CN101795110A - 直线音圈电机非线性特性的智能补偿方法及控制系统 - Google Patents

Abstract

本发明为直线音圈电机的智能补偿方法及控制系统，本方法基于音圈电机迟滞逆模型与神经网络模型串联组成音圈电机混合迟滞逆模型，输入为设定位移r(t)，输出为电压uu1(t)。摩擦模型和第二神经网络模型串联组成音圈电机混合摩擦模型，输入是位移y(t)，输出是电压uu2(t)。混合迟滞逆模型以前馈方式与音圈电机串联，混合摩擦模型与音圈电机以反馈方式连接，二模型的神经网络实时调整参数，对音圈电机的非光滑迟滞特性和非光滑摩擦特性进行智能补偿后，即可按弱非线性对象进行反馈控制。本系统位移传感器接入信号处理器，程序存储器存储混合迟滞逆模型补偿、混合摩擦模型补偿及弱非线性对象控制算法程序，CPU调节驱动电压控制音圈电机的正反向运动。

Description

直线音圈电机非线性特性的智能补偿方法及控制系统

(一)技术领域

本发明涉及直线音圈电机非线性特性的控制技术领域，具体为一种针对具有非光滑的复杂迟滞非线性特性和非光滑摩擦特性的直线音圈电机非线性特性的智能补偿方法及控制系统。

(二)背景技术

具有长行程、微/纳米级定位精度的直线音圈电机(以下简称音圈电机)属于“零传动”的直接驱动电机，与其它电机和作为位移定位驱动装置相比较，具有明显的优势，其具高分辨率、高响应、高加速度、体积小、力特性好等特点，广泛应用到计算机硬盘、精密加工切削机床、移动数码相机、空中机器人、半导体封装及微纳米级平台等。尤其是音圈电机具有高速响应特性，使之成为了移动数码相机和半导体封装键合的理想驱动装置。

但是，由于音圈电机直接驱动负载，在高速往复运动中，即高频响情况下，表现出了强非线性特性，既复杂迟滞特性和与运动特性有关的摩擦特性。其出现的非增函数变化、非光滑复杂迟滞非线性特性，导致了系统的震动和性能的下降。尤其是在高速运动下，音圈电机表现出与一般直线电机完全不同的非线性复杂迟滞特性。

现有音圈电机的控制方法是将音圈电机视为低频下工作的一般电机，采用普通直线电机的控制方法，控制效果无法满足高速高精度的要求。

在高速往复运动中，音圈电机表现出非光滑的强非线性特性，不能直接采用以导数为基础的建模与补偿方法及对应控制技术，如现有的模糊，神经网络等建模与补偿方法均不适用。

1)摩擦特性：

从机理方面分析，非光滑摩擦模型的结构已成熟，模型中参数不同，其描述的摩擦特性不同。针对不同摩擦特性，求得模型中的参数，即可表达不同的非光滑摩擦特性。但是摩擦模型中的参数在线辨识一直是音圈电机建模中的难点问题。所以，在以非光滑摩擦模型为基础的音圈电机消除摩擦的控制方法或补偿方法中，关键技术就是音圈电机非光滑特性摩擦模型中参数的在线辨识或智能自学习。

2)复杂迟滞特性：

音圈电机表现出的非增函数变化的、非光滑的复杂迟滞特性与压电陶瓷、扩散硅压力传感器及高分子湿度传感器等表现出的增函数变化的迟滞特性完全不同，用已有的一般迟滞模型无法对音圈电机特殊的复杂迟滞特性建模，故对音圈电机的迟滞特性也难以补偿。

为了消除高频响音圈电机迟滞特性和摩擦特性引起音圈电机运行时产生的震动和进一步有效地提高音圈电机的控制系统精度，故需要针对音圈电机的非增函数变化的、非光滑复杂迟滞特性和音圈电机非光滑摩擦特性建模，以提供消除两种特性的模型补偿手段，并在此基础上，设计高速往复运动的音圈电机的非线性特性的智能补偿方法和控制系统。

(三)发明内容

本发明的目的是设计一种在高速往复运动下具有非增函数变化的、复杂迟滞特性和摩擦特性直线音圈电机的智能补偿方法及控制系统，以实现音圈电机的微米级高速定位控制。

以下直线音圈电机简称为音圈电机。

本发明设计的音圈电机非线性特性的智能补偿方法如下：

I、建立音圈电机的混合迟滞模型

针对音圈电机线圈电压与位移之间的非光滑、复杂迟滞特性，采用音圈电机迟滞机理模型与神经网络模型串联组成的音圈电机混合迟滞模型。

混合迟滞模型结构的前一部分借鉴描述弹簧恢复力和位移的迟滞特性的Bouc-Wen迟滞机理模型，该模型是由具有非增函数变化的、非光滑特性的非线性微分方程构成。其方程如下：

$\stackrel{\·}{z}=k\stackrel{\·}{x}-\mathrm{\β}\left|\stackrel{\·}{x}\right|z-\mathrm{\γ}\stackrel{\·}{x}\left|z^n\right|$

