CN105676780A - 基于模糊小脑模型关节控制器的xy运动平台轮廓控制方法与装置 - Google Patents

Abstract

基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法与装置，其特点是该装置包括电压调整电路、整流滤波单元、IPM逆变单元、数字信号处理器DSP的事件管理器、霍尔传感器、光栅尺、电流采样电路、位置采样电路和IPM隔离驱动保护电路，DSP内还设置有位置信号给定器、直线电机信号采集器以及PI控制器、FCMAC控制器和驱动器；该方法用FCMAC设计速度控制器，减小跟踪误差，进而间接地提高直接驱动XY运动平台的轮廓加工精度。本发明适用于任意轨迹的轮廓加工任务，能实现高精度的轮廓控制且具有较好的鲁棒性。

Description

基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法与装置

技术领域

本发明涉及一种用模糊小脑模型关节控制器(FCMAC)设计单轴速度控制器间接减小轮廓误差的方法与装置，特别涉及一种基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法与装置，属于自动化控制以及数控领域。

背景技术

当今世界各国装备制造业广泛采用数控技术提高制造能力和水平。大力发展以数控技术为核心的先进制造技术已成为世界各发达国家加速经济发展、提高综合国力和国家地位的重要途径之一。XY数控平台系统的精密轮廓跟踪控制在数控机床中具有代表性，对提高数控系统加工精度和性能具有重要的作用。

XY平台数控系统是由轴向方向上相互垂直的两台永磁直线同步电机(PMLSM)直接驱动而成，用以完成精密轨迹的加工运动。相对于传统的间接驱动方式，直线电机直接驱动方式具有明显的优势。然而，伺服系统对负载扰动、端部效应和摩擦力扰动等不确定性更为敏感，增加了电气控制上的难度，使其伺服性能降低。随着对数控系统的精度和速度的要求越来越高，对伺服控制器也提出了更高的要求。提高加工速度可以缩短加工时间，提高加工效率，然而在XY平台实现高速加工时，若跟踪轨迹有较剧烈的变化或者轮廓轨迹上存在较大弯曲，导致轮廓跟踪误差增大，严重影响轮廓加工精度。

发明内容

本发明的目的就在于解决现有技术的上述不足，经过反复研究和大量试验后提供一种基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法与装置。本发明为了在加工精度和加工速度之间取得平衡，解决XY平台高速度和高精度之间的矛盾，设计了FCMAC速度控制器，它兼具快速性和自学习能力，能准确及时地抑制不确定因素对加工系统的影响，达到减小直接驱动XY平台单轴跟踪误差，进而间接减小XY平台的轮廓误差的目的。

本发明给出的这种基于模糊小脑模型关节控制器的XY运动平台轮廓控制装置，其特征在于该装置包括电压调整电路、整流滤波单元、IPM逆变单元、数字信号处理器DSP的事件管理器、霍尔传感器、光栅尺、电流采样电路、位置采样电路和IPM隔离驱动保护电路，其中DSP内还设置有位置信号给定器、直线电机信号采集器以及PI控制器、FCMAC控制器和驱动器，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。

交流电压输出至整流滤波单元输入端，整流滤波单元输出端接入IPM逆变单元，IPM与电机相连，电机机身装有光栅尺，光栅尺连接位置采样电路输入端，霍尔传感器采集电机电流信号，输出至电流采样电路，电流采样电路输出端和位置采样电路输出端均接入DSP，DSP输出信号至电压调整电路输入端和IPM隔离驱动保护电路，电压调整电路对交流电压进行调整，IPM隔离驱动保护电路接入IPM逆变单元。速度和位置信号是通过分辨率为400线的增量式光电编码器来检测的，它产生脉冲信号A和B，送至DSP的事件捕获口，利用捕获口单元的计数功能得到转子的转速，位置由Z信号获得。

本发明给出的这种的于模糊小脑模型关节控制器的XY运动平台轮廓控制方法，其特点是：用FCMAC设计速度控制器，减小跟踪误差，进而间接地提高直接驱动XY运动平台的轮廓加工精度，包括步骤如下：

