CN105388757A

CN105388757A - 一种电动加载系统的复合控制方法

Info

Publication number: CN105388757A
Application number: CN201510695372.5A
Authority: CN
Inventors: 杨波; 高涛; 保然
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2015-10-22
Filing date: 2015-10-22
Publication date: 2016-03-09

Abstract

传统的CMAC控制算法和PD算法相结合应用于舵机电动加载系统的力矩控制中，虽然学习速度快，但也引入了控制输出变化过于频繁的问题，局部表现为输出不够平滑，且随着学习时间的推移与误差的积累，整体可能表现出输出发散等问题。本发明提出一种基于输入向量非均匀量化和高斯函数的新型CMAC控制算法，该方法根据输入特征优化了非均匀量化方法，引入量化距离的概念确定节点的高斯权值和激活区域，能够动态调整CMAC泛化性能，并且采用杂散映射的方法大幅节省了存储资源。本新型CMAC与PD复合的智能电动加载控制方法能够有效抑制控制系统过学习现象，减少了内存占用率，提高了跟踪与控制精度。

Description

一种电动加载系统的复合控制方法

技术领域

本发明为一种对电动加载系统的新型控制方法，具体而言是应用高斯权重非均匀量化的新型CMAC算法和传统PD控制结合抑制电动加载系统的多余力矩并提高控制精度和稳定性的方法。

背景技术

在无人机舵机的负载模拟试验中，使用电动加载方式能够有效复现无人机舵面在空中所受的各种载荷，能够在实验室环境下对舵机系统的技术性能指标进行预测性自动测试，可以节约无人机的开发经费，缩短无人机的研制周期，同时有效提高其飞行可靠性和成功率。

电动加载系统属于被动式力矩控制系统，在跟随舵机系统进行力矩加载的运动中会不可避免引入多余力矩，不仅影响加载系统的带宽和稳定性，还会降低加载系统的控制精度。由此，消除电动加载系统多余力矩是系统设计的关键问题。

在消除多余力矩的技术中，因为系统中非线性因素的存在和舵机运动角速度和角加速度无法测量，采用传统的前馈补偿控制方法难以实现预期目标。随着智能控制理论的发展，使用神经网络进行非线性函数的逼近取得了较好的效果。相比于BP、RBF等常规前馈网络，小脑模型关联控制器(CMAC)克服了它们学习速度慢、实时性差的缺点，同时，还具有结构简单、局部泛化能力强的优点，更加适合对电机进行实时控制。

但是在实践中发现，CMAC方法虽然能有效改善控制效果，但是因为理论指导较少，CMAC网络结构的设计和推广尚存在较大难度。当前主要使用CMAC和PD算法相结合的前馈控制方法，CMAC实现前馈补偿，PD完成反馈控制。在CMAC训练初期由PD算法的输出起主要控制作用，随着CMAC的网络训练逐渐完成，CMAC的输出成为主要影响因素，实现对系统的智能控制。但是传统CMAC控制器在跟踪连续变化的信号时会产生累积误差，让CMAC网络产生过学习，严重印象系统的稳定性。

发明内容

本发明的目的在于有效抑制电动加载过程中的多余力矩，同时解决传统CMAC控制方法的过学习现象，提供一种新型高斯权重非均匀量化CMAC控制方法，该方法在传统方法基础上根据输入信号特征优化了非均匀量化方法，引入量化距离的概念确定高斯权重和CMAC激活区域，动态调整CMAC泛化性能，使用求余法将概念空间的权值映射到物理空间，减少储存空间浪费同时加快学习效率，具有更好的控制实时性与控制精度。

本发明所使用的装置包括：用以发出指令信号的上位PC机，用来接收上位机指令和给上位机传回用以统计分析的系统数据的DSP控制器，接收指令信息的力矩电机控制器，力矩电机和捕获输出的力矩信号的力矩传感器，将传感器信号放大的信号放大器，以及在反馈回路对传感器放大信号进行滤波的FPGA。DSP控制器接收指令信号和反馈信号作为CMAC控制器的二维输入，并且进行CMAC网络的学习和指令输出。PD控制指令也由DSP控制器计算实现。本发明进行电动加载控制实施的具体过程为：

第一步：以系统的输入指令以及输出信号共同作为CMAC网络的二维激励信号。首先以CMAC输入信号的分布密度曲线作为非均匀量化基础，量化中心取为输入零点，量化极大值为输入正峰值的2倍，量化极小值为输入负峰值的2倍，按照设定的系统量化的非均匀程度系数，对输入向量逐一进行非均匀量化。

第二步：计算网络输入的二维信号在CMAC网络节点中的激活区域。由于输入信号为二维向量，其对应的虚拟的地址空间也是二维的节点阵列。量化距离由采样点到量化点的距离经过量化计算得到，再利用量化距离阈值判定节点是否激活。