其中z是输出恢复力，x是位移，k、β、γ及n是参数。该模型是描述弹簧恢复力和位移的迟滞特性模型，在选定模型结构后，其中参数k、β、γ及n不同，其表达的迟滞特性不同。

该模型的迟滞环是由两条光滑曲线组成的、在极值点不光滑的迟滞曲线。该模型提供了非光滑的迟滞基本特性，与实际音圈电机线圈电压与位移的关系比较，形状大致类似，但在相位和幅度上不相同，调整该Bouc-Wen模型中的参数可使模型提供的非光滑的迟滞基本特性与音圈电机的实际情况相符。

以Bouc-Wen模型方程为基础，以音圈电机线圈电压u(t)为输入，线圈位移d(t)为输出，作为音圈电机迟滞模型的基本结构，其方程为：

$\stackrel{\·}{d}=k\stackrel{\·}{u}-\mathrm{\β}\left|\stackrel{\·}{u}\right|d-\mathrm{\γ}\stackrel{\·}{u}\left|d^n\right|$

式中输入u为音圈电机线圈电压，输出d为音圈电机线圈的位移，k、β、γ及n为参数。

直接采用该音圈电机迟滞模型，通过参数k、β、γ及n的在线学习，表达音圈电机复杂迟滞特性十分复杂和困难，在控制系统中难于在线实现。

故本发明设计的混合迟滞模型中，在音圈电机迟滞模型之后串联神经网络模型构成音圈电机混合迟滞模型。

所述的音圈电机混合迟滞模型所串联的神经网络模型为RBF神经网络模型，其中m为神经网络模型的输入向量：

m＝[y(t-1)，d(t)]

RBF神经网络模型为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{yy}\left(t\right)=\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{w}_j{\mathrm{\Φ}}_j\left(m\right)$

${\mathrm{\Φ}}_j=\exp (-\frac{{\left|\right|m-c_j\left|\right|}^2}{2{{\mathrm{\σ}}_j}^2})$

其中L是隐含层节点数，L为15～20的整数，||·||是欧几里德范数。c_j为第j个隐节点的中心，σ_j是第j个隐节点的宽度，w_j是第j个基函数与输出节点的连接权值。

其中，y(t-1)表示音圈电机的前一时刻的位移输出，d(t)表示音圈电机迟滞模型的输出，在RBF神经网络模型基础上，通过音圈电机的前一时刻的输出位移y(t-1)构成外反馈，使RBF神经网络具有动态特性，实现了对音圈电机动态迟滞特性的描述，所以，所建立的音圈电机混合迟滞模型是一种动态的混合迟滞模型。RBF的输出，即为音圈电机混合迟滞模型的输出yy(t)。混合迟滞模型的输入是电压u(t)，输出是位移yy(t)。

本发明的音圈电机混合迟滞模型通过神经网络智能自学习和非线性映射能力，实时调整神经网络参数c_j、σ_j、w_j，同时间接地实现了音圈电机迟滞模型中参数k、β、γ及n的自调整，回避了音圈电机迟滞模型中参数直接求取的复杂离线方法，本混合迟滞模型结构也巧妙地解决了直接用神经网络不能表述音圈电机非光滑特性的问题，最终实现混合迟滞模型对非光滑的、非增函数变化的动态迟滞特性的描述。音圈电机混合迟滞模型中，输入是电压u(t)，输出是位移yy(t)，其中音圈电机迟滞模型输出为混合迟滞模型中间变量，记为d(t)，RBF神经网络输入向量由音圈电机迟滞模型输出d(t)和音圈电机输出位移的前一采样值y(t-1)组成。

音圈电机混合迟滞模型中的RBF神经网络模型参数的学习采用最速下降法。

II、建立音圈电机混合迟滞逆模型

在音圈电机混合迟滞模型的基础上，即可建立对应的音圈电机混合迟滞逆模型，音圈电机混合迟滞逆模型中音圈电机迟滞逆模型输入为设定位移r(t)，输出为电压p(t)，即音圈电机混合迟滞逆模型的中间变量，k、β、γ及n为参数。音圈电机迟滞逆模型为：

当 $\stackrel{\·}{p}>0$

混

$\stackrel{\·}{p}=\frac{\stackrel{\·}{r}}{k-\mathrm{\βr}-\mathrm{\γ}\left|r^n\right|}$

当 $\stackrel{\&CenterDot;}{p}<0$

$\stackrel{\&CenterDot;}{p}=\frac{\stackrel{\&CenterDot;}{r}}{k+\mathrm{\&beta;r}-\mathrm{\&gamma;}\left|r^n\right|}$

其串联的神经网络模型的结构与混合迟滞模型中的RBF神经网络模型结构相同，为具有单隐层的三层前馈网络，但输入向量为：

m1＝[y(t-1)，p(t)]

其输入输出关系如下：

$\mathrm{uu}1\left(t\right)=\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_j{\mathrm{\&Phi;}}_j\left(m1\right)$

