今天給大家介紹一篇北京派和科技股份有限公司合作的壓電驅(qū)動器系統(tǒng)建模工作。本文探索了結(jié)合小波變換、卷積層和門控循環(huán)單元在遲滯特性和低阻尼振動特性建模中的可行性，并通過實驗驗證了其建模精度及未參與訓(xùn)練數(shù)據(jù)上的泛化能力。
論文標(biāo)題：Modeling nonlinear behavior of piezoelectric actuators using improved WT-GRU neural network
下載地址：https://journals.sagepub.com/doi/10.1177/1045389X241297522
研究背景
遲滯、低阻尼振動以及兩者耦合嚴(yán)重影響了壓電驅(qū)動系統(tǒng)的精確控制和高效率應(yīng)用。這篇文章著重解決低阻尼振動與遲滯的耦合問題，探索它們對微型LED芯片巨量轉(zhuǎn)移系統(tǒng)的影響。近年來，深度學(xué)習(xí)技術(shù)的快速發(fā)展為建模和控制算法提供了新的可能性。文章結(jié)合小波變換、卷積層和門控循環(huán)單元改進(jìn)深度神經(jīng)網(wǎng)絡(luò)。下面給大家詳細(xì)介紹一下改進(jìn)WT-GRU的實現(xiàn)方法。
實現(xiàn)細(xì)節(jié)
改進(jìn)的WT-GRU模型由以下關(guān)鍵部分構(gòu)成：
1、小波變換層（Wavelet transform layer）：用于捕捉信號中的時頻信息，從而增強對遲滯和低阻尼振動特性的建模能力。
2、卷積層（Convolutional layer）：通過局部感受野和權(quán)值共享機制，提取高效的特征表示。
3、門控循環(huán)單元（Gated Recurrent Unit, GRU）：利用門控機制學(xué)習(xí)長期依賴信息，有助于捕捉系統(tǒng)動態(tài)特性。
改進(jìn)WT-GRU模型通過多層架構(gòu)設(shè)計，有效地融合了時頻分析和序列建模能力，從而在模擬復(fù)雜非線性系統(tǒng)時展現(xiàn)出優(yōu)異性能。
實驗效果
通過與Hammerstein、LSTM、EMD-LSTM和LSTMseq2seq模型進(jìn)行對比，改進(jìn)的WT-GRU模型在多個評估指標(biāo)（如平均絕對誤差、均方根誤差和決定系數(shù)）上均表現(xiàn)優(yōu)異，尤其是在捕捉非線性系統(tǒng)動力學(xué)方面。
模型擬合能力對比: (a) hammerstein, (b) LSTM, (c) EMD-LSTM, (d) LSTMseq2seq, (e) improved WT-GRU
