CN103513181A - 超声波电机瞬态特性测试装置及其控制系统 - Google Patents

超声波电机瞬态特性测试装置及其控制系统 Download PDF

Info

Publication number
CN103513181A
CN103513181A CN201310288488.8A CN201310288488A CN103513181A CN 103513181 A CN103513181 A CN 103513181A CN 201310288488 A CN201310288488 A CN 201310288488A CN 103513181 A CN103513181 A CN 103513181A
Authority
CN
China
Prior art keywords
neural network
recurrent neural
output
layer
network controller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310288488.8A
Other languages
English (en)
Other versions
CN103513181B (zh
Inventor
傅平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Minjiang University
Original Assignee
Minjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Minjiang University filed Critical Minjiang University
Priority to CN201310288488.8A priority Critical patent/CN103513181B/zh
Publication of CN103513181A publication Critical patent/CN103513181A/zh
Application granted granted Critical
Publication of CN103513181B publication Critical patent/CN103513181B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及一种超声波电机瞬态特性测试装置及其控制系统，该装置包括基座和设于其上的超声波电机，超声波电机一侧输出轴与光电编码器连接，另一侧输出轴与飞轮惯性负载连接，飞轮惯性负载的输出轴经联轴器与力矩传感器连接，光电编码器、力矩传感器的信号输出端分别接至控制系统。该控制系统由自回归神经网络辨识器RNNI和自回归神经网络控制器RNNC组成，RNNI完成对超声波电机在不同控制变量、飞轮惯性负载下输入输出特性的辨识，RNNC根据辨识结果实现对超声波电机的速度/位置/力矩控制输出，以确定不同负载、不同控制变量下的控制动态特性。该装置及其控制系统不仅测试准确度高，而且结构简单、紧凑，使用效果好。

Description

超声波电机瞬态特性测试装置及其控制系统
技术领域
本发明涉及电机瞬态特性测试技术领域，特别是一种超声波电机瞬态特性测试装置及其控制系统。 
背景技术
现有的超声波电机瞬态特性测试，大都使用超声波电机与外接磁滞测功机进行负载调整，主要着眼于位置/速度的动态特性测试上，对力矩的动态特性测试较少涉及。由于超声波电机的输出功率较小，磁滞测功机的输出功率较大，使得磁滞测功机基本运行在其非线性部分，且整个测试装置庞大，电机难以获得较好的瞬态特性测试性能。 
发明内容
本发明的目的在于提供一种超声波电机瞬态特性测试装置及其控制系统，该装置及其控制系统不仅测试准确度高，而且结构简单、紧凑，使用效果好。 
为实现上述目的，本发明的技术方案是：一种超声波电机瞬态特性测试装置，包括基座和设于基座上的超声波电机，所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统。 
进一步的，所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动芯片电路，所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接。 
进一步的，所述联轴器为弹性联轴器。 
进一步的，所述超声波电机、光电编码器、力矩传感器分别经超声波电机固定支架、光电编码器固定支架、力矩传感器固定支架固定于所述基座上。 
本发明还提供了一种上述超声波电机瞬态特性测试装置的控制系统，由自回归神经网络辨识器（RNNI）和自回归神经网络控制器（RNNC）组成； 
所述自回归神经网络辨识器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络辨识器的输入层有s个节点，s为不小于4 的偶数，所述自回归神经网络辨识器的输入层的输入信号为：
Figure DEST_PATH_RE-DEST_PATH_IMAGE004
(1)
其中 
Figure 2013102884888100002DEST_PATH_IMAGE002
，，
Figure 2013102884888100002DEST_PATH_IMAGE006
，，，
Figure 2013102884888100002DEST_PATH_IMAGE012
，
Figure 2013102884888100002DEST_PATH_IMAGE014
为
Figure 2013102884888100002DEST_PATH_IMAGE016
时刻所述自回归神经网络控制器的输出，
Figure 2013102884888100002DEST_PATH_IMAGE018
为时刻所述自回归神经网络控制器的输出，为
Figure 2013102884888100002DEST_PATH_IMAGE024
时刻所述自回归神经网络控制器的输出，
Figure 2013102884888100002DEST_PATH_IMAGE026
为
Figure 507645DEST_PATH_IMAGE020
时刻光电编码器或力矩传感器的输出，
Figure 2013102884888100002DEST_PATH_IMAGE028
为
Figure 499872DEST_PATH_IMAGE024
时刻光电编码器或力矩传感器的输出，
Figure 2013102884888100002DEST_PATH_IMAGE030
为
Figure 2013102884888100002DEST_PATH_IMAGE032
时刻光电编码器或力矩传感器的输出；
所述自回归神经网络辨识器的输入层的输出信号
Figure 2013102884888100002DEST_PATH_IMAGE034
为：
Figure 2013102884888100002DEST_PATH_IMAGE036
    (2)
所述自回归神经网络辨识器的隐含层有p个节点，所述自回归神经网络辨识器的隐含层的输入信号
Figure 2013102884888100002DEST_PATH_IMAGE038
为：
Figure 2013102884888100002DEST_PATH_IMAGE040
    (3)
其中
Figure 2013102884888100002DEST_PATH_IMAGE042
表示自回归神经网络辨识器的输入层与隐含层之间的联接权重，
Figure 2013102884888100002DEST_PATH_IMAGE044
表示自回归神经网络辨识器的隐含层节点自身的权重调整；
所述自回归神经网络辨识器的隐含层的输出信号
Figure 2013102884888100002DEST_PATH_IMAGE046
为：
    (4)
其中
Figure 2013102884888100002DEST_PATH_IMAGE050
函数为
Figure 2013102884888100002DEST_PATH_IMAGE052
所述自回归神经网络辨识器的输出层有2个节点，所述自回归神经网络辨识器的输出层的输入信号
Figure 2013102884888100002DEST_PATH_IMAGE054
为：
Figure 2013102884888100002DEST_PATH_IMAGE056
 
