CN103095204B - 伺服电机抗干扰补偿控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种伺服电机抗干扰补偿控制系统及控制方法，其核心在于：在“DOB+LuGre摩擦模型补偿”的控制方法基础上，引入递归模糊神经网络前馈补偿器，并通过模糊协调控制使RFNN和DOB输出的控制信号相互协调和结合；本发明的有益技术效果是：在高性能伺服控制中，采用模糊协调控制器实现RFNN和DOB两者间的相互协调和结合，形成一个复合的干扰补偿器进行控制，克服了当控制对象在大扰动和大范围参数变化下，高精度伺服系统跟踪性能无法保障的缺陷；同时，进一步弥补了LuGre模型摩擦补偿的不彻底，更好地抑制非线性摩擦的影响。

Description

伺服电机抗干扰补偿控制系统及控制方法

技术领域

本发明涉及一种电动机控制技术，尤其涉及一种伺服电机抗干扰补偿控制系统及控制方法。

背景技术

高性能伺服系统的运动控制理论是一个重要研究领域，其发展直接影响并带动其它一些工业应用领域，如半导体加工、磁（光）存储介质加工、光学仪器、武器仿真及其它等领域（绘图机、坐标测量机、视觉光学校正等系统）。

随着技术的进步，现代工业对伺服系统的抗干扰能力、稳定精度等提出了较高的要求。在实际应用过程中，伺服电机受到的干扰因素较多，如负载力矩、伺服电机的转动惯量、阻尼系数、结构强度以及润滑条件限制带来的摩擦力矩等参数均会发生变化，因此，需要伺服控制系统具有对外部扰动和系统参数变化有较强的抗扰能力；

通常伺服系统的抗干扰设计分为两部分来独立进行，即一部分用于调节系统的抗干扰能力，另一部分实现对摩擦力矩的补偿。现有技术中，在闭环控制的基础上采用“干扰观测器（简称DOB）+LuGre摩擦模型补偿”的控制方法得到了较广泛应用。上述这种“模块化”补偿控制方法，有利于将补偿控制问题分解到不同的领域，分别有针对性地加以解决；例如，中国专利200910077755.0公开的“一种基于干扰观测器的高精度磁轴承轴向控制方法”，该方案提供了一种将DOB用于对外部扰动进行抑制的解决方案，但是，该方案中存在的问题是：基于DOB的伺服系统在扰动不大且系统模型参数变化不大的情况下，确实具有较高的动态性能及较高的跟踪精度，但对于幅值变化较大、较快或不光滑的干扰，较难起到好的效果，此时伺服系统跟踪的快速性将无法保障，因此，增强DOB对控制对象在大扰动和大范围参数变化的鲁棒性是亟待解决的问题。

对于直接驱动的机械伺服系统，摩擦力矩是影响高精度伺服位置控制跟踪精度的主要因素；摩擦环节对伺服系统的不良影响主要体现在，稳态时存在静差或极限环振荡、低速爬行现象、速度过零时发生跟踪畸变，产生位置波形“平顶”现象。因此，现有技术中设置了摩擦补偿环节来提高伺服系统的低速平稳性和小信号跟踪能力；现有技术中较常用的是LuGre摩擦模型，该模型是动态摩擦模型，该模型考虑了两个接触表面之间弹性刚毛的平均偏移来表征摩擦的动态行为，精确地描述了摩擦过程复杂的静态和动态特性，如爬行、极限环振荡、滑前变形、摩擦记忆、变静摩擦以及静态Stribeck曲线等。

发明内容

针对背景技术中的问题，发明人经过深入研究后发现，在“DOB+LuGre摩擦模型补偿”的控制方法基础上，增加一个递归模糊神经网络（简称RFNN）前馈补偿器，并通过模糊协调控制即可使RFNN和DOB输出的控制信号相互协调和结合，从而输出一个复合补偿控制信号，利用该复合补偿控制信号，一方面实现对外部大扰动和大范围参数变化的补偿，提高了系统鲁棒稳定性和跟踪性能，另一方面由于RFNN具有较强的自调能力，在整个补偿过程中始终有输出信号参与控制，也能弥补LuGre模型摩擦补偿的不彻底和其它不确定性干扰，从而更好地抑制非线性摩擦等影响，提高伺服控制系统的精度，具体方案是：

一种伺服电机抗干扰补偿控制系统，包括电动机、伺服驱动、DSP和计算机，其中，DSP实时采集电动机的运行参数并根据运行参数进行相关处理获得主控制信号，DSP将主控制信号输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态，计算机与DSP通信连接，计算机用于操作人员与DSP之间的人机对话；其改进在于：

所述DSP包括如下模块：干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块、预处理模块和处理模块；干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块和预处理模块均与处理模块通信连接；

