該研究聚焦于解決高精度二維掃描系統中存在的核心控制難題。在激光通信、精密加工等高精度定位場景中，壓電式快掃描 mirrors（PFSM）因快速響應特性被廣泛應用，但其控制面臨雙重挑戰：首先，壓電陶瓷的非線性特性導致率依賴性滯回效應，其次，雙軸運動間的耦合干擾會顯著降低定位精度。傳統單輸入單輸出（SISO）控制方法難以應對這些復雜問題，而現有神經網絡方法在建模精度和實時性方面仍存在不足。

研究團隊通過實驗發現，傳統模型如Prandtl-Ishlinskii和Bouc-Wen模型在處理軸間耦合問題時存在明顯局限，其單軸建模方式無法捕捉多維運動間的動態關聯。雖然數據驅動方法展現出潛力，但多數研究仍停留在單軸控制層面，且存在模型泛化能力不足、實時性差等問題。例如，Zhang等提出的神經網絡方法雖然提升了建模精度，但未考慮雙軸耦合效應；Cheng等開發的模型預測控制方案在單一軸向上表現優異，但面對復雜運動軌跡時控制效果顯著下降。

針對上述缺陷，本研究提出創新性的雙軸LSTM神經網絡控制架構。該模型通過引入多輸入多輸出（MIMO）結構，首次系統性地解決了二維PFSM的軸間耦合問題。在建模層面，設計可變特征輸入策略，將位移、速度、加速度及頻率等關鍵物理量作為輸入特征，有效捕捉壓電陶瓷的非線性動態特性。實驗表明，這種特征工程方法使模型在非周期性隨機信號跟蹤中展現出超過90%的誤差抑制率，較傳統方法提升近40%。

控制策略方面，開發出前饋-反饋復合架構。前饋部分基于LSTM構建的逆動態模型，可實時補償率依賴性滯回效應（補償精度達98.7%），而反饋環節采用改進型PID控制，有效抑制殘余誤差和外部干擾。這種結構創新使得系統在200Hz高頻掃描時仍能保持亞微米級定位精度，且在突加負載（相當于系統重量20%）情況下仍能維持穩定輸出。

實驗驗證部分采用標準測試用例，包括圓形軌跡（角速度500°/s）、Lissajous曲線（頻率比1:2）及隨機噪聲信號（信噪比＞30dB）。結果顯示，與傳統SISO方法相比，提出的雙軸LSTM控制方案在跟蹤誤差方面取得突破性進展：圓形掃描軌跡的最大歐氏誤差從2.3μm降至0.8μm，非對稱Lissajous軌跡的相位誤差由15°優化至5°以內。特別是在復雜工況測試中，系統對電壓幅值波動（±10%）和頻率偏移（±5%）展現出良好的魯棒性，跟蹤誤差波動范圍控制在±0.15μm。

創新點主要體現在三個層面：1）架構創新，采用MIMO-LSTM結構突破傳統單軸建模限制，通過共享參數機制降低維度災難影響；2）訓練策略創新，設計分層特征提取網絡，將輸入維度從原始24維壓縮至8維關鍵特征，同時引入動態權重分配機制，使模型在高速掃描（＞100Hz）時仍保持80%以上的訓練數據利用率；3）控制范式創新，首次將LSTM前饋控制與改進型PID反饋結合，通過雙閉環結構實現誤差補償（前饋閉環）和動態調節（反饋閉環）的協同工作。

實驗配置采用定制開發的PFSM原型機，其核心結構包含四組壓電堆棧、柔性鉸鏈機構及180mm直徑的拋物面鏡。通過激光三角測量系統（精度0.1μm）和高速攝像機（幀率20000fps）進行聯合測試，構建了包含12種典型工況的測試矩陣。評估指標除歐氏誤差外，特別引入軌跡保持時間（＞90%）和動態響應延遲（＜2ms）等工程指標，確保結果可遷移至實際工業場景。

研究還揭示了LSTM網絡在處理此類動態系統時的獨特優勢：其門控機制可有效分離歷史軌跡中的關鍵信息，在長時序（＞1024采樣點）建模中表現穩定。通過對比實驗發現，當輸入序列長度超過512點時，傳統MLP模型誤差激增300%，而LSTM模型仍能保持誤差增長率＜15%。這種特性使其特別適合處理壓電陶瓷這類具有顯著時序依賴特性的系統。

未來工作將聚焦于三個方向：1）開發基于神經網絡的實時辨識算法，將模型更新周期縮短至10ms級；2）探索多物理場耦合建模方法，將溫度、濕度等環境因素納入控制體系；3）研究新型LSTM架構，通過注意力機制優化長時序特征提取效率。該成果為納米級定位系統提供了新的技術范式，相關控制策略已申請發明專利（公開號CN2025XXXXXX），并正在與某光學設備制造商開展工程化應用合作。

該研究在理論層面構建了多維非線性系統的統一建模框架，在方法層面提出了可擴展的智能控制范式，在應用層面為精密光學元件提供了可靠的解決方案。實驗數據表明，在連續掃描時間＞30分鐘的情況下，系統仍能保持亞微米級穩定輸出，這標志著PFSM控制技術進入了一個新階段。