基于数据的模型预测控制方法，用于补偿旋转式行波超声电机的转速和温度漂移

《Machines》：Data-Driven Model Predictive Control for Speed Temperature Drift Compensation of Rotary Traveling Wave Ultrasonic Motors

　　

摘要

本文提出了一种基于数据驱动的模型预测控制（MPC）框架，用于在温度漂移条件下实现旋转行波超声波电机（RTWUSM）的高精度速度控制。为了解决RTWUSM强烈的非线性和时变的热特性问题，构建了一种结合Koopman-卷积神经网络-长短期记忆（Koopman-CNN-LSTM）的预测模型，并采用了径向基函数（RBF）作为可观测量特征。该模型将电机的的非线性机电耦合和摩擦驱动动态映射到一个线性不变的子空间中，从而在保持低计算复杂度的同时实现高预测精度。在此基础上，设计了一种数据驱动的MPC方案，该方案无需依赖精确的解析模型，并通过在线调整驱动频率来补偿由热效应引起的速度漂移。实验结果表明，在连续运行900秒后，所提出的方案相对稳态速度误差仅为0.37%，显著优于传统的温度漂移补偿方法。即使在负载扭矩为0.5 N·m和1.0 N·m的情况下，该方案也能保持稳定的跟踪性能，为RTWUSM在精密驱动应用中的长期稳定速度调节提供了实用解决方案。