${\mathrm{\&Phi;}}_j=\exp (-\frac{{\left|\right|m1-c_j\left|\right|}^2}{2{{\mathrm{\&sigma;}}_j}^2})$

其中，通过音圈电机的前一时刻的输出位移y(t-1)构成外反馈，使RBF神经网络具有动态特性，实现了对音圈电机动态迟滞逆特性的描述，所以，所建立的音圈电机混合迟滞逆模型是一种动态的混合迟滞逆模型。音圈电机混合迟滞逆模型中的神经网络的输入为m1＝[y(t-1)，p(t)]，输出为电压uu1(t)。混合迟滞逆模型的输入为设定位移r(t)，输出为电压uu1(t)。

音圈电机混合迟滞逆模型中的RBF神经网络模型基于控制系统的设定值r(t)与音圈电机的实际输出值位移y(t)的偏差e(t)＝r(t)-y(t)，通过最速下降法学习，实现对混合迟滞逆模型中神经网络的参数c_j、σ_j、w_j的实时调整，同时间接地实现了音圈电机迟滞逆模型中参数k、β、γ及n的调整。

III、建立音圈电机的混合摩擦模型

针对音圈电机线圈运动的非光滑摩擦特性，采用具有非光滑特性的音圈电机摩擦模型和具有光滑特性的神经网络模型串联组成音圈电机混合摩擦模型。

选取通用摩擦模型如下：

$f_{\mathrm{friction}}=(f_c+(f_s-f_c)e^{{-(\stackrel{\&CenterDot;}{x}/{\stackrel{\&CenterDot;}{x}}_s)}^{\mathrm{\&delta;}}}+f_v\stackrel{\&CenterDot;}{x})\mathrm{sgn}\stackrel{\&CenterDot;}{x}$

其中f_s、f_c、

f_v及δ参数分别是静态摩擦力、库仑力的最小值、润滑系数、负载系数和附加的经验参数。输入为位移x，输出为摩擦力f_friction。

通用的摩擦模型描述摩擦的非光滑基本特性，以通用摩擦模型作为音圈电机摩擦模型的基本结构，取输入为音圈电机位移y，取输出为电压mm，f_s、f_c、f_v及δ是模型的参数，音圈电机摩擦模型表达式如下：

$\mathrm{mm}=(f_c+(f_s-f_c)e^{{-(\stackrel{\&CenterDot;}{y}/{\stackrel{\&CenterDot;}{x}}_s)}^{\mathrm{\&delta;}}}+f_v\stackrel{\&CenterDot;}{y})\mathrm{sgn}\stackrel{\&CenterDot;}{y},$

由于摩擦特性的非光滑特性，在线辨识摩擦模型中的参数很困难。本发明将具有非光滑特性的音圈电机摩擦模型与第二RBF神经网络模型串联，组成音圈电机混合摩擦模型。

与音圈电机摩擦模型相串联的神经网络模型为第二RBF神经网络模型，其中m2为第二RBF神经网络模型的输入向量：

m2＝[mm(t)]

第二RBF神经网络模型也为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{uu}2\left(t\right)=\underset{\mathrm{jj}=1}{\overset{\mathrm{LL}}{\mathrm{\&Sigma;}}}{w}_{\mathrm{jj}}{\mathrm{\&Phi;}}_{\mathrm{jj}}\left(m2\right)$

${\mathrm{\&Phi;}}_{\mathrm{jj}}=\exp (-\frac{{\left|\right|m2-c_{\mathrm{jj}}\left|\right|}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{jj}}}^2})$

其中LL是隐含层节点数，LL为15～20的整数，||·||是欧几里德范数。c_jj为第jj个隐节点的中心，σ_jj是第jj个隐节点的宽度，w_jj是第jj个基函数与输出节点的连接权值。

其中mm(t)表示音圈电机摩擦模型输出。对应第二RBF神经网络模型输出记为uu2(t)，即为音圈电机混合摩擦模型的输出。

本音圈电机混合摩擦模型通过神经网络的智能自学习和非线性映射能力，实时调整第二神经网络参数c_jj、σ_jj、w_jj，同时间接实现摩擦模型参数f_s、f_c、f_v及δ的调整，以逼近音圈电机的实际摩擦特性。实现了采用混合摩擦模型描述摩擦的非光滑非线性特性。并且本音圈电机混合摩擦模型的结构也巧妙地解决了不能直接采用神经网络逼近非光滑摩擦特性的问题。音圈电机混合摩擦模型中，输入是音圈电机输出位移y(t)，输出是电压uu2(t)；其中，音圈电机摩擦模型输出为混合摩擦模型中间变量，记为mm(t)。

音圈电机混合摩擦模型的第二RBF神经网络模型参数的学习过程采用最速下降法。

IV、控制音圈电机

本发明的控制方法中将音圈电机等价为：积分环节和惯性环节串联为简单线性对象，音圈电机混合迟滞模型与该简单线性对象串联后的整体，与混合摩擦模型以反馈方式连接。

以音圈电机混合迟滞模型为基础，建立的音圈电机混合迟滞逆模型以前馈方式与音圈电机串联，混合迟滞逆模型中的神经网络根据线圈位移设定值与音圈电机的实际输出位移的偏差e(t)，通过最速下降法学习，实时调整混合迟滞逆模型中的神经网络的参数，串联的混合迟滞逆模型的前馈补偿实现对音圈电机迟滞特性的抵消，消除音圈电机迟滞特性造成的震动。