Figure 2013102884888100002DEST_PATH_IMAGE058
    (5)
其中
Figure 2013102884888100002DEST_PATH_IMAGE060
表示自回归神经网络辨识器的输出层与隐含层之间的联接权重；
所述自回归神经网络辨识器的输出层的输出信号为：
Figure 2013102884888100002DEST_PATH_IMAGE064
，其中
Figure 992033DEST_PATH_IMAGE054
表示输出向量；
所述自回归神经网络辨识器的误差函数
Figure 2013102884888100002DEST_PATH_IMAGE066
为：
Figure 2013102884888100002DEST_PATH_IMAGE068
    (6)
其中
Figure 2013102884888100002DEST_PATH_IMAGE070
表示所述光电编码器或力矩传感器的信号输出，
Figure 951768DEST_PATH_IMAGE062
表示所述自回归神经网络辨识器的输出；
所述自回归神经网络辨识器的联接权重
Figure 2013102884888100002DEST_PATH_IMAGE072
、
Figure 2013102884888100002DEST_PATH_IMAGE074
、
Figure 2013102884888100002DEST_PATH_IMAGE076
的学习速率按照梯度最快下降原理进行调整，即
    (7)
Figure 2013102884888100002DEST_PATH_IMAGE080
    (8)
    (9)
其中
Figure 2013102884888100002DEST_PATH_IMAGE084
=
Figure 2013102884888100002DEST_PATH_IMAGE086
，
Figure 2013102884888100002DEST_PATH_IMAGE088
=
Figure 2013102884888100002DEST_PATH_IMAGE090
，
Figure 2013102884888100002DEST_PATH_IMAGE092
=，、
Figure 2013102884888100002DEST_PATH_IMAGE098
、
Figure 2013102884888100002DEST_PATH_IMAGE100
是所述自回归神经网络辨识器的联接权重
Figure 351525DEST_PATH_IMAGE072
、
Figure 994996DEST_PATH_IMAGE074
、
Figure 799004DEST_PATH_IMAGE076
的学习速率；
令
Figure 2013102884888100002DEST_PATH_IMAGE102
，，则
Figure 2013102884888100002DEST_PATH_IMAGE106
Figure 2013102884888100002DEST_PATH_IMAGE108
    (10)
Figure 2013102884888100002DEST_PATH_IMAGE110
    (11)
Figure 2013102884888100002DEST_PATH_IMAGE114
Figure 2013102884888100002DEST_PATH_IMAGE116
    (12)
Figure 2013102884888100002DEST_PATH_IMAGE118
    (13)
Figure 465609DEST_PATH_IMAGE102
Figure 2013102884888100002DEST_PATH_IMAGE120
Figure 2013102884888100002DEST_PATH_IMAGE122
    (13-2)
所述自回归神经网络控制器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络控制器的输入层的输入信号
Figure 2013102884888100002DEST_PATH_IMAGE124
为：
Figure 2013102884888100002DEST_PATH_IMAGE126
    (14)
其中
Figure 2013102884888100002DEST_PATH_IMAGE128
，
Figure 2013102884888100002DEST_PATH_IMAGE130
，，
Figure 2013102884888100002DEST_PATH_IMAGE134
为
Figure 200216DEST_PATH_IMAGE016
时刻外部给定的参考轨迹；
所述自回归神经网络控制器的输入层的输出信号
Figure 2013102884888100002DEST_PATH_IMAGE136
为：
Figure 2013102884888100002DEST_PATH_IMAGE138
    (15)
所述自回归神经网络控制器的隐含层有q个节点，所述自回归神经网络控制器的隐含层的输入信号
Figure 2013102884888100002DEST_PATH_IMAGE140
为：
    (16)
其中
Figure 2013102884888100002DEST_PATH_IMAGE144
表示所述自回归神经网络控制器的输入层与隐含层之间的联接权重，
Figure 2013102884888100002DEST_PATH_IMAGE146
表示所述自回归神经网络控制器的隐含层自身的权重调整；
所述自回归神经网络控制器的隐含层的输出信号
Figure 2013102884888100002DEST_PATH_IMAGE148
为：
Figure 2013102884888100002DEST_PATH_IMAGE150
    (17)
所述自回归神经网络控制器的输出层有2个节点，所述自回归神经网络控制器的输出层的输入信号
Figure 2013102884888100002DEST_PATH_IMAGE152
为：
Figure 2013102884888100002DEST_PATH_IMAGE154
 
