磁控形状记忆合金(Magnetically Controlled Shape Memory Alloy简称MSMA)是1993年才被发现的新型功能材料,该材料除了具有普通形状记忆合金具有的应变大和高推动力等特点外,还可以在磁场的作用下输出较大的应变,是一种非常适合制作驱动器的智能材料。目前国内外对其研究主要集中在微观结构、温度和材料组成成分、磁感生应变等方面,对其应用研究较少。本文尝试对MSMA智能驱动器的外特性进行建模与仿真研究,为进一步建立执行器控制系统奠定基础。首先通过MSMA材料的变形机理的分析,发现MSMA材料的温度、压力、磁场与变形率之间具有复杂的非线性关系,难以通过机理分析等方法建立多参量的精确的数学模型。为此提出了利用基于数据的机器学习来建立模型的方法,从MSMA微位移执行器在不同温度、磁场、预压力下的外特性进行的系统的实验数据出发建立模型。以MSMA微位移执行器静态特性试验所得到的数据为基础,利用BP神经网络的函数逼近功能,建立了静态特性模型。模型避免了根据材料本身物理特性进行建模在参数确定上的困难的同时,也解决了磁控形状记忆合金固有的磁场、温度场与力场间的耦合问题。仿真结果表明,网络具有良好的精度。以MSMA微位移执行器动态特性试验所得到的数据为基础,用最小二乘支持向量机回归建立动态模型,可以把磁控形状记忆合金动态建模问题转换为一个非线性小样本函数回归估计问题。仿真结果表明:最小二乘支持向量机在精度和泛化功能方面做到了最好的折中,是用于磁控形状记忆合金回归分析建立其动态模型的一种很有效的方法。