一种基于非线性建模的电控执行器精确控制方法技术

本发明专利技术公开了一种基于非线性建模的电控执行器精确控制方法，包括：1建立非线性磁滞算子模型，引入神经网络拓扑结构，将磁滞输出和控制信号作为输入；2建立基于磁滞算子模型和神经网络模型的电控执行器的非线性模型；3引入神经网络逆模型建立电控执行器逆模型，并基于逆模型，由磁滞输出与上层控制器输出的期望力一起作为神经网络的输入，获得期望驱动功率；4期望驱动功率作为电控执行器的输入，最终得到精确控制输出。本发明专利技术能够准确地模拟、预测任意电控执行器的非线性特性，从而能精确地输出上层控制器的期望力。输出上层控制器的期望力。输出上层控制器的期望力。

【技术实现步骤摘要】
一种基于非线性建模的电控执行器精确控制方法


[0001]本专利技术涉及非线性控制领域，具体为一种基于非线性建模的电控执行器精确控制方法。

技术介绍

[0002]磁滞非线性特性广泛存在于电控执行器件中，如磁流变执行器、阻尼可调执行器、形状记忆合金、压电驱动器和磁致伸缩驱动器等。磁滞特性的强非线性和记忆特性，极大地影响了电控执行器件的测量精度和控制精度，也阻碍了电控执行器件的广泛应用。因此，建立精准的磁滞非线性模型是进行高效地振动与冲击控制的先决条件。
[0003]评价磁滞非线性模型的性能主要考虑模型的精度、计算效率和实际应用可行性，已有不少可以进行有效磁滞非线性模拟和计算的方法可以参考。现有的磁滞非线性模型，如Prandtl
‑
Ishlinskii模型、Preisach模型、Duhem模型、Bingham模型、Bouc
‑
Wen模型和RC算子模型等，但Bingham模型、Prandtl
‑
Ishlinskii模型、Preisach模型等模型精度较低，不能准确地描述和预测非线性力；Bouc
‑
Wen模型虽然拥有较好的的记忆特性，但是Bouc
‑
Wen模型所需要的参数较多，计算复杂，对计算性能要求较高，在实际工程应用中不太方便；RC算子模型虽然能够较好地描述非线性的电控执行器的力特性以及拟合精度更高，但在执行器速度较小时，模型的拟合偏差较大。在实际应用中由于上述问题，不能很好的应用在振动与冲击系统和精密控制系统等快速控制系统中。