Figure 353985DEST_PATH_IMAGE058
    (18)
其中
Figure 2013102884888100002DEST_PATH_IMAGE156
表示所述自回归神经网络控制器的输出层与隐含层之间的联接权重；
所述自回归神经网络控制器的输出层的输出信号
Figure 2013102884888100002DEST_PATH_IMAGE158
为：
Figure 2013102884888100002DEST_PATH_IMAGE160
    (19)
所述自回归神经网络控制器的误差函数：
Figure 2013102884888100002DEST_PATH_IMAGE164
    (20)
其中
Figure 2013102884888100002DEST_PATH_IMAGE166
，
Figure 63315DEST_PATH_IMAGE070
表示所述光电编码器或力矩传感器的信号输出，
Figure 2013102884888100002DEST_PATH_IMAGE168
表示外部输入的参考轨迹或曲线的控制信号；
所述自回归神经网络控制器的联接权重
Figure 2013102884888100002DEST_PATH_IMAGE170
、
Figure 2013102884888100002DEST_PATH_IMAGE172
、
Figure 2013102884888100002DEST_PATH_IMAGE174
的学习速率也按照梯度最快下降原理进行调整，即
    (21)
Figure 2013102884888100002DEST_PATH_IMAGE178
    (22)
Figure 2013102884888100002DEST_PATH_IMAGE180
    (23)
其中=
Figure 2013102884888100002DEST_PATH_IMAGE184
，
Figure 2013102884888100002DEST_PATH_IMAGE186
=
Figure 2013102884888100002DEST_PATH_IMAGE188
，
Figure 2013102884888100002DEST_PATH_IMAGE190
=
Figure 2013102884888100002DEST_PATH_IMAGE192
；
令
Figure 2013102884888100002DEST_PATH_IMAGE194
，
Figure 2013102884888100002DEST_PATH_IMAGE196
，则
Figure 2013102884888100002DEST_PATH_IMAGE198
Figure 2013102884888100002DEST_PATH_IMAGE200
    (24)
Figure 2013102884888100002DEST_PATH_IMAGE202
    (25)
Figure 2013102884888100002DEST_PATH_IMAGE206
Figure 2013102884888100002DEST_PATH_IMAGE208
    (26)
神经网络学习完成后，由自回归神经网络辨识器估计
Figure 2013102884888100002DEST_PATH_IMAGE210
的值，即，则
Figure 2013102884888100002DEST_PATH_IMAGE214
    (27)
    (28)
Figure 2013102884888100002DEST_PATH_IMAGE218
    (29)。
所述自回归神经网络辨识器的权重调整规则为： 
Figure 2013102884888100002DEST_PATH_IMAGE220
Figure 2013102884888100002DEST_PATH_IMAGE224
所述自回归神经网络控制器的权重调整规则为：
Figure 2013102884888100002DEST_PATH_IMAGE226
 
Figure 2013102884888100002DEST_PATH_IMAGE228
 
Figure 2013102884888100002DEST_PATH_IMAGE230
。
本发明的有益效果是使用飞轮惯性负载作为负载，可在测试时根据需要改变飞轮惯性负载的大小，提高了负载调整的灵活性，且飞轮惯量可以预先进行测算，避免了测功机在惯量较小时测量结果的非线性，提高了测试结果的准确性，可以获得较好的瞬态特性测试性能。此外，该装置设计合理，结构简单、紧凑，制造成本低，具有很强的实用性和广阔的应用前景。 
附图说明
图1是本发明实施例的结构示意图。 
图2是本发明实施例的控制电路原理图。 
图中，1-光电编码器，2-光电编码器固定支架，3-超声波电机输出轴，4-超声波电机，5-超声波电机固定支架，6-超声波电机输出轴，7-飞轮惯性负载，8-飞轮惯性负载输出轴，9-弹性联轴器，10-力矩传感器，11-力矩传感器固定支架，12-基座，13-控制芯片电路，14-驱动芯片电路，15、16、17-光电编码器输出的A、B、Z相信号，18、19、20、21-驱动芯片电路产生的驱动频率调节信号，22-驱动芯片电路产生的驱动半桥电路调节信号，23、24、25、26、27、28-控制芯片电路产生的驱动驱动芯片电路的信号，29-超声波电机驱动控制电路。 
具体实施方式
本发明超声波电机瞬态特性测试装置，如图1所示，包括基座12和设于基座12上的超声波电机4，所述超声波电机4一侧输出轴3与光电编码器1相连接，另一侧输出轴6与飞轮惯性负载7相连接，所述飞轮惯性负载7的输出轴8经弹性联轴器9与力矩传感器10相连接，所述光电编码器1的信号输出端、所述力矩传感器10的信号输出端分别接至控制系统。 
上述超声波电机4、光电编码器1、力矩传感器10分别经超声波电机固定支架5、光电编码器固定支架2、力矩传感器固定支架11固定于所述基座12上。 
如图2所示，上述控制系统包括超声波电机驱动控制电路29，所述超声波电机驱动控制电路29包括控制芯片电路13和驱动芯片电路14，所述光电编码器1的信号输出端与所述控制芯片电路13的相应输入端相连接，所述控制芯片电路13的输出端与所述驱动芯片电路14的相应输入端相连接，以驱动所述驱动芯片电路14，所述驱动芯片电路14的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机4的相应输入端相连接。所述驱动芯片电路14产生驱动频率调节信号和驱动半桥电路调节信号，对超声波电机输出A、B两相PWM的频率、相位及通断进行控制。通过开通及关断PWM波的输出来控制超声波电机的启动和停止运行；通过调节输出的PWM波的频率及两相的相位差来调节电机的最佳运行状态。 
本装置在不同控制变量和不同飞轮惯性负载下通过高分辨率的光电编码器和力矩传感器测量电机的瞬态特性，由已知的转动惯量和实验得到的动态力矩来确定不同负载、不同控制变量下的控制动态特性。 
本发明超声波电机瞬态特性测试装置的控制系统，由自回归神经网络辨识器（RNNI）和自回归神经网络控制器（RNNC）组成；自回归神经网络辨识器完成对超声波电机在不同控制变量和不同飞轮惯性负载下输入输出特性的辨识，自回归神经网络控制器根据辨识结果实现对超声波电机在不同控制变量和不同飞轮惯性负载下的速度/位置/力矩控制输出，以确定不同负载、不同控制变量下的控制动态特性。如上所述，在本实施例中，所述控制系统的硬件电路包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述自回归神经网络辨识器和自回归神经网络控制器设于所述控制芯片电路中。 
所述自回归神经网络辨识器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络辨识器的输入层有s个节点，s为不小于4 的偶数，所述自回归神经网络辨识器的输入层的输入信号
Figure DEST_PATH_IMAGE232
为： 
Figure DEST_PATH_IMAGE234
    (1)
其中
Figure 981330DEST_PATH_IMAGE002
，，
Figure 685161DEST_PATH_IMAGE006
，
Figure 627710DEST_PATH_IMAGE008
，
Figure 65644DEST_PATH_IMAGE010
，
Figure 486261DEST_PATH_IMAGE012
，
Figure 427672DEST_PATH_IMAGE014
为
Figure 541122DEST_PATH_IMAGE016
时刻所述自回归神经网络控制器的输出，为
Figure 690660DEST_PATH_IMAGE020
时刻所述自回归神经网络控制器的输出，为
Figure 505350DEST_PATH_IMAGE024
时刻所述自回归神经网络控制器的输出，
Figure 917877DEST_PATH_IMAGE026
为时刻光电编码器或力矩传感器的输出，
Figure 845567DEST_PATH_IMAGE028
为
Figure 35240DEST_PATH_IMAGE024
时刻光电编码器或力矩传感器的输出，
Figure 935063DEST_PATH_IMAGE030
为
Figure 970015DEST_PATH_IMAGE032
时刻光电编码器或力矩传感器的输出；
所述自回归神经网络辨识器的输入层的输出信号
Figure 271683DEST_PATH_IMAGE034
为：
Figure 632258DEST_PATH_IMAGE036
    (2)
所述自回归神经网络辨识器的隐含层有p个节点，所述自回归神经网络辨识器的隐含层的输入信号
Figure 488218DEST_PATH_IMAGE038
为：
Figure 858020DEST_PATH_IMAGE040
    (3)
其中表示自回归神经网络辨识器的输入层与隐含层之间的联接权重，表示自回归神经网络辨识器的隐含层节点自身的权重调整；
所述自回归神经网络辨识器的隐含层的输出信号
Figure 623347DEST_PATH_IMAGE046
为：
Figure 514949DEST_PATH_IMAGE048
    (4)
其中
Figure 994472DEST_PATH_IMAGE050
函数为
所述自回归神经网络辨识器的输出层有2个节点，所述自回归神经网络辨识器的输出层的输入信号
Figure 58560DEST_PATH_IMAGE054
为：
Figure 239005DEST_PATH_IMAGE056
 