其中，预处理模块对DSP输出的主控制信号u(k-1)、给定位置信号θ^*(k)和电动机实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号与实际位置信号之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差变化率；时序上相邻两个电动机实际位置信号之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在预处理模块内以备其他模块调用；

干扰观测模块从预处理模块中调用u(k-1)和θ(k-1)，并按常规手段对u(k-1)和θ(k-1)进行处理后，输出干扰控制信号u_d(k)；

摩擦补偿模块从预处理模块中调用采用LuGre摩擦补偿模型按常规手段对进行处理，输出摩擦控制信号T_f(k)；

主控制模块从预处理模块中调用e(k)和并采用常规的PI或PID控制进行调节处理，输出PI/PID控制信号u_p(k)；

递归模糊神经网络模块从预处理模块中调用e(k)和该模块内的递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，通过调整成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层权值，使递归模糊神经网络模块输出递归模糊神经控制信号u_f(k)；

模糊协调控制模块从预处理模块中调用e(k)和同时，模糊协调控制模块调用u_d(k)和u_f(k)；模糊协调控制模块内预置有两个模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；模糊协调控制模块计算出加权系数后，按下式对u_f(k)和u_d(k)进行加权处理并输出加权控制信号u_xt(k)：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)；

处理模块调用u_p(k)、T_f(k)和u_xt(k)，处理模块按下式对u_p(k)、T_f(k)和u_xt(k)进行处理并输出主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)

主控制信号u(k)即为DSP向伺服驱动输出的主控制信号；

其中，k为采样次数的序号。

前述方案，通过在现有的DSP中设置可实现本发明目的多个功能模块，并使多个功能模块根据相应的控制方法协调工作，从而实现本发明的目的；本发明的方案与现有技术的差异可通过图示对比而清晰地示出：参见图1，图中是现有技术中一种常用于抗干扰补偿的伺服控制系统逻辑图，该控制系统采用了伺服控制系统中较为广泛使用的“DOB+LuGre摩擦模型补偿”的控制结构；参见图2，图中是本发明的伺服控制系统逻辑图，图2与图1所示出的控制结构的不同点在于：图2中增加了一个RFNN前馈补偿器与一个模糊协调控制器，模糊协调控制器将RFNN前馈补偿器和DOB的输出信号进行相互协调与结合，从而输出一个复合补偿控制信号，利用该复合信号可使系统处于最佳补偿状态，从而解决现有伺服控制系统抗干扰补偿不足的问题。

为更好地理解本发明，不妨结合图3（图3将图1中的控制系统以模型和参数的形式反映了出来），对现有的干扰观测器DOB环节和摩擦补偿环节作一简要介绍：

图3中，G_p(s)为被控对象模型（也即图1中的“伺服驱动及电动机”），G_c(s)为主控制器模型（也即图1中的主控制器），G_n(s)为名义模型，Q(s)为低通滤波器（G_n(s)和Q(s)均存在于干扰观测器DOB中），r为等效干扰信号（此为理论分析需要假设的干扰信号），u_d为DOB输出的干扰控制信号，u_p为主控制器经过PI/PID调节后的输出控制信号，u为最终作用到伺服系统（或伺服驱动）上的主控制信号，θ^*为位置给定信号，θ为电动机的实际位置信号；e为电动机位置信号误差（具体方案中，e、u_d、u_p和u的表述形式分别为e(k)、u_d(k)、u_p(k)和u(k)，这种差异性并非发明人故意为之，实为阐述问题需要，e(k)、u_d(k)、u_p(k)和u(k)中的“(k)”是为了在方案中体现出各个参数在时序上的对应关系，本领域技术人员应该是能够准确无误地理解本发明思路的；同时，后文中，在进行理论阐述时所述及的参数还可能出现这种差异性）。

1）图3中的“干扰观测器DOB”环节：DOB的基本思想是，将外部力矩干扰及模型参数变化造成的被控对象模型与名义模型输出的差异，统统等效到控制输入端，即观测出等效干扰，在控制中引入等量的补偿，实现对干扰的抑制；DOB不需要对干扰信号建立准确的数学模型，而且其结构简单，能很好地满足实时性要求；DOB的基本结构如图3中虚线框所围的“干扰观测器DOB”所示；

