精密制造业的蓬勃发展，传统的机械加工制造方式已经不能满足现代工业飞速发展的需要，人们对高精度、高分辨率定位技术提出了新的要求。以压电陶瓷、形状记忆合金和超磁致伸缩材料等新兴智能材料为核心器件的执行器因其具备微-纳米级的精密定位能力，近些年来成为了各个国家在高精尖制造领域研究的热点。

磁控形状记忆合金执行器是利用磁控形状记忆合金材料的磁性形状记忆效应，在磁场的作用下产生形变，能保证微纳米级分辨率机械运动的高精度微定位机构，有着传统电机驱动不可比拟的优势。由于其具有体积小、响应快、功耗低、位移分辨率高等优点，在智能结构、精密加工、纳米技术、微电子工程、精密光学、生物工程等领域有广泛的应用前景，如磁控形状记忆合金执行器驱动无阀泵、天文望远镜定位系统等。然而磁控形状记忆合金材料内部具有的迟滞非线性严重制约了其在各个领域的应用。为解决磁控形状记忆合金执行器位移复杂迟滞非线性的问题，实现磁控形状记忆合金执行器微纳米级精度定位控制，需要提出更有效的控制策略，设计性能优异的控制器。

磁控形状记忆合金执行器具有迟滞动态特性复杂、系统参数未知等特点，所以传统的控制方法难以达到满意的控制效果。迭代学习控制在不需要辨识系统参数及需求很少先验知识的情况之下即可取得理想的控制效果，在很多传统控制方法难以解决的复杂被控对象控制过程中发挥了重要的作用。

发明内容

本发明的目的是将神经网络与迭代学习控制相结合，设计了基于神经网络的迭代学习控制器，并给出系统初始状态在有界范围内变化时系统收敛条件的磁控形状记忆合金执行器位移控制方法。

本发明步骤是：

步骤1：建立可以描述磁控形状记忆合金执行器率相关迟滞非线性的Volterra级数模型，并利用神经网络构建Volterra级数的核函数；

Volterra级数模型的表达式为：

其中，u(k)和y_m(k)为系统的输入输出，h_n和K为Volterra级数的核函数和记忆长度；

综合考虑模型的精度以及计算复杂度，当K选取为2时Volterra级数模型的表达式为：

为了避免Volterra级数的维数灾难并获得较高建模精度，采用神经网络构建Volterra级数模型的核函数，神经网络的表达式为：

X_j(k)＝f(S_j(k)) (4)

其中，和分别表示输入层到隐含层和隐含层到输出层的权值，S_j(k)和X_j(k)分别表示隐含层第j个神经元的输入和输出，O(k)和I_i(k)分别表示神经网络的输出和输入，f(·)为隐含层激活函数；