步骤1：由TMS320F2812数字信号处理器内的位置信号给定器提供给XY运动平台两轴相应的位置信号指令，作为两轴的位置控制量输入；

步骤2：通过信号采集器对位置、速度以及电流信号进行采样且通过两轴给定与实际输出的比较获得位置偏差信号；

步骤3：通过DSP内置的PI位置控制器调节单轴的位置偏差信号，采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度驱动装置FCMAC的输入；

步骤4：通过速度信号采集器确定直线电机的速度；

步骤5：通过光栅尺采样，在TMS320F2812数字处理器内比较后，执行FCMAC控制器；

步骤6：通过内置的电流采样装置进行电流采样且在DSP内比较后，执行PI控制器；

步骤7：对电流值进行3/2变换；

步骤8：利用旋转的q轴计算出转矩；

步骤9：对输出计算转矩进行2/3变换；

步骤10：对变换后的电流值作为载波与三角波调制，让数字信号处理器DSP产生六路PWM脉冲信号，驱动XY运动平台的两轴按照电流指令的大小进行给定轮廓轨迹加工运动；

整流滤波电路把三相交流电转换成直流电给IPM逆变单元供电，IPM逆变单元根据DSP产生的六路PWM脉冲信号对IPM逆变单元内的六个IGBT开关元件的导通与关断进行控制，驱动直线电机运行。

步骤3中所述的采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度驱动装置FCMAC的输入，包括步骤如下：

步骤3-1：PMLSM的运动方程为其中K_f是推力系数，i_q是动子q轴电流，M_i是动子的总质量，D_i为粘滞摩擦和铁耗系数，F_Li包括外部扰动和两轴之间存在的交叉耦合干扰，f_i(v)是摩擦力。为了方便起见，省略了所有的下标i，则PMLSM的动态方程可变为 $\stackrel{\·\·}{d}\left(t\right)=-\frac{D}{M}\stackrel{\·}{d}\left(t\right)+\frac{K_f}{M}{\stackrel{\·}{i}}_q\left(t\right)-\frac{1}{M}(F_L+f\left(v\right)).$

步骤3-2：根据实时的位置、速度以及电流信号和位置偏差信号计算出轮廓误差值，任意轨迹的轮廓误差值可由表示，其中，R₁(t)为期望轨迹的加工位置，P₁(t)为实际轨迹的加工位置，R₂′(t)是期望轨迹上的一点，e_x是X轴跟踪误差，e_y是Y轴跟踪误差，φ是X轴与直线R₁R₂′的夹角，ε为轮廓误差为P₁(t)到直线R₁R₂′的距离。

步骤3-3：对于模型参数的摄动和外界干扰的影响，设计FCMAC速度控制器，FCMAC既具有CMAC较强的逼近能力又具有模糊控制器很好的自适应能力，而且能够提高系统的抗扰能力。其结构如图3所示，FCMAC的输入变量为轨迹跟踪误差e和误差的变化率当单轴跟踪误差存在时，假设FCMAC的期望输出为实际输出为y，定义目标误差函数为

$E=\frac{1}{2}{(\hat{y}-y)}^2---\left(1\right)$

网络采用误差反向传播算法进行学习，则联想强度ω_n通过如下方式来调整

$\mathrm{\Δ}{\mathrm{\ω}}_n=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_n}=-\mathrm{\η}\frac{\∂E}{\∂y}\frac{\∂y}{\∂{\mathrm{\ω}}_n}=\mathrm{\η}(y-\hat{y})O_n^{\left(3\right)}---\left(2\right)$

其中为第三层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数。

则联想强度的迭代公式为

ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))(3)

其中α为惯性系数，n为正整数。

高斯隶属函数中心值c_ij和宽度值b_ij分别通过如下方式来调整

$\mathrm{\Δ}{c}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^2}---\left(4\right)$

$\mathrm{\Δ}{b}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^3}---\left(5\right)$

式中

${\mathrm{\δ}}_j^2=\frac{\∂E}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂O_n^{\left(3\right)}}\frac{\∂O_n^{\left(3\right)}}{\∂O_n^{\left(2\right)}}\frac{\∂O_n^{\left(2\right)}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y}){\mathrm{\ω}}_n{O}_n^{\left(3\right)}---\left(6\right)$

其中 $O_n^{\left(3\right)}=\mathrm{\Πexp}[-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第三层第n个神经元的输出， $O_n^{\left(2\right)}=\exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第二层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数。

