超声刀频率匹配模型

振幅提升 15.25 μm

用RBF神经网络和Q-learning实时调整换能器激励频率，让超声刀在动态负载下保持稳定振幅输出。

Gao, Li · Sheng-long, Yang · Meng, Bin · Tong, Guoxiang · Hai-Ping, Fan · 杨桂松

Engineering Applications of Artificial Intelligence 2023

参数信息

振幅提升

15.25 μm

振幅波动

0.92 μm

技术优势

振幅提升明显

通过实时调整激励频率使其与谐振频率同步，换能器振动振幅增加15.25 μm。

波动大幅减小

在动态负载下振幅波动稳定在0.92 μm，保证了稳定谐波响应过程。

适应动态负载

采用Q-learning算法动态调整RBFNN模型，使系统实时适应负载变化和频率调制需求。

应用场景

• 医疗机器人：为手术机器人提供稳定切割能量，避免组织损伤。
• 超声换能器：实时匹配谐振频率，延长换能器寿命并保持输出。
• 工业自动化：在自动化加工中实现负载自适应的稳定振动控制。
• 强化学习控制：提供一种Q-learning在线调节频率的工程实现范例。