一种压电执行器的非线性模型预测控制方法
【专利摘要】本发明公开了一种压电执行器的非线性模型预测控制方法，该方法包括以下步骤：利用多层神经元网络对于压电执行器进行建模，得到压电执行器的神经元网络模型；设置非线性模型预测控制器并对其进行优化；基于压电执行器的神经元网络模型和非线性模型预测控制器，对于压电执行器的位移进行实时控制。本发明基于最优化理论的相关内容，利用神经元网络模型和非线性模型预测控制器对于压电执行器的位移进行实时控制，其克服了压电执行器固有的迟滞问题，实现了对于压电执行器位移的实时跟踪控制。
【专利说明】一种压电执行器的非线性模型预测控制方法
【技术领域】
[0001]本发明涉及纳米定位技术、运动控制技术以及高精度伺服技术等领域，尤其是一种压电执行器的非线性模型预测控制方法。
【背景技术】
[0002]在现代工业制造与设备加工的过程中，制造的精确性与加工的精密度已然成为节约成本、提高生产效率的首要要求。而作为精密制造关键技术之一的纳米定位技术，更是成为了制造高精度设备的重要技术手段。压电陶瓷执行器就是实现纳米定位技术的重要设备
之一 O
[0003]然而，压电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，严重地影响了压电执行器在实际应用中的定位精度，尤以迟滞特性最为明显。因此，设计合适的控制方法来提高纳米定位精度具有很高的价值。
[0004]基于模型的补偿控制方法是目前的主流的控制方法。该方法旨在建立压电执行器非线性特性的正、逆模型(如Preisach模型等),通过前馈等补偿方式实现对压电执行器非线性特性的补偿，进而设计相应的线性控制器。但是获得高精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执行器上的压电信号频率密切相关，这一特性也对建模造成了一定影响。
[0005]另外，神经元网络在复杂对象建模方面具有很强的建模能力，且运算量较小，能够快速获得精确的压电执行器模型。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】
[0006]目前针对压电执行器位移的控制方法多为基于压电执行器正、逆模型的前馈控制。本发明结合最优化理论的相关内容，公开了一种压电执行器的非线性模型预测控制方法，并利用Levenberg-Marquardt优化算法实现。
[0007]所述压电执行器的非线性模型预测控制方法包括以下步骤:
[0008]步骤S1:利用多层神经元网络对于压电执行器进行建模，得到所述压电执行器的神经元网络模型；
[0009]步骤S2:设置非线性模型预测控制器并对其进行优化；
[0010]步骤S3:基于所述压电执行器的神经元网络模型和非线性模型预测控制器，对于所述压电执行器的位移进行实时控制。
[0011]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执行器位移的实际控制。
【专利附图】
【附图说明】
[0012]图1是根据本发明一实施例的针对压电执行器的非线性模型预测控制方法流程图；
[0013]图2是根据本发明一实施例的压电执行器的神经元网络模型结构示意图；
[0014]图3是根据本发明一实施例的压电执行器位移控制原理框图；
[0015]图4是本发明一应用实例的结构示意图。
【具体实施方式】 [0016]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，对本发明进一步详细说明。
[0017]本发明提出一种针对压电执行器的非线性模型预测控制方法，该方法利用多层神经元网络对压电执行器进行建模，并通过非线性模型预测控制器对压电执行器位移进行实时控制，如图1所示，该方法包括以下几个步骤:
[0018]步骤S1:利用多层神经元网络对于压电执行器进行建模，得到所述压电执行器的神经元网络模型，如图2所示，该模型能够有效的拟合压电执行器的实际行为，并且对于输入信号的频率具有适应性；
[0019]所述神经元网络模型包括静态迟滞神经元网络子模型和动态特性神经元网络子模型。
[0020]所述静态迟滞神经元网络子模型的建立包括以下步骤:
[0021]步骤Slll:设置激励压电执行器的第一正弦电压信号，所述第一正弦电压信号的电压幅值不超过80V，然后将所述第一正弦电压信号作用于压电执行器，并采集压电执行器的位移信号，得到第一电压-位移数据集S= ([u (t)，y (t) ] I t=l, --?，N)，用于后续训练静态迟滞神经元网络子模型，其中，u(t)表示第一正弦电压信号，y(t)表示采集得到的压电执行器的位移信号，N表示采集的数据数量，即数据[u(t)，y(t)]的个数。