则高斯隶属函数中心值和宽度值的迭代公式为

c_ij(k)＝c_ij(k-1)+Δc_ij(k)+α(c_ij(k-1)-c_ij(k-2))(7)

b_ij(k)＝b_ij(k-1)+Δb_ij(k)+α(b_ij(k-1)-b_ij(k-2))(8)

其中α为惯性系数，i＝1,2，j＝1,2…5。

FCMAC的输出为

$y=\mathrm{\Σ}{O}_n^{\left(4\right)}=\mathrm{\Σ}{O}_n^{\left(3\right)}{\mathrm{\ω}}_n---\left(9\right)$

其中为第四层第n个神经元的输出，为第三层第n个神经元的输出，ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))，i＝1,2，j＝1,2…5，n为正整数。

图3中的f(e,de)为网络的输入，将网络的输入与输出之差通过FCMAC学习算法计算得到联想强度的增量，以对联想强度进行在线调整。

与现有技术相比，本发明的有益效果：针对轴向相互垂直运动的XY运动平台数控进给系统，提出了基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法与装置。此装置能够对任意轨迹进行跟踪作业，并且FCMAC既具有CMAC较强的逼近能力又具有模糊控制器很好的自适应能力。在不失鲁棒性的前提下，对XY平台进行间接控制，有效地减小了系统的跟踪误差，进而提高了整个控制系统的轮廓精度。

附图说明

图1为本发明所设计的基于FCMAC的XY平台交叉耦合控制系统框图；

图2为本发明所设计任意轨迹的实时轮廓误差模型图；

图3为本发明所设计FCMAC结构示意图；

图4为本发明所设计装置及方法的整体流程图；

图5为本发明所设计的系统硬件图：

图5(a)电流检测电路

图5(b)位置检测电路

图5(c)电源电路

图5(d)驱动电路

图5(e)IPM隔离逆变以及驱动保护电路

具体实施方式

下面结合附图对本发明的技术方案进行具体描述

图1为本发明所设计的FCMAC的XY平台交叉耦合控制系统框图，其中x_d,x₁和y_d,y₁分别表示X轴输入输出和Y轴输入输出，ξ_x和ξ_y为XY运动平台两轴的扰动，e_x和e_y为XY运动平台两轴的位置误差，u_x和u_y为XY运动平台两轴速度环的控制输入量，c_x和c_y为XY运动平台两轴的补偿增益值，FCMAC为模糊小脑模型关节控制器，它在划分输入空间和激活联想强度时都进行了模糊化处理，使得FCMAC能够很好地反映人脑认知的模糊性和连续性。FCMAC具有良好的非线性逼近能力和学习能力，能够对模型的不确定性和干扰进行在线估计，具有适合于复杂动态环境下的实时控制的特点。本发明所设计的FCMAC速度控制器的作用是不但保证了系统的鲁棒性，而且使XY运动平台系统有快速准确的跟踪性。

图2为任意轨迹的实时轮廓误差模型，误差表达式为其中期望轨迹的加工位置是R₁(t)，实际轨迹的加工位置是P₁(t)且期望轨迹上的一点是R₂′(t)，e_x是X轴跟踪误差，e_y是Y轴跟踪误差，X轴与直线R₁R₂′的夹角是φ，轮廓误差为P₁(t)到直线R₁R₂′的距离ε。

图3为FCMAC的结构框图，FCMAC具有很强的自学习能力和非线性逼近能力，是具有5层结构的前向神经网络。FCMAC的输入变量为轨迹跟踪误差e和误差的变化率当单轴跟踪误差存在时，假设FCMAC的期望输出为实际输出为y，定义目标误差函数为

$E=\frac{1}{2}{(\hat{y}-y)}^2---\left(1\right)$

网络采用误差反向传播算法进行学习，则联想强度ω_n通过如下方式来调整

$\mathrm{\Δ}{\mathrm{\ω}}_n=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_n}=-\mathrm{\η}\frac{\∂E}{\∂y}\frac{\∂y}{\∂{\mathrm{\ω}}_n}=\mathrm{\η}(y-\hat{y})O_n^{\left(3\right)}---\left(2\right)$

其中为第三层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数。

则联想强度的迭代公式为

ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))(3)

