何汉林，孟爱华*，祝甲明，宋红晓

（1.杭州电子科技大学 机械工程学院，浙江 杭州 310018；2.杭州浙大精益机电技术工程有限公司，浙江 杭州 310000）

0 引 言

由于GMM具有输出力大、机电耦合系数大、能量密度高、响应速度快和应用频率宽等优点，使得在精密驱动技术中，GMM的应用非常广泛。但是，由于磁性材料的磁滞非线性，使得由GMM制成的超磁致伸缩执行器（GMA）的输入和输出存在着一定的滞后，给GMA的精确控制带来了一定困难。因此，怎样去拟合磁滞环已成为各国学者研究的热点。目前，国际上通用的磁滞模型主要有3种：一种是基于数学的唯像模型，典型代表为Preisach模型；一种是基于材料内部机理的物理模型，典型代表为J-A模型；还有一种是基于自由能和统计学分布理论的自由能磁滞模型。其中，运用preisach模型时，需要测出大量的一阶折返曲线，但是折返曲线的测量非常繁琐，对实验器材的精度要求也比较高，工作量庞大；运用J-A模型来反映GMM磁滞特性时，需要辨识和调整大量的物理参数；自由能磁滞模型兼顾了Preisach模型和J-A模型的部分优点，但是该模型的运算量很大，而且没有考虑涡流损失的影响[1]。除此之外，最近几年新兴起来的还有神经网络模型。神经网络模型中最常用的为误差逆向传播的前馈BP网络，理论证明，BP网络可以以任何给定的精度去拟合强非线性的连续函数或者映射关系，不过BP算法的误差曲面上存在高频分量，而且存在局部极小问题[2-6]。而径向基网络无论是在逼近能力、分类能力还是在学习速度等方面均优于BP网络。……