深度学习在压电陶瓷驱动器前馈控制中的应用

雷克儿

同步辐射光束线是一个结构复杂、设备种类繁多的非线性体系，传统的人 工调束模式需要经验丰富的工程师，对光束线设备上的运动轴在其行程范围内 一一调整它们的位置，直到满足实验要求，整个过程费时费力。为了提高光束线运行效率，研究人员基于差分进化算法，依据“适者生存，优胜劣汰”原则，实现的光束线智能优化调束系统，将调束时间由原来的几小时缩短至 30 分钟之内。该系统要求设备运动轴具有良好的重复性，当加入单色器的 Pitch 轴时，由于其压电陶瓷固有的迟滞非线性、蠕变等特性，导致该轴的运动重复性差，算法不收敛，因而限制了该智能调束系统的推广应用。压电陶瓷具有响应快、分辨率高、体积较小、驱动力大、发热量小、噪声低等特点，普遍应用在高精度设备中。为了提高压电陶瓷的控制精度和运动重复性，通常应用数学建模方法进行补偿。近年来兴起的深度神经网络不仅具有强大的非线性拟合能力、特征提取能力和容错能力，而且在面对海量、高维度的数据时，表现优于以往的数学建模和控制算法。每年运行近 5000 小时的上海光源具有海量的数据资源，数据的高可用性为深度神经网络在同步辐射领域的应用带来巨大机遇。本论文以压电陶瓷驱动器高精度运动为控制目标，研究了深度神经网络的结构、模型的设计方法、数据集的建立、模型的训练过程以及实验验证，完成的主要工作和取得的成果如下：1）设计了一个多输入-单输出的多层感知机，用于压电陶瓷前馈补偿。将上一位置的输入电压、输出位移以及目标位移作为神经网络的输入，控制器输出电压作为神经网络的输出。经过 100000 轮训练，得到损失值最小的模型。应用该模型，分别测试了输入信号为 10Hz 的三角波信号、正弦信号、减幅正弦信号和增幅正弦信号时的实际位移，最大位移误差由开环的 8.91μm 下降到 0.67μm。将输入信号依次设置为 10Hz、20Hz、50Hz 和 100Hz 三角波时，实际位移与目标位移的均方根误差分别为 0.0098μm、0.00983μm、0.01007μm 和 0.01063μm。测试结果表明，深度神经网络不仅具有较好的前馈补偿能力，而且具有较好的频率泛化能力。2）为了提高训练速度、探索在线学习可行性，设计了一个包含一层 GRU 层和多层感知机的循环神经网络，用于压电陶瓷前馈补偿。在输入信号为 10Hz 三角波、正弦信号、减幅正弦信号、增幅正弦信号时，最大位移误差为-0.465μm。这是由于循环神经网络结构复杂，训练时收敛较难，无法得到较优模型，因而实际控制效果不如 1）中的多层感知机。3）在 2）基础上，提出了一种基于最小二乘法的优化方法，对压电陶瓷主迟滞环进行参数拟合，得到输入电压与输出位移的线性拟合关系，基于这个关系对复杂神经网络的控制进行微调，使得最大误差从-0.465μm下降至-0.273μm。本论文是国内首次将深度神经网络应用到同步辐射光束线站控制领域中，论文中针对压电陶瓷非线性系统开展的深度神经网络建模方法、数据集建立、训练过程的研究等成果，对提高单个电机的运动精度和重复性、光束线设备的运动精度和重复性以及实现整条光束线站的智能化控制都具有一定的参考价值