基于杂草算法的超磁致伸缩作动器耦合模型识别

考虑磁滞损耗、动态应力等因素的超磁致伸缩作动器磁滞模型可有效揭示电-磁-机-热多场耦合效应,但准确识别其非线性模型往往存在较大困难。智能杂草算法具有激烈的竞争机制和较强的搜索能力,可用于解决作动器多目标物理参数辨识问题。传统算法的种子数量以线性方式产生且分布方差与适应度缺乏联系,极大地影响了算法收敛速度和模型识别精度。为此,提出一种非线性繁殖和分布的混合改进杂草算法,并将其应用于超磁致伸缩作动器模型识别。实验表明:改进算法具有较强的噪声抑制能力,能精确辨识含有噪声扰动的作动器磁滞非线性模型物理参数;模型预测值和实验数据误差较小,所识别参数可使磁滞非线性模型较为全面地描述作动器多场耦合机理和动态特性。     

柔性神经网络滑模主动控制技术

针对复杂激励条件下的振动控制,对Jiles-atherton模型的磁致伸缩作动器在双层隔振系统中的主动控制进行了研究。以传统滑模控制为基础,提出一种柔性神经网络滑模控制算法。用正则化方法设计控制器的切换矩阵,建立神经网络权值和柔性映射参数更新学习公式,并将该控制策略应用于双层隔振系统的振动主动控制中。通过单频、多频及随机信号激励进行仿真研究,结果表明:柔性神经网络滑模控制器具有较强的鲁棒性,具有较好的控制效果。     

磁致伸缩作动器的位置跟踪补偿控制

为提高磁致伸缩作动器控制精度,以 Jiles-Atherton 磁滞和动力学模型为基础,通过优化偏执磁场和预紧力来提高作动器线性度,并基于前馈控制、PID 反馈控制及柔性神经网络理论,提出了前馈补偿 PID 及柔性神经网络前馈补偿 PID 控制策略。同时,以偏置正弦和阶跃为指令信号,研究作动器的位置跟踪和补偿控制。仿真表明：相比常规 PID 控制和前馈补偿 PID 控制,柔性神经网络前馈补偿 PID 控制具有更好的位置跟踪效果和抗干扰能力,具有无振荡、无超调、响应速度快的特点。