CN105116724A - 基于遗传算法优化神经网络直线电机定位力辨识方法 - Google Patents
基于遗传算法优化神经网络直线电机定位力辨识方法 Download PDFInfo
- Publication number
- CN105116724A CN105116724A CN201510418937.5A CN201510418937A CN105116724A CN 105116724 A CN105116724 A CN 105116724A CN 201510418937 A CN201510418937 A CN 201510418937A CN 105116724 A CN105116724 A CN 105116724A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- genetic algorithm
- hidden layer
- node
- 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.)
- Pending
Links
Landscapes
- Control Of Multiple Motors (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于遗传算法优化神经网络直线电机定位力辨识方法,其步骤如下:步骤一:由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据。步骤二:确定神经网络拓扑结构。步骤三:初始化神经网络各个参数。步骤四:定义遗传算法适应度函数为预测数据误差。步骤五:将步骤三中的神经网络参数作为个体,执行遗传算法。步骤六:当达到最大进化次数时,结束遗传算法优化过程,得到最优参数,进行步骤七,否则执行步骤五。步骤七:将最优参数赋到神经网络。步骤八:训练神经网络更新参数。步骤九:达到训练次数,则用训练后网络进行辨识,否则执行步骤八。本方法不需要定位力精确数学模型,不会产生由于数学模型不准确而导致的理论误差。
Description
技术领域
本发明涉及一种辨识直线电机定位力的方法,具体涉及一种基于遗传算法优化神经网络直线电机定位力辨识方法。
背景技术
随着工业技术的发展,直线电机在各种伺服系统中应用广泛。在高精度伺服系统中,需要辨识直线电机定位力以进行补偿提高控制精度。
传统辨识方法存在对于该方法所需要的定位力数学模型精度要求高,每次建模只适用于该次辨识对象,具有局限性等问题。传统辨识方法无法在工程上补偿直线电机定位力前及时给出精确定位力模型。
当不采用辨识方法对直线电机定位力进行辨识时,就无法实现对直线电机的定位力补偿,在高精度伺服系统中会提高控制难度,难以保证系统精度;当采用传统辨识方法对直线电机定位力进行辨识时,需要保证辨识对象模型的精确性,否则会有较大辨识误差,而且辨识算法程序仅适用于当前对象,具有局限性。
发明内容
为了克服传统定位力辨识方法的局限性并实现直线电机定位力辨识,本发明提供了一种基于遗传算法优化神经网络直线电机定位力辨识方法。由采集的数据,经由遗传算法对神经网络参数进行优化,再通过神经网络辨识,可得到比较精确的直线电机定位力模型,而且算法程序可对采集的不同对象进行辨识,具有通用性。
本发明的目的是通过以下技术方案实现的:
一种基于遗传算法优化神经网络直线电机定位力辨识方法,包括以下步骤:
步骤一:由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据。
步骤二:确定神经网络拓扑结构。
步骤三:初始化神经网络各个参数。
步骤四:定义遗传算法适应度函数为预测数据误差。
步骤五:将步骤三中的神经网络参数作为个体,执行遗传算法。
步骤六:当达到最大进化次数时,结束遗传算法优化过程,得到最优参数,进行步骤七,否则执行步骤五。
步骤七:将最优参数赋到神经网络。
步骤八:训练神经网络更新参数。
步骤九:达到训练次数,则用训练后网络进行辨识,否则执行步骤八。
本发明有以下优点:
1、本方法不需要定位力精确数学模型,不会产生由于数学模型不准确而导致的理论误差;
2、本方法实现后的算法程序应用具有通用性和自适应性,在辨识精度要求不变的前提下,不需要针对每次辨识修改算法程序。
附图说明
图1为本发明算法流程图;
图2为本发明辨识主体神经网络拓扑结构图;
图3为采用本发明对直线电机定位力辨识结果及其与实际直线电机定位力的对比图像。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于遗传算法优化神经网络直线电机定位力辨识方法,如图1所示,具体步骤如下:
步骤一:将由加速度传感器采集的目标直线电机匀速拖动加速度数据经公式F=m·a转换成所需的定位力数据并进行归一化处理。
步骤二:确定神经网络拓扑结构,其拓扑结构如图2所示,分为三部分:输入层、隐含层和输出层。
步骤三:初始化神经网络参数:w0j、wijk、aij、b,a0j为输入层到第一层隐含层第j个节点的阈值;aij为第i层隐含层到第i+1层隐含层第j个节点的阈值;w0j为输入层与第一层隐含层第j个节点之间的权值;wijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值;b为最后一层隐含层到输出层节点的阈值。