混合摩擦模型与音圈电机以反馈方式连接，在混合摩擦模型中的神经网络模型基于位移偏差e(t)，通过最速下降法学习，实时调整混合摩擦模型的神经网络参数。混合摩擦模型通过并联补偿的正负抵消的方法，消除了摩擦特性非线性强干扰。在对音圈电机的非光滑迟滞特性和非光滑摩擦特性进行上述模型智能补偿后，音圈电机简化为简单线性或弱非线性对象，按弱非线性对象进行常规的反馈控制，如比例微分控制PD(Proportion-Differential)等，即可实现对具有特殊非线性的音圈电机的控制。

本发明设计的直线音圈电机非线性特性的智能补偿与控制系统包括音圈电机、数字位移传感器、信号处理器、驱动电路及直流电源。驱动电路的输出电压接入音圈电机的线圈；位移传感器安装于音圈电机线圈旁，检测音圈电机线圈的位移，其输出信号接入信号处理器。

信号处理器包括中央处理单元、模/数转换(A/D)电路、数/模转换(D/A)电路，程序存储模块(ROM)、数据存储模块(RAM)、脉宽调制模块(PWM)和位移传感器信号接收电路。中央处理单元连接程序存储模块(ROM)和数据存储模块(RAM)，数字位移传感器与位移传感器信号接收电路连接，中央处理单元的控制信号接脉宽调制模块，脉宽调制模块接驱动电路。

直流电源接信号处理器和驱动电路为其提供电源。

程序存储模块存储有混合迟滞逆模型补偿程序、混合摩擦模型补偿程序及弱非线性对象控制算法程序。脉宽调制模块(PWM)接受程序存储模块输出电压信号并进行调制，其输出接入驱动电路，调节驱动电压实现音圈电机的正向和反向直线运动。

所述位移传感器为位移光栅尺传感器，信号处理器的位移信号接收电路为计数器。

本发明直线音圈电机非线性特性的智能补偿方法及控制系统的优点为：

1、从迟滞特性角度，分析高频响音圈电机产生震动机理，建立音圈电机迟滞逆模型和音圈电机摩擦模型，分别与动态和静态神经网络模型相结合，组成音圈电机混合迟滞逆模型与混合摩擦模型，神经网络模型间接实现音圈电机迟滞逆模型和音圈电机摩擦模型的参数在线学习，该混合模型结构也巧妙地解决了直接用神经网络不能表述非光滑特性的问题；实现对音圈电机非增函数变化、非光滑迟滞特性和非光滑摩擦特性的建模和模型参数自学习，为音圈电机迟滞特性和摩擦特性的智能补偿和控制提供核心技术；2、在所建混合模型的基础上，使音圈电机的非线性迟滞特性及摩擦特性得到补偿及抵消，化复杂为简单，等价的简单线性对象结合已有技术得到具有非光滑的复杂迟滞非线性特性和非光滑摩擦特性音圈电机的控制系统；3、混合模型结构简洁，两个混合模型具有自适应和自学习能力，提高了模型的适应性，混合模型方法与技术还可推广用于其它非光滑特性建模与补偿的控制系统；4、控制系统中，在控制算法结构和参数不变的情况下，本发明的控制系统与没有采用两种智能补偿的控制系统相比较，其控制效果得到明显的提高，控制误差减小40％以上，有效抑制音圈电机震动的产生，最终有效地提高音圈电机控制系统的定位精度。

(四)附图说明

图1为本直线音圈电机非线性特性的智能补偿方法实施例中音圈电机线圈位移与输入电压的迟滞关系曲线图；

图2为本直线音圈电机非线性特性的智能补偿方法实施例中音圈电机混合迟滞模型结构框图；

图3为图2中RBF神经网络模型结构示意图；

图4为本直线音圈电机非线性特性的智能补偿方法实施例中音圈电机混合迟滞逆模型结构框图；

图5为本直线音圈电机非线性特性的智能补偿方法实施例中音圈电机非光滑摩擦特性参数智能学习结构框图；

图6为图5中第二RBF神经网络模型结构示意图

图7为本直线音圈电机非线性特性的智能补偿方法实施例中音圈电机等价结构示意图；

图8为本直线音圈电机非线性特性的智能补偿方法实施例中非线性迟滞特性及摩擦特性补偿控制结构示意图；

图9为本直线音圈电机非线性特性的智能补偿控制系统实施例结构示意图。

(五)具体实施方式

直线音圈电机非线性特性的智能补偿方法实施例

本直线音圈电机非线性特性的智能补偿方法实施例如下：

图1所示为本例的音圈电机线圈位移与输入电压的迟滞关系曲线，其迟滞环是包括两条光滑曲线，二曲线相交的极值点不光滑。

I、建立音圈电机的混合迟滞模型

针对音圈电机线圈电压与位移之间的非光滑、复杂迟滞特性采用音圈电机迟滞模型与神经网络模型串联组成音圈电机混合迟滞模型，其结构如图2所示，图中的Z^-1是一个采样周期滞后单元，以获得音圈电机的前一时刻的位移输出y(t-1)。

