Les actionneurs piézoélectriques (Piezoelectric Actuators, PEA), en raison de leur haute résolution et de leur réponse rapide, sont largement utilisés dans les domaines de la micro-nano positionnement et de la fabrication de précision. Cependant, leur hystérésis non linéaire intrinsèque limite sévèrement la précision du contrôle du système, constituant un goulot d'étranglement pour le contrôle haute performance. Face aux capacités limitées du modèle classique Prandtl–Ishlinskii (P-I) pour décrire des phénomènes complexes d'hystérésis non linéaire, cet article propose une méthode de modélisation P-I améliorée par un réseau de neurones multicouches. Cette méthode préserve la réversibilité et l'interprétabilité physique du modèle d'origine, en utilisant les poids de l'opérateur Play mappés par une fonction non linéaire du réseau de neurones, et introduit une stratégie de régularisation bayésienne pour optimiser le processus d'entraînement, réalisant ainsi une meilleure adaptation non linéaire et une meilleure capacité de généralisation. Un modèle inverse et un contrôleur à avance ont également été construits et validés par des expériences en temps réel. Les résultats expérimentaux montrent que sous des entrées en onde triangulaire, sinusoïdale et mixte, l'erreur quadratique moyenne normalisée des trajectoires du modèle compensé en avance diminue respectivement à 0,65%, 0,76% et 1,82%, ce qui est nettement inférieur aux erreurs des modèles P-I classiques et améliorés polynomiaux. Le modèle présente une bonne robustesse sous diverses conditions d'entrée et une bonne applicabilité en ingénierie pour la modélisation des hystérésis complexes et le contrôle de haute précision.

actionneur piézoélectrique;modélisation non linéaire;réseau de neurones multicouches;compensation d'hystérésis