[發明專利]一種基于深度學習的電磁作動器非線性補償方法

在審

• 申請號: 202310302715.1
• 申請日: 2023-03-27
• 公開（公告）號: CN116306786A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 鐘舜聰;陳麗武;李勁林;李怡杰
• 申請（專利權）人: 福州大學
• 主分類號: G06N3/0442
• 分類號: G06N3/0442;G06N3/0464;G06N3/08;G06F18/25;G06F18/214;G06N3/048
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 張燈燦;蔡學俊

本發明涉及一種基于深度學習的電磁作動器非線性補償方法，包括：構建基于洛倫茲力的非接觸式一維電磁作動器數據采集系統，通過加速度傳感器及位移傳感器采集給定電壓下電磁作動器各位置下的輸出加速度；利用采集的輸出加速度數據，得到目標加速度下各位置的補償電壓，形成電磁作動器位置?補償電壓數據集；對位置?補償電壓數據進行歸一化及滑動時間窗法處理；將處理后的數據劃分為訓練集和測試集；確定主要由CNN和BiLSTM構成的深度學習補償模型的初始參數；對深度學習補償模型進行訓練及測試；利用訓練好的深度學習補償模型對電磁作動器進行非線性補償。該方法不僅可以提高電磁作動器非線性補償效果，而且簡化了建模過程，減少了計算量和時間成本。

技術領域

本發明涉及電磁作動器領域，具體涉及一種基于深度學習的電磁作動器非線性補償方法。

背景技術

電磁作動器所存在的非線性阻礙著主動隔振系統性能提升，在電磁作動器的實際應用環境中，臍帶線等外部因素會帶來附加的非線性影響。而傳統模型的精度和泛化性也較低，導致對電磁作動器進行非線性補償的精度有限。目前，電磁作動器非線性補償方法主要有：

(1)基于模型的方法：該方法需要建立電磁作動器的精確數學模型，然后通過對模型進行分析和計算，得到非線性補償控制器。該方法的優點是可以獲得精確的非線性補償效果，但對于難以建立精確物理模型的系統效果不好，且需要消耗較多的計算資源，并且難以處理系統的參數變化和系統動態響應等實際問題。

(2)基于數據的方法：該方法通過采集電磁作動器的運行數據，使用機器學習或深度學習等技術，訓練出一個非線性補償模型。該方法不需要對系統進行精確的物理建模，減少了模型的誤差和不確定性。其采集到的實際運行數據包含了系統的實際非線性特性，可以更加準確地反映系統的實際運行情況，對系統的適應性更強。由于摒棄了復雜的計算與建模過程，能夠減少計算量和時間成本，但對于數據來源準確性及數量有一定要求。

(3)混合方法：該方法綜合了基于模型和基于數據的方法，通過利用先驗知識和數據驅動的方式，提高非線性補償控制器的魯棒性和性能。該方法相對于單一方法來說，可以獲得更好的補償效果和性能，但其實現過程較復雜，面對難以精確建立物理模型的系統同樣有很大挑戰，需要更多的研究和實驗驗證。

發明內容

本發明的目的在于提供一種基于深度學習的電磁作動器非線性補償方法，該方法不僅可以提高電磁作動器非線性補償效果，而且簡化了建模過程，減少了計算量和時間成本。

為了實現上述目的，本發明采用的技術方案是：一種基于深度學習的電磁作動器非線性補償方法，包括以下步驟：

步驟S1：構建基于洛倫茲力的非接觸式一維電磁作動器數據采集系統，通過加速度傳感器及位移傳感器采集給定固定電壓下電磁作動器各位置下的輸出加速度；

步驟S2：利用步驟S1采集到的固定電壓下電磁作動器各位置下的輸出加速度數據，得到目標加速度下各位置所需的補償電壓，形成電磁作動器位置-補償電壓數據集；

步驟S3：對步驟S2得到的位置-補償電壓數據集中的位置-補償電壓數據進行歸一化處理，并利用滑動時間窗法進行處理，形成深度學習補償模型的輸入數據；

步驟S4：將步驟S3處理后的數據按設定比例劃分為訓練集和測試集；

步驟S5：確定主要由卷積神經網絡和雙向長短期記憶神經網絡構成的深度學習補償模型的初始參數；

步驟S6：通過訓練集對深度學習補償模型進行訓練，并通過測試集進行測試，然后保存訓練好的深度學習補償模型；

步驟S7：給定電磁作動器的目標輸出加速度，利用訓練好的深度學習補償模型對電磁作動器進行非線性補償。