CN105223809A - H型平台的模糊神经网络补偿器的同步控制系统及方法 - Google Patents

Abstract

一种H型平台的模糊神经网络补偿器的同步控制系统及方法，该控制系统硬件包括主电路、控制电路和控制对象三部分；控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路；本发明包括非奇异终端滑模控制的改进，改善系统的抖振问题；模糊神经网络补偿控制器的设计，减小系统的同步误差，提高同步性。

Description

H型平台的模糊神经网络补偿器的同步控制系统及方法

技术领域：本发明属于数控技术领域，特别涉及一种基于Sugeno型模糊神经网络补偿控制器的双轴驱动H型平台的同步控制方法。

背景技术：传统的精密运动平台大多使用旋转电机带动丝杠螺母副，将旋转运动转化为运动平台的直线运动。这种驱动方式存在传动链长、系统结构复杂、附加的惯量大、系统刚度低、摩擦影响大等缺点。为了解决以上这些严重影响运动平台精度的因素，新型的精密运动平台采用直线电机直接驱动的方式，去除了电动机到运动平台的传动环节，将传动链缩短为零；此外，新型的精密运动平台使用气浮轴承导向和支承，基本消除摩擦的影响，还为系统提供了较大的刚度。

以往在XY平台或是多轴加工的控制应用中，各轴仅由单轴电机所驱动，然而为了符合高加速、高推力和高刚性的需求，龙门式定位平台控制系统采用双直线电机共同驱动的单轴平行系统，即具有机械耦合的双线性伺服系统。在此结构下，各组电机加的位置误差，由于机械耦合，除了影响精度外，亦可能使耦合机械产生形变，造成受控系统的损坏。因此确保双直线电机的同步运动相当重要。

发明内容：

发明目的：本发明提供一种H型平台的模糊神经网络补偿器的同步控制系统及方法，其目的是解决以往所存在的问题。

技术方案：本发明是通过以下技术方案实现的：

一种H型平台的模糊神经网络补偿器的同步控制系统，其特征在于：该控制系统硬件包括主电路、控制电路和控制对象三部分；控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路；主电路包括调压电路、整流滤波单元和IPM逆变单元；控制对象为三相永磁直线同步电机H型平台，机身装有光栅尺；电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接，DSP处理器还通过典雅调整电路连接至调压电路，调压电路通过整流滤波单元连接至IPM逆变单元，IPM逆变单元连接三相永磁直线同步电机；IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接，电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台，动子位置采样电路连接光栅尺。

H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：包括改进的非奇异终端滑模控制和Sugeno型模糊神经网络补偿控制器方法，其特征在于能够保证H型平台单轴的位置跟踪误差和同步误差同时趋近于零。

控制器如下：

其中A_n和B_n为系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出； 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面；p，q和δ是正常数，且满足q＜p＜2q，完全地决定了奇异问题。

Sugeno型模糊神经网络补偿控制器，利用模糊逻辑来修正改进的非奇异终端滑模控制的参数，采用隶属函数有自调整能力的模糊神经网络控制器作为补偿控制器，来补偿由于两电机控制特性的不匹配和周围环境的不确定性而产生的同步误差；

