Os atuadores piezoelétricos (Piezoelectric Actuators, PEA), devido à sua alta resolução e resposta rápida, possuem ampla aplicação nos campos de posicionamento micro-nano e fabricação de precisão. No entanto, sua histerese não linear inerente limita severamente a precisão do controle do sistema, tornando-se um gargalo para o controle de alto desempenho. Diante da capacidade limitada do modelo clássico de Prandtl–Ishlinskii (P-I) para representar fenômenos complexos de histerese não linear, este artigo propõe um método de modelagem P-I aprimorado com rede neural multicamadas. Esse método mantém a reversibilidade e a interpretabilidade física do modelo original, utilizando pesos do operador Play mapeados por uma função de mapeamento não linear da rede neural, e introduz uma estratégia de regularização bayesiana para otimizar o processo de treinamento, alcançando maior capacidade de ajuste não linear e generalização. Além disso, construiu-se um modelo inverso e um controlador feedforward, e foram realizados experimentos em tempo real para validação. Os resultados experimentais mostram que, sob entradas de onda triangular, senoidal e mista, o erro quadrático médio normalizado das diferentes trajetórias com compensação feedforward diminuiu para 0,65%, 0,76% e 1,82%, respectivamente, apresentando redução de erro expressiva em comparação com o modelo clássico P-I e modelos aprimorados por polinômios. O modelo apresenta boa robustez sob diversas condições de entrada, demonstrando boa aplicabilidade de engenharia para modelagem de histerese complexa e controle de alta precisão.

atuadores piezoelétricos;modelagem não linear;rede neural multicamadas;compensação de histerese