音圈电机迟滞模型的基本结构表达式为

$\stackrel{\&CenterDot;}{d}=k\stackrel{\&CenterDot;}{u}-\mathrm{\&beta;}\left|\stackrel{\&CenterDot;}{u}\right|d-\mathrm{\&gamma;}\stackrel{\&CenterDot;}{u}\left|d^n\right|$

式中输入u为音圈电机线圈电压，输出d为音圈电机线圈的位移，k、β、γ，及n为参数。

在音圈电机迟滞模型之后串联神经网络模型构成音圈电机的混合迟滞模型。该神经网络模型如图3所示，为RBF神经网络模型，其中m是为神经网络模型的输入向量：

m＝[y(t-1)，d(t)]

式中，y(t-1)表示音圈电机的前一时刻的位移输出，d(t)表示音圈电机迟滞模型的输出。

RBF神经网络模型为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{yy}\left(t\right)=\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_j{\mathrm{\&Phi;}}_j\left(m\right)$

${\mathrm{\&Phi;}}_j=\exp (-\frac{{\left|\right|m-c_j\left|\right|}^2}{2{{\mathrm{\&sigma;}}_j}^2})$

其中L是隐含层节点数，L为15～20的整数，||·||是欧几里德范数。c_j为第j个隐节点的中心，σ_j是第j个隐节点的宽度，w_j是第j个基函数与输出节点的连接权值。

在RBF神经网络模型基础上，通过音圈电机的前一时刻的输出位移y(t-1)构成外反馈，使RBF神经网络具有动态特性，实现了对音圈电机动态迟滞特性的描述，所以，所建立的音圈电机混合迟滞模型是一种动态的混合迟滞模型。RBF的输出，即为音圈电机混合迟滞模型的输出yy(t)。混合迟滞模型的输入是电压u(t)，输出是位移yy(t)。

神经网络通过其智能自学习和非线性映射能力，间接地实现了迟滞模型中参数k、β、γ及n的自调整。

II、建立音圈电机混合迟滞逆模型

在音圈电机迟滞模型的基础上，即可建立对应的音圈电机迟滞逆模型，音圈电机迟滞逆模型与神经网络串联组成音圈电机混合迟滞逆模型，其结构如图4所示，图中的Z^-1是一个采样周期滞后单元，以获得音圈电机的前一时刻的位移输出y(t-1)，其中音圈电机迟滞逆模型输入为设定位移r(t)，输出为电压p，即音圈电机混合迟滞逆模型的中间变量。音圈电机迟滞逆模型表达式为：

当 $\stackrel{\&CenterDot;}{p}>0$

$\stackrel{\&CenterDot;}{p}=\frac{\stackrel{\&CenterDot;}{r}}{k-\mathrm{\&beta;r}-\mathrm{\&gamma;}\left|r^n\right|}$

当 $\stackrel{\&CenterDot;}{p}<0$

串联在音圈电机迟滞逆模型之后的RBF神经网络模型与图3所示混合迟滞模型中的RBF神经网络模型结构相同，为具有单隐层的三层前馈网络，但输入向量为：

m1＝[y(t-1)，p(t)]

其输入输出关系如下：

$\mathrm{uu}1\left(t\right)=\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_j{\mathrm{\&Phi;}}_j\left(m1\right)$

${\mathrm{\&Phi;}}_j=\exp (-\frac{{\left|\right|m1-c_j\left|\right|}^2}{2{{\mathrm{\&sigma;}}_j}^2})$

其中，通过音圈电机的前一时刻的输出位移y(t-1)构成外反馈，使RBF神经网络具有动态特性，实现了对音圈电机动态迟滞逆特性的描述，所以，所建立的音圈电机混合迟滞逆模型是一种动态的混合迟滞逆模型。音圈电机混合迟滞逆模型中神经网络的输入为m1＝[y(t-1)，p(t)]，输出为电压uu1(t)。

音圈电机混合迟滞逆模型的RBF神经网络模型基于控制系统的设定值与音圈电机的实际输出值位移的偏差e(t)，通过最速下降法学习，实现对迟滞逆模型中神经网络的参数的调整，并间接实现对迟滞逆模型中参数的调整。

III、建立音圈电机的混合摩擦模型

针对音圈电机线圈运动的非光滑摩擦特性采用具有非光滑特性的音圈电机摩擦模型和具有光滑特性的神经网络模型串联组成音圈电机混合摩擦模型，其结构如图5所示。

具有非光滑特性的音圈电机摩擦模型与神经网络模型串联，组成音圈电机混合摩擦模型，取输入为音圈电机位移y，取输出为电压mm，f_s、f_c、

f_v及δ是模型的参数，音圈电机摩擦模型表达式如下：

$\mathrm{mm}=(f_c+(f_s-f_c)e^{{-(\stackrel{\&CenterDot;}{y}/{\stackrel{\&CenterDot;}{x}}_s)}^{\mathrm{\&delta;}}}+f_v\stackrel{\&CenterDot;}{y})\mathrm{sgn}\stackrel{\&CenterDot;}{y},$

