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与流程

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(giantmagnetostrictiveactuator，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。

技术实现要素：

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；

(2f)重复(2c)～(2e)步，直到迭代次数d达到设定的最大迭代次数maxgen或者公告板上的最优解在设定的误差e界内为止；

(2g)输出最优解(即公告板上的个体状态pg)。

一种超磁致伸缩驱动器磁滞非线性模型的参数辨识装置，包含输入模块、信号处理模块和输出模块，所述信号处理模块包含数据存储单元、参数辨识单元和模糊pid控制单元，参数辨识单元由适应度函数和参数辨识算法组成，包括参数离线辨识部分和参数在线辨识两个部分，其中参数辨识算法采用粒子群和人工鱼群混合辨识算法，不断采集测量数据并同时对辨识的参数进行修正；

所述输入模块包含电流/电压模块、按键输入模块和adc模块；所述电流/电压模块用于将位移传感器输出的电流信号和电源输出的电流信号各自转换成电压信号；所述按键输入模块用于参数离线辨识与参数在线辨识两种模式的切换；所述adc模块用来采集电流/电压模块输出的电压信号和温度传感器输出的温度信号；

所述输出模块包含电源控制模块、dac模块和屏幕显示模块；所述电源控制模块用于控制电源输出的电流信号；所述屏幕显示模块用于显示参数辨识结果及辨识误差值。

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，通过信号线将0-3.3v的电压信号和超磁致伸缩驱动器输入的电流信号经adc模块同步传输到dsp微处理器，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，采用粒子群和人工鱼群混合辨识算法进行参数辨识，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；从而提高超磁致伸缩驱动器磁滞非线性模型参数辨识的效率和精确度，为gma输出位移的磁滞非线性补偿提供基础。

附图说明

为了更清楚地说明本发明实施或现有技术中的技术方案，下面将实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中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的流程示意图；

图2为本发明中粒子群和人工鱼群混合辨识算法的流程示意图；

图3为本发明中一种超磁致伸缩驱动器磁滞非线性模型的参数辨识装置的方块示意图；

图4显示图3所示装置的工作方法。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，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方法，包含以下步骤：步骤s1，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；步骤s2，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；步骤s3，dsp处理器依据测得的信号对磁滞非线性模型进行参数辨识，参数辨识采用粒子群和人工鱼群混合辨识算法，在不断获取测量数据的同时修正模型的参数；步骤s4，重复上述过程，直到辨识出参数满足精度要求或达到最优。

如图2所示，所述的粒子群和人工鱼群混合辨识算法包含以下步骤：步骤a1，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；步骤a2，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；步骤a3，pop1按照粒子群算法得到pg1_new及新的种群pop1_new；步骤a4，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；步骤a5，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；步骤a6，重复(a2)～(a5)步，直到迭代次数d达到设定的最大迭代次数maxgen或者公告板上的最优解在设定的误差e界内为止；步骤a7，输出最优解(即公告板上的个体状态pg)。

如图3所示，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，包含输入模块10、信号处理模块20和输出模块30，所述信号处理模块包含数据存储单元21、参数辨识单元22和模糊pid控制单元23，参数辨识单元22由适应度函数和参数辨识算法组成，包括参数离线辨识部分和参数在线辨识两个部分，其中参数辨识算法采用粒子群和人工鱼群混合辨识算法，不断采集测量数据并同时对辨识的参数进行修正；所述输入模块10包含电流/电压模块11、按键输入模块12和adc模块13；所述电流/电压模块11用于将位移传感器输出的电流信号和电源输出的电流信号各自转换成电压信号；所述按键输入模块12用于参数离线辨识与参数在线辨识两种模式的切换；所述adc模块13用来采集电流/电压模块11输出的电压信号和温度传感器输出的温度信号；所述输出模块30包含电源控制模块31、dac模块32和屏幕显示模块33；所述电源控制模块31用于控制电源输出的电流信号；所述屏幕显示模块用于显示参数辨识结果及辨识误差值。

如图4所示，进一步详细显示了图3所示装置的工作方法，工作流程为：位移信号和电源电流信号同步采集——数据存储——参数辨识——辨识结果评价——参数存储并显示。超磁致伸缩驱动器磁滞非线性模型的参数辨识控制，其核心是数据采集的准确性和参数辨识算法。

