Piezoelektrische Aktuatoren (Piezoelectric Actuators, PEA) werden aufgrund ihrer hohen Auflösung und schnellen Reaktionsfähigkeit breit in den Bereichen Mikro-Nano-Positionierung und Präzisionsfertigung eingesetzt. Ihre inhärente nichtlineare Hysterese begrenzt jedoch erheblich die Regelgenauigkeit des Systems und stellt einen Engpass für die Hochleistungsregelung dar. Angesichts der begrenzten Ausdrucksfähigkeit des klassischen Prandtl–Ishlinskii (P-I) Modells zur Abbildung komplexer nichtlinearer Hysteresenphänomene wird in diesem Artikel eine P-I-Modellierungsmethode mit einem verbesserten mehrschichtigen neuronalen Netzwerk vorgeschlagen. Diese Methode bewahrt die Umkehrbarkeit und physikalische Interpretierbarkeit des Originalmodells, nutzt die durch das neuronale Netzwerk nichtlinear abgebildeten Gewichte des Play-Operators und führt eine bayesianische Regularisierungsstrategie zur Optimierung des Trainingsprozesses ein, um stärkere nichtlineare Anpassungs- und Generalisierungsfähigkeiten zu erreichen. Außerdem wird ein inverses Modell und ein Feedforward-Regler entwickelt und in Echtzeitsimulationen validiert. Die Experimentalergebnisse zeigen, dass die normalisierte quadratische Mittelwertfehler des Modells bei dreieckiger, sinusförmiger und Mischsignal-Eingabe unter Feedforward-Kompensation auf 0,65 %, 0,76 % bzw. 1,82 % sinken, was im Vergleich zum klassischen P-I und polynomial verbesserten Modellen eine deutliche Fehlerreduktion darstellt. Das Modell zeigt unter verschiedenen Eingangsszenarien eine gute Robustheit und ist für die komplexe Hysterese-Modellierung und hochpräzise Regelung gut ingenieurtechnisch anwendbar.

piezoelektrischer Aktuator;nichtlineare Modellierung;mehrschichtiges neuronales Netzwerk;Hysterese-Kompensation