一种基于神经网络的压电陶瓷驱动器输出控制方法技术

本发明专利技术一种基于神经网络的压电陶瓷驱动器输出控制方法属于风洞模型试验振动抑制领域，涉及一种基于神经网络的适用于风洞主动抑振支杆的压电陶瓷驱动器输出控制方法。该方法首先安装压电陶瓷驱动器数据采集硬件系统，采集压电陶瓷驱动器输入电压与输出力的实验数据，建立压电陶瓷驱动器神经网络模型，利用处理实验数据作为神经网络模型的输入与输出，选择合适的初始参数来训练该系统神经网络模型，最后在工程中调用训练好的神经网络模型进行应用。该方法与传统线性控制方法相比避免了控制模型上的非线性误差，使控制结果更加准确，精度更高。另外，此方法适应性强，能够应用于所有含有压电陶瓷驱动器的系统。

An Output Control Method of Piezoelectric Ceramic Actuator Based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的压电陶瓷驱动器输出控制方法
本专利技术属于风洞模型试验振动抑制领域，涉及一种基于神经网络的适用于风洞主动抑振支杆的压电陶瓷驱动器输出控制方法。
技术介绍
在风洞试验中，模型最常用的支撑方式是采用尾部支撑，但尾部支撑形式会导致系统刚度低，系统固有频率与风洞内脉动气流产生耦合，从而引起系统的低频振动。这样会严重影响风洞数据的准确性，而且会给风洞试验造成极大的安全隐患。在风洞支杆系统振动的抑制方法中，目前最有效且最热门的方法是采用驱动器进行主动控制抑振，压电陶瓷驱动器在结构上将压电陶瓷片串联起来，叠堆式排列；在电路上压电陶瓷片之间采用并联连接。压电陶瓷驱动器能高效的将电能转换为机械能，而且体积小，驱动力与驱动功率大。然而，压电材料本身的物理特性使其具有迟滞、蠕变等非线性特性，严重影响了压电陶瓷驱动器在实际应用中的控制精度，其中迟滞特性对精度影响最为明显。而目前常用的控制方法多是用于线性系统，用其来控制压电陶瓷驱动器会产生较大的误差。神经网络对于非线性系统具有很强的建模能力，而且理论上神经网络可以逼近任意一个非线性系统，而且运算量较少。因此应用神经网络对压电陶瓷驱动器的输出进行建模，会大大减少由于压电陶瓷驱动器迟滞特性导致的误差，提高系统的控制精度。李颂华等人的专利《一种基于压电陶瓷的主轴轴承预紧力控制实验装置》,专利号为CN201810016852.8中介绍了一种基于压电陶瓷的主轴轴承预紧力控制的实验装置，对压电陶瓷精密位移与力输出特性进行应用，可以完成无负载、不同转速条件下，预紧力对主轴轴承性能的影响分析。但该方法仅将压电陶瓷应用为检测元件，没有为系统提供力的输入，也没有对其进行控制。胡力等人于2017年在压电与声光期刊第5期发表的《基于RBF神经网络的压电执行器迟滞建模》中通过径向神经网络的建模方法，实现了压电执行器的输出位移与输入电压非线性曲线的具有较高准确性的拟合。但是该方法仅考虑了输出位移与输入电压，不能适用于存在负载、需要压电陶瓷输出力的压电陶瓷驱动器系统。
技术实现思路
本专利技术要解决的技术难题是克服现有技术的缺陷，专利技术一种基于神经网络的压电作动器输出控制方法，该方法首先安装压电陶瓷驱动器数据采集硬件系统，采集压电陶瓷驱动器输入电压与输出力的实验数据，建立压电陶瓷驱动器神经网络模型，利用处理实验数据作为神经网络模型的输入与输出，选择合适的初始参数来训练该系统神经网络模型，最后可以在工程中调用训练好的神经网络模型进行应用。运用神经网络模型间接实现输出力的控制，避免了在实际系统中力传感器由于结构过大不能安装导致无法获取压电陶瓷驱动器输出力数值的问题，同时考虑了压电陶瓷驱动器迟滞等非线性因素，相较于线性控制方法更为精确、有效。而且此方法适应性强，能够应用于所有含有压电陶瓷驱动器的系统。本专利技术采用的技术方案是一种基于神经网络的压电陶瓷驱动器输出力预测方法，其特征是，利用压电陶瓷驱动器数据采集硬件系统完成压电陶瓷驱动器输入电压与输出力的数据采集，建立压电陶瓷驱动器神经网络模型并利用实验数据训练该模型，最后可以在工程中调用训练好的神经网络模型，实现高精度的压电陶瓷驱动器输出力控制。