【技术实现步骤摘要】
一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法
[0001]本专利技术涉及压电作动器
,尤其涉及一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法。
技术介绍
[0002]随着超精密运动系统的飞速发展,针对压电作动器的建模和控制研究逐渐成为学术热点。当前,阻碍压电作动器发展的一个主要因素是其迟滞非线性,特别是当压电作动器应用于精度要求很高的场合时,时间延迟对压电作动器定位精度的影响不可忽视,需要对压电作动器进行更好地对进行分析和控制。这就需要给压电作动器系统建立相应的数学模型。
[0003]目前现有的压电作动器模型辨识方法中,有粒子群算法、蚁群算法和长短期记忆神经网络(LSTM)算法等。粒子群算法虽然可以较好地应用在不同工况,但也存在容易陷入局部最优和计算量大的问题;蚁群算法收敛速度快,但需设置的参数多且搜索随机性大,导致在实际生产中不能达到令人满意的辨识效果;LSTM是从前往后传递信息,这在很多任务中都有局限性。并且因为在实际运行过程中压电作动器受到磨损等各种因素的干扰,此外,没有一个约定的具体模型,所以前三种算法均考虑不全面,SSA
‑
BiLSTM算法凭借其精度高、适应能力强等优点发展迅速。SSA
‑
BiLSTM作为一种最初用于时间序列预测的技术,将其用于压电作动器辨识成为了一个难点。
[0004]如何解决上述技术问题为本专利技术面临的课题。
技术实现思路
[0005]本专利技术的目的在于提供 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法,其特征在于,包括以下步骤:步骤1)通过仿真实验,获得样本数据;步骤2)数据预处理并构建数据集,并将其分为训练集和测试集;步骤3)通过SSA
‑
BiLSTM长短期记忆神经网络对数据集进行训练,得到SSA
‑
BiLSTM模型用于实时估计。2.根据权利要求1所述的基于SSA
‑
BiLSTM的压电作动器模型辨识方法,其特征在于,所述步骤2)包括如下步骤:步骤2
‑
1)数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高问题,所以需要对测取的数据进行归一化处理,采用min
‑
max标准化对输入数据进行归一化处理,具体公式如下:其中,z为归一化后的数据,x为原始样本数据,x
max
、x
min
分别为原始样本数据中的最大值和最小值;对归一化后的数据进行训练集和测试集的划分,将输入输出数据的一部分作为训练集,而剩余部分作为测试集;数据由输入数据{r(l),r(l
‑
1),r(l
‑
2),...,r(1)}和输出数据{y(l),y(l
‑
1),y(l
‑
2),...,y(1)}组成,l为数据长度。3.根据权利要求1所述的基于SSA
‑
BiLSTM的压电作动器模型辨识方法,其特征在于,所述步骤3)包含如下步骤:步骤3
‑
1)双向长短期记忆型神经网络(Bi
‑
directional long short
‑
term memory network,Bi
‑
LSTM)是LSTM的一种改进型网络,BiLSTM由前向和后向长短时记忆网络组成,BiLSTM隐含层采用双层结构并且每一层中都包含一个LSTM网络,但这两个LSTM网络采用的训练方式是相反的,一个LSTM单元存在一个长时记忆(CELL)和输入门、输出门和遗忘门,用以下几个公式描述:f
t
=σ(W
f
·
[h
t
‑1,x
t
])+b
f
i
t
=σ(W
i
·
[h
t
‑1,x
t
])+b
ii
o
t
=σ(W
o
·
[h
t
‑1,x
t
])+b
o
h
t
=o
t
*tanh(C
技术研发人员:李俊红,严俊,白贵祥,李亚男,宗天成,王娟,
申请(专利权)人:南通大学,
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。