近日，我院智能制造研究所倪磊作为第一作者发表的学术论文《An explainable neural network integrating Jiles-Atherton and nonlinear auto-regressive exogenous models for modeling universal hysteresis》（融合Jiles-Atherton与非线性自回归外源模型的可解释神经网络及其通用迟滞建模研究）入选 ESI（Essential Science Indicators）全球高被引论文。该成果发表于人工智能与工程技术交叉领域顶级期刊《Engineering Applications of Artificial Intelligence》（2024 年影响因子 8.0）。

创新突破：破解精密控制核心难题压电定位平台因响应快、精度高，被广泛应用于微纳制造、生物医疗和光学仪器等领域。然而，其驱动电压与输出位移间的迟滞非线性特性长期制约着精度提升。倪磊等提出一种原创的 J A-NARX 混合神经网络模型。

1.首创物理模型神经网络化：首次将经典Jiles-Atherton迟滞物理方程转化为结构化神经网络（JANN），使网络权重具有明确物理意义，打破传统神经网络“黑箱”局限。 

2.动态特性精准捕捉：融合具有动态反馈特性的NARX神经 网络，实现对压电系统非对称、速率依赖型迟滞特性的高精度建 模。 

3.计算效率显著提升：实验表明，在60Hz高频输入信号下， 模型误差仅占全量程的0.82%，且计算耗时仅为传统模型的1/30。

论文链接：

Engineering Applications of Artificial Intelligence,2024,136:108904

https://doi.org/10.1016/j.engappai.2024.108904