使用梯度下降的学习算法的模糊神经网络的参数学习法则，首先定义能量函数V为：

模糊神经网络的参数学习更新迭代算法如下所示：

层5：在此层中，误差项如下所示

通过如下方式来调整输出层的权重

层4：在此层中，误差项如下所示

层3：在此层中，误差项如下所示

通过如下方式来调整结果层的权值：

层2：在此层中，误差项如下所示：

通过如下方式来调整隶属度函数参数

其中η_w，η_θ，η_m，η_σ分别是学习率关联权重，可调整权重平均值和标准偏差的参数。

本发明包括以下的具体步骤：

步骤一：建立H型平台数学模型

M₁和M₂分别是横梁的质量和滑块的质量；l和2w分别是横梁的长度和宽度；v是X轴动子质心到定子边界的距离；和分别是横梁和滑块相对于中心O的转动惯量。

M₁和M₂的重心位置是和

其中速度和为：

横梁和滑块平移和旋转动能是

因此，总动能是

上式可以进一步写成

其中 和d_x分别是Y₁轴、Y₂轴和X轴的位置输出，D是惯性矩阵。因为θ很小，所以有，cosθ＝1。因此

因此，H型平台的拉格朗日数学模型为

其中L＝K-V，K是总动能，V是势能，U是电机提供的驱动力，F是摩擦力。接下来科里奥利离心矩阵C的推导如下：

其中和分别是和_dx的导数。克里斯托弗尔符号_cijk为

其中d_ij代表惯性矩阵D中的第i行第j列元素。带入和后计算，可得到矩阵C

双轴驱动H型平台的动态方程为

其中和F_x是摩擦力，和u_x是沿着和d_x方向产生的驱动力。

步骤二：滑模控制器的设计

为了简化所提出的H型平台的动态模型的推导过程，可以改写成如下：

其中A_n＝-D^-1C，B_n＝D^-1B。考虑参数变化以及系统的不确定项，H型平台的动态模型可以改写为如下：

其中ΔA和ΔB分别表示A_n和B_n的不确定项，F_L是外部干扰，H定义为集中不确定项，定义如下：

假设集中不确定项为有界值

||H||≤δ(23)

其中δ是一个正常数。

在H型平台中，目标是确定一个保证输出状态Y(t)能够跟踪理想的输入指令Y_m(t)且保证位置跟踪误差和同步误差同时接近零收敛的控制法则。为了实现控制目标，非奇异终端滑模面定义如下：

其中 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面，λ是一个正常数，p和q都是正奇整数，满足如下条件：

q＜p＜2q(25)

为了消除抖振现象，通常会引入边界层的观点来解决，如包含函数这样的连续型函数去取代符号函数作为切换函数。因此，连续的饱和函数sat(s_i)定义如下：

其中Φ是边界层厚度,i＝y₁、y₂、x；s_i表示Y₁轴、Y₂轴和X轴的滑模面。

因此，改进后的控制率定义为

其中A_n和B_n是系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出。

步骤三：模糊神经网络补偿控制器的设计

同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题，本发明在两轴间，基于模糊逻辑和神经网络方法设计了模糊神经网络补偿控制器。

提出的模糊神经网络补偿控制器有j条模糊规则如图所示，包括输入层，隐藏层，规则层，结果层，输出层。模糊神经网络补偿控制器每层信号的传递和表达式如下：

层1(输入层)：在此层里的每个节点都是输入节点，相当于一个输入变量。这些节点把输入信号传递到下一层。本发明中的输入变量是(同步误差)和x₂＝Δe(同步误差的导数)。其中和分别是Y₁轴和Y₂轴的跟踪误差。

层2(隐藏层)：隐藏层采用高斯函数作为隶属函数：

其中m_ij和σ_ij分别是高斯函数的第j项与第i个输入变量有关的平均值和标准偏差；M是规则数目。

层3(规则层)：这层的节点表示一个模糊逻辑规则的预处理部分。因此，这层的节点由Π表示层2的输入信号的乘积。对于第j个规则节点：

其中u_j是规则层的输出。此外，在Sugeno型模糊推理机制中的节点是一个线性的结合。每个节点j的数学表达式是：

其中是可调节权重，H_j是Sugeno型模糊推理机制的输出。

层4(结果层)：此层的节点是规则层的输出u_j和Sugeno型模糊推理机制的输出H_j的乘积。每个节点的数学表达式是：

其中G_j是结果层的输出。

层5(输出层)：此层的每个节点用来计算模糊神经网络补偿控制器的输出y^*。数学表达式为：

其中连接权重w_j是输出程度；y^*是模糊神经网络补偿控制器的输出。本文M取6，即，在隐藏层有12个节点和在TSK-型模糊推理机制，规则层和结果层分别有六个节点。

本发明方法最终由嵌入DSP处理器中的控制程序实现，其控制过程按以下步骤执行：

步骤1系统初始化；

步骤2允许TN1、TN2中断；

步骤3启动T1下溢中断；

步骤4程序数据初始化；

步骤5开总中断；

步骤6中断等待；

步骤7TN1中断处理子控制程序；

步骤8结束。

其中步骤7中T1中断处理子控制程序按以下步骤：

步骤1T1中断子控制程序；

步骤2保护现场；

步骤3判断是否已初始定位；是进入步骤4，否则进入步骤10；

步骤4电流采样，CLARK变换，PARK变换；

步骤5判断是否需要位置调节；否则进入步骤7；

步骤6位置调节中断处理子控制程序；

步骤7dq轴电流调节；

步骤8PARK逆变换；

步骤9计算CMPPx及PWM输出；

步骤10位置采样；

步骤11初始定位程序；

步骤12恢复现场；

步骤13中断返回。

其中步骤6中位置调节中断处理子控制程序按以下步骤：

步骤1位置调节中断子控制程序；

步骤2读取编码器值；

步骤3判断角度；

步骤4计算已走距离；

步骤5执行位置控制器；

步骤6执行模糊扰动补偿控制器补偿外部扰动；

步骤7计算电流命令并输出；

步骤8中断返回。

优点及效果：本发明提供一种H型平台的模糊神经网络补偿器的同步控制系统及方法，针对现有控制技术中存在的实际问题，本发明在单轴上基于非奇异滑模控制提出了一种非线性结构，且在两轴间设计了模糊神经网络补偿控制器。

