今天给大家介绍一篇北京派和科技股份有限公司合作的压电驱动器系统建模工作。本文探索了结合小波变换、卷积层和门控循环单元在迟滞特性和低阻尼振动特性建模中的可行性，并通过实验验证了其建模精度及未参与训练数据上的泛化能力。

论文标题：Modeling nonlinear behavior of piezoelectric actuators using improved WT-GRU neural network

下载地址：https://journals.sagepub.com/doi/10.1177/1045389X241297522

研究背景

迟滞、低阻尼振动以及两者耦合严重影响了压电驱动系统的精确控制和高效率应用。这篇文章着重解决低阻尼振动与迟滞的耦合问题，探索它们对微型LED芯片巨量转移系统的影响。近年来，深度学习技术的快速发展为建模和控制算法提供了新的可能性。文章结合小波变换、卷积层和门控循环单元改进深度神经网络。下面给大家详细介绍一下改进WT-GRU的实现方法。

实现细节

改进的WT-GRU模型由以下关键部分构成：

1、小波变换层（Wavelet transform layer）：用于捕捉信号中的时频信息，从而增强对迟滞和低阻尼振动特性的建模能力。

2、卷积层（Convolutional layer）：通过局部感受野和权值共享机制，提取高效的特征表示。

3、门控循环单元（Gated Recurrent Unit, GRU）：利用门控机制学习长期依赖信息，有助于捕捉系统动态特性。

改进WT-GRU模型通过多层架构设计，有效地融合了时频分析和序列建模能力，从而在模拟复杂非线性系统时展现出优异性能。

实验效果

通过与Hammerstein、LSTM、EMD-LSTM和LSTMseq2seq模型进行对比，改进的WT-GRU模型在多个评估指标（如平均绝对误差、均方根误差和决定系数）上均表现优异，尤其是在捕捉非线性系统动力学方面。

模型拟合能力对比: (a) hammerstein, (b) LSTM, (c) EMD-LSTM, (d) LSTMseq2seq, (e) improved WT-GRU