技术实现思路

[0004]本专利技术为解决上述现有技术所存在的不足，提出了一种基于非线性建模的电控执行器精确控制方法，以期能准确地模拟、预测各电控执行器的非线性特性，更精确地输出电控执行器期望力，从而实现对电控执行器输出力的精确控制；
[0005]本专利技术为解决技术问题采用如下技术方案：
[0006]本专利技术一种基于非线性建模的电控执行器精确控制方法的特点是按如下步骤进行：
[0007]步骤1：定义电控执行器的模型包括磁滞算子模型和神经网络模型，设置所述电控执行器的模型中的磁滞参数，包括：k时刻电控执行器的第一位移变量x(k)、k时刻电控执行器的速度变量、k时刻非线性模型的第二位移变量y(k)、k时刻磁滞算子模型的磁滞输出变量s(k)、k时刻第一位移参考点x0(k)和第二位移参考点y0(k)；
[0008]初始化k＝1；
[0009]初始化k
‑
1时刻的第一位移变量x(k
‑
1)为固定值；初始化k
‑
1时刻的第二位移变量y(k
‑
1)为固定值；初始化k
‑
1时刻的磁滞输出变量s(k
‑
1)为[
‑
1,1]中的任意数；
[0010]步骤2：将所述k
‑
1时刻的第一位移变量x(k
‑
1)赋值给第一位移参考点x0(k
‑
1)，将所述k
‑
1时刻的第二位移变量y(k
‑
1)赋值第二位移参考点y0(k
‑
1)；
[0011]步骤3：根据k时刻电控执行器的速度判断非线性模型的工作状态：
[0012]当时，非线性模型在加载状态；
[0013]当时，非线性模型在卸载状态；
[0014]当时，非线性模型的工作状态保持不变；
[0015]步骤4：根据所述非线性模型的工作状态，利用式(1)和式(2)更新所述第二位移参考点y0和第一位移参考点x0，得到更新后的k时刻第二位移参考点y0(k)和第一位移参考点x0(k)：
[0016][0017]x0(k)＝x(k
‑
1)
ꢀꢀ
(2)
[0018]式(1)中，h1‑1(
·
)和h2‑1(
·
)分别是两个形状函数h1(
·
)和h2(
·
)的形状逆函数；a为第一磁滞算子变量，且a＞0；
[0019]步骤5：利用式(3)计算k时刻的非线性模型的第二位移y(k)，使得第二位移y(k)在加载状态下保持为正数，在卸载状态下保持为负数：
[0020]y(k)＝y0(k)+x(k)
‑
x0(k)
ꢀꢀ
(3)
[0021]步骤6：利用式(4)、式(5)和式(6)分别计算形状函数h1(y(k))、h2(y(k))和第二磁滞算子变量b：
[0022]h1(y(k))＝|y(k)|
b
ꢀꢀ
(4)
[0023]h2(y(k))＝
‑
|y(k)|
b
ꢀꢀ
(5)
[0024][0025]式(4)
‑
式(6)中，h1(
·
)和h2(
·
)为调整磁滞非线性曲线形状的功能函数，用于提高非线性曲线的拟合程度，b0为第二磁滞算子b的初始阈值，m为正系数；
[0026]步骤7：利用式(7)计算k时刻磁滞算子模型的磁滞输出s(k)：
[0027][0028]步骤8：将所述k时刻磁滞算子模型的磁滞输出s(k)和非线性电控执行器的驱动功率I与神经网络模型结合，建立式(8)所示的k时刻基于磁滞算子模型和神经网络模型的电控执行器的非线性模型：
[0029]F＝NN(s1,s2,
···
,s
i
,
···
,s
n
,I)
ꢀꢀ
(8)
[0030]式(8)中，F为电控执行器的非线性力输出，s1,s2,
···
,s
i
,
···
,s
n
为磁滞算子模型的磁滞输出，s
i
表示第i个第一磁滞算子变量a
i
对应的磁滞算子模型的磁滞输出，NN(
·
)表示神经网络函数；i＝1,2,
···
,n；
[0031]令所述神经网络模型为3层结构，定义输入层到输出层依次称为第0层，第1层，第2层，第3层，并利用式(9)
‑
式(11)表示第1层神经网络结构的神经元的数学模型：
[0032]u1(i)＝ω1(i,1)s1+
···
+ω1(i,n)s
n
+ω1(i,n+1)I+d1(i)
ꢀꢀ
(9)
[0033]z1(i)＝f(u1(i))
ꢀꢀ
(10)
[0034][0035]式(9)
‑
式(11)中，ω1(i,j)表示从第0层第j个神经元到第1层的第i个神经元的权重，j＝1,2,
···
,n+1；d1(i)是第1层的第i个神经元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非线性建模的电控执行器精确控制方法，其特征是按如下步骤进行：步骤1：定义电控执行器的模型包括磁滞算子模型和神经网络模型，设置所述电控执行器的模型中的磁滞参数，包括：k时刻电控执行器的第一位移变量x(k)、k时刻电控执行器的速度变量k时刻非线性模型的第二位移变量y(k)、k时刻磁滞算子模型的磁滞输出变量s(k)、k时刻第一位移参考点x0(k)和第二位移参考点y0(k)；初始化k＝1；初始化k
‑