方法的具体步骤如下：第一步、安装压电陶瓷驱动器数据采集硬件系统在实验开始前，先将传力螺柱5旋入力传感器7中，调节传力螺柱5到合适高度；之后力传感器7通过螺栓螺母6固定安装在安装基座2下方；将压电陶瓷驱动器4的一端安装在传力螺柱5的压电陶瓷驱动器安装槽501中，使它们紧密贴合；在压电陶瓷驱动器4的另一端面上安装球面垫片3，球面垫片3上有安装槽301与压电陶瓷驱动器端面紧密贴合；预紧螺栓1穿过安装基座2顶部的螺栓孔将预紧力施加到球面垫片3上；力传感器7接入NI系统8中的信号采集板卡，NI系统8与计算机9连接，使用虚拟仪器LabVIEW软件读取传感器信号变化，相互通讯实现对加载力信号的采集；NI系统8的电压输出板卡将电信号输入到信号放大器10中，再由信号放大器10实现电压信号向压电陶瓷驱动器4的输出。第二步、压电陶瓷驱动器的输入电压与输出力数据采集实验开始，启动NI系统8、计算机9与信号放大器10。操作预紧螺栓1预紧压电陶瓷驱动器4，通过计算机9上LabVIEW软件显示的预紧力的数值，使其达到预定值。通过LabVIEW软件控制NI系统输出幅值逐渐衰减的正弦波形电压，电压U波形如下：U＝e-ξωt·sin(ωt)(1)其中，ξ为电压波形衰减率，ω为正弦电压波的角频率。利用NI系统8实时读取并储存力传感器7的读数，直到输出电压幅值衰减到0，从而完成数据采集。第三步、建立压电陶瓷驱动器神经网络模型通过MATLAB软件，建立压电陶瓷驱动器的输入电压与输出力BP神经网络模型，一般来说，三层BP神经网络就可以很好地逼近任一非线性模型，典型三层BP神经网络结构通常包括输入层、隐含层与输出层，令输入层有两个节点，包括神经网络模型输入层为压电陶瓷驱动器输出力Fn与上一循环压电陶瓷驱动器输出力Fn-1；输出层有一个节点，为压电陶瓷驱动器输入电压Un。给每个节点赋予初始的权值、阈值和传递函数。BP神经网络隐含层中第i个节点的输入neti为其中，xj表示输入层第j个节点的输入；wij表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值。隐含层第i个节点的输出yi为yi＝φ(neti)(3)其中，φ表示隐含层的激励函数。输出层节点的输入net为其中，w1i表示输出层节点到隐含层第i个节点之间的权值；a表示输出层节点的阈值。输出层节点的输出o为o＝ψ(net)(5)其中，ψ表示输出层的激励函数。由此得到了未训练的压电陶瓷驱动器的输入电压与输出力的BP神经网络模型，为保证模型的准确性，还需要使用实验数据对其进行训练。第四步、训练该系统神经网络模型并进行应用将第一、二步得到的实验数据分为两组，分别用于神经网络模型的训练与测试，其中训练集样本为P个，测试集样本为Q个。设置神经网络模型的最大训练次数、目标精度与学习率，之后将测试集数据代入神经网络模型，比较输出层节点输出o与实际输出，令系统对P个训练样本的总误差准则函数为其中，Tp为样本p的实际输出数据，op为样本p的神经网络输出数据。之后由输出层节点的输出误差逐层计算各层神经元的输出误差，根据误差梯度下降法来调节各层的权值和阈值，使网络的最终输出接近期望值。根据公式(7)、(8)、(9)、(10)依次修正的输出层权值的修正量Δw1i，输出层阈值的修正量Δa，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi。其中，η为神经网络学习率。由此完成了一次数据训练以及参数修正，接下来循环往复，直到达到训练次数或目标精度，得到最终的参数。将参数代入BP神经网络，就得到了压电陶瓷驱动器的输入电压与输出力的BP神经网络模型。之后将测试集数据代入训练好的神经网络模型，根据公式(11)计算神经网络模型的输出与实际实验数据的误差，可用于评价神经网络模型的精度。在实际应用中可以调用训练好的神经网络模型，在输入端输入期望压电陶瓷驱动器输出的力值与压电陶瓷驱动器在上一个循环输出的力值，即可得到需要提供给压电陶瓷驱动器的电压值。本专利技术的有益效果是本方法可以直观准确的控制压电陶瓷驱动器的输出力的数本文档来自技高网...