[0022]步骤S112:利用多层前向神经元网络对于所述压电执行器的静态迟滞进行建模，得到静态迟滞神经元网络子模型；
[0023]在本发明一实施例中，所述静态迟滞神经元网络子模型为单隐含层结构，并且该子模型的输入、输出量符合非线性滑动自回归滑动平均(NARMAX)模型的结构要求，即:
[0024]f (t) =ghys [y (t-1)，…t (t-na)，u (t_l)，...u (t_nb)],
[0025]其中，f(t)静态迟滞神经元网络子模型的输出，ghysS所述静态迟滞神经元网络子模型所代表的映射关系，na、nb为结构参数，需人工指定。
[0026]步骤S113:基于所述步骤Slll得到的第一电压-位移数据集S=([u(t),y(t)]|t=l,--?, N)对于所述静态迟滞神经元网络子模型进行训练，得到性能最优的静态迟滞神经元网络子模型。
[0027]该步骤中，采用迭代的方式对于所述静态迟滞神经元网络子模型进行训练，具体为:
[0028]首先，设定所述静态迟滞神经网络子模型的权值W的迭代表达式为:
[0029]W(i+1)=W⑴+λ ⑴f⑴，
[0030]其中，λ ω为步长因子，f⑴为算法搜索方向，i为迭代次数标志。
[0031]然后，设定模型优化的性能指标为模型输出与压电执行器位移之间的误差最小；
[0032]考虑到实际辨识时数据量较大，为了加快算法的运算速度，在本发明一实施例中，采用性能指标J(W)的近似表达式L (W)作为实际优化过程中的性能指标，即
[0033]
【权利要求】
1.一种压电执行器的非线性模型预测控制方法，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执行器进行建模，得到所述压电执行器的神经元网络模型； 步骤S2:设置非线性模型预测控制器并对其进行优化； 步骤S3:基于所述压电执行器的神经元网络模型和非线性模型预测控制器，对于所述压电执行器的位移进行实时控制。
2.根据权利要求1所述的方法，其特征在于，所述神经元网络模型包括静态迟滞神经元网络子模型和动态特性神经元网络子模型。
3.根据权利要求2所述的方法，其特征在于，所述静态迟滞神经元网络子模型和动态特性神经元网络子模型均为单隐含层的非线性滑动自回归滑动平均模型结构。
4.根据权利要求2所述的方法，其特征在于，所述静态迟滞神经元网络子模型的建立包括以下步骤: 步骤Slll:设置激励压电执行器的第一正弦电压信号，并将所述第一正弦电压信号作用于压电执行器，采集压电执行器的位移信号，得到第一电压-位移数据集； 步骤S112:利用多层前向神经元网络对于所述压电执行器的静态迟滞进行建模，得到静态迟滞神经元网络子模型； 步骤S113:基于所述第一电压-位移数据集对于所述静态迟滞神经元网络子模型进行训练，得到性能最优的静态迟滞神经元网络子模型。
5.根据权利要求2所述的方法，其特征在于，所述动态特性神经元网络子模型的建立包括以下步骤: 步骤S121:设置激励所述静态迟滞神经网络子模型的第二正弦电压信号，并将其作用于所述静态迟滞神经网络子模型，将所述静态迟滞神经网络子模型的输出信号用于激励压电执行器，再次采集压电执行器的位移信号，得到第二电压-位移数据集； 步骤S122:利用多层前向神经元网络对于所述压电执行器的动态特性进行建模，得到动态特性神经元网络子模型； 步骤S123:基于所述第二电压-位移数据集对于所述动态特性神经元网络子模型进行训练，得到性能最优的动态特性神经元网络子模型。
6.根据权利要求4或5所述的方法，其特征在于，采用迭代的方式对于所述静态迟滞神经元网络子模型或动态特性神经元网络子模型进行训练。
7.根据权利要求4或5所述的方法，其特征在于，对于所述静态迟滞神经元网络子模型或动态特性神经元网络子模型进行训练时，设定模型优化的性能指标为模型输出与压电执行器位移之间的误差最小，且利用Levenberg-Marquardt优化算法进行求解。
8.根据权利要求1所述的方法，其特征在于，所述非线性模型预测控制器的性能指标J (U)表示为: J(U)=[R(I)—Y111 (0]7 剛-1 (O]+ρΟ?， 其中，R(t)为设定值序列，为非线性模型的预测输出序列，为相邻时刻的电压值变化量序列，P为惩 罚因子。
9.根据权利要求8所述的方法，其特征在于，对于所述非线性模型预测控制器进行优化的目标为使得所述性能指标J(U)达到最小。
10.根据权利要求1所述的方法，其特征在于，所述步骤S3中，采用反馈控制的形式对于所述压电执行器进行位移 控制。
【文档编号】G05B13/04GK103941589SQ201410167855
【公开日】2014年7月23日 申请日期:2014年4月24日 优先权日:2014年4月24日
【发明者】程龙, 侯增广, 谭民, 刘伟川 申请人:中国科学院自动化研究所