由现有的干扰观测器的处理方法可求出u_d为

$u_d=((u+r)\frac{G_p\left(s\right)}{G_n\left(s\right)}-u)\·Q\left(s\right)$

对于伺服电机，若忽略转轴扭曲变形及未建模动态等因素影响，则名义模型可由下式示出：

$G_n=\frac{1}{s(J_{n}s+b_n)}$

式中，s为拉普拉斯算子，J_n为系统等效转动惯量，b_n为等效阻尼系数。

为使系统可实现，要求使Q(s)的相对阶应不小于G_n(s)的相对阶；相对阶较低的Q(s)对数幅频特性曲线的高频段平缓，不利于抑制噪声；而相对阶较高的Q(s)不利于系统在谐振频率附近的鲁棒性，故Q(s)的设计应在干扰观测器的鲁棒稳定性和干扰抑制能力之间进行折中；对Q(s)的设计，Umeno T与HoriY建议采用如下二项式滤波器：

$Q_{\mathrm{NM}}\left(s\right)=\frac{\underset{k=0}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{NK}}{\left(\mathrm{\τs}\right)}^k}{{(\mathrm{\τs}+1)}^N}$

式中，为二项式系数，N为Q(s)的阶次，N-M是相对阶次，τ为Q(s)的时间常数；Q(s)一般采用三阶低通滤波器，其形式为：

$Q\left(s\right)=\frac{3\mathrm{\τs}+1}{{\mathrm{\τ}}^3{s}^3+3{\mathrm{\τ}}^2{s}^2+3\mathrm{\τs}+1}$

令为模型不确定性，则包含DOB的系统稳定条件为：

${\left|\frac{{\tilde{G}}_p\left(s\right)}{G_n\left(s\right)}\right|}_{s=\mathrm{j\&omega;}}<1$

上式表明：在DOB中，系统稳定条件要求模型失配不能太大，即系统模型参数较大时，DOB不能对其进行处理；同时DOB对于大干扰也较难起到好的抑制效果。

2）图3中的“摩擦补偿”环节：对于摩擦环节产生的非线性扰动力矩，必须通过施加适当的控制作用来消除摩擦力矩影响，目前常采用基于摩擦模型的补偿方法；其基本理论和实现方法均为现有技术中的常用手段，在此不再赘述；

基于前述的对现有技术中的“摩擦补偿”环节和“干扰观测器DOB”环节的分析，现有技术中加于被控伺服对象的主控制信号，由主控制器输出信号与DOB的补偿信号及摩擦补偿信号进行叠加后形成：

u＝u_p-u_d+T_f

式中，u_p为主控制器输出，主控制器采用常规PI控制或PID控制；u_d为DOB的输出，T_f为摩擦补偿器输出。

前文所述即是现有技术中常用的控制系统原理；由于现有技术中的DOB存在前述的“系统在大扰动和模型参数变化较大时，DOB不能有效对其进行处理”问题，因此，本发明的方案才应运而生；

参见图4（图4将图2中的系统结构以参数和模型的形式进行了示出），接下来对本发明增加的递归模糊神经网络（RFNN）前馈补偿器、模糊协调控制器进行分析：

1）RFNN前馈补偿器

RFNN前馈补偿器对突加大扰动和对象参数较大变化的抑制效果较为明显，而且在理论上对干扰所引起的位置误差的幅值没有要求，可以近似任何非线性函数，适合于对位置误差幅值较大和变化较快或不光滑的干扰进行抑制，因此，本发明中才在控制系统内设置了一个RFNN前馈补偿器，用于弥补当外部较大扰动和系统参数较大变化时，DOB在系统跟踪快速性上的不足。

参见图5，是递归模糊神经网络的原理图，图中的递归模糊神经网络为4层结构，第1层为输入层，第2层为成员函数层，第3层为模糊推理层，第4层是输出层。图中第1层将x₁、x₂引入网络，x₁为电动机位置信号误差，x₂为电动机位置信号误差变化率；第2层将x₁、x₂模糊化，所采用的隶属函数为高斯基函数exp{-[(x-a)/b]²；第3层中，“∏”表示模糊and操作；第4层对应去模糊化操作。该递归模糊神经网络的输入输出关系如下：

第1层，对该层的每一个输入节点i，网络的输入输出表示为：

${\mathrm{net}}_i^{\left(1\right)}=x_i^{\left(1\right)}$

$y_i^{\left(1\right)}=f_i^{\left(1\right)}\left({\mathrm{net}}_i^1\left(N\right)\right)={\mathrm{net}}_i^1\left(N\right)$ i＝1,2

式中， N表示迭代的次数。

第2层，在该层的每一个节点完成一个成员函数的功能，对第j个节点

${\mathrm{net}}_j^{\left(2\right)}\left(N\right)=-\frac{{(x_i^{\left(2\right)}-m_{\mathrm{ij}})}^2}{{\left({\mathrm{\&sigma;}}_{\mathrm{ij}}\right)}^2}$

$y_j^{\left(2\right)}\left(N\right)=f_j^{\left(2\right)}\left({\mathrm{net}}_i^2\left(N\right)\right)=\exp \left({\mathrm{net}}_j^2\left(N\right)\right)$ i＝1,2;j＝1,2,..n