步骤四:定义遗传算法适应度函数为预测数据误差。
步骤五:将步骤三中的神经网络参数作为个体,采用遗传算法在个体中作选择、变异、交叉操作。
步骤六:当达到预设的进化次数时,结束遗传算法优化过程,得到最优个体,即最优参数,进行步骤七,否则执行步骤五。
步骤七:将最优参数赋到神经网络。
步骤八:按(1)-(3)式进行神经网络的训练,其中Hij为第i层隐含层中第j个节点的输出;X为网络输入,即被辨识目标直线电机运动的位移;Y为网络输出,即被辨识目标直线电机对应于X的定位力;a0j为输入层到第一层隐含层第j个节点的阈值;aij为第i层隐含层到第i+1层隐含层第j个节点的阈值;w0j为输入层与第一层隐含层第j个节点之间的权值;wijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值;b为最后一层隐含层到输出层节点的阈值;ni为第i层隐含层的节点数。
Hij=f(w0jX+a0j),i=1(1);
步骤九:当达到预设训练次数之后,停止训练并对给定位置的定位力进行辨识,否则执行步骤八。
采用本发明对直线电机定位力辨识结果及其与实际直线电机定位力的对比图像如图3所示。
Claims (5)
1.一种基于遗传算法优化神经网络直线电机定位力辨识方法,其特征在于所述方法步骤如下:
步骤一:由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据;
步骤二:确定神经网络拓扑结构;
步骤三:初始化神经网络各个参数;
步骤四:定义遗传算法适应度函数为预测数据误差;
步骤五:将步骤三中的神经网络参数作为个体,执行遗传算法;
步骤六:当达到最大进化次数时,结束遗传算法优化过程,得到最优参数,进行步骤七,否则执行步骤五;
步骤七:将最优参数赋到神经网络;
步骤八:训练神经网络更新参数;
步骤九:达到训练次数,则用训练后网络进行辨识,否则执行步骤八。
2.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法,其特征在于所述步骤二中,神经网络拓扑结构分为三部分:输入层、隐含层和输出层。
3.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法,其特征在于所述步骤三中,初始化神经网络参数包括w0j、wijk、aij、b,a0j为输入层到第一层隐含层第j个节点的阈值;aij为第i层隐含层到第i+1层隐含层第j个节点的阈值;w0j为输入层与第一层隐含层第j个节点之间的权值;wijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值;b为最后一层隐含层到输出层节点的阈值。
4.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法,其特征在于所述步骤五中,采用遗传算法在个体中作选择、变异、交叉操作。
5.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法,其特征在于所述步骤八中,按(1)-(3)式进行神经网络的训练,其中Hij为第i层隐含层中第j个节点的输出;X为网络输入;Y为网络输出;a0j为输入层到第一层隐含层第j个节点的阈值;aij为第i层隐含层到第i+1层隐含层第j个节点的阈值;w0j为输入层与第一层隐含层第j个节点之间的权值;wijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值;b为最后一层隐含层到输出层节点的阈值;ni为第i层隐含层的节点数;
H1j=f(w0jX+a0j)(1);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418937.5A CN105116724A (zh) | 2015-07-16 | 2015-07-16 | 基于遗传算法优化神经网络直线电机定位力辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418937.5A CN105116724A (zh) | 2015-07-16 | 2015-07-16 | 基于遗传算法优化神经网络直线电机定位力辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105116724A true CN105116724A (zh) | 2015-12-02 |
Family
ID=54664743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510418937.5A Pending CN105116724A (zh) | 2015-07-16 | 2015-07-16 | 基于遗传算法优化神经网络直线电机定位力辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105116724A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983093A (zh) * | 2018-06-13 | 2018-12-11 | 哈尔滨工业大学 | 一种直线电机定位力测试方法和测试装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636994A (zh) * | 2012-04-25 | 2012-08-15 | 哈尔滨工程大学 | 潜器全方位推进器单通道电液位置伺服控制方法 |
