【技术实现步骤摘要】
基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法
[0001]本专利技术属于压电陶瓷执行器
,具体涉及基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法。
技术介绍
[0002]随着智能材料技术的迅速发展,以压电陶瓷为代表的智能材料作动器已经得到广泛的应用。它具有辨率高、响应快和精度高等优点,是精密定位、精密制造等精密工程领域中最为合适的微位移驱动器件。由于压电陶瓷执行器具有迟滞非线性,从而使其驱动的微动平台产生定位误差,不利于微动平台整体性能的发挥,这就需要建立压电执行器或压电微动平台的迟滞模型,采用相应的控制方法来消除其迟滞误差,提高其定位精度。Bouc
‑
Wen模型一般采用非线性微分方程来进行描述,通过选取微分方程中的未知参数,该微分方程能够模拟各种实际系统的迟滞特性。由于仅需要一个微分方程来描述迟滞非线性特性,Bouc
‑
Wen模型相较于典型的算子类迟滞模型显得更加简单。但迟滞模型需要辨识的参数较多,辨识过程较复杂,且效果不佳。
[0003]压电微动平台的定位控制方法,主要包括:前馈控制、PID控制、滑模控制、以及将这些方法相结合的复合控制。前馈控制属于开环控制,用于预估可能出现的偏差,但不能消除稳态误差,且控制精度依赖于模型的精度。PID控制属于反馈控制,通过对系统偏差的比例、积分与微分的组合来纠正系统偏差。此类方法均需要准确的模型参数辨识,而迟滞模型需要辨识的参数较多,辨识过程较复杂,效果不佳;且控制器设计较复杂, ...
【技术保护点】
【技术特征摘要】
1.基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法,其特征在于:包括以下步骤:S1:获取压电陶瓷执行器的输入电压与相应的输出位移,根据所得数据建立标准B
‑
W迟滞模型,并修正模型得到改进B
‑
W迟滞模型;S2:采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数;S3:采用RBF神经网络和滑模的方法对压电陶瓷执行器进行自适应控制;选择李雅普诺夫函数,通过李雅普诺夫稳定性定理证明滑模控制器的稳定性。2.根据权利要求1所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法,其特征在于:所述的步骤S1中,具体步骤为:S11:获取压电陶瓷执行器的输入电压u与相应的输出位移y;S12:设h表示B
‑
W迟滞模型的迟滞部分,参数k0和k1为权重系数,A、B、C、n为B
‑
W迟滞模型的用于描述迟滞特性的参数,t为时间;构建压电陶瓷执行器的线性的标准B
‑
W迟滞模型,用微分方程表征输出位移y随输入电压u的变化关系为:S13:设ψ为迟滞非线性项,d为初值补偿因数,h1表示B
‑
W迟滞模型改进的迟滞部分,α、分别为B
‑
W迟滞模型的用于描述迟滞特性的参数;将压电陶瓷执行器的线性的标准B
‑
W迟滞模型修正为非线性的改进B
‑
W迟滞模型为:S14:设m是压电陶瓷执行器的等效质量,c为等效阻尼系数,k
s
为刚度系数,结合改进B
‑
W迟滞模型表示压电陶瓷执行器为:3.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法,其特征在于:所述的步骤S12中,具体步骤为:取n=2。4.根据权利要求2所述的基于B
‑
W模型的压电陶瓷执行器参数辨识复合控制方法,其特征在于:所述的步骤S2中,具体步骤为:S21:初始化模型,设p
i
为粒子最佳的过去位置即个体极值,p
g
为整个粒子群或近邻的最佳过去位置即全局最优解,w为惯性权重,c1和c2为学习因子,r1和r2为(0,1)范围内的随机数,v
i
为粒子速度,x
i
为粒子位置,k为当前迭代次数,k
max
为最大迭代次数,w
max
为迭代开始时的惯性权重,w
min
为迭代结束时的惯性权重;采用传统粒子群算法更新粒子的速度和位置:S22:采用改进粒子群算法辨识改进B
‑
W迟滞模型的参数;辨识的迭代过程要求c1递减,
c2递增;在搜索前期,较大的c1和较小的c2使粒子向粒子个体极值方向移动用于全局搜索;在搜索后期,较小的c1和较大的c2使粒子向种群全体极值移动用于加快收敛;设c
1int
为预设的个体学习因子初始值,c
1fin
为预设的个体学习因子迭代终止值;c
2int
为预设的社会学习因子初始值,c
2fin
为预设的社会学习因子迭代终止值;采用对数变...
【专利技术属性】
技术研发人员:李自成,徐瑞瑞,熊涛,王后能,廖小兵,曾丽,
申请(专利权)人:武汉工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。