基于改进PSO算法的GMA迟滞模型参数辨识
来源期刊：控制工程2014年第5期
论文作者：孟爱华 祝甲明 刘成龙 陈文艺 罗福兴
文章页码：735 - 739
关键词：粒子群算法;磁滞非线性;超磁致伸缩致动器;参数辨识;
摘 要：使用改进的粒子群优化算法辨识Jiles-Atherton模型参数。针对J-A模型对超磁致伸缩致动器（giant magnetostrictive actuator,GMA）迟滞特性建模中磁化参数互相嵌套难以辨识的特点,改进磁滞模型并建立了考虑超磁致伸缩材料磁机耦合特性的动态磁滞模型;为了克服普通粒子群算法实际求模型参数时计算量大,运行时间长的缺点,提出基于粒子群算法和遗传算法的改进算法--带交叉因子的粒子群优化算法,将模型仿真所求的磁化强度和实验测得的磁化强度的差值的平方作为适应度函数,并结合最小二乘法思想对J-A模型的几个参数进行辨识;最后,在Matlab 7.0上进行仿真,给出了模型辨识后的结果。在不同预压力和驱动频率下的仿真结果与GMA已有实验数据进行对比,验证得出辨识后的模型可较好地与实验数据拟合,磁致伸缩位移误差在5%以内。
孟爱华1，祝甲明1，刘成龙1，陈文艺1，罗福兴2
1. 杭州电子科技大学机械工程学院2. 杭州浙大精益机电技术工程有限公司
摘 要：使用改进的粒子群优化算法辨识Jiles-Atherton模型参数。针对J-A模型对超磁致伸缩致动器（giant magnetostrictive actuator,GMA）迟滞特性建模中磁化参数互相嵌套难以辨识的特点,改进磁滞模型并建立了考虑超磁致伸缩材料磁机耦合特性的动态磁滞模型;为了克服普通粒子群算法实际求模型参数时计算量大,运行时间长的缺点,提出基于粒子群算法和遗传算法的改进算法--带交叉因子的粒子群优化算法,将模型仿真所求的磁化强度和实验测得的磁化强度的差值的平方作为适应度函数,并结合最小二乘法思想对J-A模型的几个参数进行辨识;最后,在Matlab 7.0上进行仿真,给出了模型辨识后的结果。在不同预压力和驱动频率下的仿真结果与GMA已有实验数据进行对比,验证得出辨识后的模型可较好地与实验数据拟合,磁致伸缩位移误差在5%以内。
关键词：粒子群算法;磁滞非线性;超磁致伸缩致动器;参数辨识;
