1、音圈電機(Voice Coil Motor,簡稱VCM)作為高速、高精度驅動電機,被廣泛應用于各種微位移定位系統(tǒng)中。近年來,從一些實驗結果可以看出音圈電機輸出重復性誤差較大,嚴重影響了其控制精度,尤其是在往復式定位系統(tǒng)中。一些專家從音圈電機的工作原理和具體的實驗結果分析得出,音圈電機存在多值對應的遲滯非線性特性。從研究現(xiàn)狀看,音圈電機遲滯特性的建模和控制開始受到重視。本文從高速、高精度定位角度出發(fā),研究往復式音圈電機遲滯特性的建模與控制

2、,主要獲得成果如下:
　　(1)針對PI(Prandtl-Ishlinskii)模型對音圈電機遲滯建模時,結構復雜,不具有動態(tài)特性等缺點,將PI和神經網(wǎng)絡相結合,提出了PI和神經網(wǎng)絡混合模型。該模型分為兩部分:第一部分是通過少量不同閾值的Backlash算子累加生成,產生遲滯環(huán);第二部分為RBF神經網(wǎng)絡。整個模型充分利用神經網(wǎng)絡的逼近能力,使得整個模型與PI模型相比結構變得更加簡單和靈活,可同時表述靜、動態(tài)遲滯特性。實驗表明,PI

3、和神經網(wǎng)絡混合模型與PI模型相比結構簡單,動態(tài)建模精度高。提出的PI和神經網(wǎng)絡混合模型主要用于音圈電機遲滯特性的分析研究。
　　(2)一般的神經網(wǎng)絡不能直接用于遲滯控制,因此,將一種應用于非線性控制的動態(tài)神經網(wǎng)絡引入到音圈電機的遲滯建模和自適應逆控制中。通過實驗發(fā)現(xiàn),該動態(tài)神經網(wǎng)絡雖然對一般的非線性控制有效,但用于遲滯非線性建模和自適應逆控制時,誤差大,無法達到控制要求。針對該動態(tài)神經網(wǎng)絡應用于遲滯建模和自適應逆控制時的缺點,對該

4、動態(tài)神經網(wǎng)絡進行改進:在神經網(wǎng)絡的權值學習中加入低通濾波,增加權值學習的動態(tài)信息,解決曲率下降變化緩慢導致學習信息不夠的問題;將神經網(wǎng)絡改進為具有內外部動態(tài)特性的神經網(wǎng)絡,滿足音圈電機動態(tài)遲滯的控制要求。用改進的動態(tài)神經網(wǎng)絡實現(xiàn)了對音圈電機動態(tài)遲滯特性的建模和自適應逆控制,并與未改進的動態(tài)神經網(wǎng)絡進行比較,建模精度與自適應逆控制效果都顯著提高,實現(xiàn)了對音圈電機動態(tài)遲滯非線性的精確控制。
　　(3)提出了可描述信號變化趨勢的函數(shù),將