[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

摘要

本发明公开了一种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。所述方法包括利用多层神经元网络对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；在每一个采样周期，利用上述神经元网络模型得到同步线性化模型；利用同步线性化模型得到预测控制器并对其进行优化；基于上述同步线性化模型和相应的预测控制器，对于压电陶瓷执行器的位移进行实时控制。本发明基于自适应控制理论的相关内容，利用基于神经元网络的多个线性近似模型和预测控制器对于压电陶瓷执行器的位移进行实时控制，其克服了压电陶瓷执行器固有的迟滞问题，实现了对于压电陶瓷执行器位移的实时跟踪控制。

主权项

一种基于神经元网络的压电陶瓷执行器的预测控制方法，其特征在于，该方法包括以下步骤：步骤S1：利用多层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：在所述神经元网络模型基础上，在每一个采样周期，获得压电陶瓷执行器相应工作点的同步线性化模型；步骤S3：基于同步线性化模型得到在该采样周期下的预测控制器并进行优化；步骤S4：利用所述同步线性化模型与所述预测控制器，对于所述压电陶瓷执行器的位移进行实时控制；其中，步骤S1中所述压电陶瓷执行器的神经元网络模型的训练采用训练性能指标的近似表达式L(W)作为实际优化过程中的性能指标，y(i)为电压‑位移数据集中的位移数据，N为电压‑位移数据集中的位移数据的个数，W＝[v0,…vj,w11,…w1i,…,wj1,…wji]T为包含所述神经元网络模型所有权值的向量；为神经元网络模型的输出，L(W)如下表示：L(W)=12NE(W)TE(W),]]>其中，Y(t)为电压‑位移数据集中的位移数据序列，表示所述神经网络模型的输出序列，W＝[v0,…vj,w11,…w1i,…,wj1,…wji]T为包含所述神经网络模型所有权值的向量，其优化算法中的迭代表达式为：W(k+1)＝W(k)+λ(k)f(k)，λ(k)为步长因子，f(k)为算法搜索方向，k为迭代次数标志；其中，步骤S2中，向量包含了工作点τ附近压电陶瓷执行器的输入输出特性，同步线性化的目的在于将压电陶瓷执行器在该工作点的非线性模型在工作点附近转化为同步线性模型，得到的同步线性化模型如下表示：y^(τ)=(-a1y(τ-1),-a2y(τ-2),...,-anay(τ-na),+b1u(τ-1),...,+bnbu(τ-nb))]]>其中，τ为工作点，为同步线性化模型的输出，y(τ)为工作点τ采集得到的压电陶瓷执行器的位移信号，u(τ)为工作点τ的电压数据，g为模型映射关系；na、nb为结构参数，代表输入输出的延时时间；其中，该工作点τ的同步线性模型的未知参数的表达式为未知参数的具体计算公式为：其中，代表向量中的元素个数，nh为输出层的神经元个数；wji为所述神经网络模型中隐含层第j个神经元对应第i项的神经网络权值；wj0为所述神经网络模型中隐含层第j个神经元的附加权值；对应于向量的第i项，上述公式得到第i项所对应的参数ai或bi；vj代表神经元网络模型隐含层到输出层的权值。