式中，m_ij、σ_ij分别为第2层第i个语言变量的第j项高斯基函数的均值中心和标准偏差；n为相应输入节点的全部语言变量数。

第3层，该层每个节点p用∏表示，这表明该层的输出结果为输入信号的乘积

${\mathrm{nep}}_p^{\left(3\right)}\left(N\right)=\underset{j}{\mathrm{\&Pi;}}{w}_{\mathrm{jp}}^{\left(3\right)}{x}_j^3\left(N\right)w_p{y}_p^{\left(3\right)}(N-1)$

$y_p^{\left(3\right)}\left(N\right)=f_p^{\left(3\right)}\left({\mathrm{net}}_p^3\left(N\right)\right)={\mathrm{net}}_p^3\left(N\right)$ p＝1,2，...,l

式中，为第3层的第j个输入；为成员层与规则层之间的权值；全部取为1；w_p为规则层的递归权值；l为如果每个输入节点有相同的语言变量，完全连接时的规则数。

第4层，该层只有一个节点o，输出为所有输入信号的和

${\mathrm{net}}_o^{\left(4\right)}\left(N\right)=\underset{p}{\mathrm{\&Sigma;}}{w}_{\mathrm{po}}^{\left(4\right)}{x}_p^{\left(4\right)}\left(N\right)$

$y_o^{\left(4\right)}\left(N\right)=f_o^{\left(4\right)}({\mathrm{net}}_o^4\left(N\right))={\mathrm{ner}}_o^4\left(N\right)$ o＝1

式中，为第4层的输入；为第p条规则与输出节点的连接权值，该值初始化为0，在线训练调整其值。

对RFNN采用梯度下降法进行训练，RFNN用于调整成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层的权值这四个参数；前述的RFNN的构建方法和作用原理在现有技术中均为成熟手段，仅在针对具体问题时，其参数、结构和具体针对的对象略有差异；本发明中，RFNN可对电动机位置信号误差及其变化起到较好的抑制作用。RFNN具有神经网络控制的特点：自适应、自组织和非线性控制。当突加大扰动和对象参数较大变化时，此时的电动机位置误差幅值较大和变化较快。由于各神经元之间的连接强度具有可塑性，网络可以通过学习与训练进行自组织，对连接权值等相关参数进行调节，以适应突加大扰动和对象参数较大变化要求；而且神经网络在理论上对干扰所引起的位置误差幅值没有要求，可以近似任何非线性函数，特别适用于对不确定、不确知的干扰信号进行抑制。

2）模糊协调控制器

参见图6，该图将图4中的模糊协调控制器的内部结构进行了展开，该模糊协调控制器实现了RFNN输出的前馈补偿信号与DOB输出信号的模糊融合。其基本结构由“模糊化”环节、“模糊控制规则”环节、“反模糊化”环节、“乘法器”环节、“减法器”环节和加权控制信号u_xt输出环节组成；模糊协调控制器的输入是电动机位置误差信号和电动机位置误差变化率信号；

电动机位置误差信号和电动机位置误差变化率信号经“模糊化”环节处理后，将电动机位置误差信号和电动机位置误差变化率信号作为“模糊控制规则”环节的两个输入变量，经过“模糊控制规则”环节的模糊推理和决策，得到模糊控制量（也即模糊控制规则表的输出变量），由“反模糊化”环节进行反模糊化处理后，可分别得到对应于RFNN的输出信号的加权系数λ₁和对应于DOB的输出信号的加权系数λ₂，然后由“乘法器”环节对RFNN的输出信号和DOB的输出信号进行加权处理分别获得λ₁u_f和λ₂u_d，再由“减法器”环节对λ₁u_f和λ₂u_d进行综合处理，最终获得加权控制信号u_xt，即u_xt＝λ₁u_f-λ₂u_d；λ₁和λ₂的调节作用，可以调节RFNN和DOB输出信号在控制作用中各自所占的比重。

从前述的分析中可看出，要想得到恰当的加权系数λ₁和λ₂，“模糊控制规则”环节是整个模糊协调控制器的核心，只有当λ₁和λ₂的大小较为合适时，才能使RFNN前馈补偿器和DOB各自的补充作用得到充分发挥，为此，本发明在“模糊控制规则”环节中设置了两个模糊推理规则表，两个模糊推理规则表分别对应RFNN和DOB，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；第一模糊推理规则表如下：

第一模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB1，NM1，NS1，ZE1，PS1，PM1，PB1}，即{负大，负中，负小，零，正小，正中，正大}；第一模糊推理规则表中输出变量的模糊论域包含3个模糊子集，其论域上的语言值取{PS1，PM1，PB1}，即{正小，正中，正大}；第一模糊推理规则表的输入变量和输出变量的隶属度均采用三角形函数；