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN104181928A (zh) * | 2014-09-15 | 2014-12-03 | 大连大学 | 航天器双环滑模变结构姿态控制参数优化方法 |
CN104201964A (zh) * | 2014-09-12 | 2014-12-10 | 东南大学 | 一种磁通切换直线电机速度脉动抑制方法 |
-
2015
- 2015-07-16 CN CN201510418937.5A patent/CN105116724A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636994A (zh) * | 2012-04-25 | 2012-08-15 | 哈尔滨工程大学 | 潜器全方位推进器单通道电液位置伺服控制方法 |
CN103092074A (zh) * | 2012-12-30 | 2013-05-08 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
CN104201964A (zh) * | 2014-09-12 | 2014-12-10 | 东南大学 | 一种磁通切换直线电机速度脉动抑制方法 |
CN104181928A (zh) * | 2014-09-15 | 2014-12-03 | 大连大学 | 航天器双环滑模变结构姿态控制参数优化方法 |
Non-Patent Citations (1)
Title |
---|
刘武军: "《基于遗传算法和BP神经网络的可展开天线的控制》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983093A (zh) * | 2018-06-13 | 2018-12-11 | 哈尔滨工业大学 | 一种直线电机定位力测试方法和测试装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110385720B (zh) | 一种基于深度神经网络的机器人定位误差补偿方法 | |
JP6781183B2 (ja) | 制御装置及び機械学習装置 | |
JP5475629B2 (ja) | 軌道計画方法、軌道計画システム及びロボット | |
CN104614991B (zh) | 提高机器人参数辨识精度的方法 | |
CN107479547B (zh) | 基于示教学习的决策树行为决策算法 | |
CN104122796B (zh) | 一种智能装配序列规划方法 | |
CN111195906B (zh) | 用于预测机器人的运动轨迹的方法和系统 | |
CN104516268A (zh) | 一种基于模糊神经网络的机器人标定误差补偿方法 | |
CN103399488B (zh) | 基于自学习的多模型控制方法 | |
CN111002302B (zh) | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 | |
WO2021109166A1 (zh) | 三维激光定位方法及系统 | |
CN109764876B (zh) | 无人平台的多模态融合定位方法 | |
CN114943182A (zh) | 基于图神经网络的机器人线缆形状控制方法及设备 | |
CN110039537B (zh) | 一种基于神经网络的在线自学习多关节运动规划方法 | |
CN106444382A (zh) | 一种保证物理可行性的串联机器人动力学参数辨识方法 | |
CN105116724A (zh) | 基于遗传算法优化神经网络直线电机定位力辨识方法 | |
CN103454976B (zh) | 一种应用后置程序逆向建模的方法 | |
CN115562258A (zh) | 基于神经网络的机器人社会自适应路径规划方法及系统 | |
CN111008549A (zh) | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 | |
CN114153216B (zh) | 基于深度强化学习和块规划的月面路径规划系统和方法 | |
CN114967472A (zh) | 一种无人机轨迹跟踪状态补偿深度确定性策略梯度控制方法 | |
CN103605143A (zh) | 一种神经网络组合导航方法 | |
CN110889218B (zh) | 基于神经网络的水轮机非线性建模方法 | |
CN114527759A (zh) | 一种基于分层强化学习的端到端驾驶方法 | |
CN113290557A (zh) | 一种基于数据驱动的蛇形机器人控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151202 |
|
WD01 | Invention patent application deemed withdrawn after publication |