其中α为惯性系数，n为正整数。

高斯隶属函数中心值c_ij和宽度值b_ij分别通过如下方式来调整

$\mathrm{\Δ}{c}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^2}---\left(4\right)$

$\mathrm{\Δ}{b}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^3}---\left(5\right)$

式中

${\mathrm{\δ}}_j^2=\frac{\∂E}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂O_n^{\left(3\right)}}\frac{\∂O_n^{\left(3\right)}}{\∂O_n^{\left(2\right)}}\frac{\∂O_n^{\left(2\right)}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y}){\mathrm{\ω}}_n{O}_n^{\left(3\right)}---\left(6\right)$

其中 $O_n^{\left(3\right)}=\mathrm{\Πexp}[-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第三层第n个神经元的输出， $O_n^{\left(2\right)}=\exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第二层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数。

则高斯隶属函数中心值和宽度值的迭代公式为

c_ij(k)＝c_ij(k-1)+Δc_ij(k)+α(c_ij(k-1)-c_ij(k-2))(7)

b_ij(k)＝b_ij(k-1)+Δb_ij(k)+α(b_ij(k-1)-b_ij(k-2))(8)

其中α为惯性系数，i＝1,2，j＝1,2…5。

FCMAC的输出为

$y=\mathrm{\Σ}{O}_n^{\left(4\right)}=\mathrm{\Σ}{O}_n^{\left(3\right)}{\mathrm{\ω}}_n---\left(9\right)$

其中为第四层第n个神经元的输出，为第三层第n个神经元的输出，ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))，i＝1,2，j＝1,2…5，n为正整数。

图3中的f(e,de)为网络的输入，将网络的输入与输出之差通过FCMAC学习算法计算得到联想强度的增量，以对联想强度进行在线调整。

图4为所发明控制系统的流程图，最终由DSP处理器实现，步骤如下：

步骤1系统初始化

步骤2DSP初始化

步骤3初始化寄存器和变量

步骤4初始化中断向量

步骤5开中断

步骤6是否有通用定时器下溢中断产生

步骤7TN1中断处理子控制程序

步骤8保护中断处理

步骤9结束

其中：TN1中断处理子控制程序按以下步骤：

步骤1TN1中断子控制程序；

步骤2保护现场；

步骤3对所跟踪轨迹进行规划并且确定直线电机的位置给定信号

步骤4计算电机速度和运动方向

步骤5采样电流和电压

步骤6调用位移的PI控制程序

步骤7调用速度的FCMAC控制程序及电流的PI控制程序

步骤8采样后与各轴的期望值进行比较获得位置偏差

步骤9判断是否存在轮廓误差；是进入步骤10，否则进入步骤12

步骤10调用实时轮廓误差模型计算程序

步骤11调用实时轮廓误差补偿控制程序

步骤12采样新电流值

步骤13对电流采样值进行3/2变换

步骤14利用旋转的q轴计算出转矩

步骤15对输出的电流进行2/3变换

步骤16用三角波作为载波生成PWM波形对电机相电流进行控制，进而对XY运动平台进行轮廓控制

步骤17中断返回

图5为所发明的基于模糊小脑模型关节控制器的XY运动平台轮廓控制装置的硬件原理图，该装置包括整流滤波单元、IPM逆变单元、数字信号处理器DSP的事件管理器、霍尔传感器、光栅尺、电流采样电路、位置采样电路和IPM隔离驱动保护电路，DSP内还置有位置信号给定器、直线电机信号采集器以及PI控制器、FCMAC控制器和驱动器，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5(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。DSP的AD模块输入电压范围是0～3V，而采样到的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的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5(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TMS320F2812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。安装好光栅尺的直线电机在运动的情况下，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的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。

光栅尺的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+90°还是-90°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1um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5(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5(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耦隔离，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。

图5(e)为所发明的硬件控制系统的IPM隔离驱动保护电路，IPM是把功率器件与起控制作用的逻辑电路、驱动电路、保护电路和检测电路集成或组装在一起，主要完成驱动信号放大、功率放大、各种保护(包括过电流保护、短路保护、过热保护、欠压保护)等功能，在器件特性上具有IGBT的开关特性。本系统选用的IPM是三菱公司第三代智能功率模块PM20CSJ060。其额定参数为600V、20A，适用的电机功率为1.5KW，开关频率最高可达20KHz。DSP模块产生的PWM信号经光耦隔离输入到IPM模块的相应管脚。