【技术保护点】
1.一种基于神经网络的压电陶瓷驱动器输出力预测方法，其特征是，利用压电陶瓷驱动器数据采集硬件系统完成压电陶瓷驱动器输入电压与输出力的数据采集，建立压电陶瓷驱动器神经网络模型并利用实验数据训练该模型，最后可以在工程中调用训练好的神经网络模型，实现高精度的压电陶瓷驱动器输出力控制；方法的具体步骤如下：第一步、安装压电陶瓷驱动器数据采集硬件系统在实验开始前，先将传力螺柱(5)旋入力传感器(7)中，调节传力螺柱(5)到合适高度；之后力传感器(7)通过螺栓螺母(6)固定安装在安装基座(2)下方；将压电陶瓷驱动器(4)的一端安装在传力螺柱(5)的压电陶瓷驱动器安装槽(501)中，使它们紧密贴合；在压电陶瓷驱动器(4)的另一端面上安装球面垫片(3)，球面垫片(3)上有安装槽(301)与压电陶瓷驱动器端面紧密贴合；预紧螺栓(1)穿过安装基座(2)顶部的螺栓孔将预紧力施加到球面垫片(3)上；力传感器(7)接入NI系统(8)中的信号采集板卡，NI系统(8)与计算机(9)连接，使用虚拟仪器LabVIEW软件读取传感器信号变化，相互通讯实现对加载力信号的采集；NI系统(8)的电压输出板卡将电信号输入到信号放大器(10)中，再由信号放大器(10)实现电压信号向压电陶瓷驱动器(4)的输出；第二步、压电陶瓷驱动器的输入电压与输出力数据采集实验开始，启动NI系统(8)、计算机(9)与信号放大器(10)；操作预紧螺栓(1)预紧压电陶瓷驱动器(4)，通过计算机(9)上LabVIEW软件显示的预紧力的数值，使其达到预定值；通过LabVIEW软件控制NI系统输出幅值逐渐衰减的正弦波形电压，电压U波形如下：U＝e...

【技术特征摘要】
1.一种基于神经网络的压电陶瓷驱动器输出力预测方法，其特征是，利用压电陶瓷驱动器数据采集硬件系统完成压电陶瓷驱动器输入电压与输出力的数据采集，建立压电陶瓷驱动器神经网络模型并利用实验数据训练该模型，最后可以在工程中调用训练好的神经网络模型，实现高精度的压电陶瓷驱动器输出力控制；方法的具体步骤如下：第一步、安装压电陶瓷驱动器数据采集硬件系统在实验开始前，先将传力螺柱(5)旋入力传感器(7)中，调节传力螺柱(5)到合适高度；之后力传感器(7)通过螺栓螺母(6)固定安装在安装基座(2)下方；将压电陶瓷驱动器(4)的一端安装在传力螺柱(5)的压电陶瓷驱动器安装槽(501)中，使它们紧密贴合；在压电陶瓷驱动器(4)的另一端面上安装球面垫片(3)，球面垫片(3)上有安装槽(301)与压电陶瓷驱动器端面紧密贴合；预紧螺栓(1)穿过安装基座(2)顶部的螺栓孔将预紧力施加到球面垫片(3)上；力传感器(7)接入NI系统(8)中的信号采集板卡，NI系统(8)与计算机(9)连接，使用虚拟仪器LabVIEW软件读取传感器信号变化，相互通讯实现对加载力信号的采集；NI系统(8)的电压输出板卡将电信号输入到信号放大器(10)中，再由信号放大器(10)实现电压信号向压电陶瓷驱动器(4)的输出；第二步、压电陶瓷驱动器的输入电压与输出力数据采集实验开始，启动NI系统(8)、计算机(9)与信号放大器(10)；操作预紧螺栓(1)预紧压电陶瓷驱动器(4)，通过计算机(9)上LabVIEW软件显示的预紧力的数值，使其达到预定值；通过LabVIEW软件控制NI系统输出幅值逐渐衰减的正弦波形电压，电压U波形如下：U＝e-ξωt·sin(ωt)(1)其中，ξ为电压波形衰减率，ω为正弦电压波的角频率；利用NI系统(8)实时读取并储存力传感器(7)的读数，直到输出电压幅值衰减到0，从而完成数据采集；第三步、建立压电陶瓷驱动器神经网络模型通过MATLAB软件，建立压电陶瓷驱动器的输入电压与输出力BP神经网络模型，一般来说，三层BP神经网络就可以很好地逼近任一非线性模型，典型三层BP神经网络结构通常包括输入层、隐含层与输出层，令输入层有两个节点，包括神经网络模型输入层为压...

【专利技术属性】
技术研发人员：刘巍，姚壮，周孟德，温正权，唐琳琳，梁冰，贾振元，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21