mpt(MPT係列微位移定位係統的辨識與控製)

董智鵬

(桂林電子科技大學 機電工程學院，廣西 桂林 541004)

微位移精密定位係統中的壓電陶瓷元器件具有非光滑特性，無法直接測得壓電元器件的輸入輸出信號，常規方法難以對其進行有效的辨識和控製。文章采用三明治模型來描繪納米微位移平台，並提出一種基於最小二乘支持向量機優化的辨識方法解決三明治遲滯模型的辨識問題。最後基於已經辨識的三明治模型，設計一個PID逆補償控製器，解決定位係統的精密軌跡控製問題。

三明治係統；遲滯；最小二乘支持向量機；逆補償前饋控製

TP273.1文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.03.017

引用格式：董智鵬.MPT係列微位移定位係統的辨識與控製［J］.微型機與應用，2017,36（3）：55-58.

0引言

微位移定位平台主要應用於天文射電望遠鏡。因其具有反應速度快和輸出大等特點［13］也適用於工廠自動化中的精確定位。經過柔性鉸鏈裝置將微小的位移量進一步放大，從而得到所需要的實際信號輸出。為了獲得精準、可控的微位移運動軌跡，直接加載在壓電器件上的壓電信號較大。因此，由控製器產生的弱電控製信號必須經過調製解調、放大等處理。圖1描述了PEA的工作過程。遲滯環節的兩端可以直接線性化處理；但具有逆壓電效應的壓電陶瓷是一個非光滑非線性遲滯係統。精密定位係統中的遲滯環節不僅會降低控製精度，更嚴重的還會使得控製係統發散［2 3］。所以對遲滯三明治係統的辨識一直是個熱點。

1含有遲滯三明治係統的描述和分析

根據文獻［4］對微位移係統的定義，三明治係統是兩端線性環節中間夾著一個非線性環節的模型結構，如圖2所示。

圖2中，L1(ⷩ和L2(ⷩ表示線性動態環節，H(ⷩ表示非線性環節；u(k)為輸入信號,y(k)為輸出信號,(k)為中間環節的輸入信號,(k)是中間環節的輸出信號。本文采用ARMRAX模型來描述L1(ⷩ和L2(ⷩ，則微位移定位係統可表示為：

式中，n1a和n1b、a1i和a2i分別為L1(ⷩ和L2(ⷩ的階次和權重，q1和q2為純延時；非線性環節由函數H(ⷩ描述。

2基於LSSVM的三明治係統辨識

2.1最小二乘支持向量機

與標準的”歷向量機相比，LSSVM在樣本不是很大的情況下具有較好的擬合性。其基本思想也是通過在高維空間構造決策函數y(x)再引進內積變換和相應的核函數。

y(x)=sgn［x) b］（4）

對於最小二乘支持向量機，尋優問題為：

為求解上述尋優問題，需要構造拉格朗日等式，把約束決策問題變為無約束超平麵問題：

式中,(i=1,2,…，n)是Lagrange權值。

根據KuhnTucker條件,得:

可以發現最小二乘支持向量機的訓練實際上是通過奇異值分解法求解一個線性方程組。

2.2線性環節辨識

在三明治係統中，遲滯環節H(ⷩ不僅具有非光滑、次環、多值映射等複雜特性，而且無法測得其信號，現有的辨識方法很難奏效。從圖3（a）中可知，遲滯具有複雜的特性。首先設計一個退化激勵信號［5］,將遲滯環節限製在單調上升的模態之中，即：

(k)=f［(k)］（10）

退化後的單模態遲滯環節如圖3（b）所示。

這樣就可以將線性環節辨識出來，在具體編寫程序時采用增量斜坡信號代替原始信號。根據文獻［6］的關鍵項分離原則，於是式（1）~式（3）所描述的係統構建了一個具有參數線性化結構的整體模型。

這樣就可以采用廣義梯度算法［7］來辨識兩端線性環節。

2.3動態遲滯環節的辨識

重新設計一個正弦衰減信號形式如下：

式中：˜率𘤽，˜凉…值偏置；Am和fm是信號的峰值和截止頻率，’Œ˜凉…值和信號的退化係數。根據2.2節已經辨識的線性環節將遲滯環節的輸入輸出信號重構出來，即

由文獻［8 9］可得“基於最小二乘支持向量機”所構造的微位移模型可以很好地描述遲滯的複雜特性，尤其是參數具有較好的冗餘性，可以降低計算機的故障率。從而使得PEA具有更高的運動精度，因此本文采用LSSVM代表遲滯環節。