Figure 104193DEST_PATH_IMAGE058
    (5)
其中
Figure 243050DEST_PATH_IMAGE060
表示自回归神经网络辨识器的输出层与隐含层之间的联接权重；
所述自回归神经网络辨识器的输出层的输出信号为：
Figure 545036DEST_PATH_IMAGE064
，其中
Figure 248419DEST_PATH_IMAGE054
表示输出向量；
所述自回归神经网络辨识器的误差函数
Figure 558177DEST_PATH_IMAGE066
为：
Figure 97743DEST_PATH_IMAGE068
    (6)
其中
Figure 151150DEST_PATH_IMAGE070
表示所述光电编码器或力矩传感器的信号输出，
Figure 990930DEST_PATH_IMAGE062
表示所述自回归神经网络辨识器的输出；
所述自回归神经网络辨识器的联接权重
Figure 940431DEST_PATH_IMAGE072
、
Figure 232872DEST_PATH_IMAGE074
、
Figure 89970DEST_PATH_IMAGE076
的学习速率按照梯度最快下降原理进行调整，即
Figure 253098DEST_PATH_IMAGE078
    (7)
    (8)
Figure 949975DEST_PATH_IMAGE082
    (9)
其中=
Figure 612087DEST_PATH_IMAGE086
，
Figure 700128DEST_PATH_IMAGE088
=
Figure 967162DEST_PATH_IMAGE090
，=，
Figure 297146DEST_PATH_IMAGE096
、、
Figure 257329DEST_PATH_IMAGE100
是所述自回归神经网络辨识器的联接权重、
Figure 210558DEST_PATH_IMAGE074
、
Figure 655446DEST_PATH_IMAGE076
的学习速率；
令
Figure 196149DEST_PATH_IMAGE102
，
Figure 839620DEST_PATH_IMAGE104
，则
Figure 174786DEST_PATH_IMAGE106
Figure 633536DEST_PATH_IMAGE108
    (10)
Figure 210328DEST_PATH_IMAGE112
    (11)
Figure 401455DEST_PATH_IMAGE116
    (12)
Figure 283960DEST_PATH_IMAGE118
    (13)
Figure 636444DEST_PATH_IMAGE102
Figure 47834DEST_PATH_IMAGE120
Figure 485768DEST_PATH_IMAGE122
    (13-2)
所述自回归神经网络控制器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络控制器的输入层的输入信号为：
Figure 378955DEST_PATH_IMAGE126
    (14)
其中，
Figure 620897DEST_PATH_IMAGE130
，
Figure 845205DEST_PATH_IMAGE132
，
Figure 890391DEST_PATH_IMAGE134
为
Figure 174741DEST_PATH_IMAGE016
时刻外部给定的参考轨迹；
所述自回归神经网络控制器的输入层的输出信号为：
Figure 349688DEST_PATH_IMAGE138
    (15)
所述自回归神经网络控制器的隐含层有q个节点，所述自回归神经网络控制器的隐含层的输入信号
Figure 112DEST_PATH_IMAGE140
为：
    (16)
其中
Figure 355187DEST_PATH_IMAGE144
表示所述自回归神经网络控制器的输入层与隐含层之间的联接权重，
Figure 390139DEST_PATH_IMAGE146
表示所述自回归神经网络控制器的隐含层自身的权重调整；
所述自回归神经网络控制器的隐含层的输出信号为：
    (17)
所述自回归神经网络控制器的输出层有2个节点，所述自回归神经网络控制器的输出层的输入信号
Figure 439501DEST_PATH_IMAGE152
为：
Figure 12564DEST_PATH_IMAGE154
 
