[发明专利]超磁致伸缩驱动器磁滞非线性模型的参数辨识装置和方法

说明书

技术领域

本发明涉及信号处理领域，具体的说，是一种超磁致伸缩驱动器磁滞非线性模型的参数实时辨识技术，适用于对数字信号相关参数以及超磁致伸缩驱动器磁滞非线性模型的参数进行辨识，可用于控制装置，如自动化、精密机械等。

背景技术

超磁致伸缩驱动器(Giant Magnetostrictive Actuator，简写GMA)是超磁致伸缩材料的主要应用器件之一，具有响应速度快、能量转换效率高、输出负载大等优异性能，在精密驱动、精密加工、以及精密定位等领域具有广泛的应用价值，但由于超磁致伸缩材料具有铁磁性功能材料饱和的磁滞非线性特性，导致研制的超磁致伸缩驱动器的输入电流和输出位移之间存在磁滞非线性，输出位移的回程误差高达20％左右，不能满足精密定位的要求。为拓展GMA在精密驱动领域的应用范围，迫切需要提高GMA的定位精度，因此，需要对GMA输出位移的磁滞非线性模型进行误差补偿，而误差补偿的前提是需要建立精确的GMA输出位移模型。Jiles-Atherton模型能够准确描述GMA的磁滞非线性，但模型中包含多个未知的物理参数，采用不同的参数辨识装置和方法，所得到模型的精度也不同，其中，贾振元等采用最小二乘法进行参数辨识，获得了比较可靠的参数结果，具有方法简便的优点；孟爱华等采用改进的粒子群算法进行参数辨识，使得模型误差为5％。

本文在研制一台具有响应速度快、能量转换效率高、输出负载大等优异性的GMDS的基础上，采用Jiles-Atherton模型建立驱动器的输出位移模型，并提出一种将粒子群和人工鱼群混合的优化算法，以模型计算所得的输出位移与实验测得的位移的差值的平方根作为该算法的适应度函数，对模型的六个未知参数进行辨识，以提高GMDS输出位移模型的精度，为后续控制GMDS的定位精度提供基础。

发明内容

针对现有技术的不足，本发明公开一种超磁致伸缩驱动器磁滞非线性模型的参数辨识装置和方法，能够解决目前利用基于Jiles-Atherton模型建立超磁致伸缩驱动器磁滞非线性模型参数辨识效率低、精确度不高的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种超磁致伸缩驱动器磁滞非线性模型的参数辨识方法，包含以下步骤：

(1a)通过电流/电压模块将位移传感器输出4-20mA的电流信号和电源输出的电流信号各自转换成0-3.3V之间的电压信号；

(1b)通过信号线将电流/电压模块输出的两路电压信号经ADC模块同步传输到DSP处理器；

(1c)采集到的输入电流信号和位移信号分别是超磁致伸缩驱动器磁滞非线性模型的输入信号和输出信号，DSP微处理器依据测得的信号进行磁滞非线性模型参数辨识，参数辨识可包括在线实时辨识和离线辨识，参数辨识采用粒子群和人工鱼群混合辨识算法，在不断获得测量数据的同时不断的修正磁滞非线性模型的参数；

(1d)重复上述过程，直到所辨识出参数满足精度要求或达到最优。

所述的粒子群和人工鱼群混合辨识算法包含以下步骤：

(2a)设置种群规模N，加速度参数c₁，c₂和c₃，惯性权值w，可视域visual，步长Step，最大试探次数try_number，拥挤度δ，最大迭代次数Maxgen，误差e；

(2b)把种群N分为2个数量相等的种群pop₁和pop₂，pop₁按照粒子群算法的适应度函数计算出每个个体的适应度值，得到最优值pg₁；pop₂按照人工鱼群算法的适应度函数计算出每个个体的适应度值，得到最优值pg₂，比较最优值pg₁和pg₂的大小，把最优值赋给公告板pg；

(2c)pop₁按照粒子群算法得到pg₁_new及新的种群pop₁_new；

(2d)pop₂按照人工鱼群算法得到新的最优解pg₂_new和新的种群pop₂_new；

(2e)比较pg₁_new和pg₂_new的适应度值，将最优值pg_new和公告板上pg进行比较，如优于公告板，则更新公告板，反之公告板不变；