一种基于SSA-BiLSTM的压电作动器模型辨识方法技术

本发明专利技术提供了一种基于SSA

【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一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法，通过压电作动器模型仿真实验获取输入输出数据，然后处理数据与构建训练数据集，将训练的数据集导入SSA
‑
BiLSTM神经网络中进行训练，最终可用于压电作动器的模型估计。
[0006]为了实现上述专利技术目的，本专利技术采用技术方案具体为：一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法，包括以下步骤：
[0007]步骤1)通过仿真实验，获得样本数据；
[0008]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；
[0009]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。
[0010]作为本专利技术提供的一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法进一步优化方案，所述步骤2)包括如下步骤：
[0011]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、误差偏高等问题，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：
[0012][0013]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。
[0014]进一步地，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。
[0015]作为本专利技术提供的一种基于SSA
‑
BiLSTM的压电作动器模型辨识方法进一步优化方案，所述步骤3)包含如下步骤：
[0016]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。具体可以用以下几个公式描述：
[0017]f
t
＝σ(W
f
·
[h
t
‑1,x
t
])+b
f
[0018]i
t
＝σ(W
i
·
[h
t
‑1,x
t
])+b
i
[0019][0020][0021]o
t
＝σ(W
o
·
[h
t
‑1,x
t
])+b
o
[0022]h
t
＝o
t
*tanh(C
t
)
[0023]其中，*代表点乘，i
t
、f
t
、o
t
、C
t
、和h
t
分别为输入门、遗忘门、输出门、记忆单元、tanh函数输出和输出单元的状态矩阵；W
f
，W
i
，W
c
和W
o
分别代表遗忘门的权重矩阵、输入门的权重矩阵、当前输入单元转态权重矩阵和输出门的权重矩阵；b
f
、b
i
、b
c
和b
o
分别代表遗忘门偏置项、输入门偏置项、当前输入单元偏置项和输出门偏置项。σ(
·
)和tanh(
·
)是Sigmoid和Tanh函数。
[0024]步骤3
‑
2)为提高BiLSTM的性能，利用SSA算法对BiLSTM模型的超参数(隐含层节点、训练次数与学习率)进行寻优。将3个超参数合并成一个矩阵X。
[0025]具体优化方法如下：通过式(2)将发现者位置更新为；
[0026][0027]其中，k为迭代变量；表示在第k代中第i只麻雀在第j维的位置，表示第k+1代发现者位置，随机数ξ∈[0,1]，为第k代种群全局最优适应度，f
ik
表示第k代当前个体的适应度值，Q是服从正态分布的随机数，L是一个每个元素均为1的1
×
d维的矩阵，R2表示报警值，ST表示安全阈值。
[0028]根据式(3)更新跟随者位置
[0029][0030]其中，表示第k代适应度值最差的个体位置，表示第k+1代跟随者位置，表示第k+1代中适应度最佳的个体位置。Q是服从正态分布的随机数，A表示1
×
d的矩阵，矩阵中每个元素预设为
‑
1或1，并且A
+
＝A
T<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：