Figure 168739DEST_PATH_IMAGE058
    (18)
其中
Figure 965794DEST_PATH_IMAGE156
表示所述自回归神经网络控制器的输出层与隐含层之间的联接权重；
所述自回归神经网络控制器的输出层的输出信号
Figure 574630DEST_PATH_IMAGE158
为：
Figure 466231DEST_PATH_IMAGE160
    (19)
所述自回归神经网络控制器的误差函数：
Figure 444869DEST_PATH_IMAGE164
    (20)
其中
Figure 9842DEST_PATH_IMAGE166
，
Figure 455867DEST_PATH_IMAGE070
表示所述光电编码器或力矩传感器的信号输出，
Figure 586634DEST_PATH_IMAGE168
表示外部输入的参考轨迹或曲线的控制信号；
所述自回归神经网络控制器的联接权重
Figure 725491DEST_PATH_IMAGE170
、
Figure 777761DEST_PATH_IMAGE172
、
Figure 27477DEST_PATH_IMAGE174
的学习速率也按照梯度最快下降原理进行调整，即
Figure 12750DEST_PATH_IMAGE176
    (21)
Figure 322509DEST_PATH_IMAGE178
    (22)
Figure 862075DEST_PATH_IMAGE180
    (23)
其中
Figure 915481DEST_PATH_IMAGE182
=，
Figure 954030DEST_PATH_IMAGE186
=，
Figure 103569DEST_PATH_IMAGE190
=；
令，
Figure 963575DEST_PATH_IMAGE196
，则
Figure 358784DEST_PATH_IMAGE198
Figure 376419DEST_PATH_IMAGE200
    (24)
Figure 464460DEST_PATH_IMAGE202
Figure 731494DEST_PATH_IMAGE204
    (25)
Figure 664814DEST_PATH_IMAGE206
Figure 802535DEST_PATH_IMAGE208
    (26)
由于超声波电机的输入输出数学模型非线性，因此
Figure 61478DEST_PATH_IMAGE210
未知。当神经网络学习完成后，它的值可以由自回归神经网络辨识器进行估计，即
Figure 550228DEST_PATH_IMAGE212
，则有
Figure 552819DEST_PATH_IMAGE214
    (27)
Figure 794313DEST_PATH_IMAGE216
    (28)
Figure 958578DEST_PATH_IMAGE218
    (29)。
所述自回归神经网络辨识器的权重调整规则为： 
Figure 200204DEST_PATH_IMAGE220
Figure 587640DEST_PATH_IMAGE224
。
所述自回归神经网络控制器的权重调整规则为： 
Figure DEST_PATH_IMAGE236
 
Figure DEST_PATH_IMAGE238
 
Figure 657227DEST_PATH_IMAGE230
。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。 

Claims (8)