本发明所设计的控制器应用到双轴驱动H型数控平台，实验系统如图1所示。该平台的位置被连接到每个驱动轴的线性编码器，线性编码器的传感器分辨率是0.1微米。每个驱动轴的速度被位置测量的反向差计算出来，这个采样周期为2毫秒。

本发明包括非奇异终端滑模控制的改进，改善系统的抖振问题；模糊神经网络补偿控制器的设计，减小系统的同步误差，提高同步性。H型平台改进的非奇异终端滑模控制设计，如图3所示；模糊神经网络补偿控制器设计，如图4所示。

本发明为了保证H型平台单轴的跟踪精度，采用改进的非奇异终端滑模控制，这种方法解决了奇异问题，改善了滑模的抖振现象，提高了跟踪精度。实际上，单轴跟踪控制与双轴协调性是影响H型平台系统精度的两个重要因素。为了提高双轴协调性，本发明采用模糊神经网络补偿控制器来减小同步误差，提高双轴协调性。近年来，模糊逻辑与神经网络在解决复杂且实用的问题上越来越受到重视，它们皆具备近似任何非线性连续函数的能力，而且可以达到任何所期望的精度。模糊神经网络，其控制优点结合了模糊逻辑和神经网络的优点，不要求准确的数学模型且能够逼近非线性系统。

附图说明：

图1为H型平台结构图

图2为H型平台控制系统框图

图3为本发明所设计的改进的非奇异终端滑模控制器框图

图4为本发明所设计模糊神经网络补偿控制器系统框图

图5为本发明方法中矢量控制系统程序流程图

图6为本发明方法位置调节中断处理子控制程序流程图

图7为实现本发明所设计的永磁直线同步电机矢量控制系统硬件结构硬件框图

图8为实现本发明的硬件控制系统原理图

(a)电流检测电路

(b)位置检测电路

(c)电源电路

(d)驱动电路。

具体实施方式：下面结合附图对本发明做进一步的说明：

如图1所示，本发明提供一种H型平台的模糊神经网络补偿器的同步控制系统及方法，该控制系统硬件包括主电路、控制电路和控制对象三部分；控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路；主电路包括调压电路、整流滤波单元和IPM逆变单元；控制对象为三相永磁直线同步电机H型平台，机身装有光栅尺；电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接，DSP处理器还通过典雅调整电路连接至调压电路，调压电路通过整流滤波单元连接至IPM逆变单元，IPM逆变单元连接三相永磁直线同步电机；IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接，电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台，动子位置采样电路连接光栅尺。

H型平台的模糊神经网络补偿器的同步控制系统所实施的H型平台的模糊神经网络补偿器的同步控制方法，包括改进的非奇异终端滑模控制和Sugeno型模糊神经网络补偿控制器方法，其特征在于能够保证H型平台单轴的位置跟踪误差和同步误差同时趋近于零。

滑模控制广泛地应用于线性与非线性系统。应用最广泛的滑模面是线性滑模面，能够保证闭环控制系统的渐进稳定性，但系统状态不能在有限时间内达到平衡还会出现奇异问题。针对此现象，根据权利要求1所述的改进的非奇异终端滑模控制，为了消除抖振现象，通常会引入边界层的观点来解决，如包含函数这样的连续型函数去取代符号函数作为切换函数，使系统的跟踪误差和同步误差同时趋近于零。控制器如下：

其中A_n和B_n为系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出； 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面；p，q和δ是正常数，且满足q＜p＜2q，完全地决定了奇异问题。。

Sugeno型模糊神经网络补偿控制器，利用模糊逻辑来修正改进的非奇异终端滑模控制的参数，采用隶属函数有自调整能力的模糊神经网络控制器作为补偿控制器，来补偿由于两电机控制特性的不匹配和周围环境的不确定性而产生的同步误差；补偿控制器设计如图，有两个输入一个输出，包括输入层，语言层，规则层，结果层和输出层。x₁和x₂是输入层的输入变量，其中x₁是同步误差，x₂是同步误差的导数，是隶属函数，u_j是规则层的输出，在TSK-型模糊推理机制中的节点是一个线性的结合，是可调节权重，H_j是TSK-型模糊推理机制的输出，结果层的节点是规则层的输出u_j和TSK-型模糊推理机制的输出H_j的乘积。G_j是结果层的输出。连接权重w_j是输出程度；y^*是模糊神经网络补偿控制器的输出。