与音圈电机摩擦模型相串联的神经网络模型如图6所示，为第二RBF神经网络模型，其中m2为神经网络模型的输入向量：

m2＝[mm(t)]

第二RBF神经网络模型也为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{uu}2\left(t\right)=\underset{\mathrm{jj}=1}{\overset{\mathrm{LL}}{\mathrm{\&Sigma;}}}{w}_{\mathrm{jj}}{\mathrm{\&phi;}}_{\mathrm{jj}}\left(m2\right)$

${\mathrm{\&Phi;}}_{\mathrm{jj}}=\exp (-\frac{{\left|\right|m2-c_{\mathrm{jj}}\left|\right|}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{jj}}}^2})$

其中mm表示摩擦模型输出。对应第二RBF神经网络模型输出记为uu2(t)，即为音圈电机混合摩擦模型的输出。

本音圈电机混合摩擦模型通过神经网络的智能自学习和非线性映射能力，间接地实现摩擦模型参数f_s、f_c、f_v及δ的调整，以逼近音圈电机的实际摩擦特性。音圈电机混合摩擦模型中，输入是音圈电机输出位移y(t)，输出是电压uu2(t)；其中，音圈电机摩擦模型输出为混合摩擦模型中间变量，记为mm。

音圈电机混合摩擦模型的第二RBF神经网络模型学习过程采用最速下降法。

IV、控制音圈电机

如图7所示，音圈电机可以等价为混合迟滞模型与简单线性对象串联，串联后的整体与混合摩擦模型以反馈方式连接。

音圈电机非线性迟滞特性及摩擦特性内部补偿控制结构如图8所示，混合迟滞逆模型与音圈电机串联，混合摩擦模型与音圈电机并联，两种方法结合，实现对音圈电机迟滞特性和摩擦的有效补偿和抵消。混合迟滞逆模型和混合摩擦模型根据线圈位移设定值r(t)与音圈电机的实际输出位移的偏差e(t)，二者的神经网络通过最速下降法学习，调整混合迟滞逆模型和混合摩擦模型中的神经网络的参数。混合迟滞逆模型以前馈方式实现串联补偿，抵消音圈电机迟滞特性，消除音圈电机迟滞特性造成的震动。混合摩擦模型通过并联补偿的正负抵消的方法，消除了摩擦特性非线性强干扰。

音圈电机的非线性迟滞特性及摩擦特性经过上述两个模型的智能补偿及抵消后，音圈电机简化为惯性环节与积分环节串联的简单线性对象或弱非线性对象，按一般弱非线性对象，进行反馈控制，采用常规控制方法如比例微分控制PD(Proportion-Differential)和其改进控制算法实现对具有特殊非线性的音圈电机的有效控制。

直线音圈电机非线性特性的智能补偿系统实施例

本发明设计的直线音圈电机非线性特性的智能补偿控制系统如图9所示，包括音圈电机、位移传感器、信号处理器、驱动电路及直流电源。驱动电路的输出电压接入音圈电机的线圈；所述位移传感器为位移光栅尺传感器安装于音圈电机线圈旁。

信号处理器采用数字信号处理器(DSP)芯片，包括中央处理单元、模/数转换(A/D)电路、数/模转换(D/A)电路，程序存储模块(ROM)、数据存储模块(RAM)、脉宽调制模块(PWM)和位移传感器信号接收电路。位移信号接收电路为计数器。中央处理单元连接程序存储模块(ROM)和数据存储模块(RAM)，位移传感器与位移传感器信号接收电路连接，中央处理单元的控制信号接脉宽调制模块，脉宽调制模块接驱动电路。

直流电源接信号处理器和驱动电路为其提供电源。

程序存储模块存储有混合迟滞逆模型补偿程序、混合摩擦模型补偿程序及比例微分控制算法程序。

本控制系统实施例中对音圈电机的迟滞特性补偿、摩擦特性补偿、控制算法(比例微分算法)及音圈电机的控制信号求和都是通过软件实现，其各部分控制过程如下：

1)迟滞特性补偿

信号处理器的中央处理单元得到音圈电机输出位移y(t)，结合设定位移值r(t)，计算得到位移的偏差e(t)＝r(t)-y(t)，同时根据电压的变化增量Δu(t)和位移变化增量Δy(t)，计算最速下降学习法中用到的音圈电机增益Δy(t)/Δu(t)(当Δu(t)为零时，增益取前一时刻的增益)；