第三步：计算概念空间权值。在计算网络权值的方法中，本发明首先根据每一个概念空间激活节点的二维量化距离计算得到该节点的概念空间高斯权重gac_i。

第四步：计算物理空间权值。使用压缩映射的方法，根据物理空间的大小，将概念空间各个节点所存储的权值映射到物理空间存储单元，得到物理空间权值gap_i。

第五步：计算新型CMAC控制器输出。为保证控制器的快速性和稳定性以及多余力矩的抑制效果，本发明的网络输出由新型CMAC网络输出加上PD控制器的输出共同组成，PD控制器的设计参考常规方法。

第六步：CMAC的权值修正。该步骤通过对误差进行梯度下降方法实现。在本发明中考虑到了高斯权重方法加入到控制系统的影响，选取了新的目标函数，将误差划分为CMAC输出误差和系统输出误差两部分，前者保证CMAC跟踪指令信号，后者保证控制误差，分别进行修正运算，选择两个学习速率参数根据误差量值动态切换，确保系统保证快速性的同时抑制神经网络过学习现象。

本发明的优点在于：提出了二位高斯CMAC，非均匀量化适应输入样本分布采用量化距离与高斯权重优化权值动态分配过程，同时压缩映射提高了权值空间利用率，提高了系统的鲁棒性和跟踪精度，同时也可确保系统的稳定性。从而有效弥补了传统CMAC神经网络结构原理的不足。从控制结果上来看本发明的方法有效抑制了多余力矩，且确保了实时性。

附图说明

图1是控制系统结构图；

图2是系统实体结构图；

图3是非均匀量化分布曲线；

图4是确定概念空间激活区域；

图5是误差收敛曲线；

图6是权值分布曲线。

具体实施方式

为了使发明的目的、技术方案及优点更加清楚明白，以下结合附图说明具体的实施方式。

附图1为该控制系统的原理框图。系统结构包括控制系统的输入、被控对象、CMAC控制器和PD控制器。PD控制器和CMAC共同作用于被控对象进行运动控制，PD控制器的输出依赖于指令信号和反馈信号的误差，相对应的CMAC控制器则将输入与输出反馈信号作为网络的二维激励信号，利用误差进行学习，然后对被控电机输出指令信号。

附图2为该控制方法所作用的实际系统结构图，系统使用PC机作为上位机，并由上位机模拟加载系统的舵机产生舵机力矩信号即输入信号，使用DSPF28335作为CMAC控制器和PD控制器的实现器件，在DSP上除了进行两控制器的运算之外，还要对指令信号和输出力矩的反馈信号，并利用误差对算法中权值进行学习修正。加载指令信号最终传输到力矩电机控制器，由控制器直接驱动力矩电机进行力矩加载。在加载输出轴上安装的力矩传感器可以捕捉到输出的力矩信号，并将该信号经由AD模块和FPGA的相应数字电路处理回路传回DSP实现输出信号的反馈，构成闭环系统。加载电机和转矩传感器利用联轴器同轴放置在测试平台。

本发明的新型控制算法执行步骤的实施方案如下：

第一步：以系统的输入指令以及输出信号共同作为CMAC网络的二维激励信号，利用输入信号的特征对输入向量进行非均匀量化。如附图3：量化中心取为输入零点，量化极大值为输入正峰值的2倍，量化极小值为输入负峰值的2倍。完成量化还需设定系统量化的非均匀程度系数μ。具体的，对第k个量化点的量化方法为：

a.如果该点位于量化中心左侧，则进行下述运算：

sp＝(S_mid-S_min)/[N_i/2]

id＝S_min+(k-1/2)sp

其中sp表示采样的步距，id为该采样点的位置指示。Q_i,k表示该激励信号的量化值，μ表示非均匀量化率，越大表示非均匀越明显，通常取值在0.5-2之间。

b.如果该店位于量化中心右侧，则量化算法换为下述：

sp＝(S_max-S_min)/[N_i/2]

id＝S_mid+(k-[N_i/2]-1/2)sp

第二步：引入量化距离概念，根据量化距离确定概念空间的激活区域。如附图4所示：以输入的激励信号为中心，量化距离在激活范围内的网络中各个节点都会被激活。该量化距离通过高斯函数进行计算，从而和其距量化中心的物理距离关联起来。采用的算法如下：

上式中，Dis_i,k表示第i维第k个激励信号的量化激活距离。U_i表示第i维的输入信号，h为表示高斯函数宽度的常数，这里取值为15。

于是，在此得到了量化距离向量向量中每个分量的取值范围都为从0到1的值，越接近1则其采样点距离量化点的越近，反之亦然。

本发明中得到量化距离确定激活区域的具体操作办法为：确定激活阈值为0.935，在上述向量的元素Dis_i,k值超过阈值时，便判定该储存点为激活状态，反之则保持休眠状态。

