循环神经网络前馈补偿的压电驱动器跟踪控制

邹守睿，武毅男，方勇纯

（南开大学 人工智能学院，天津 300350）

压电驱动器具有位移分辨率高、响应快等优点[1-2]，经常被用作原子力显微镜等微纳操作与成像工具的驱动单元[3-5]。然而，由于压电驱动器固有的迟滞特性，以及蠕变和热漂移等其他干扰的影响，导致其实际位移和期望位移之间存在着偏差，从而降低了压电驱动器的定位精度。迟滞特性导致压电驱动器输出位移和输入电压之间产生复杂的非线性关系。此外，迟滞特性还具有记忆性[6]，具体体现在其输出位移不仅和当前时刻的输入电压值相关，还和输入电压的变化情况相关[7]，该性质导致驱动器在电压增大和减小阶段产生的位移不一致，其典型表现为输出位移和输入电压之间形成一个迟滞环[8]。另外，迟滞非线性会随着输入电压频率的增大而更为显著。因此，迟滞特性对压电驱动器的定位精度产生了严重的影响。

针对上述问题，研究人员尝试建立了多种压电驱动器迟滞模型，并据此对迟滞非线性进行补偿。总体而言，这些模型可以分为基于机理的模型和基于数据的模型。Preisach模型、Duhem模型、Maxwell模型等都是基于机理而建立的模型。具体而言，Xiao等[9]基于Preisach逆模型对变频率迟滞特性进行建模和补偿；Chen等[10]基于Duhem模型对压电驱动器动态迟滞现象进行建模；Liu等[11]基于Maxwell模型实现了对压电驱动器的迟滞建模。然而，基于机理的建模方法在进行参数辨识时需要大量计算，且其应用受限于模型的具体形式。……