1时刻的第一位移变量x(k
‑
1)为固定值；初始化k
‑
1时刻的第二位移变量y(k
‑
1)为固定值；初始化k
‑
1时刻的磁滞输出变量s(k
‑
1)为[
‑
1,1]中的任意数；步骤2：将所述k
‑
1时刻的第一位移变量x(k
‑
1)赋值给第一位移参考点x0(k
‑
1)，将所述k
‑
1时刻的第二位移变量y(k
‑
1)赋值第二位移参考点y0(k
‑
1)；步骤3：根据k时刻电控执行器的速度判断非线性模型的工作状态：当时，非线性模型在加载状态；当时，非线性模型在卸载状态；当时，非线性模型的工作状态保持不变；步骤4：根据所述非线性模型的工作状态，利用式(1)和式(2)更新所述第二位移参考点y0和第一位移参考点x0，得到更新后的k时刻第二位移参考点y0(k)和第一位移参考点x0(k)：x0(k)＝x(k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀ
(2)式(1)中，h1‑1(
·
)和h2‑1(
·
)分别是两个形状函数h1(
·
)和h2(
·
)的形状逆函数；a为第一磁滞算子变量，且a＞0；步骤5：利用式(3)计算k时刻的非线性模型的第二位移y(k)，使得第二位移y(k)在加载状态下保持为正数，在卸载状态下保持为负数：y(k)＝y0(k)+x(k)
‑
x0(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤6：利用式(4)、式(5)和式(6)分别计算形状函数h1(y(k))、h2(y(k))和第二磁滞算子变量b：h1(y(k))＝|y(k)|
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)h2(y(k))＝
‑
|y(k)|
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式(4)
‑
式(6)中，h1(
·
)和h2(
·
)为调整磁滞非线性曲线形状的功能函数，用于提高非线性曲线的拟合程度，b0为第二磁滞算子b的初始阈值，m为正系数；步骤7：利用式(7)计算k时刻磁滞算子模型的磁滞输出s(k)：
步骤8：将所述k时刻磁滞算子模型的磁滞输出s(k)和非线性电控执行器的驱动功率I与神经网络模型结合，建立式(8)所示的k时刻基于磁滞算子模型和神经网络模型的电控执行器的非线性模型：F＝NN(s1,s2,
···
,s
i
,
···
,s
n
,I)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式(8)中，F为电控执行器的非线性力输出，s1,s2,
···
,s
i
,
···
,s
n
为磁滞算子模型的磁滞输出，s
i
表示第i个第一磁滞算子变量a
i
对应的磁滞算子模型的磁滞输出，NN(
·
)表示神经网络函数；i＝1,2,
···
,n；令所述神经网络模型为3层结构，定义输入层到输出层依次称为第0层，第1层，第2层，第3层，并利用式(9)
‑
式(11)表示第1层神经网络结构的神经元的数学模型：u1(i)＝ω1(i,1)s1+
···
+ω1(i,n)s
n
+ω1(i,n+1)I+d1(i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)z1(i)＝f(u1(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)式(9)
‑
式(11)中，ω1(i,j)表示从第0层第j个神经元到第1层的第i个神经元的权重，j＝1,2,
···
,n+1；d1(i)是第1层的第i个神经元的偏置值，u1(i)表示第1层的第i个神经元的输入变量的加权总和，f(
·
)是第1层和第2层神经网络结构的神经元的激活函数，z1(i)为第1层神经网络结构的第i个神经元的输出；i＝1,2,
···
,n+1；利用式(12)
‑
式(14)表示第2层神经网络结构的神经元的数学模型：z2(i)＝f(u2(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)式(12)
‑
式(14)中，ω2(i,j)表示从第1层第j个神经元到第2层的第i个神经元的权重，j＝1,2,
···
,n+1；d2(i)是第2层的第i个神经元的偏置值，u2(i)表示第2层的第i个神经元的输入变量的加权总和，z2(i)为第2层神经网络结构的第i个神经元的输出；i＝1,2,
···
,n+1；利用式(15)
‑
式(17)得到第3层神经网络结构的神经元的数学模型：z3(i)＝σ(...

【专利技术属性】
技术研发人员：白先旭，陈建川，汤超，李维汉，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：