1.一种超声波电机瞬态特性测试装置，包括基座和设于基座上的超声波电机，其特征在于：所述超声波电机一侧输出轴与光电编码器相连接，另一侧输出轴与飞轮惯性负载相连接，所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接，所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统。
2.根据权利要求1所述的超声波电机瞬态特性测试装置，其特征在于：所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动芯片电路，所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接。
3.根据权利要求1所述的超声波电机瞬态特性测试装置，其特征在于：所述联轴器为弹性联轴器。
4.根据权利要求1所述的超声波电机瞬态特性测试装置，其特征在于：所述超声波电机、光电编码器、力矩传感器分别经超声波电机固定支架、光电编码器固定支架、力矩传感器固定支架固定于所述基座上。
5.一种如权利要求1所述的超声波电机瞬态特性测试装置的控制系统，其特征在于：由自回归神经网络辨识器和自回归神经网络控制器组成；
所述自回归神经网络辨识器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络辨识器的输入层有s个节点，s为不小于4 的偶数，所述自回归神经网络辨识器的输入层的输入信号为：
Figure DEST_PATH_IMAGE002
    (1)
其中
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
为
Figure DEST_PATH_IMAGE018
时刻所述自回归神经网络控制器的输出，
Figure DEST_PATH_IMAGE020
为时刻所述自回归神经网络控制器的输出，
Figure DEST_PATH_IMAGE024
为
Figure DEST_PATH_IMAGE026
时刻所述自回归神经网络控制器的输出，
Figure DEST_PATH_IMAGE028
为
Figure 727703DEST_PATH_IMAGE022
时刻光电编码器或力矩传感器的输出，为
Figure 113685DEST_PATH_IMAGE026
时刻光电编码器或力矩传感器的输出，
Figure DEST_PATH_IMAGE032
为
Figure DEST_PATH_IMAGE034
时刻光电编码器或力矩传感器的输出；
所述自回归神经网络辨识器的输入层的输出信号
Figure DEST_PATH_IMAGE036
为：
Figure DEST_PATH_IMAGE038
    (2)
所述自回归神经网络辨识器的隐含层有p个节点，所述自回归神经网络辨识器的隐含层的输入信号
Figure DEST_PATH_IMAGE040
为：
Figure DEST_PATH_IMAGE042
    (3)
其中
Figure DEST_PATH_IMAGE044
表示自回归神经网络辨识器的输入层与隐含层之间的联接权重，
Figure DEST_PATH_IMAGE046
表示自回归神经网络辨识器的隐含层节点自身的权重调整；
所述自回归神经网络辨识器的隐含层的输出信号
Figure DEST_PATH_IMAGE048
为：
    (4)
其中函数为
Figure DEST_PATH_IMAGE054
所述自回归神经网络辨识器的输出层有2个节点，所述自回归神经网络辨识器的输出层的输入信号为：
Figure DEST_PATH_IMAGE058
     (5)
其中
Figure DEST_PATH_IMAGE062
表示自回归神经网络辨识器的输出层与隐含层之间的联接权重；
所述自回归神经网络辨识器的输出层的输出信号
Figure DEST_PATH_IMAGE064
为：
，其中
Figure 142690DEST_PATH_IMAGE056
表示输出向量；
所述自回归神经网络辨识器的误差函数为：
    (6)
其中
Figure DEST_PATH_IMAGE072
表示所述光电编码器或力矩传感器的信号输出，表示所述自回归神经网络辨识器的输出；
所述自回归神经网络辨识器的联接权重
Figure DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE078
的学习速率按照梯度最快下降原理进行调整，即
Figure DEST_PATH_IMAGE080
    (7)
Figure DEST_PATH_IMAGE082
    (8)
Figure DEST_PATH_IMAGE084
    (9)
其中=
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
=
Figure DEST_PATH_IMAGE092
，=
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE100
、
Figure DEST_PATH_IMAGE102
是所述自回归神经网络辨识器的联接权重
Figure 224708DEST_PATH_IMAGE074
、、
Figure 501154DEST_PATH_IMAGE078
的学习速率；
令
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
，则
Figure DEST_PATH_IMAGE108
Figure DEST_PATH_IMAGE110
    (10)
Figure DEST_PATH_IMAGE112
    (11)
Figure DEST_PATH_IMAGE118
    (12)
Figure DEST_PATH_IMAGE120
    (13)
Figure 949322DEST_PATH_IMAGE104
Figure DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE124
    (13-2)
所述自回归神经网络控制器由输入层、隐含层和输出层三层网络组成；所述自回归神经网络控制器的输入层的输入信号
Figure DEST_PATH_IMAGE126
为：
Figure DEST_PATH_IMAGE128
    (14)
其中
Figure DEST_PATH_IMAGE130
，
Figure DEST_PATH_IMAGE132
，，
Figure DEST_PATH_IMAGE136
为
Figure 24726DEST_PATH_IMAGE018
时刻外部给定的参考轨迹或曲线；
所述自回归神经网络控制器的输入层的输出信号
Figure DEST_PATH_IMAGE138
为：
Figure DEST_PATH_IMAGE140
    (15)
所述自回归神经网络控制器的隐含层有q个节点，所述自回归神经网络控制器的隐含层的输入信号
Figure DEST_PATH_IMAGE142
为：
    (16)
其中
Figure DEST_PATH_IMAGE146
表示所述自回归神经网络控制器的输入层与隐含层之间的联接权重，
Figure DEST_PATH_IMAGE148
表示所述自回归神经网络控制器的隐含层自身的权重调整；
所述自回归神经网络控制器的隐含层的输出信号
Figure DEST_PATH_IMAGE150
为：
Figure DEST_PATH_IMAGE152
    (17)
所述自回归神经网络控制器的输出层有2个节点，所述自回归神经网络控制器的输出层的输入信号
Figure DEST_PATH_IMAGE154
为：
 
Figure 685600DEST_PATH_IMAGE060
    (18)
其中
Figure DEST_PATH_IMAGE158
表示所述自回归神经网络控制器的输出层与隐含层之间的联接权重；
所述自回归神经网络控制器的输出层的输出信号
Figure DEST_PATH_IMAGE160
为：
Figure DEST_PATH_529701DEST_PATH_IMAGE082
  (19)
所述自回归神经网络控制器的误差函数
Figure DEST_PATH_IMAGE162
：
Figure DEST_PATH_IMAGE164
    (20)
其中
Figure DEST_PATH_IMAGE166
，表示所述光电编码器或力矩传感器的信号输出，
Figure DEST_PATH_IMAGE168
表示外部输入的参考轨迹或曲线的控制信号；
所述自回归神经网络控制器的联接权重
Figure DEST_PATH_IMAGE170
、
Figure DEST_PATH_IMAGE172
、
Figure DEST_PATH_IMAGE174
的学习速率也按照梯度最快下降原理进行调整，即
Figure DEST_PATH_IMAGE176
    (21)
Figure DEST_PATH_IMAGE178
    (22)
Figure DEST_PATH_IMAGE180
    (23)
其中
Figure DEST_PATH_IMAGE182
=
Figure DEST_PATH_IMAGE184
，
Figure DEST_PATH_IMAGE186
=，
Figure DEST_PATH_IMAGE190
=
Figure DEST_PATH_IMAGE192
；
令
Figure DEST_PATH_IMAGE194
，
Figure DEST_PATH_IMAGE196
，则
Figure DEST_PATH_IMAGE200
    (24)
Figure DEST_PATH_IMAGE202
Figure DEST_PATH_IMAGE204
    (25)
Figure DEST_PATH_IMAGE206
Figure DEST_PATH_IMAGE208
    (26)
神经网络学习完成后，由自回归神经网络辨识器估计的值，即，则
    (27)
Figure DEST_PATH_IMAGE216
    (28)
Figure DEST_PATH_IMAGE218
    (29)。
6.根据权利要求5所述的超声波电机瞬态特性测试装置的控制系统，其特征在于：所述自回归神经网络辨识器的权重调整规则为：
Figure DEST_PATH_IMAGE220
Figure DEST_PATH_IMAGE222
。
7.根据权利要求5所述的超声波电机瞬态特性测试装置的控制系统，其特征在于：所述自回归神经网络控制器的权重调整规则为：
Figure DEST_PATH_IMAGE226
 