第一模糊推理规则表的推理规则如下：

①当电动机位置信号误差较大时，无论电动机位置信号误差变化率的变化情况怎样，RFNN将以最大值输出，因此，有如下控制规则：

规则1：如果e(k)为PB1或NB1，无论怎样变化，加权系数λ₁均为PB1；

②当电动机位置信号误差适中，但电动机位置信号误差变化率较大时，RFNN将以最大值输出，因此，有如下控制规则：

规则2：如果e(k)为PM1或NM1，并且为PB1或NB1，加权系数λ₁为PB1；

③当电动机位置信号误差适中，而电动机位置信号误差变化率处于非较大情况时，RFNN均以适中输出，因此，有如下控制规则：

规则3：如果e(k)为PM1或NM1，并且为PM1、NM1、PS1、NS1或ZE1时，加权系数λ₁为PM1；

④当电动机位置信号误差较小，但电动机位置信号误差变化率较大或适中时，RFNN将以适中输出，因此，有如下控制规则：

规则4：如果e(k)为PS1或NS1，但为PB1、NB1、PM1或NM1时，加权系数λ₁为PM1；

⑤当电动机位置信号误差较小，并且电动机位置信号误差变化率较小或为零，RFNN将以较小输出，因此，有如下控制规则：

规则5：如果e(k)为PS1或NS1，并且为PS1、NS1或ZE1时，加权系数λ₁为PS1；

⑥当电动机位置信号误差为零时，但电动机位置信号误差变化率较大，RFNN将以适中输出，因此，有如下控制规则：

规则6：如果e(k)为ZE1，但为PB1或NB1时，加权系数λ₁为PM1；

⑦当电动机位置信号误差为零时，并且电动机位置信号误差变化率处于非较大情况时，RFNN均以较小输出，因此，有如下控制规则：

规则7：如果e(k)为ZE1，但为PM1、NM1、PS1、NS1或ZE1时，加权系数λ₁为PS1；

第二模糊推理规则表如下：

第二模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB2，NM2，NS2，ZE2，PS2，PM2，PB2}，即{负大，负中，负小，零，正小，正中，正大}；第二模糊推理规则表中输出变量的模糊论域包含4个模糊子集，其论域上的语言值取{ZE2，PS2，PM2，PB2}，即{零、正小，正中，正大}；第二模糊推理规则表的输入变量和输出变量的隶属度选用三角形函数。

第二模糊推理规则表的推理规则如下：

①当电动机位置信号误差较大时，无论电动机位置信号误差变化率处于何种情况，DOB将不参与控制，因此，有如下控制规则：

规则1：如果e(k)为PB2或NB2，无论怎样变化，加权系数λ₂均为ZE2；

②当电动机位置信号误差适中，但电动机位置信号误差变化率较大时，DOB将不参与控制，因此，有如下控制规则：

规则2：如果e(k)为PM2或NM2，并且为PB2或NB2时，加权系数λ₂为ZE2；

③当电动机位置信号误差适中，而电动机位置信号误差变化率处于非较大情况时，DOB均以较小值输出，因此，有如下控制规则：

规则3：如果e(k)为PM2或NM2，并且为PM2、NM2、PS2、NS2或ZE2时，加权系数λ₂为PS2；

④当电动机位置信号误差较小，但电动机位置信号误差变化率较大或适中时，DOB将以较小值输出，因此，有如下控制规则：

规则4：如果e(k)为PS2或NS2，但为PB2、NB2、PM2或NM2时，加权系数λ₂为PS2；

⑤当电动机位置信号误差较小，并且电动机位置信号误差变化率较小或为零时，DOB将以适中输出，因此，有如下控制规则：

规则5：如果e(k)为PS2或NS2，并且为PS2、NS2或ZE2时，加权系数λ₂为PM2；

⑥当电动机位置信号误差为零，但电动机位置信号误差变化率较大时，DOB将以适中输出，因此，有如下控制规则：

规则6：如果e(k)为ZE2，但为PB2或NB2时，加权系数λ₂为PM2；

⑦当电动机位置信号误差为零，而电动机位置信号误差变化率处于非较大情况时，DOB均以较大输出，因此，有如下控制规则：

规则7：如果e(k)为ZE2，但为PM2、NM2、PS2、NS2或ZE2时，加权系数λ₂为PB2；

前文所述即是本发明的伺服电机抗干扰补偿控制系统的组成及原理，在此基础上，即引出了前述系统的控制系统是如何运行的问题，这就需要依赖于本发明提出的伺服电机抗干扰补偿控制方法，该方法包括：