本发明包括以下的具体步骤：

步骤一：建立H型平台数学模型

M₁和M₂分别是横梁的质量和滑块的质量；l和2w分别是横梁的长度和宽度；v是X轴动子质心到定子边界的距离；和分别是横梁和滑块相对于中心O的转动惯量。

M₁和M₂的重心位置是和

其中速度和为：

横梁和滑块平移和旋转动能是

因此，总动能是

上式可以进一步写成

其中 和d_x分别是Y₁轴、Y₂轴和X轴的位置输出，D是惯性矩阵。因为θ很小，所以有cosθ＝1。因此

因此，H型平台的拉格朗日数学模型为

其中L＝K-V，K是总动能，V是势能，U是电机提供的驱动力，F是摩擦力。接下来科里奥利离心矩阵C的推导如下：

其中和分别是和d_x的导数。克里斯托弗尔符号c_ijk为

其中d_ij代表惯性矩阵D中的第i行第j列元素。带入和后计算，可得到矩阵C

双轴驱动H型平台的动态方程为

其中和F_x是摩擦力，和u_x是沿着和d_x方向产生的驱动力。

步骤二：滑模控制器的设计

为了简化所提出的H型平台的动态模型的推导过程，可以改写成如下：

其中A_n＝-D^-1C，B_n＝D^-1B。考虑参数变化以及系统的不确定项，H型平台的动态模型可以改写为如下：

其中ΔA和ΔB分别表示A_n和B_n的不确定项，F_L是外部干扰，H定义为集中不确定项，定义如下：

假设集中不确定项为有界值

||H||≤δ(23)

其中δ是一个正常数。

在H型平台中，目标是确定一个保证输出状态Y(t)能够跟踪理想的输入指令Y_m(t)且保证位置跟踪误差和同步误差同时接近零收敛的控制法则。为了实现控制目标，非奇异终端滑模面定义如下：

其中 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面，λ是一个正常数，p和q都是正奇整数，满足如下条件：

q＜p＜2q(25)

为了消除抖振现象，通常会引入边界层的观点来解决，如包含函数这样的连续型函数去取代符号函数作为切换函数。因此，连续的饱和函数sat(s_i)定义如下：

其中Φ是边界层厚度,i＝y₁、y₂、x；s_i表示Y₁轴、Y₂轴和X轴的滑模面。

因此，改进后的控制率定义为

其中A_n和B_n为系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出。

步骤三：模糊神经网络补偿控制器的设计

同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题，本发明在两轴间，基于模糊逻辑和神经网络方法设计了模糊神经网络补偿控制器。

提出的模糊神经网络补偿控制器有j条模糊规则如图所示，包括输入层，隐藏层，规则层，结果层，输出层。模糊神经网络补偿控制器每层信号的传递和表达式如下：

层1(输入层)：在此层里的每个节点都是输入节点，相当于一个输入变量。这些节点把输入信号传递到下一层。本发明中的输入变量是(同步误差)和x₂＝Δe(同步误差的导数)。其中和分别是Y₁轴和Y₂轴的跟踪误差。

层2(隐藏层)：隐藏层采用高斯函数作为隶属函数：

其中m_ij和σ_ij分别是高斯函数的第j项与第i个输入变量有关的平均值和标准偏差；M是规则数目。

层3(规则层)：这层的节点表示一个模糊逻辑规则的预处理部分。因此，这层的节点由Π表示层2的输入信号的乘积。对于第j个规则节点：

其中u_j是规则层的输出。此外，在Sugeno型模糊推理机制中的节点是一个线性的结合。每个节点j的数学表达式是：

其中是可调节权重，H_j是Sugeno型模糊推理机制的输出。

层4(结果层)：此层的节点是规则层的输出u_j和Sugeno型模糊推理机制的输出H_j的乘积。每个节点的数学表达式是：

其中G_j是结果层的输出。

层5(输出层)：此层的每个节点用来计算模糊神经网络补偿控制器的输出y^*。数学表达式为：

其中连接权重w_j是输出程度；y^*是模糊神经网络补偿控制器的输出。本文M取6，即，在隐藏层有12个节点和在TSK-型模糊推理机制，规则层和结果层分别有六个节点。