Figure DEST_PATH_IMAGE228
 
Figure DEST_PATH_IMAGE230
。
8.根据权利要求5所述的超声波电机瞬态特性测试装置的控制系统，其特征在于：所述控制系统的硬件电路包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动芯片电路，所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接，所述自回归神经网络辨识器和自回归神经网络控制器设于所述控制芯片电路中。
CN201310288488.8A 2013-07-10 2013-07-10 超声波电机瞬态特性测试装置及其控制系统 Expired - Fee Related CN103513181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310288488.8A CN103513181B (zh) 2013-07-10 2013-07-10 超声波电机瞬态特性测试装置及其控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310288488.8A CN103513181B (zh) 2013-07-10 2013-07-10 超声波电机瞬态特性测试装置及其控制系统

Publications (2)

Publication Number Publication Date
CN103513181A true CN103513181A (zh) 2014-01-15
CN103513181B CN103513181B (zh) 2016-03-02

Family

ID=49896215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310288488.8A Expired - Fee Related CN103513181B (zh) 2013-07-10 2013-07-10 超声波电机瞬态特性测试装置及其控制系统

Country Status (1)

Country Link
CN (1) CN103513181B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105099263A (zh) * 2015-09-28 2015-11-25 闽江学院 基于广义回归神经网络辨识器的超声波电机位置与速度控制系统
CN105116733A (zh) * 2015-09-25 2015-12-02 闽江学院 改良型粒子群寻优神经网络超声波电机控制系统及其方法
CN105137763A (zh) * 2015-10-10 2015-12-09 闽江学院 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法
CN105159091A (zh) * 2015-09-25 2015-12-16 闽江学院 一种超声波电机适应性递归式神经网络控制系统
CN105223806A (zh) * 2015-10-20 2016-01-06 闽江学院 基于基底函数网络的超声波电机模糊神经网络控制方法
CN106208807A (zh) * 2016-09-19 2016-12-07 闽江学院 基于观测器的超声波电机伺服控制系统滞回补偿控制方法
CN106253744A (zh) * 2016-09-19 2016-12-21 闽江学院 超声波电机力矩滞回控制方法
CN106329986A (zh) * 2016-08-09 2017-01-11 闽江学院 一种超声波电机反步自适应伺服控制方法
CN106341065A (zh) * 2016-10-12 2017-01-18 闽江学院 超声波电机伺服控制系统速度死区补偿控制装置及方法
CN106505909A (zh) * 2016-11-17 2017-03-15 闽江学院 基于广义回归神经网络的超声波电机非线性死区补偿控制系统及方法
CN107093962A (zh) * 2017-06-29 2017-08-25 闽江学院 部分参数已知的二阶不确定滞后结构的自适应控制方法
CN107222128A (zh) * 2017-06-29 2017-09-29 闽江学院 部分参数未知的二阶不确定滞后结构的自适应控制方法
CN107222127A (zh) * 2017-06-26 2017-09-29 闽江学院 一种无参数信息间隙稳定的压电电机自适应控制方法
CN107257211A (zh) * 2017-06-26 2017-10-17 闽江学院 部分参数已知条件下间隙稳定的压电电机自适应控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN112505601A (zh) * 2020-10-30 2021-03-16 中国船舶重工集团公司第七0九研究所 惯性mems器件电参数测量系统的校准装置和校准方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0731361A2 (en) * 1995-03-10 1996-09-11 Toyota Jidosha Kabushiki Kaisha Apparatus for testing power performance of electric motor for electric vehicle
CN202888804U (zh) * 2012-10-15 2013-04-17 南通大学 行波超声波电机步进运行堵转检测系统
CN203324452U (zh) * 2013-07-10 2013-12-04 闽江学院 超声波电机瞬态特性测试装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0731361A2 (en) * 1995-03-10 1996-09-11 Toyota Jidosha Kabushiki Kaisha Apparatus for testing power performance of electric motor for electric vehicle
CN202888804U (zh) * 2012-10-15 2013-04-17 南通大学 行波超声波电机步进运行堵转检测系统
CN203324452U (zh) * 2013-07-10 2013-12-04 闽江学院 超声波电机瞬态特性测试装置

