Modeling dynamics of a piezodisk using neural networks

Piezosähköistä ilmiötä käytetään yleisesti hyväksi mikrosysteemitekniikassa. Monet anturit ja toimilaitteet perustuvat tähän ilmiöön. Johtuen pietzosähköisen ilmiön epälineaarisuudesta, on tarkan mittaustuloksen saaminen kyseiseen ilmiöön perustuvista antureista ollut hankalaa nopean vasteen järjestelmissä. Toimilaitteina käytetyt piezomateriaalit ovat myös vaatineet takaisinkytkennät toimiakseen tarkasti. Tämä on lisännyt laitteiden kokoa ja energiankulutusta, jotka eivät kumpikaan ole toivottuja asioita mikrokokoluokan systeemeissä. Ratkaisua ongelmaan on tässä työssä lähdetty etsimään mallintamisesta. Piezosähköisestä toimilaitteesta on kirjallisuuteen ja aiempiin tutkimuksiin perustuen luotu kolmannen asteen siirtofunktio. Tämän nk. "Gray-box"-mallin parametrit määritellään dynaamisiksi johtuen kohteen epälineaarisuudesta. Tällä tavoin pystytään muuttamaan siirtofunktion ominaisuudet todellisuutta vastaaviksi eri toimintapisteissä. Parametrien mallinnukseen käytetään monikerroksista perceptron -pohjaista neuroverkkoa, jolle kerätään input-output -dataa järjestelmästä ajamalla sitä erilaisissa toimintapisteissä. Koulutus tapahtuu Matlabin "Neural Network Toolbox":in sisältämillä komennoilla, joissa koko koulutusprosessi on automatisoitu. Koulutettu neuroverkko pystyy tämän jälkeen laskemaan siirtofunktion parametrit sisääntulevasta ohjausvektorista. Lopputulosta arvioidaan mahdollisimman hyvin erilaisten toimintapisteiden ympäristössä ajettujen testidatojen avulla vertaamalla mitattua ja mallinnettua paikkatietoa toisiinsa