CN101609305A - 一种基于音圈电机的主动隔振控制方法 - Google Patents

Abstract

本发明公开了一种基于音圈电机的主动隔振控制方法，该方法采用基于神经网络的近似自适应动态规划方法，无需建立隔振装置的精确动力学模型，通过测量隔振装置的输入输出值，训练神经网络控制器达到规定的性能指标，当两个网络均达到收敛条件，即得到所需的主动隔振控制器，实现隔振控制。在本发明中，用于实现控制器的传感器信息通过线性可变差动变压器(LVDT)式位移传感器和加速度传感器获取。控制器中的评判网络和行为网络的训练同时进行，权值的更新都采用最小二乘梯度下降方法。本发明克服了现有常规控制系统的不足，提高了主动隔振控制的可用性，降低了对隔振装置动力学建模的要求，具有一定的普遍性。

Description

一种基于音圈电机的主动隔振控制方法

技术领域

本发明涉及隔振控制技术领域，更具体的说，涉及一种基于音圈电机的主动隔振控制方法。

背景技术

振动存在于绝大多数的机电系统中，如果不加以合理的隔离，会造成严重的后果。例如在集成电路制造中，精密机械装置和测量仪器仪表对振动非常敏感。振动会影响加工精度，缩短机械装置的寿命，甚至对整个系统造成严重的损坏。因此为了满足精密加工、测量等场合对振动环境的严格特殊的要求，尤其是有效地抑制低频和超低频振动的要求，合理的隔振装置和高效的隔振控制方法显得尤为重要。

传统的隔振方法为被动隔振，它只能比较有效地克服高频振动的影响，对低频振动的隔离效果较差，而且被动隔振方法对系统中存在的不确定因素无能为力。因此被动隔振方法已经不能达到上述机电系统的要求和精度。

电磁致动器是常见的主动隔振装置所采用的驱动器之一，音圈电机是典型的代表。这类驱动器结构简单，具有通用的控制系统和开放式的控制结构。然而其中电磁驱动器的力、位移有较大的非线性。同时，考虑到主动隔振装置中弹簧和阻尼器所具有的本质非线性特性，无法建立起基于电磁驱动器的主动隔振装置的精确动力学模型。

因此一般的常规控制方法和现代控制方法很难保证其控制精度，或过于复杂、繁琐，无法保证实时控制的需要。

所以使用一种能克服复杂环境影响的行之有效的控制方法，是保证隔振装置在实际工作中得以应用的关键性技术问题。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的在于提供一种基于音圈电机的主动隔振控制方法，以克服现有常规控制系统的不足，提高主动隔振控制的可用性。

(二)技术方案

为达到上述目的，本发明提供了一种基于音圈电机的主动隔振控制方法，该方法采用基于神经网络的近似自适应动态规划方法，无需建立隔振装置的精确动力学模型，通过测量隔振装置的输入输出值，训练神经网络控制器达到规定的性能指标，当两个网络均达到收敛条件，即得到所需的主动隔振控制器，实现隔振控制。

