2. 迟滞数学模型（一）：Preisach模型的基本原理与数学表达

各位工程师朋友，咱们今天来聊聊Preisach模型。说实话，我第一次接触这个模型的时候，也觉得它挺抽象的。但后来在实际项目中用多了，发现它其实是个很实用的工具。说白了，它就是用来描述压电陶瓷那种“走老路不走新路”的迟滞特性的。

2.1 为什么需要Preisach模型？

先说说我个人的体会。几年前我在做一个精密定位平台的项目，压电陶瓷驱动的。开环控制时，定位精度总是差那么一截。我反复检查了驱动电路、机械结构，都没问题。后来才意识到，是迟滞效应在捣鬼。

你想想看，压电陶瓷的位移不仅跟当前电压有关，还跟它之前走过的“历史”有关。这就麻烦了。普通的线性模型根本描述不了这种“记忆效应”。

那怎么办呢？学术界和工业界想了很多办法。其中Preisach模型是应用最广的一个。它最早是德国物理学家F. Preisach在1935年提出的，原本用来描述铁磁材料的磁滞现象。后来被移植到压电领域，效果出奇的好。

2.2 Preisach模型的基本构成

模型的核心元件叫迟滞算子，记作 γ_αβ。其中α和β是两个阈值参数，α是上升阈值，β是下降阈值，且α ≥ β。

这个算子的行为很简单：

• 当输入电压u(t)上升到大于α时，算子输出为+1（开状态）
• 当输入电压u(t)下降到小于β时，算子输出为-1（关状态）
• 在α和β之间时，输出保持之前的状态不变

嗯，这里要注意：每个算子都有“记忆”。它记得自己上一次是开还是关。这就是迟滞的根源。

我画了一张图，帮你理解这个算子的行为：

_αβ 的输入输出关系

你看，这个算子的输出只有两个值：+1和-1。但无数个这样的算子叠加起来，就能描述任意复杂的迟滞曲线。

2.3 数学表达形式

Preisach模型的数学表达式是这样的：

f(t) = ∬α≥β μ(α,β) · γαβ[u(t)] dα dβ

其中：

• f(t) 是模型的输出（比如压电陶瓷的位移）
• u(t) 是输入电压
• μ(α,β) 是权重函数，也叫Preisach函数
• γ_αβ 是前面说的迟滞算子
• 积分区域是 α ≥ β 的三角形区域

说白了，这个公式就是在说：最终的输出，是所有迟滞算子的加权和。每个算子的权重由μ(α,β)决定。

2.4 离散化形式

离散化之后，模型变成这样：

f(k) = Σi=1N Σj=1i μij · γij[u(k)]

这里：

• k 是离散时间步
• N 是离散化网格数
• μ_ij 是网格(i,j)上的权重
• γ_ij 是对应的迟滞算子

我刚开始做的时候，总觉得这个求和公式有点绕。后来我画了个表格，把每个算子的状态和权重列出来，就清楚多了。

算子编号 (i,j)	阈值 (α,β)	当前状态 γ	权重 μ	贡献值 μ·γ
(1,1)	(0.1, 0.1)	+1	0.05	0.05
(2,1)	(0.2, 0.1)	-1	0.03	-0.03
(2,2)	(0.2, 0.2)	+1	0.04	0.04
...	...	...	...	...
最终输出 f(k)				0.06

你看，每个算子的贡献就是权重乘以当前状态。把所有贡献加起来，就得到当前时刻的输出。

2.5 模型的几何解释

Preisach模型还有一个很漂亮的几何解释。在α-β平面上，所有满足α ≥ β的点构成一个直角三角形。每个点对应一个迟滞算子。

随着输入电压的变化，这个三角形区域会被一条“记忆曲线”分成两部分：

• 一部分区域的算子处于+1状态（开）
• 另一部分区域的算子处于-1状态（关）

这条分界线，就是输入电压的历史极值点决定的。我习惯叫它“记忆线”。

2.6 模型的优缺点

用了这么多年Preisach模型，我总结了几点：

优点：

• 精度高，能描述任意形状的迟滞环
• 有明确的物理意义，每个算子对应一个微观迟滞单元
• 数学形式成熟，有大量的理论支持

缺点：

• 计算量大，尤其是网格数多的时候
• 需要大量的实验数据来辨识权重函数μ(α,β)
• 逆模型求解比较麻烦（这个我们后面会专门讲）

嗯，这里要补充一句：Preisach模型虽然好，但不是万能的。它假设迟滞是“无记忆的”——也就是说，它只记得极值点，不记得中间过程。对于某些特殊的迟滞现象，这个假设可能不成立。

2.7 小结

今天咱们把Preisach模型的基本原理和数学表达捋了一遍。核心就三点：

1. 用无数个简单的“开-关”算子叠加，描述复杂的迟滞
2. 每个算子有上升阈值α和下降阈值β
3. 最终输出是所有算子输出的加权和

我个人觉得，理解Preisach模型的关键，是抓住“记忆”这两个字。压电陶瓷的迟滞，本质上就是一种记忆效应。而Preisach模型，就是用数学语言把这种记忆效应描述了出来。

下一节我们会聊怎么用实验数据来辨识这个模型，也就是怎么确定那些权重系数。到时候我会分享一些我在项目中用过的实用技巧。

---