1）对DSP输出的主控制信号u(k-1)、电动机给定位置信号θ^*(k)和实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号与实际位置信号之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差的变化率；时序上相邻两个电动机实际位置信号之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在处理装置中以备后续处理时调用；

2）采用常规的PI或PID控制进行调节处理，获得PI/PID输出控制信号u_p(k)；

3）采用递归模糊神经网络对e(k)和进行处理，获得递归模糊神经控制信号u_f(k)；其中，递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，对成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层的权值这四个参数进行调整；

4）采用干扰观测器原理，对u(k-1)和θ(k-1)进行处理，获得干扰控制信号u_d(k)；

5）处理装置中预置有第一模糊推理规则表和第二模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；根据两个模糊推理规则表分别计算出λ₁和λ₂；

6）将u_f(k)和u_d(k)代入下式，求得加权控制信号u_xt(k)：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)

7）采用LuGre摩擦补偿模型对进行处理，获得摩擦控制信号T_f(k)；

8）根据下式计算求得主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)；

9）将主控制信号u(k)输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态；

重复步骤1）至9），对电动机的运行状态进行连续控制；

其中，k为采样次数的序号。

在本发明的控制系统基础上结合本发明的控制方法，即可实现本发明的目的。

本发明的有益技术效果是：在高性能伺服控制中，采用模糊协调控制器实现RFNN和DOB两者间的相互协调和结合，形成一个复合的干扰补偿器进行控制，克服了当控制对象在大扰动和大范围参数变化下，高精度伺服系统跟踪性能无法保障的缺陷；同时，进一步弥补了LuGre模型摩擦补偿的不彻底，更好地抑制非线性摩擦的影响。

附图说明

图1、现有的常用控制系统逻辑图；

图2、本发明的控制系统逻辑图；

图3、图1所示控制系统的原理示意图；

图4、图2所示控制系统的原理示意图；

图5、递归模糊神经网络的原理示意图；

图6、模糊协调控制器内部结构原理图；

图7、本发明的控制系统的DSP内部模块结构图；

图8、与本发明的控制方法对应的中断程序流程框图。

具体实施方式

一种伺服电机抗干扰补偿控制系统，包括电动机、伺服驱动、DSP和计算机，其中，DSP实时采集电动机的运行参数并根据运行参数进行相关处理获得主控制信号，DSP将主控制信号输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态，计算机与DSP通信连接，计算机用于操作人员与DSP之间的人机对话；其改进在于：

所述DSP包括如下模块：干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块、预处理模块和处理模块；干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块和预处理模块均与处理模块通信连接；

其中，预处理模块对DSP输出的主控制信号u(k-1)、给定位置信号θ^*(k)和电动机实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号与实际位置信号之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差变化率；时序上相邻两个电动机实际位置信号之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在预处理模块内以备其他模块调用；

干扰观测模块从预处理模块中调用u(k-1)和θ(k-1)，并按常规手段对u(k-1)和θ(k-1)进行处理后，输出干扰控制信号u_d(k)；

摩擦补偿模块从预处理模块中调用采用LuGre摩擦补偿模型按常规手段对进行处理，输出摩擦控制信号T_f(k)；

主控制模块从预处理模块中调用e(k)和并采用常规的PI或PID控制进行调节处理，输出PI/PID控制信号u_p(k)；

递归模糊神经网络模块从预处理模块中调用e(k)和该模块内的递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，通过调整成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层权值，使递归模糊神经网络模块输出递归模糊神经控制信号u_f(k)；

模糊协调控制模块从预处理模块中调用e(k)和同时，模糊协调控制模块调用u_d(k)和u_f(k)；模糊协调控制模块内预置有两个模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；模糊协调控制模块计算出加权系数后，按下式对u_f(k)和u_d(k)进行加权处理并输出加权控制信号u_xt(k)：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)；

处理模块调用u_p(k)、T_f(k)和u_xt(k)，处理模块按下式对u_p(k)、T_f(k)和u_xt(k)进行处理并输出主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)

主控制信号u(k)即为DSP向伺服驱动输出的主控制信号；

其中，k为采样次数的序号。

一种伺服电机抗干扰补偿控制方法，其核心控制算法由DSP的中断服务程序实现，中断程序流程框图如图8；该方法包括：

1）对DSP输出的主控制信号u(k-1)、电动机给定位置信号θ^*(k)和实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号与实际位置信号之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差的变化率；时序上相邻两个电动机实际位置信号之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在处理装置中以备后续处理时调用（即实现图8中“采集电动机数据并完成预处理”环节的操作）；

2）采用常规的PI或PID控制进行调节处理，获得PI/PID输出控制信号u_p(k)（即实现图8中“由主控制模块进行PI/PID调节，获取PI/PID控制信号”环节的操作）；