上述方案中，该方法具体包括：

步骤a：训练神经网络控制器中的评判网络和行为网络；

步骤b：将训练好的神经网络控制器投入到实际隔振装置中。

上述方案中，所述步骤a具体包括：

步骤1、初始化评判网络和行为网络的权值；

步骤2、将通过传感器测量出来的k时刻的信息输入到行为网络，计算k时刻的控制信号，k为自然数；

步骤3、将k时刻的信息和控制信号输入到评判网络，计算k时刻的评价值；

步骤4、将k时刻的控制信号输入到隔振控制装置，通过传感器测量得到k+1时刻的信息；

步骤5、将通过传感器测量出来的k+1时刻的信息输入到行为网络，计算k+1时刻的控制信号；

步骤6、将k+1时刻的信息和控制信号输入到评判网络，计算k+1时刻的评价值；

步骤7、固定行为网络的权值，应用最小二乘算法更新评判网络的权值；

步骤8、固定评判网络的权值，将常数“1”作为更新误差，应用最小二乘算法更新行为网络的权值；

步骤9、如果训练过程满足收敛条件，则训练过程结束，否则从步骤2开始继续上述神经网络的训练。

上述方案中，步骤a中所述训练神经网络控制器，采用最小二乘梯度下降方法。

上述方案中，步骤a中所述神经网络，采用具有一个隐含层的非线性前向神经网络结构。

上述方案中，步骤a中所述训练神经网络控制器时，其训练数据由安装在隔振装置上的线性可变差动变压器LVDT式位移传感器和加速度传感器获取。

上述方案中，所述训练数据包含训练神经网络控制器所需要的信号和产生控制量所需要的信号。

上述方案中，步骤a中所述神经网络控制器，其设计完全通过测量装置的输入输出值完成，无需建立隔振装置的精确动力学模型。

上述方案中，所述步骤b之后进一步包括：步骤b完成后所得的控制信号通过PC104总线的形式输入到一运动控制卡中，该运动控制卡输出-10至10V的模拟信号，该信号通过信号调理单元后，输入到伺服驱动器中，由伺服驱动器驱动音圈电机完成对振动的隔离。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的这种基于音圈电机的主动隔振控制方法，能够克服现有常规控制系统的不足，提高了主动隔振控制的可用性。

2、本发明提供的这种基于音圈电机的主动隔振控制方法，减少了对隔振装置动力学模型的限制，具有一定的普遍性。

3、采用本发明提供的这种基于音圈电机的主动隔振控制方法，与纯被动振动隔离装置相比，具有很好的隔振效果。具体而言，该主动隔振方法对于不同频率的振动均具有良好的隔离作用，其控制特性，抗干扰特性较纯被动系统而言都有很好的改进，对振动环境要求很高的仪器仪表系统和工业制造业而言，该发明的应用具有重要的作用。

附图说明

图1为本发明提供的基于音圈电机的主动隔振控制的方法流程图；

图2是评判网络的权值更新方框图；

图3是行为网络的权值更新方框图；

图4是隔振控制系统具体实施方案原理图；

图5是连续正弦振动信号的隔振效果图；

图6是不连续振动信号的隔振效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的核心内容是：通过采用基于神经网络的近似自适应动态规划方法，无需建立隔振装置的精确动力学模型，通过测量隔振装置的输入输出值，训练神经网络控制器达到规定的性能指标，当两个网络均达到收敛条件，即得到所需的主动隔振控制器，实现隔振控制。

如图1所示，图1为本发明提供的基于音圈电机的主动隔振控制的方法流程图，该方法具体包括以下步骤：

步骤a：训练神经网络控制器中的评判网络和行为网络；

步骤b：将训练好的神经网络控制器投入到实际隔振装置中。

上述步骤a中所述训练神经网络控制器中的评判网络和行为网络，具体包括：

步骤1、初始化评判网络和行为网络的权值；

步骤2、将通过传感器测量出来的k时刻的信息输入到行为网络，计算k时刻的控制信号，k为自然数；

步骤3、将k时刻的信息和控制信号输入到评判网络，计算k时刻的评价值；

步骤4、将k时刻的控制信号输入到隔振控制装置，通过传感器测量得到k+1时刻的信息；

步骤5、将通过传感器测量出来的k+1时刻的信息输入到行为网络，计算k+1时刻的控制信号；

步骤6、将k+1时刻的信息和控制信号输入到评判网络，计算k+1时刻的评价值；

步骤7、固定行为网络的权值，应用最小二乘算法更新评判网络的权值；

步骤8、固定评判网络的权值，将常数“1”作为更新误差，应用最小二乘算法更新行为网络的权值；

步骤9、如果训练过程满足收敛条件，则训练过程结束，否则从步骤2开始继续上述神经网络的训练。

上述步骤a中所述训练神经网络控制器，采用最小二乘梯度下降方法；步骤a中所述神经网络，采用具有一个隐含层的非线性前向神经网络结构；步骤a中所述训练神经网络控制器时，其训练数据由安装在隔振装置上的线性可变差动变压器LVDT式位移传感器和加速度传感器获取。

上述训练数据包含训练神经网络控制器所需要的信号和产生控制量所需要的信号。

上述步骤b中控制量的计算和产生由如图4所式的控制系统来完成。控制系统由一台工业控制计算机构成，步骤b完成后所得的控制信号通过PC104总线的形式输入到一运动控制卡中，该运动控制卡输出-10～10V的模拟信号，该信号通过信号调理单元后，输入到伺服驱动器中，由伺服驱动器驱动音圈电机完成对振动的隔离。

本发明的突出特点是，所述神经网络控制器的设计完全通过测量装置的输入输出值完成，无需建立隔振装置的精确动力学模型。

在本发明中，用于实现控制器的传感器信息通过线性可变差动变压器(LVDT)式位移传感器和加速度传感器获取。控制器中的评判网络和行为网络的训练同时进行，权值的更新都采用最小二乘梯度下降方法。当两个网络均达到收敛条件，即得到所需的主动隔振控制器。