第三步：计算每个概念空间节点的高斯权重。该值的计算需要使用量化点在两个维度上的量化距离向量，算法如下：

第四步：将概念空间的权值压缩映射到物理空间。传统的CMAC算法的物理存储单元和虚拟节点为一一对应关系。当多维量化区间进一步增加量化点时，存储空间会以平方增长，不仅提出更加苛刻的硬件要求，同时降低处理速度。与此同时，实验发现在算法运行中同时被激活的内存单元只有总数的23.04％。因此，在允许有轻微冲突的前提下，可以将虚拟联想空间压缩进一个更小的物理存储空间当中。使用到的压缩算法如下：

gap_i＝gac_jmodN_p(i＝1,2,...,Np；j＝1,2,...,M)

上式中gap_i表示物理存储空间中第i个高斯权重。N_p表示物理存储空间的实际大小，M表示虚拟的联想空间的大小。需要注意的是，在这里N_p要显著小于M而且通常取值为一个素数。在这里取值为401。

第五步：计算CMAC网络的输出。本方法的输出为存储节点内权值以高斯权重求和，如下所示：

在上式中表示经过i次迭代后的CMAC网络输出，表示经过i次迭代后的第k个储存节点的网络权值。

第六步：新型CMAC网络权值的学习方法。由于实验中传统的CMAC权值更新算法的结果仍然会有过学习现象出现。本发明为了抑制该现象，提出了一种新型的权值增量计算方法。具体操作办法如下：

a.在控制结构中，系统的控制输出来自神经网络和PD算法两部分之和，即：

U＝U_cmac+U_pd

因此改写目标函数为：

上式的第一部分和传统的算法相同，第二个信号则能够让CMAC网络的输出精确平稳地逼近指导信号u。

b.利用上述新的误差目标函数更新权值增量算法：

而上述算法在抑制过学习的同时减小了算法的快速性，让跟踪学习能力有所下降，为了克服该缺陷我们提出了新的学习思路，使用两个学习率常数来分别控制两个误差的更新速率，由训练回路的最大绝对误差来决定二者的取值，如果最大绝对误差大于默认值，则η₂设置为0来获取更好的学习能力；如果绝对误差值在4个相邻的训练回路中都连续增加则将η₁设置为0来减小过学习现象给系统带来的影响。如下：

仿真算例：

系统加载指令设置为r_m＝5sin(2πf·n·T_s)N·m，其中为信号频率f，选为5Hz，T_s为采样时间，定为0.001s，n表示仿真步数，仿真参数设置如下：量化参数N₁＝N₂＝100，非均匀量化参数μ＝1.25，激活阈值区间0.935～1，高斯函数宽度h＝15，学习率η₁＝η₂＝0.2，与之对比的传统CMAC参数：量化参数r＝100，泛化参数C＝15，学习率μ＝0.2；PD部分参数K_p＝2.2，K_d＝0.1。验证结果：新型控制方法和传统控制方法在仿真误差的区别如附图5，新算法的优势也体现在学习收敛性的优化，同时验证采用压缩算法后的存储空间利用情况如附图6。

当然，上述说明并非是对本新型方法的限制，本方法的新型也不仅限于上述说明，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换也应属于本发明的保护范围。

Claims

1.一种基于高斯非均匀量化方法的小脑模型关联控制器(CMAC)和比例微分控制器(PD)复合的舵机加载控制算法，包括以下具体实施步骤：

第一步，将系统的指令信号和输出信号作为CMAC网络的激励信号，并利用二维输入信号分布密度曲线,对二维空间节点进行非均匀量化，得到每一维输入的量化向量；

第二步，引入量化距离的概念，使用高斯函数作为量化距离的数学表征，再根据输入向量中各维采样点与其对应量化点间的距离求得量化点的量化距离值，根据预设的门限值判定激活区域的范围；

第三步，利用各维度的量化距离值计算概念空间中激活的量化点所对应的高斯权重gac_i；

第四步，使用求余法将概念空间的高斯权重压缩映射到节点数目更少的物理空间，得到每个存储单元的权值gap_i；

第五步，该新型CMAC算法的输出为每个存储单元权值的高斯权重求和，而加载控制器的输出则为CMAC算法加上PD控制器的总输出；

第六步，对误差进行梯度下降计算，对CMAC网络权值进行学习修正。

2.根据权利要求1所述的控制方法，其中，所述的第一步：非均匀量化中使用的密度分布曲线是输入向量以零点为中心，以正负峰值2倍为边界的概率密度曲线。

3.根据权利要求1所述的控制方法，其中，所述的第六步：权值学习修正中将误差划分为CMAC输出误差和系统输出误差两部分，选择两个学习速率参数分别根据两种误差量值动态切换，前者保证CMAC跟随指令信号，后者保证控制误差，确保系统快速性的同时抑制CMAC过学习现象。