3）采用递归模糊神经网络对e(k)和进行处理，获得递归模糊神经控制信号u_f(k)；其中，递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，对成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层的权值这四个参数进行调整（即实现图8中“由递归模糊神经网络处理，输出递归模糊神经控制信号”环节的操作）；

4）采用干扰观测器原理，对u(k-1)和θ(k-1)进行处理，获得干扰控制信号u_d(k)（即实现图8中“进行扰动观测处理，获取干扰控制信号”环节的操作）；

5）处理装置中预置有第一模糊推理规则表和第二模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；根据两个模糊推理规则表分别计算出λ₁和λ₂；

6）将u_f(k)和u_d(k)代入下式，求得加权控制信号u_xt(k)（步骤5）和6）即实现图8中“进行模糊协调处理，获取加权控制信号”环节的操作）：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)

7）采用LuGre摩擦补偿模型对进行处理，获得摩擦控制信号T_f(k)（即实现图8中“进行摩擦补偿处理，获取摩擦补偿控制信号”环节的操作）；

8）根据下式计算求得主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)（即实现图8中“获取主控制信号”环节的操作）；

9）将主控制信号u(k)输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态（即实现图8中“向伺服对象发出控制命令”环节的操作）；

重复步骤1）至9），对电动机的运行状态进行连续控制；

其中，k为采样次数的序号。

需要说明的是：图8给出的仅是一种指导编程的逻辑原理，在具体编程时，程序只能按连续的步骤来进行编写，故而有前述的1）至9）的步骤，其中，获得“PI/PID控制信号”、“摩擦补偿控制信号”和“加权控制信号”的步骤的顺序还可以相互调换。

前述控制系统和控制方法中所述及的第一模糊推理规则表和第二模糊推理规则表分别为：

所述第一模糊推理规则表包括：

第一模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB1，NM1，NS1，ZE1，PS1，PM1，PB1}，即{负大，负中，负小，零，正小，正中，正大}；第一模糊推理规则表中输出变量的模糊论域包含3个模糊子集，其论域上的语言值取{PS1，PM1，PB1}，即{正小，正中，正大}；第一模糊推理规则表的输入变量和输出变量的隶属度均采用三角形函数；

所述第二模糊推理规则表包括：

第二模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB2，NM2，NS2，ZE2，PS2，PM2，PB2}，即{负大，负中，负小，零，正小，正中，正大}；第二模糊推理规则表中输出变量的模糊论域包含4个模糊子集，其论域上的语言值取{ZE2，PS2，PM2，PB2}，即{零、正小，正中，正大}；第二模糊推理规则表的输入变量和输出变量的隶属度选用三角形函数。

Claims (2)

1.一种伺服电机抗干扰补偿控制系统，包括电动机、伺服驱动、DSP和计算机，其中，DSP实时采集电动机的运行参数并根据运行参数进行相关处理获得主控制信号，DSP将主控制信号输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态，计算机与DSP通信连接，计算机用于操作人员与DSP之间的人机对话；其特征在于：

所述DSP包括如下模块：干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块、预处理模块和处理模块；干扰观测模块、模糊协调控制模块、递归模糊神经网络模块、主控制模块、摩擦补偿模块和预处理模块均与处理模块通信连接；

其中，预处理模块对DSP输出的主控制信号u(k-1)、电动机给定位置信号θ^*(k)和电动机实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号θ^*(k)与电动机实际位置信号θ(k-1)之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差变化率；时序上相邻两个电动机实际位置信号θ(k-1)之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在预处理模块内以备其他模块调用；

干扰观测模块从预处理模块中调用u(k-1)和θ(k-1)，并按常规手段对u(k-1)和θ(k-1)进行处理后，输出干扰控制信号u_d(k)；

摩擦补偿模块从预处理模块中调用采用LuGre摩擦补偿模型按常规手段对进行处理，输出摩擦控制信号T_f(k)；

主控制模块从预处理模块中调用e(k)和并采用常规的PI或PID控制进行调节处理，输出PI/PID控制信号u_p(k)；

递归模糊神经网络模块从预处理模块中调用e(k)和递归模糊神经网络模块内的递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，通过调整成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层权值，使递归模糊神经网络模块输出递归模糊神经控制信号u_f(k)；

模糊协调控制模块从预处理模块中调用e(k)和同时，模糊协调控制模块调用u_d(k)和u_f(k)；模糊协调控制模块内预置有两个模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；模糊协调控制模块计算出加权系数后，按下式对u_f(k)和u_d(k)进行加权处理并输出加权控制信号u_xt(k)：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)；

处理模块调用u_p(k)、T_f(k)和u_xt(k)，处理模块按下式对u_p(k)、T_f(k)和u_xt(k)进行处理并输出主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)

