随着微纳米技术的快速发展,压电式微操作技术也逐渐成为高性能精密加工装备领域的重点研究内容之一,被广泛运用到半导体技术、光学微处理、医疗技术科学、微型机电精密系统、航空航天精密设备制造等前沿技术领域。但是压电陶瓷驱动器作为多维微定位平台的核心驱动元件,本身所固有的迟滞非线性特性使平台出现非线性问题,以及多维平台输出之间存在耦合作用的影响,严重影响了平台的定位精度和跟踪性能。针对压电式多维微定位平台存在的主要问题,本文以压电式二维微定位平台为研究对象,分别从平台的迟滞非线性建模和运动跟踪控制为研究内容,主要内容如下:为了描述压电式二维微定位平台的率相关迟滞非线性特性,提高其控制精度,提出了一种基于Hammerstein模型的建模方法。基于Hammerstein模型的压电式微定位平台是由静态迟滞非线性部分和线性动态部分串联组成,其中采用能够描述平台静态迟滞部分的Modified Prandtl-Ishlinskii(MPI)模型,和能够描述线性动态部分的(Autoregressive model with exogenous input,ARX)模型。搭建实验平台进行实验,利用给出求取模型参数的方法,得出参数,实验结果显示,所建立模型的相对误差范围为1%～5%,说明其率相关迟滞模型能够精确描述平台的动态迟滞非线性特性。由于压电驱动器固有的迟滞特性,以及二维微定位平台存在的耦合作用都会影响平台的运动跟踪精度,为了解决这些问题,提出了一种基于MPI逆模型补偿的前馈控制与H∞鲁棒控制相结合的复合控制策略。该控制策略采用MPI逆模型作为前馈补偿平台的迟滞特性,采用ARX模型及其逆模型提高控制系统对目标位移的跟踪精度,其中将MPI逆模型补偿误差和ARX逆模型建模误差都包含在ARX模型中的模型不确定中,输出之间的耦合作用视为外部扰动。通过将控制结构转化成标准的H∞跟踪控制形式,计算出控制器,以消除模型不确定性和外部扰动引起的误差。通过实验分析,该控制策略实现了对平台目标位移的良好跟踪,并随跟踪信号频率的逐渐增加,平台的跟踪误差范围稳定在[-2,2]μm,证明了该控制策略具有可行性和有效性。在微定位平台的运动跟踪控制中,通过建立逆模型对平台进行迟滞补偿,以提高平台的跟踪精度。但迟滞模型求逆较为复杂,部分迟滞模型难以建立逆模型。因此为了提高平台的跟踪精度,避免求逆模型,提出一种基于PI-BP模型的RBF神经网络跟踪控制策略。PI-BP模型是由能够将多映射迟滞转化成一一映射的Prandtl-Ishlinskii(PI)模型和对一一映射有较强逼近能力的Back Propagation(BP)神经网络串联组成,其中BP为三层网络结构,PI模型通过若干play算子加权叠加得到,其权值参数采用粒子群算法获得。RBF神经网络控制器的调节参数采用PI-BP模型输出位移与平台实际输出位移之差,调整平台跟踪目标位移时产生的偏差。实验结果表明,基于PI-BP模型的RBF神经网络跟踪控制的误差范围为[-4,6]μm,最大相对误差为0.1201,说明该控制能够有效提高平台的跟踪精度,具有可行性。针对压电式微定位平台迟滞模型泛化能力较弱的问题,提出了一种基于PI模型的卷积神经网络迟滞建模方法。基于PI模型的卷积神经网络模型是由率相关迟滞模型层与卷积网络层组成,率相关迟滞模型层是通过引入非线性项建立与输入信号频率相关的PI迟滞模型层,其中是通过傅里叶变换层得出的输入信号频率作为非线性项的输入,非线性项的输出作为PI模型的权值参数。卷积网络层是利用具有深度学习能力的卷积神经网络建立,以此提取输入电压的特征信息。通过实验可知,在不同频率的情况,基于PI模型的卷积神经网络模型相对于传统PI模型精度要高,同时,利用未经训练的数据进行实验分析,基于PI模型的卷积神经网络模型预测位移的标准误差提高了 18.74%～36.75%,说明该网络模型不仅具有较高的精度,同时也具有较强的学习能力和泛化能力。