本发明与已有的主动隔振控制技术的不同在于：

神经网络控制器是基于动态规划的思想进行设计的，其核心是贝尔曼(Bellman)方程，见式(1)：

J(k)＝U(k)+γJ(k+1)    (1)

其中γ是折扣率，γ≤1；J(k)是代价函数；U(k)是效用函数，根据不同的控制目的来选取。

图2示出的是评判网络的权值更新框图。图中X(k)记做X(k)＝[x1(k)，x2(k)，x3(k)，x4(k)]，其中x1(k)，x2(k)，x3(k)，x4(k)分别表示音圈电机隔振装置的位移、速度以及负载装置的位移、速度当前时刻的测量数据值；v(k)是归一化的控制输入值，由行为网络产生(如图2所示)。用于神经网络权值更新的误差为(见式(2))：

e_c(k)＝J(k)-γJ(k+1)-U(k)    (2)

更新评判网络权值的目的是为了使误差 $E_c=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{e}_c^T\left(k\right)e_c\left(k\right)$ 不断减小。评判网络权值更新采用最小二乘梯度下降方法(见式(3))：

W_c(k+1)＝W_c(k)+ΔW_c(k)

$\mathrm{\Δ}{W}_c\left(k\right)=-{\mathrm{\η}}_c\left(k\right)\frac{\∂E_c\left(k\right)}{\∂W_c\left(k\right)}=-{\mathrm{\η}}_c\left(k\right)e_c\left(k\right)\frac{\∂e_c\left(k\right)}{W_c\left(k\right)}=-{\mathrm{\η}}_c\left(k\right)e_c\left(k\right)\frac{\∂e_c\left(k\right)}{\∂J\left(k\right)}\frac{\∂J\left(k\right)}{\∂W_c\left(k\right)}---\left(3\right)$

其中W_c(k)是评判网络的权值矩阵；η_c(k)是评判网络的学习率，它始终为正值，并且其值不断改变，使得训练过程能更快的收敛。

图3示出的是行为网络的权值更新框图。行为网络输出v(k)的Mag(Mag＝5000)倍是隔振装置所需要产生的控制力的大小(单位：牛顿)。行为网络的训练过程应该和评判网络同时进行。训练所需的误差信号e_c(k)是它是评判网络的输出J(k)相对行为网络输出v(k)的偏导数。该偏导数的计算方式如图2所示，利用链式规则，误差信号为(见式(4))：

$\frac{\∂J\left(k\right)}{\∂v\left(k\right)}=\underset{i=1}{\overset{N_h}{\mathrm{\Σ}}}\left[\frac{1}{2}{W}_{\mathrm{ci}}^{\left(2\right)}(1-{\mathrm{co}}_i^2\left(k\right))W_{\mathrm{ci}}^{\left(1\right)}\right]---\left(4\right)$

其中N_h是评判网络隐含层总神经元个数，co_i(k)是第i个隐含层神经元的输出，W_c ⁽¹⁾和W_c ⁽²⁾分别为评判网络输入层到隐含层的权值和隐含层到输出层的权值。

更新行为网络权值的目的是为了使误差 $E_a=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{e}_a^T\left(k\right)e_a\left(k\right)$ 不断减小。行为网络权值更新采用最小二乘梯度下降方法(见式(5))：

W_a(k+1)=W_a(k)+ΔW_a(k)

$\mathrm{\Δ}{W}_a\left(k\right)=-{\mathrm{\η}}_a\left(k\right)\frac{\∂E_a\left(k\right)}{\∂W_a\left(k\right)}=-{\mathrm{\η}}_a\left(k\right)e_a\left(k\right)\frac{\∂e_a\left(k\right)}{W_a\left(k\right)}=-{\mathrm{\η}}_a\left(k\right)e_a\left(k\right)\frac{\∂e_a\left(k\right)}{\∂J\left(k\right)}\frac{\∂J\left(k\right)}{\∂W_a\left(k\right)}---\left(5\right)$

其中W_a(k)是评判网络的权值矩阵；η_a(k)是评判网络的学习率，它始终为正值，并且其值不断改变，使得训练过程能更快的收敛。

经过若干次迭代后，当评判网络和行为网络同时满足收敛条件时，即得到适合该隔振装置的主动控制方法。本发明减少了对隔振装置动力学模型的限制，具有一定的普遍性。

本控制技术通过如图4所示的电路实现了对主动隔振装置中音圈电机的控制。在实施例中，训练神经网络控制器所需要的信号值和产生控制量所需要的信号值由一个线性可变差动变压器(LVDT)式位移传感器和三个加速度传感器获取。实验时，计算机采用嵌入式工业控制计算机ADVANTECH-PCM3370；采用持续推力92.2牛顿，峰值推力262牛顿，行程±15毫米的音圈电机为驱动器构成的隔振装置作为控制对象；运动控制卡采用Deltatau公司的PMAC2A-PC/104(简称PMAC)。

