改进Bouc-Wen模型迟滞建模方法
专利汇可以提供改进Bouc-Wen模型迟滞建模方法专利检索，专利查询，专利分析的服务。并且一种改进Bouc-Wen模型 迟滞 建模方法，属于控制技术领域。本 发明 的目的是将Bouc-Wen模型作为模糊神经网络的后件网络部分，使Bouc-Wen模型的参数可以自适应的根据神经网络进行调整，并且让压电陶瓷微 定位 平台的 频率 相关和幅值相关的非对称迟滞环，从而实现高 精度 迟滞建模的改进Bouc-Wen模型迟滞建模方法。本发明的步骤是：推导出离散化的Bouc-Wen参数模型方程；构造出改进的Bouc-Wen模型；根据压电陶瓷微定位平台测量得到建模所需的数据；用 梯度下降法 方法和得到的输入输出数据对。本发明极大的提高了模型对频率相关和幅值相关的非对称迟滞环的建模效果，为压电陶瓷微定位平台以后的 控制器 的设计和实际应用奠定了 基础 。，下面是改进Bouc-Wen模型迟滞建模方法专利的具体信息内容。
1.一种改进Bouc-Wen模型迟滞建模方法，其特征在于：其步骤是：
步骤1，根据Bouc-Wen模型的微分方程推导出离散化的Bouc-Wen参数模型方程；
步骤2，根据离散化的Bouc-Wen参数模型，将其作为模糊神经网络中的后件网络部分，构造出改进的Bouc-Wen模型；
步骤3，根据压电陶瓷微定位平台测量得到建模所需的数据；
步骤4，用梯度下降法方法和得到的输入输出数据对，对改进Bouc-Wen模型中的神经网络参数和Bouc-Wen模型参数进行自适应的训练学习，得到最终的建模结果。
2.根据权利要求1所述的改进Bouc-Wen模型迟滞建模方法，其特征在于：
Bouc-Wen模型的表达式为：
其中，y表示系统的迟滞输出位移，u表示系统的输入电压，α,β,γ,η表示Bouc-Wen模型的参数，h表示系统的迟滞非线性项；
离散化的Bouc-Wen参数模型表达式为：
y(k)＝ηu(k)-h(k),
h(k)＝h(k-1)+α(u(k)-u(k-1))-β|h(k-1)|(u(k)-u(k-1))-γ|u(k)-u(k-1)|h(k-1) (2)。
3.根据权利要求1所述的改进Bouc-Wen模型迟滞建模方法，其特征在于：
模糊神经网络是属于T-S模糊系统，总体的模糊规则表述如下：
其中，r,s分别是系统输入变量个数和模糊规则数；X(k)＝[x1(k),...xr(k)]和yj(k)分别是每条模糊规则的输入和输出；Aij代表第i个输入变量的第j条规则的模糊集，用隶属度函数来表示；fi表示非线性函数；
改进的Bouc-Wen模型，即模糊神经网络和Bouc-Wen模型结合的结构如下：
3.1 根据Bouc-Wen模型，采用当前时刻的输入u(k)和上一时刻输入u(k-1)作为模糊神经网络的输入向量，即X(k)＝[x1(k),...xr(k)]＝[u(k),u(k-1)]，r＝2；并且前件神网络和后件神经网络的隐含层神经元个数也就是模糊规则个数。
3.2 模糊神经网络的前件网络：隶属度函数选择高斯函数，表达式如下：
其中，δij是输入xi的第j个隶属度函数，bij,cij分别是高斯函数的宽度和中心。
前件网络的输出为：
其中， 是第j个规则的r个输入的隶属度函数的乘积；第j个规则即第j个隐含层神经元；
3.3 后件网络的输出，是将离散的Bouc-Wen参数化模型引入到后件网络中，表达式为：
3.4 模糊神经网络的输出为：
3.5 模糊神经网络的学习算法为：
对于前件网络中的bij,cij和后件网络中的α,β,γ,η这些参数，用梯度下降法进行实时的自适应更新调整。
4.根据权利要求1所述的改进Bouc-Wen模型迟滞建模方法，其特征在于：所述的根据压电陶瓷微定位平台测量得到建模所需的数据：计算机发出驱动电压信号，经过数据采集卡的D/A转换之后，用精密定位控制器进行信号放大并用此信号来驱动压电陶瓷微定位平台中的执行器，执行器产生动作，输出的位移经过压电陶瓷微定位平台内置的位移传感器测出，并经过数据采集卡的A/D转换，传送回计算机，进行数据分析。