3基於三明治模型的軌跡控製器設計

根據已經辨識的遲滯三明治模型及其逆模型，設計一個帶有逆補償控製器的係統，如圖4所示。

圖4中，r(k)、e(k)、u(k)、y(k)分別為閉環控製信號；k)和v(k)為對象及其逆模型的中間信號。控製器由兩部分組成：逆補償控製器和前向控製器，uf(k)和up(k)分別表示係統中兩個子控製器的輸出信號，且有：

u(k)=uf(k) up(k)（15）

在所設計的控製器中，逆補償控製器由三明治係統逆模型構成，用於抵消PEA中的遲滯特性。另一方麵，當逆模型存在建模誤差或者係統受到外界幹擾產生誤差綜上，從性能指標可以看出，本文算法對含有不同程度高斯噪聲或者椒鹽噪聲的岩石顆粒圖像的去噪表現良好，優於基於Contourlet的BayesShrink去噪效果。

4實驗結果

采用江蘇匯博公司生產的MPT係列壓電陶瓷執行器來驗證所提出的辨識和控製方案。額定輸入電壓和輸出位移為10 V和10 ；控製器由研華公司生產的PCL818LS型組成，使用Turbo C編寫控製程序，采用控製頻率為33 kHz。

4.1辨識結果

(1)線性環節辨識信號采用M序列，幅值mf=3 mV，斜率mA=10>2 mf。這樣就可以使遲滯特性限製在單調上升模態內，具體在相關程序中可以采用3階多項式逼近。接下來采用關鍵項分離原理［6］來辨識兩端線性環節，RGIA的初始值為：P(0)=1.0㗱06㗉(6)，0)=0.001，0)=0.001㗊(1,6)。e(k－1)2 e(k)2<˜賂䦖𗧷š性環節收斂的依據，式中10－8，I是單位陣，J是單位行向量。經過608步迭代後收斂，圖5是線性模型參數的收斂過程。

(2)重新設計一個正弦衰減信號：

(3)采用最小二乘支持向量機來辨識遲滯環節的神經網絡模型。核函數選取高斯徑向基函數，經過32次迭代後神經網絡收斂，如圖6所示。

整個係統辨識完成後，還需要設計一個正弦調製信號來驗證建模的精度。

uv(k)=(3.0㗥－10㗫)㗯𜻳in(2—(300㗥－20㗫)) 1.0］(17)

並且在檢驗信號中隨機加入一個幅值為10 V、寬度為0.1 ms的強幹擾噪聲。對應的模型檢驗結果如圖7所示。實驗證明，該建模方法具有良好的動態性能。

4.2軌跡控製結果

實驗中，控製頻率fs=33 kHz，由於過高的電壓可能會破壞電路，所以需要對輸入信號u(k)進行一定限製，具體限製在［-10,10］之間。依據式(13）、（14)，可以首先將補償環節上的逆模型－11(ⷩ和－12(ⷩ計算出來，再由相應的遲滯環節辨識結果，利用每次給出的反饋來不斷訓練對應的遲滯逆模型。最終的前向控製器C(ⷩ被設計為：C(ⷩ:Kp=1.120 4;Ki=0.382 0;Kd=0.152 0;被控對象的輸入輸出如圖8所示。

為了更好地說明本建模方法的優越性，本文還采用了普通PID控製器進行軌跡的預測控製，在編程過程中進行了一係列的微調，最終的PID控製器參變量為：Kp=1.756，Ki=0.627和Kd=4.234，軌跡跟蹤對比如圖9所示。

5結論

經過一係列的實驗論證，所提出的辨識方案與實際軌跡對比具有很小的誤差；在此基礎上設計的逆補償控製器不僅精度很高，而且動態效果很好，完全滿足了微位移控製的要求。

參考文獻

［1］ GE P. Modeling and control of hysteresis in piezoceramic actuator ［D］. Kingston: University of Rhode Island, 1996.

［2］ HU H.Compensation of hysteresis in piezoceramic actuators and control of nanopositioning system ［D］. Toronto: University of Toronto, 2003.［3］ MAYERGOYZ I D. Mathematical models of hysteresis［M］. New York: SpringerVerlag, 1991.

［4］ TAWARE A, TAO G. Control of sandwich nonlinear systems ［M］.New York: Springer, 2003.

［5］ 謝揚球,譚永紅.壓電陶瓷執行器的非光滑三明治模型辨識與內模控製［J］.控製理論與應用，2013,30（5）：567-576.

［6］ TAN Y H,DONG R L,LI R Y.Recursive identification of sandwich system with deadzone and application［J］.IEEE Transactions on Control System Technology,2009,17(4):945-951.

［7］ 方崇智,蕭德雲.過程辨識［M］.北京：清華大學出版社,2004.

［8］ 閻威武,邵惠鶴.支持向量機和最小二乘支持向量機的比較及應用研究［J］.控製與決策，2003,18（3）：358-360.

［9］ 桂衛華，宋海鷹，楊春華.HammersteinWiener模型最小二乘向量機辨識及其應用［J］.控製理論與應用，2008,25（3）：393-397.

本文到此結束，希望對大家有所幫助呢。