下面结合附图对本发明的技术方案进行进一步的具体描述：

图1为H型平台结构图。图2为本发明所设计的基于模糊神经网络补偿控制器的双直线电机高精度同步控制的结构框图，其中d_m为两轴的理想输入，表示各轴的输出,和为双直线电机所对应的两轴的扰动，和为双直线电机所对应的两轴的位置误差，和为双直线电机所对应的两轴的控制输入量，ε为两直线电机的同步误差，s(t)为非奇异终端滑模切换面，w,θ,m,σ为Sugeno型模糊神经网络的权值和隶属度函数参数，本发明就是利用智能控制的自学习能力来逼近与同步误差，使其在有限时间最小化，即同步误差最小化。达到高精度的同步误差补偿控制。最终实现了Sugeno型模糊神经网络补偿控制器的设计本发明所设计，Sugeno型模糊神经网络补偿控制器的作用是提高系统鲁棒性的同时消除抖振并达到高精度加工要求。图2中虚线框中的非奇异终端滑模控制具体结构如图3所示。

图4为本发明所设计的Sugeno型模糊神经网络补偿控制器的结构图。

使用梯度下降的学习算法的模糊神经网络的参数学习法则，首先定义能量函数V为：

模糊神经网络的参数学习更新迭代算法如下所示：

层5：在此层中，误差项如下所示

通过如下方式来调整输出层的权重

层4：在此层中，误差项如下所示

层3：在此层中，误差项如下所示

通过如下方式来调整结果层的权值：

层2：在此层中，误差项如下所示：

通过如下方式来调整隶属度函数参数

其中η_w，η_θ，η_m，η_σ分别是学习率关联权重，可调整权重平均值和标准偏差的参数。

图5为本发明方法最终由嵌入DSP处理器中的控制程序实现，其控制过程按以下步骤执行：

步骤1系统初始化；

步骤2允许TN1、TN2中断；

步骤3启动T1下溢中断；

步骤4程序数据初始化；

步骤5开总中断；

步骤6中断等待；

步骤7TN1中断处理子控制程序；

步骤8结束；

其中步骤7中T1中断处理子控制程序按以下步骤：

步骤1T1中断子控制程序；

步骤2保护现场；

步骤3判断是否已初始定位；是进入步骤4，否则进入步骤10；

步骤4电流采样，CLARK变换，PARK变换；

步骤5判断是否需要位置调节；否则进入步骤7；

步骤6位置调节中断处理子控制程序；

步骤7dq轴电流调节；

步骤8PARK逆变换；

步骤9计算CMPPx及PWM输出；

步骤10位置采样；

步骤11初始定位程序；

步骤12恢复现场；

步骤13中断返回；

其中步骤6中位置调节中断处理子控制程序按以下步骤：

步骤1位置调节中断子控制程序；

步骤2读取编码器值；

步骤3判断角度；

步骤4计算已走距离；

步骤5执行位置控制器；

步骤6执行模糊神经网络补偿控制器干扰；

步骤7计算电流命令并输出；

步骤8中断返回；

图8为所发明的控制系统的硬件原理图，大体可分为3部分即

第一块电路板为功率电路板，包括AC-DC模块，主电路的过压欠压保护，IPM模块以及驱动电路，辅助电源电路。

第二块电路板为控制电路板，包括DSP(TMS320F28335)，电流采样、编码器接口电路、RS232通信、过流保护等电路。这块电路板是整个伺服控制器的核心部分。

第三块电路板完成显示与控制输入功能，包括数码管显示电路以及键盘输入。其主要功能是显示电机运行时刻的状态，部分故障原因以及完成各种控制信号的输入。

从图8可以看出，本系统是一个速度和电流反馈的闭环系统。DSP控制器负责转换A/D转换、计算电机的转速和位置以及电流和速度的PI调节，最后得到电压空间矢量PWM的控制信号，再经过光耦隔离电路后，驱动IPM功率开关器件。DSP，CPLD控制器负责整个系统的的保护和监控，一旦系统出现过压、过电流、欠电压等故障，DSP将封锁PWM输出信号，以保护IPM模块。

图8(a)为所发明的硬件控制系统的电流检测电路，根据整个系统的设计，控制系统中有电流反馈环，因此需要采样电机的电流信号，在本设计中测量的是直线电机三相电流中的两相。本系统中采用CsM025PTS系列霍尔电流传感器，它能采集的电流范围是-16A～+l6A，输出的电压范围是0～5V。因为DSP芯片的AD模块采样的是电压信号，需要将电流信号转化为电压信号。同DSP的AD模块输入电压范围是0～3V，而采样到得霍尔传感器的电压范围是0～5V，需要做适当的变换，把采样的电压信号转化为合适的输入范围。16通道的AD模块需要用到其中的三个，本设计中选用的是ADCIN08和ADCIN09两个通道，采样后的电压信号重新转化为两相的电流信号存入相应的寄存器中，进行电流调节。经过霍尔传感器检测到得电流成比例的转化为电压信号。霍尔传感器输出的电压信号不适合AD模块采集的电压范围，需要经过放大器对电压信号进行缩放。

