[发明专利]一种基于ABSO-GRU的压电陶瓷执行器蠕变预测方法

权利要求书

1.一种基于ABSO-GRU的压电陶瓷执行器蠕变预测方法，其特征在于包括以下步骤：

1)采集不同输入电压条件下的压电陶瓷执行器蠕变量时序数据构建数据集，并划分为训练集和测试集；

2)GRU网络模型时间步长设为10，以历史蠕变量、起始输入电压值、输入电压变换值为输入，在随机选择的训练集上，利用ABSO优化算法对GRU网络模型超参数进行寻优，使蠕变数据特征与网络拓扑结构相匹配；

3)基于历史数据，利用ABSO优化算法得到的最优超参数组合构建GRU蠕变预测模型，对压电陶瓷执行器蠕变量进行实时预测。

2.根据权利要求1所述的基于ABSO-GRU的压电陶瓷执行器蠕变预测方法，其特征在于，步骤1)中所述构建数据集的具体过程为：设置不同的压电陶瓷执行器起始驱动电压和电压阶跃变化量，采集对应的蠕变量，每组输入输出时序数据的时长为1s，采样率为100Hz，将每组数据的前0.8s数据构成训练集，后0.2s数据构成测试集。

3.根据权利要求1所述的基于ABSO-GRU的压电陶瓷执行器蠕变预测方法，其特征在于，步骤2)中所述的GRU网络模型时间步长为10，输入特征包括：历史蠕变量、起始输入电压值和输入电压变换值。

4.据权利要求1所述的基于ABSO-GRU的压电陶瓷执行器蠕变预测方法，其特征在于，步骤2)中所述利用ABSO优化算法对GRU模型超参数进行寻优的具体过程为：初始化自适应天牛群优化算法的迭代次数，种群数NP，加速常数c1和c2，惯性权重最大值ω_max，惯性权重最小值ω_min，常数λ，初始步长step(1)，天线距离衰减因子c，衰减因子初值eta(1)，以及每只天牛位置范围；在随机选定的训练集上对ABSO-GRU模型进行训练，以预测的输出蠕变量与实际采集蠕变量的均方根误差为每个个体的目标函数，通过不断迭代和更新，对GRU网络超参数进行寻优。

5.根据权利要求1所述的基于ABSO-GRU的压电陶瓷执行器蠕变预测方法，其特征在于，步骤2)中所述的GRU网络模型超参数为：第一层GRU的神经元节点数、第二层GRU的神经元节点数、GRU的学习率和预测模型的最大迭代次数。