神经网络NARX模型在压电陶瓷执行器迟滞识别中的应用

“这篇论文详细探讨了如何使用神经网络NARX模型来识别压电陶瓷执行器的迟滞现象。作者张新良、贾丽杰和付陈琳提出了一种串联模型结构，该结构包含一个速率无关的迟滞环节和一个速率依赖的动态环节。他们引入迟滞算子来描述梯度变化规律，将多值映射转化为扩展输入空间上的一一映射，然后利用前向神经网络进行逼近。此外，线性动态环节用来刻画压电陶瓷执行器的速率依赖动态特性。论文还证明了构建的神经网络NARX模型在描述迟滞特性方面的完备性，并提出了基于随机逼近原理和预报误差估计的递推随机牛顿估计算法来优化模型参数。实验结果证实了这种方法的有效性，模型结构简洁，参数可在线调整。” 在这篇论文中，作者关注的是压电陶瓷执行器中的一个重要问题——迟滞效应。迟滞是指在相同的输入信号下，输出响应因历史状态而不同的现象，这对执行器的精确控制带来了挑战。为了克服这个问题，研究者们采用了一种创新的方法，即构建了一个由两个环节组成的串联模型。第一个环节是速率无关的迟滞模型，它捕捉了压电陶瓷在不同速度下的静态迟滞特性。第二个环节是速率依赖的动态模型，它能够描述压电陶瓷执行器随输入速度变化的动态响应。 论文的核心在于利用神经网络NARX模型来近似这个复杂的非线性系统。NARX模型是一种自回归外生输入的非线性模型，它可以捕捉系统的动态行为并考虑外部输入的影响。通过引入迟滞算子，研究者能够在输入空间中描述输入信号变化率对迟滞的影响，从而将多值映射转化为单值映射。前向神经网络被用来拟合这个映射，以构建出一个能够表示压电陶瓷执行器迟滞特性的数学模型。 为了优化模型参数，论文提出了递推随机牛顿算法，这是一种基于随机逼近和预报误差估计的参数优化方法。这种算法允许模型参数在线调整，这意味着在实际应用中，模型可以根据执行器的工作条件动态更新，提高了模型的适应性和准确性。 实验结果证明了所提出的模型和算法的有效性，显示了这种方法在理解和控制压电陶瓷执行器迟滞现象方面的潜力。这不仅有助于提高执行器的控制精度，还有可能推动压电陶瓷技术在精密工程、自动化设备和传感器等领域更广泛的应用。