图8(b)为所发明的硬件控制系统的位置检测电路，直线电机的位置信号的检测是实现直线电机精密控制的非常重要的因素且将其微分就是速度信号，本设计采用英国RENIsHAW公司的RGH24X系列光栅尺，它的分辨率为1um，最高速度可达到5m/s。把TMs320F28335事件管理器EVA的正交编码脉冲电路(QEP)和光栅尺进行连接，当事件管理器的QEP被使能后，就能对相应的引脚输出脉冲进行计数，来确定电机运动的位置信息，根据测量的位置信息相应的调整控制策略，控制电机运动。安装好的光栅尺在直线电机运动的情况下，读数头输出与位置信息有关的6路方波信号，其中它们是三对反向的RS422A方波信号，经过差分接收后，产生三路脉冲信号包括两路正交编码脉冲信号A和B，以及一路参考点信号Z。正交编码脉冲信号A和B用来检测直线电机运动的位置信息，而Z信号用来做直线运动过程中回零点位置的参考信号。由于光栅尺读数头输出地3路脉冲信号是5V的，而DSP的I/O口电压是3.3V的，因此需要一个电平转换芯SN74LVC4245DW来实现5V到3.3V的电平转换。同时使能DSP芯片事件管理器EVA的正交编码脉冲电路和捕获单元CAP3，QEP1和QEP2分别接收A和B两路正交脉冲，CAP3捕获参考脉冲信号Z。

光栅尺读数头输出的正交编码脉冲是两路频率可以变化相互正交的脉冲序列。当直线电机运动时，光栅尺的读数头会产生正交编码脉冲信号，分别被QEP1和QEP2接口接收，根据A和B脉冲信号的相位差是+90⁰还是-90⁰来确定直线电机的运动方向，同时可以确定通用定时器的计数器的计数方向，如果QEPI接收的脉冲超前QEP2接收的脉冲，那么计数器是递增计数，相反则递减计数。由于DSP的正交编码电路对输入正交脉冲上升沿和下降沿均进行计数，因此经由QEP电路后输出脉冲的频率变为输入的四倍，并且事件管理器会将该时钟提供给它的通用定时器作为通用定时器的时钟频率。在本设计中通用定时器TZ设置为定向增/减计数，事件管理器EVA的正交编码脉冲电路既为它提供时钟频率又提供计数方向。光栅尺的分辨率为1um，直线电机每移动lum则通用定时器对四倍频以后的脉冲进行一次计数，通过前后两次计数器中不同的计数值可以确定直线电机运动的距离，同时有专门的寄存器存储计数器的计数方向，也是直线电机的运动方向。在DSP的中断服务子程序中可以得到直线电机的运动信息。

图8(c)为所发明的硬件控制系统的电源电路，本发明所设计的电源电路就是要得到直流电压。首先通过一个整流桥将交流转化为直流，然后通过滤波得到较好的直流电存储于大电容中，在将电容两端作为直流电源的输出口提供给功率模块。其中的加入一根保险丝，为了防止电路电流过大，起到保护电路作用。继电器起到的是一个智能控制的作用，在程序中当DSP初始化时，电容充电，初始化完成后，在程序中给Kl端口发送一个高电平，继电器发生一个开关动作使电容两端直接连接电源电压，这时候使电容两端的电压达到最大，实验时最大可到320V，达到为电机供电要求。

图8(d)为所发明的硬件控制系统的驱动电路，直线电机驱动电路主要包括一个智能功率模块，本发明选用的是IRAMSl0UP60B，它适用于较大功率的电机中，它能驱动的电机功率范围是400W～750W；主要由6个IGBT构成的三相桥式电路，控制板上DSP芯片产生的PWM控制信号输入到功率模块，控制3个桥臂的关断，产生合适驱动电压，驱动直线电机运动图中的HIN1和LIN1分别是第一相的上下桥臂的控制信号，它们都是低电平有效。IRAMSl0UP60B的工作电压VDD是15V，VSS为接地端，为了达到良好的去耦效果，在这两端加入两个并联的去耦电容。由于输入的PWM波信号是数字信号，而IRAMS10UP60B不具备把数字信号和功率信号隔离的功能，因此在IRAMS10UP60B的输入控制信号前需要加上光祸隔离，图中TLPll3即实现了将输入的PWM信号转化为模拟信号的功能，然后输入到对应桥臂的控制信号输入端。在三相电压的输出端u、v、w分别加上一个2.2uF的自举电容。在Itrip端口为低电平时，芯片正常工作，当桥臂的上部分输入的控制信号为低电平，下部分是高电平的时候该相有输出电压；当上为高电平，下为低电平的时候输出电压为零；两个都为低电平的情况是不容许出现的，那样会造成短路，烧毁芯片。当Itrip端口为高电平时，芯片不工作，没有电压输出，因此在电路中加一个下拉电阻使Itrip端口为低电平，这样功率模块能正常工作。功率芯片自身有过温和过流保护，当电路出现异常时能起到自我保护的作用。