主控制信号u(k)即为DSP向伺服驱动输出的主控制信号；

其中，k为采样次数的序号；

所述第一模糊推理规则表包括：

第一模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB1，NM1，NS1，ZE1，PS1，PM1，PB1}，即{负大，负中，负小，零，正小，正中，正大}；第一模糊推理规则表中输出变量的模糊论域包含3个模糊子集，其论域上的语言值取{PS1，PM1，PB1}，即{正小，正中，正大}；第一模糊推理规则表的输入变量和输出变量的隶属度均采用三角形函数；

所述第二模糊推理规则表包括：

第二模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB2，NM2，NS2，ZE2，PS2，PM2，PB2}，即{负大，负中，负小，零，正小，正中，正大}；第二模糊推理规则表中输出变量的模糊论域包含4个模糊子集，其论域上的语言值取{ZE2，PS2，PM2，PB2}，即{零、正小，正中，正大}；第二模糊推理规则表的输入变量和输出变量的隶属度选用三角形函数。

2.一种伺服电机抗干扰补偿控制方法，其特征在于：该方法包括：

1)对DSP输出的主控制信号u(k-1)、电动机给定位置信号θ^*(k)和电动机实际位置信号θ(k-1)进行连续采样，并实时计算出如下参数：电动机给定位置信号θ^*(k)与电动机实际位置信号θ(k-1)之间的误差e(k)，即电动机位置信号误差；时序上相邻两个误差之间的误差变化率即电动机位置信号误差的变化率；时序上相邻两个电动机实际位置信号θ(k-1)之间的变化率即电动机位置信号变化率；前述的u(k-1)、θ(k-1)、e(k)、和存储在处理装置中以备后续处理时调用；

2)采用常规的PI或PID控制进行调节处理，获得PI/PID输出控制信号u_p(k)；

3)采用递归模糊神经网络对e(k)和进行处理，获得递归模糊神经控制信号u_f(k)；其中，递归模糊神经网络为4层结构，分别为输入层、成员函数层、模糊推理层和输出层；输入层采用电动机位置信号误差和电动机位置信号误差变化率作为两个神经元的输入；成员函数层的隶属度函数采用高斯基函数；递归模糊神经网络采用梯度下降法进行训练，对成员函数层高斯基函数的均值中心和标准偏差以及模糊推理层的递归权值和输出层的权值这四个参数进行调整；

4)采用干扰观测器原理，对u(k-1)和θ(k-1)进行处理，获得干扰控制信号u_d(k)；

5)处理装置中预置有第一模糊推理规则表和第二模糊推理规则表，两个模糊推理规则表均为双输入、单输出模式，模糊推理规则表的两个输入变量分别为电动机位置信号误差和电动机位置信号误差变化率，输出变量为加权系数，其中，第一模糊推理规则表对应递归模糊神经网络模块，第一模糊推理规则表的输出变量为递归模糊神经控制信号u_f(k)的加权系数λ₁，第二模糊推理规则表对应干扰观测模块，第二模糊推理规则表的输出变量为干扰控制信号u_d(k)的加权系数λ₂；根据两个模糊推理规则表分别计算出λ₁和λ₂；

6)将u_f(k)和u_d(k)代入下式，求得加权控制信号u_xt(k)：

u_xt(k)＝λ₁u_f(k)-λ₂u_d(k)

7)采用LuGre摩擦补偿模型对进行处理，获得摩擦控制信号T_f(k)；

8)根据下式计算求得主控制信号u(k)：

u(k)＝u_p(k)+u_xt(k)+T_f(k)；

9)将主控制信号u(k)输出至伺服驱动，伺服驱动根据主控制信号调整电动机的运行状态；

重复步骤1)至9)，对电动机的运行状态进行连续控制；

其中，k为采样次数的序号；

所述第一模糊推理规则表包括：

第一模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB1，NM1，NS1，ZE1，PS1，PM1，PB1}，即{负大，负中，负小，零，正小，正中，正大}；第一模糊推理规则表中输出变量的模糊论域包含3个模糊子集，其论域上的语言值取{PS1，PM1，PB1}，即{正小，正中，正大}；第一模糊推理规则表的输入变量和输出变量的隶属度均采用三角形函数；

所述第二模糊推理规则表包括：

第二模糊推理规则表中两个输入变量的模糊论域包含7个模糊子集，其论域上的语言值取{NB2，NM2，NS2，ZE2，PS2，PM2，PB2}，即{负大，负中，负小，零，正小，正中，正大}；第二模糊推理规则表中输出变量的模糊论域包含4个模糊子集，其论域上的语言值取{ZE2，PS2，PM2，PB2}，即{零、正小，正中，正大}；第二模糊推理规则表的输入变量和输出变量的隶属度选用三角形函数。