中央处理器根据程序存储器中迟滞逆模型的公式，以输入为设定位移值r(t)，计算迟滞逆模型输出为电压p(t)；

p(t)和音圈电机前一时刻输出位移y(t-1)作为混合迟滞逆模型中神经网络的输入，神经网络基于e(t)按最速下降学习法，并结合音圈电机增益Δy(t)/Δu(t)以递推形式计算混合迟滞逆模型中神经网络的各参数，所得参数c_j、σ_j、w_j作为下一时刻的混合迟滞逆模型中神经网络的各参数，同时间接调整迟滞模型中参数k、β、γ及n。计算混合迟滞逆模型中神经网络模型的输出即为混合迟滞逆模型的输出为uu1(t)。

2)摩擦特性补偿

与前述相同，在信号处理器的中央处理单元得到位移偏差e(t)，中央处理器根据程序存储器中摩擦模型的公式，按音圈电机输出位移y(t)，计算摩擦模型输出为电压mm(t)；

mm(t)作为混合摩擦模型中神经网络的输入，计算最速下降学习法中用到的音圈电机增益Δy(t)/Δu(t)(当Δu(t)为零时，增益取前一时刻的增益)，神经网络基于e(t)并结合音圈电机增益Δy(t)/Δu(t)，按最速下降学习法，以递推形式计算混合摩擦模型中神经网络的各参数，所得参数c_jj、σ_jj、w_jj作为下一时刻的混合摩擦模型中神经网络参数，同时间接调整摩擦模型中参数f_s、f_c、

f_v及δ。计算混合摩擦模型中神经网络的输出即为混合摩擦模型的输出为uu2(t)。

3)弱非线性对象的控制

在信号处理器的中央处理单元中，按音圈电机输出位移y(t)，结合设定位移值r(t)，计算得到位移偏差e(t)，根据程序存储器中比例微分控制算法程序，计算得到控制值uu3(t)

4)音圈电机控制信号u(t)

中央处理器将混合迟滞逆模型补偿输出uu1(t)、混合摩擦模型补偿输出uu2(t)与比例微分控制算法的输出uu3(t)求和，作为音圈电机控制信号u(t)，送入驱动电路。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (6)

1.直线音圈电机非线性特性的智能补偿方法，音圈电机线圈位移与输入电压的迟滞环包括两条光滑曲线，二曲线相交的极值点不光滑，其特征在于包括如下步骤：

I、建立音圈电机的混合迟滞模型

音圈电机迟滞模型的基本结构表达式为

$\stackrel{.}{d}=k\stackrel{.}{u}-\mathrm{\&beta;}\left|\stackrel{.}{u}\right|d-\mathrm{\&gamma;}\stackrel{.}{u}\left|d^n\right|$

式中输入u为音圈电机线圈电压，输出d为音圈电机线圈的位移，k、β、γ，及n为参数；

在音圈电机迟滞模型之后串联神经网络模型构成音圈电机的混合迟滞模型，该神经网络模型为RBF神经网络模型，其中m是为神经网络模型的输入向量：

m＝[y(t-1)，d(t)]

式中，y(t-1)表示音圈电机的前一时刻的位移输出，d(t)表示音圈电机迟滞模型的输出；

RBF神经网络模型为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{yy}\left(t\right)=\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_j{\mathrm{\&Phi;}}_j\left(m\right)$

${\mathrm{\&Phi;}}_j=\exp (-\frac{{\left|\right|m-c_j\left|\right|}^2}{2{{\mathrm{\&sigma;}}_j}^2})$

式中L是隐含层节点数，L为15～20的整数，||·||是欧几里德范数；c_j为第j个隐节点的中心，σ_j是第j个隐节点的宽度，w_j是第j个基函数与输出节点的连接权值；

音圈电机混合迟滞模型通过神经网络智能自学习和非线性映射能力，实时调整神经网络参数c_j、σ_j、w_j，同时间接地实现了音圈电机迟滞模型中参数k、β、γ及n的自调整，混合迟滞模型的输入是电压u(t)，输出是位移yy(t)；

II、建立音圈电机混合迟滞逆模型

在音圈电机迟滞模型的基础上，建立对应的音圈电机迟滞逆模型，音圈电机迟滞逆模型输入为设定位移r(t)，输出为电压p，表达式为：

当 $\stackrel{.}{p}>0$

$\stackrel{.}{p}=\frac{\stackrel{.}{r}}{k-\mathrm{\&beta;r}-\mathrm{\&gamma;}\left|r^n\right|}$ 当 $\stackrel{.}{p}<0$

$\stackrel{.}{p}=\frac{\stackrel{.}{r}}{k+\mathrm{\&beta;r}-\mathrm{\&gamma;}\left|r^n\right|}$

串联在音圈电机迟滞逆模型之后的RBF神经网络模型与混合迟滞模型中的RBF神经网络模型结构相同，为具有单隐层的三层前馈网络，但输入向量为：

m1＝[y(t-1)，p(t)]

其输入输出关系如下：

$\mathrm{uu}1\left(t\right)=\underset{j=1}{\overset{\mathrm{LL}}{\mathrm{\&Sigma;}}}{w}_j{\mathrm{\&Phi;}}_j\left(m1\right)$