根据具体隔振控制的要求，选择效用函数U(t)为(见式(6))

$U\left(k\right)=0.005{\stackrel{\·\·}{Z}}_2^2\left(k\right)+0.5{(Z_2\left(k\right)-Z_1\left(k\right))}^2---\left(6\right)$

传感器信号经过各自的信号调理模块滤波，信号变换后转换为模拟信号，并通过屏蔽双绞线传送到PMAC运动控制卡的A/D转换单元。当神经网络控制器经过一段时间的训练后满足收敛条件，则将该控制器投入到实际控制中。控制信号通过信号调理模块转换成±10V的模拟控制信号，输入到伺服驱动器(系统中选取COPLEY的4122Z型)，用于控制音圈电机驱动电流的强度，以改变隔离振动所需要的控制力的大小，从而达到隔振的目的。

两种不同类型的振动用于测试该控制方法的控制效果。

1.连续正弦振动，频率f从1-25Hz：f₁(f)＝0.1sin(2πft)，控制效果如图5所示。

2.不连续的振动，振幅a＝0.025米：

控制效果如图6所示。

由此可见，采用该控制方法的主动振动隔离装置与纯被动振动隔离装置相比具有很好的隔振效果。具体而言，该主动隔振方法对于不同频率的振动均具有良好的隔离作用。其控制特性，抗干扰特性较纯被动系统而言都有很好的改进。对振动环境要求很高的仪器仪表系统和工业制造业而言，该发明的应用具有重要的作用。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1、一种基于音圈电机的主动隔振控制方法，其特征在于，该方法采用基于神经网络的近似自适应动态规划方法，无需建立隔振装置的精确动力学模型，通过测量隔振装置的输入输出值，训练神经网络控制器达到规定的性能指标，当两个网络均达到收敛条件，即得到所需的主动隔振控制器，实现隔振控制。

2、根据权利要求1所述的基于音圈电机的主动隔振控制方法，其特征在于，该方法具体包括：

步骤a：训练神经网络控制器中的评判网络和行为网络；

步骤b：将训练好的神经网络控制器投入到实际隔振装置中。

3、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，所述步骤a具体包括：

步骤1、初始化评判网络和行为网络的权值；

步骤2、将通过传感器测量出来的k时刻的信息输入到行为网络，计算k时刻的控制信号，k为自然数；

步骤3、将k时刻的信息和控制信号输入到评判网络，计算k时刻的评价值；

步骤4、将k时刻的控制信号输入到隔振控制装置，通过传感器测量得到k+1时刻的信息；

步骤5、将通过传感器测量出来的k+1时刻的信息输入到行为网络，计算k+1时刻的控制信号；

步骤6、将k+1时刻的信息和控制信号输入到评判网络，计算k+1时刻的评价值；

步骤7、固定行为网络的权值，应用最小二乘算法更新评判网络的权值；

步骤8、固定评判网络的权值，将常数“1”作为更新误差，应用最小二乘算法更新行为网络的权值；

步骤9、如果训练过程满足收敛条件，则训练过程结束，否则从步骤2开始继续上述神经网络的训练。

4、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，步骤a中所述训练神经网络控制器，采用最小二乘梯度下降方法。

5、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，步骤a中所述神经网络，采用具有一个隐含层的非线性前向神经网络结构。

6、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，步骤a中所述训练神经网络控制器时，其训练数据由安装在隔振装置上的线性可变差动变压器LVDT式位移传感器和加速度传感器获取。

7、根据权利要求5所述的基于音圈电机的主动隔振控制方法，其特征在于，所述训练数据包含训练神经网络控制器所需要的信号和产生控制量所需要的信号。

8、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，步骤a中所述神经网络控制器，其设计完全通过测量装置的输入输出值完成，无需建立隔振装置的精确动力学模型。

9、根据权利要求1或2所述的基于音圈电机的主动隔振控制方法，其特征在于，所述步骤b之后进一步包括：

步骤b完成后所得的控制信号通过PC104总线的形式输入到一运动控制卡中，该运动控制卡输出-10至10V的模拟信号，该信号通过信号调理单元后，输入到伺服驱动器中，由伺服驱动器驱动音圈电机完成对振动的隔离。

Images