针对双轴驱动的H型数控平台,本发明的优点在于设计了一个模糊神经网络补偿控制器，当存在参数不确定、外部扰动和非线性摩擦力时，系统仍然可以实现精确的位置跟踪，保证同步性。本发明利用了模糊逻辑系统和神经网络以任意精度逼近非线性函数的能力，发明了模糊神经网络补偿控制器。通过补偿控制器对未知干扰和参数不确定性进行估计及补偿,同时利用改进的非奇异终端滑模控制，保证单轴的位置跟踪精度，未来应用研制的方法可实现亚微米的精确。

Claims (9)

1.一种H型平台的模糊神经网络补偿器的同步控制系统，其特征在于：该控制系统硬件包括主电路、控制电路和控制对象三部分；控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路；主电路包括调压电路、整流滤波单元和IPM逆变单元；控制对象为三相永磁直线同步电机H型平台，机身装有光栅尺；电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接，DSP处理器还通过典雅调整电路连接至调压电路，调压电路通过整流滤波单元连接至IPM逆变单元，IPM逆变单元连接三相永磁直线同步电机；IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接，电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台，动子位置采样电路连接光栅尺。

2.应用权利要求1所述的H型平台的模糊神经网络补偿器的同步控制系统所实施的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：包括改进的非奇异终端滑模控制和Sugeno型模糊神经网络补偿控制器方法，其特征在于能够保证H型平台单轴的位置跟踪误差和同步误差同时趋近于零。

3.根据权利要求2所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：控制器如下：

其中A_n和B_n为系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出； 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面；p，q和δ是正常数，且满足q＜p＜2q，完全地决定了奇异问题。

4.根据权利要求2所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：Sugeno型模糊神经网络补偿控制器，利用模糊逻辑来修正改进的非奇异终端滑模控制的参数，采用隶属函数有自调整能力的模糊神经网络控制器作为补偿控制器，来补偿由于两电机控制特性的不匹配和周围环境的不确定性而产生的同步误差。

5.根据权利要求2所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：使用梯度下降的学习算法的模糊神经网络的参数学习法则，首先定义能量函数V为：

模糊神经网络的参数学习更新迭代算法如下所示：

层5：在此层中，误差项如下所示

通过如下方式来调整输出层的权重

层4：在此层中，误差项如下所示

层3：在此层中，误差项如下所示

通过如下方式来调整结果层的权值：

层2：在此层中，误差项如下所示：

通过如下方式来调整隶属度函数参数

其中η_w，η_θ，η_m，η_σ分别是学习率关联权重，可调整权重平均值和标准偏差的参数。

6.根据权利要求2所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：

本发明包括以下的具体步骤：

步骤一：建立H型平台数学模型

M₁和M₂分别是横梁的质量和滑块的质量；l和2w分别是横梁的长度和宽度；v是X轴动子质心到定子边界的距离；和分别是横梁和滑块相对于中心O的转动惯量。

M₁和M₂的重心位置是和

其中速度和为：

横梁和滑块平移和旋转动能是

因此，总动能是

上式可以进一步写成

其中 和d_x分别是Y₁轴、Y₂轴和X轴的位置输出，D是惯性矩阵。因为θ很小，所以有cosθ＝1。因此

因此，H型平台的拉格朗日数学模型为

其中L＝K-V，K是总动能，V是势能，U是电机提供的驱动力，F是摩擦力。接下来科里奥利离心矩阵C的推导如下：

其中和分别是和d_x的导数。克里斯托弗尔符号c_ijk为

其中d_ij代表惯性矩阵D中的第i行第j列元素。带入和后计算，可得到矩阵C

双轴驱动H型平台的动态方程为

其中和F_x是摩擦力，和u_x是沿着和d_x方向产生的驱动力。

步骤二：滑模控制器的设计

为了简化所提出的H型平台的动态模型的推导过程，可以改写成如下：

其中A_n＝-D^-1C，B_n＝D^-1B。考虑参数变化以及系统的不确定项，H型平台的动态模型可以改写为如下：

其中ΔA和ΔB分别表示A_n和B_n的不确定项，F_L是外部干扰，H定义为集中不确定项，定义如下：

假设集中不确定项为有界值

||H||≤δ(23)