改进Bouc-Wen模型迟滞建模方法
技术领域
背景技术
发明内容
步骤2，根据离散化的Bouc-Wen参数模型，将其作为模糊神经网络中的后件网络部分，构造出改进的Bouc-Wen模型；
步骤3，根据压电陶瓷微定位平台测量得到建模所需的数据；
步骤4，用梯度下降法方法和得到的输入输出数据对，对改进Bouc-Wen模型中的神经网络参数和Bouc-Wen模型参数进行自适应的训练学习，得到最终的建模结果。
离散化的Bouc-Wen参数模型表达式为：
y(k)＝ηu(k)-h(k),
h(k)＝h(k-1)+α(u(k)-u(k-1))-β|h(k-1)|(u(k)-u(k-1))
-γ|u(k)-u(k-1)|h(k-1) (2)。
改进的Bouc-Wen模型，即模糊神经网络和Bouc-Wen模型结合的结构如下：
3.1根据Bouc-Wen模型，采用当前时刻的输入u(k)和上一时刻输入u(k-1)作为模糊神经网络的输入向量，即X(k)＝[x1(k),...xr(k)]＝[u(k),u(k-1)]，r＝2；并且前件神网络和后件神经网络的隐含层神经元个数也就是模糊规则个数。
3.2模糊神经网络的前件网络：隶属度函数选择高斯函数，表达式如下：
其中，δij是输入xi的第j个隶属度函数，bij,cij分别是高斯函数的宽度和中心。
前件网络的输出为：
其中， 是第j个规则的r个输入的隶属度函数的乘积；第j个规则即第j个隐含层神经元；
3.3后件网络的输出，是将离散的Bouc-Wen参数化模型引入到后件网络中，表达式为：
3.4模糊神经网络的输出为：
3.5模糊神经网络的学习算法为：
对于前件网络中的bij,cij和后件网络中的α,β,γ,η这些参数，用梯度下降法进行实时的自适应更新调整。
图3是本发明的压电微定位平台示意图；
图4是本发明的压电微定位平台原理图；
图5是本发明的输入信号频率为1Hz时的模型输出和实际迟滞输出对比图；
图6是本发明的输入信号频率为10Hz时的模型输出和实际迟滞输出对比图；
图7是本发明的输入信号频率为20Hz时的模型输出和实际迟滞输出对比图；
图8是本发明的输入变幅值信号时的模型输出和实际迟滞输出对比图；
图9是本发明的输入信号频率为1Hz时的模型输出和实际迟滞输出误差对比图；
图10是本发明的输入信号频率为10Hz时的模型输出和实际迟滞输出误差对比图；
图11是本发明的输入信号频率为20Hz时的模型输出和实际迟滞输出误差对比图；
图12是本发明的输入变幅值信号时的模型输出和实际迟滞输出误差对比图。
具体实施方式
将Bouc-Wen模型的微分方程离散化，得到离散化Bouc-Wen模型：
Bouc-Wen模型表达式为：
其中，y表示系统的迟滞输出位移，u表示系统的输入电压，α,β,γ,η表示Bouc-Wen模型的参数，h表示系统的迟滞非线性项。
其中，δij是xi的第j个隶属度函数，bij,cij分别是高斯函数的宽度和中心。
积。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 产生迟滞的踏板装置 | 2020-05-13 | 959 |
| 迟滞型电源电路 | 2020-05-11 | 470 |
| 迟滞性窗口比较器电路 | 2020-05-13 | 443 |
| 轨对轨输入迟滞比较器 | 2020-05-13 | 553 |
| 一种迟滞比较器 | 2020-05-12 | 345 |
| 迟滞比较器 | 2020-05-11 | 426 |
| 一种迟滞比较器 | 2020-05-12 | 769 |
| 迟滞电压比较器 | 2020-05-11 | 923 |
| 一种迟滞型比较器 | 2020-05-13 | 485 |
| 一种迟滞电压比较器 | 2020-05-13 | 695 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