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105159091A (zh) * 2015-09-25 2015-12-16 闽江学院 一种超声波电机适应性递归式神经网络控制系统
CN105116733A (zh) * 2015-09-25 2015-12-02 闽江学院 改良型粒子群寻优神经网络超声波电机控制系统及其方法
CN105116733B (zh) * 2015-09-25 2017-12-15 闽江学院 改良型粒子群寻优神经网络超声波电机控制系统及其方法
CN105099263A (zh) * 2015-09-28 2015-11-25 闽江学院 基于广义回归神经网络辨识器的超声波电机位置与速度控制系统
CN105137763B (zh) * 2015-10-10 2017-12-15 闽江学院 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法
CN105137763A (zh) * 2015-10-10 2015-12-09 闽江学院 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法
CN105223806A (zh) * 2015-10-20 2016-01-06 闽江学院 基于基底函数网络的超声波电机模糊神经网络控制方法
CN106329986A (zh) * 2016-08-09 2017-01-11 闽江学院 一种超声波电机反步自适应伺服控制方法
CN106329986B (zh) * 2016-08-09 2018-01-05 闽江学院 一种超声波电机反步自适应伺服控制方法
CN106208807A (zh) * 2016-09-19 2016-12-07 闽江学院 基于观测器的超声波电机伺服控制系统滞回补偿控制方法
CN106253744A (zh) * 2016-09-19 2016-12-21 闽江学院 超声波电机力矩滞回控制方法
CN106208807B (zh) * 2016-09-19 2018-01-05 闽江学院 基于观测器的超声波电机伺服控制系统滞回补偿控制方法
CN106341065A (zh) * 2016-10-12 2017-01-18 闽江学院 超声波电机伺服控制系统速度死区补偿控制装置及方法
CN106505909B (zh) * 2016-11-17 2018-09-18 闽江学院 一种超声波电机非线性死区补偿控制系统及方法
CN106505909A (zh) * 2016-11-17 2017-03-15 闽江学院 基于广义回归神经网络的超声波电机非线性死区补偿控制系统及方法
CN107257211A (zh) * 2017-06-26 2017-10-17 闽江学院 部分参数已知条件下间隙稳定的压电电机自适应控制方法
CN107222127A (zh) * 2017-06-26 2017-09-29 闽江学院 一种无参数信息间隙稳定的压电电机自适应控制方法
CN107257211B (zh) * 2017-06-26 2019-02-19 闽江学院 部分参数已知条件下间隙稳定的压电电机自适应控制方法
CN107222127B (zh) * 2017-06-26 2019-02-19 闽江学院 一种无参数信息间隙稳定的压电电机自适应控制方法
CN107222128A (zh) * 2017-06-29 2017-09-29 闽江学院 部分参数未知的二阶不确定滞后结构的自适应控制方法
CN107093962A (zh) * 2017-06-29 2017-08-25 闽江学院 部分参数已知的二阶不确定滞后结构的自适应控制方法
CN107222128B (zh) * 2017-06-29 2019-03-19 闽江学院 部分参数未知的二阶不确定滞后结构的自适应控制方法
CN107093962B (zh) * 2017-06-29 2019-03-19 闽江学院 部分参数已知的二阶不确定滞后结构的自适应控制方法
CN108818541A (zh) * 2018-09-11 2018-11-16 闽江学院 一种柔性关节机器人的自适应神经网络跟踪控制方法
CN112505601A (zh) * 2020-10-30 2021-03-16 中国船舶重工集团公司第七0九研究所 惯性mems器件电参数测量系统的校准装置和校准方法
CN112505601B (zh) * 2020-10-30 2022-11-08 中国船舶重工集团公司第七0九研究所 惯性mems器件电参数测量系统的校准装置和校准方法

Also Published As

Publication number Publication date
CN103513181B (zh) 2016-03-02

Similar Documents

Publication Publication Date Title
CN103513181A (zh) 超声波电机瞬态特性测试装置及其控制系统
CN203324452U (zh) 超声波电机瞬态特性测试装置
CN201910764U (zh) 一种基于终端滑模的永磁同步电机直接转矩控制系统
US10164560B2 (en) Method for creating switch reluctance motor memory sensor model
CN102654431A (zh) 具有机械模拟和电惯量模拟结合的制动器试验台及控制算法
CN101860294A (zh) 一种永磁同步电动机滑模控制的消抖方法
CN104034464A (zh) 偶数单元交流永磁电机转矩波动测试方法
CN104393808B (zh) 一种高压断路器直线电机操动机构的自抗扰控制器
CN102540900A (zh) 一种惯性动量轮高精度控制方法
CN103501148A (zh) 一种无轴承永磁同步电机无径向位移传感器运行控制方法
Usman¹ et al. Model Building And Cascade Compensation Of Angle Servo Control System
CN106505909A (zh) 基于广义回归神经网络的超声波电机非线性死区补偿控制系统及方法
CN203324811U (zh) 行波型超声波电机伺服控制系统控制特性测试装置
CN102221673B (zh) 多相化大功率低速永磁同步电机铜损及其温升的测试方法
Wang et al. Adaptive robust control of linear electrical loading system with dynamic friction compensation
CN204101701U (zh) 一种微电机测试系统
CN104090235B (zh) 奇数单元交流永磁电机转矩波动测试方法
CN103336523B (zh) 超声波电机伺服控制系统的控制策略
CN105099263A (zh) 基于广义回归神经网络辨识器的超声波电机位置与速度控制系统
CN110460251B (zh) 基于阻抗补偿的电力电子系统工况模拟装置
CN103822570A (zh) 基于伪反馈的ipmc位移传感器迟滞特性的补偿方法
CN104022707B (zh) 基于转子磁链观测器的异步电机速度控制装置及实现方法
Usynin et al. Pulse-vector control with indirect determination of rotor angular position
CN108344494A (zh) 基于感应线圈的低频电磁振动台运动速度检测装置
Chen et al. Lyapunov's stability theory-based model reference adaptive control for permanent magnet linear motor drives

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160302

Termination date: 20190710