其中δ是一个正常数。

在H型平台中，目标是确定一个保证输出状态Y(t)能够跟踪理想的输入指令Y_m(t)且保证位置跟踪误差和同步误差同时接近零收敛的控制法则。为了实现控制目标，非奇异终端滑模面定义如下：

其中 和e_x分别是Y₁轴、Y₂轴和X轴的跟踪误差； 和s_x分别是Y₁轴、Y₂轴和X轴的滑模面，λ是一个正常数，p和q都是正奇整数，满足如下条件：

q＜p＜2q(25)

为了消除抖振现象，通常会引入边界层的观点来解决，如包含函数这样的连续型函数去取代符号函数作为切换函数。因此，连续的饱和函数sat(s_i)定义如下：

其中Φ是边界层厚度,i＝y₁、y₂、x；s_i表示Y₁轴、Y₂轴和X轴的滑模面。

因此，改进后的控制率定义为

其中A_n和B_n是系数向量； 和d_mx分别是Y₁轴、Y₂轴和X轴的理想的输入； 和d_x分别是Y₁轴、Y₂轴和X轴的的实际输出。

步骤三：模糊神经网络补偿控制器的设计

同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题，本发明在两轴间，基于模糊逻辑和神经网络方法设计了模糊神经网络补偿控制器。

提出的模糊神经网络补偿控制器有j条模糊规则如图所示，包括输入层，隐藏层，规则层，结果层，输出层。模糊神经网络补偿控制器每层信号的传递和表达式如下：

层1(输入层)：在此层里的每个节点都是输入节点，相当于一个输入变量。这些节点把输入信号传递到下一层。本发明中的输入变量是(同步误差)和x₂＝Δe(同步误差的导数)。其中和分别是Y₁轴和Y₂轴的跟踪误差。

层2(隐藏层)：隐藏层采用高斯函数作为隶属函数：

其中m_ij和σ_ij分别是高斯函数的第j项与第i个输入变量有关的平均值和标准偏差；M是规则数目。

层3(规则层)：这层的节点表示一个模糊逻辑规则的预处理部分。因此，这层的节点由Π表示层2的输入信号的乘积。对于第j个规则节点：

其中u_j是规则层的输出。此外，在Sugeno型模糊推理机制中的节点是一个线性的结合。每个节点j的数学表达式是：

其中是可调节权重，H_j是Sugeno型模糊推理机制的输出。

层4(结果层)：此层的节点是规则层的输出u_j和Sugeno型模糊推理机制的输出H_j的乘积。每个节点的数学表达式是：

其中G_j是结果层的输出。

层5(输出层)：此层的每个节点用来计算模糊神经网络补偿控制器的输出y^*。数学表达式为：

其中连接权重w_j是输出程度；y^*是模糊神经网络补偿控制器的输出。本文M取6，即，在隐藏层有12个节点和在TSK-型模糊推理机制，规则层和结果层分别有六个节点。

7.根据权利要求4所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：

本发明方法最终由嵌入DSP处理器中的控制程序实现，其控制过程按以下步骤执行：

步骤1系统初始化；

步骤2允许TN1、TN2中断；

步骤3启动T1下溢中断；

步骤4程序数据初始化；

步骤5开总中断；

步骤6中断等待；

步骤7TN1中断处理子控制程序；

步骤8结束。

8.根据权利要求7所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：

其中步骤7中T1中断处理子控制程序按以下步骤：

步骤1T1中断子控制程序；

步骤2保护现场；

步骤3判断是否已初始定位；是进入步骤4，否则进入步骤10；

步骤4电流采样，CLARK变换，PARK变换；

步骤5判断是否需要位置调节；否则进入步骤7；

步骤6位置调节中断处理子控制程序；

步骤7dq轴电流调节；

步骤8PARK逆变换；

步骤9计算CMPPx及PWM输出；

步骤10位置采样；

步骤11初始定位程序；

步骤12恢复现场；

步骤13中断返回。

9.根据权利要求8所述的H型平台的模糊神经网络补偿器的同步控制方法，其特征在于：

其中步骤6中位置调节中断处理子控制程序按以下步骤：

步骤1位置调节中断子控制程序；

步骤2读取编码器值；

步骤3判断角度；

步骤4计算已走距离；

步骤5执行位置控制器；

步骤6执行模糊扰动补偿控制器补偿外部扰动；

步骤7计算电流命令并输出；

步骤8中断返回。