《Advanced Intelligent Systems》：A Neural Network-Based Self-Sensing Embedded Position Control System for Shape Memory Alloy Wire Actuators
编辑推荐：
本文提出一种基于人工智能的形状记忆合金（SMA）自感知方法，通过结合循环神经元和简单神经元的神经网络，利用施加的电功率和SMA丝电阻实时重构驱动器位移，并在微控制器嵌入式系统上实现自感知闭环位置控制，其精度（均方根误差0.028 mm）媲美传感器控制方案，为开发紧凑、低成本的SMA驱动系统提供了新途径。
1 引言
形状记忆合金（SMA）换能器在加热超过特定相变温度时会发生晶格相变，产生约4–6%的驱动应变，并伴随材料电学特性的改变。后者为实现自感知（Self-Sensing）提供了可能，即仅基于电学测量来估计驱动过程中丝的机械变形。然而，精确的SMA自感知极具挑战性，因为其机电和热特性通常具有磁滞性，并受驱动频率、偏置机制、外部载荷和电加热策略等多种因素影响。
为解决此问题，本研究提出一种基于人工智能的SMA自感知方法。所提出的神经网络结合了循环神经元和简单神经元类型，以施加的电功率和SMA丝电阻作为输入，实时重构SMA驱动器的位移。经训练和验证后，该神经网络在基于微控制器的嵌入式系统上实现，从而开发出一种自感知闭环位置控制系统。与基于传感器的控制方案相比，该自感知控制方案的精度在2 mm位移范围内的均方根误差分别为0.028 mm和0.021 mm。
SMA驱动器因其结构紧凑、无噪声驱动、生物相容性、高力重比和振动阻尼能力，适用于机器人手抓、软体机器人、仿生外骨骼、可穿戴设备、自适应空气动力学结构和自扩张支架等多种应用。然而，SMA丝的机电特性曲线通常具有强非线性和磁滞性，使得其精确的位置/力控制极具挑战性。为实现有效的闭环控制策略以补偿这种磁滞，需要可靠测量驱动器的机械输出。自感知技术利用SMA丝在相变过程中电阻率随其几何形状、材料相组成和温度变化的特性，为替代外部传感器提供了一种潜在方案。
2 SMA丝驱动系统
SMA的晶格在主要两个固相下稳定，即马氏体（低温稳定）和奥氏体（高温稳定）。在驱动器应用中，SMA通常制成丝状，并通过机械偏置机制（如弹簧）进行预加载。当对SMA丝施加电流时，焦耳热导致温度升高，引起丝从去孪晶马氏体向奥氏体转变，导致丝长度缩短。
实验装置采用直径50 μm、奥氏体起始温度70°C的Flexinol SMA丝，由线性拉伸弹簧（刚度0.05 N mm-1）作为偏置系统。初始拉应力设置为180 MPa，确保丝在室温下完全转变为去孪晶马氏体相。环境温度控制在23°C ± 1°C，以最小化环境因素对相变的影响。位移由激光传感器测量，嵌入式系统基于微控制器STM32H743ZI2构建，用于数据采集、神经网络实现和位置控制，采样频率为1 kHz。
3 人工神经网络
研究评估了不同输入组合和神经元数量的神经网络配置，以找到在保证实时性的前提下实现最佳精度的最优结构。结果表明，将电阻（R）和电功率（P）共同作为输入，比仅使用电阻能显著提高预测精度。最优网络结构（NN10）包含一个具有16个循环神经元（Sigmoid激活）的隐藏层和一个具有8个简单神经元（ReLU激活）的隐藏层。该网络能够有效处理电阻-应变曲线的非单调性和磁滞的记忆效应。
训练后的神经网络在训练数据和验证数据上的位移估计均方根误差分别为0.0196 mm和0.0194 mm，精度达到最大位移的0.63%，优于现有基于LSTM的SMA自感知方法。此外，该网络在三种不同类型（不同直径、长度、奥氏体起始温度）的SMA驱动器上均表现出良好的泛化能力，验证了所提方法的通用性。实时实现时，在微控制器上运行该网络进行位移估计的均方根误差为0.0247 mm，满足闭环控制对反馈信号的要求。
4 无传感器控制验证
为验证所开发神经网络在无传感器位置控制中的应用，研究比较了基于激光传感器反馈的闭环位置控制与基于自感知估计反馈的闭环位置控制。两者均采用PI+前馈控制律，控制增益保持一致。
对于随机幅值和频率的目标位移轨迹，基于激光传感器的控制实现了0.0205 mm的均方根误差（RMSE）、0.0108 mm的平均绝对误差（MAE）和0.0497 mm的95%峰值误差。而基于自感知的控制则实现了0.0282 mm的RMSE、0.0177 mm的MAE和0.0685 mm的95%峰值误差。尽管自感知控制的反馈信号完全依赖于神经网络估计，但其控制精度与基于高精度激光传感器的控制非常接近，有效验证了所提出的基于神经网络的自感知方法的可行性。
5 结论
本文提出了一种基于人工神经网络的形状记忆合金驱动系统自感知嵌入式位置控制系统。通过将电阻数据与电功率数据和内在记忆相结合，所提出的神经网络具备了准确学习自感知背后物理过程所需的所有信息和适当内部结构。概念验证通过在弹簧负载的SMA驱动系统上实现自感知闭环位置控制架构来完成，其性能达到了基于激光传感器的闭环控制系统水平。基于激光传感器反馈的位置控制均方根误差为0.0205 mm，基于自感知反馈的位置控制均方根误差为0.0282 mm，这证明基于神经网络的SMA自感知技术有潜力在闭环控制系统中替代传统使用的外部机电传感器。