${\mathrm{\&Phi;}}_j=\exp (-\frac{{\left|\right|m1-c_j\left|\right|}^2}{2{{\mathrm{\&sigma;}}_j}^2})$

音圈电机混合迟滞逆模型通过神经网络智能自学习和非线性映射能力，实时调整神经网络参数c_j、σ_j、w_j，同时间接地实现了音圈电机迟滞逆模型中参数k、β、γ及n的调整，混合迟滞逆模型的输入为设定位移r(t)，输出为电压uu1(t)；

III、建立音圈电机的混合摩擦模型

具有非光滑特性的音圈电机摩擦模型与神经网络模型串联，组成音圈电机混合摩擦模型，取输入为音圈电机位移y，取输出为电压mm，f_s、f_c、

f_v及δ是模型的参数，音圈电机摩擦模型表达式如下：

$\mathrm{mm}=(f_c+(f_s-f_c)e^{-{(\stackrel{.}{y}/{\stackrel{.}{x}}_s)}^{\mathrm{\&delta;}}}+f_v\stackrel{.}{y})\mathrm{sgn}\stackrel{.}{y},$

与音圈电机摩擦模型相串联的神经网络模型为第二RBF神经网络模型，其中m2为神经网络模型的输入向量：

m2＝[mm(t)]

第二RBF神经网络模型也为具有单隐层的三层前馈网络，其输入输出关系如下：

$\mathrm{uu}2\left(t\right)=\underset{\mathrm{jj}=1}{\overset{\mathrm{LL}}{\mathrm{\&Sigma;}}}{w}_{\mathrm{jj}}{\mathrm{\&Phi;}}_{\mathrm{jj}}\left(m2\right)$

${\mathrm{\&Phi;}}_{\mathrm{jj}}=\exp (-\frac{{\left|\right|m2-c_{\mathrm{jj}}\left|\right|}^2}{2{{\mathrm{\&sigma;}}_{\mathrm{jj}}}^2})$

其中mm表示摩擦模型输出，对应第二RBF神经网络模型输出记为uu2(t)，

音圈电机混合摩擦模型通过神经网络的智能自学习和非线性映射能力，实时调整第二神经网络参数c_jj、σ_jj、w_jj，同时间接地实现摩擦模型参数f_s、f_c、

f_v及δ的调整，音圈电机混合摩擦模型的输入是音圈电机输出位移y(t)，输出是电压uu2(t)；

IV、控制音圈电机

音圈电机的混合迟滞逆模型以前馈方式与音圈电机串联，混合迟滞逆模型中的神经网络根据线圈位移设定值与音圈电机的实际输出位移的偏差e(t)，通过最速下降法学习，实时调整混合迟滞逆模型中的神经网络的参数，串联的混合迟滞逆模型的前馈补偿实现对音圈电机迟滞特性的抵消，消除音圈电机迟滞特性造成的震动；

混合摩擦模型与音圈电机以反馈方式连接，在混合摩擦模型中的神经网络模型基于位移偏差e(t)，通过最速下降法学习，实时调整混合摩擦模型的神经网络参数，混合摩擦模型通过并联补偿的正负抵消的方法，消除了摩擦特性非线性强干扰；

音圈电机的非线性迟滞特性及摩擦特性经过上述两个模型的智能补偿及抵消后，音圈电机简化为惯性环节与积分环节串联的简单线性对象或弱非线性对象，按弱非线性对象进行反馈控制。

2.根据权利要求1所述的直线音圈电机非线性特性的智能补偿方法，其特征在于：

音圈电机简化为简单线性或弱非线性对象后采用的反馈控制方法为比例微分控制或其改进控制算法。

3.根据权利要求1或2所述的直线音圈电机非线性特性的智能补偿方法设计的音圈电机非线性特性的智能补偿系统，其特征在于：

包括音圈电机、位移传感器、信号处理器、驱动电路及直流电源，驱动电路的输出电压接入音圈电机的线圈；信号处理器包括中央处理单元、模/数转换电路、数/模转换电路，程序存储模块、数据存储模块、脉宽调制模块和位移传感器信号接收电路；中央处理单元连接程序存储模块和数据存储模块，位移传感器与位移传感器信号接收电路连接，中央处理单元的控制信号接脉宽调制模块，脉宽调制模块接驱动电路；

直流电源接信号处理器和驱动电路为其提供电源；

程序存储模块存储有混合迟滞逆模型补偿程序、混合摩擦模型补偿程序及弱非线性对象控制算法程序。

4.根据权利要求3所述的直线音圈电机非线性特性的智能补偿系统，其特征在于：

所述位移传感器为位移光栅尺传感器，安装于音圈电机线圈旁；位移信号接收电路为计数器。

5.根据权利要求3所述的直线音圈电机非线性特性的智能补偿系统，其特征在于：

所述信号处理器为数字信号处理器芯片。

6.根据权利要求3所述的直线音圈电机非线性特性的智能补偿系统，其特征在于：

所述程序存储模块存储的弱非线性对象控制算法程序为比例微分控制算法程序。

Images