本发明所依据的超磁致伸缩驱动器数学模型和参数辨识算法原理是：

1.超磁致伸缩驱动器的输出位移模型。根据超磁致伸缩驱动器的工作原理，可将其输出位移模型三个部分，即由电能转换成磁场能的过程，称为磁场模型；由磁场能转换成磁化强度的过程，成为磁滞非线性模型；由磁化强度转换成输出位移的过程，称为磁致伸缩模型。三种模型分别如下所示。

1)磁场模型

超磁致伸缩驱动器采用双线圈驱动方式，即磁场由内层线圈产生的驱动磁场和外层线圈产生的偏置磁场的叠加。根据电磁场知识可得：

h(t)＝hq+hp＝fqi(t)+fpip(1)

式中，h(t)——驱动系统的驱动磁场，a/m；

hq——内层线圈产生的驱动磁场，a/m；

hp——外层线圈产生的偏置磁场，a/m；

fq——内层线圈磁场系数；

fp——外层线圈磁场系数；

i(t)——驱动线圈电流；

ip——偏置线圈电流。

2)磁滞非线性模型

jiles-atherton模型是jiles和atherton两位物理学家基于铁磁材料的畴壁理论建立的磁滞模型，在该模型中，需要从5个方面来确定外加磁场h和磁化强度m之间的关系。

式中，he——磁性材料的有效磁场，a/m；

man——无磁滞磁化强度，a/m；

mirr——不可逆磁化强度，a/m；

mrev——可逆磁化强度，a/m；

m——总磁化强度，a/m；

h——外加磁场，a/m；

hσ——预应力σ0产生的诱发磁场，a/m；参数α'＝α+9λsσ0/(2u0ms²)，当dh/dt>0时，δ＝1；dh/dt<0时，δ＝-1。

经推导得出，磁化强度m和驱动磁场h之间的关系为：

式中，c——可逆分量系数；

α——畴壁相互作用系数；

a——无磁滞磁化强度形状系数；

k——不可逆损耗系数；

ms——饱和磁化强度，a/m。

为了便于计算机对式(2)进行求解，需要将其进行离散化处理，离散后jiles-atherton模型的计算公式如式(4)所示：

3)磁致伸缩模型

根据文献可知，在磁场强度一定的情况下，gmm棒的磁致伸缩应变λ与磁化强度m的关系满足：

λ＝γm²(5)

式中，m——gmm的磁化强度，单位为a/m。

根据受力与应变关系，磁致伸缩力f为：

f＝e^harλ(6)

式中，e^h——gmm棒的弹性模量，pa；

ar——gmm棒的横截面积，m²。

综上可知，超磁致伸缩驱动器的位移模型中，共有6个参数需要辨识，即θ＝(ms,α',a,k,c,γ)。

数学模型就是用数学语言描述事务变化过程的本质部信息，利用采集的输入输出数据对建立的数学模型参数进行辨识的过程，称之为参数辨识。

2.本发明的参数辨识算法原理：参数辨识时，首先，将数学模型中未知参数的取值范围进行细化，将未知参数的所有可能取值组合成一个可行解的集合；其次，选取合适的算法在可行解的集合内不断搜索得到参数θ值，代入到磁滞非线性模型中求出在相同驱动电流i(k)作用下的输出位移并求出与系统实际输出位移x的差值e；最后，将差值e代入到误差目标函数中不断调整模型中的未知参数，使得目标函数值达到最小或所需要求。

综上所述，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，所述方法包含以下步骤：通过电流转电压模块将位移传感器输出4-20ma的电流信号转换成0-3.3v的电压信号；通过信号线将电压信号和电源输出的电流信号经adc模块同步传输到dsp处理器；dsp处理器依据测得的信号对磁滞非线性模型进行参数辨识，参数辨识采用粒子群和人工鱼群混合辨识算法，在不断获取测量数据的同时修正模型的参数；重复上述过程，直到辨识出参数满足精度要求或达到最优。本发明利用adc模块同步采集超磁致伸缩驱动器的输入电流值和输出位移值，并基于dsp处理器和粒子群和人工鱼群混合辨识算法对其磁滞模型的参数进行辨识，以提高其输出位移模型的精度，有利于误差补偿控制。

需要说明的是，在本文中，术语“包括”、“包含”或其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并非排除在所包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。