Claims (3)

1.一种基于模糊小脑模型关节控制器的XY运动平台轮廓控制装置，其特征在于该装置包括电压调整电路、整流滤波单元、IPM逆变单元、数字信号处理器DSP的事件管理器、霍尔传感器、光栅尺、电流采样电路、位置采样电路和IPM隔离驱动保护电路，DSP内还设置有位置信号给定器、直线电机信号采集器以及PI控制器、FCMAC控制器和驱动器，其中交流电压输出至整流滤波单元输入端，整流滤波单元输出端接入IPM逆变单元，IPM与电机相连，电机机身装有光栅尺，光栅尺连接位置采样电路输入端，霍尔传感器采集电机电流信号，输出至电流采样电路，电流采样电路输出端和位置采样电路输出端均接入DSP，DSP输出信号至电压调整电路输入端和IPM隔离驱动保护电路，电压调整电路对交流电压进行调整，IPM隔离驱动保护电路接入IPM逆变单元，速度和位置信号是通过分辨率为400线的增量式光电编码器来检测的，它产生脉冲信号A和B，送至DSP的事件捕获口，利用捕获口单元的计数功能得到转子的转速，位置由Z信号获得。

2.一种基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法，其特征在于：用FCMAC设计速度控制器，减小跟踪误差，进而间接地提高直接驱动XY运动平台的轮廓加工精度，包括步骤如下：

步骤1：由TMS320F2812数字信号处理器内的位置信号给定器提供给XY运动平台两轴相应的位置信号指令，作为两轴的位置控制量输入；

步骤2：通过信号采集器对位置、速度以及电流信号进行采样且通过两轴给定与实际输出的比较获得位置偏差信号；

步骤3：通过DSP内置的PI位置控制器调节单轴的位置偏差信号，采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度驱动装置FCMAC的输入；

步骤4：通过速度信号采集器确定直线电机的速度；

步骤5：通过光栅尺采样，在TMS320F2812数字处理器内比较后，执行FCMAC控制器；

步骤6：通过内置的电流采样装置进行电流采样且在DSP内比较后，执行PI控制器；

步骤7：对电流值进行3/2变换；

步骤8：利用旋转的q轴计算出转矩；

步骤9：对输出计算转矩进行2/3变换；

步骤10：对变换后的电流值作为载波与三角波调制，让数字信号处理器DSP产生六路PWM脉冲信号，驱动XY运动平台的两轴按照电流指令的大小进行给定轮廓轨迹加工运动；

整流滤波电路把三相交流电转换成直流电给IPM逆变单元供电，IPM逆变单元根据DSP产生的六路PWM脉冲信号对IPM逆变单元内的六个IGBT开关元件的导通与关断进行控制，驱动直线电机运行。

3.根据权利要求2所述的基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法，其特征在于：步骤3中所述的采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度驱动装置FCMAC的输入，包括步骤如下：

步骤3-1：PMLSM的运动方程为其中K_f是推力系数，i_q是动子q轴电流，M_i是动子的总质量，D_i为粘滞摩擦和铁耗系数，F_Li包括外部扰动和两轴之间存在的交叉耦合干扰，f_i(v)是摩擦力，为了方便起见，省略了所有的下标i，则PMLSM的动态方程可变为 $\stackrel{\·\·}{d}\left(t\right)=-\frac{D}{M}\stackrel{\·}{d}\left(t\right)+\frac{K_f}{M}{\stackrel{\·}{i}}_q\left(t\right)-\frac{1}{M}(F_L+f\left(v\right));$

步骤3-2：根据实时的位置、速度以及电流信号和位置偏差信号计算出轮廓误差值，且任意轨迹的轮廓误差值可由表示，其中，R₁(t)为期望轨迹的加工位置，P₁(t)为实际轨迹的加工位置，R₂′(t)是期望轨迹上的一点，e_x是X轴跟踪误差，e_y是Y轴跟踪误差，φ是X轴与直线R₁R₂′的夹角，ε为轮廓误差，是P₁(t)到直线R₁R₂′的距离；

步骤3-3：对于模型参数的摄动和外界干扰的影响，设计FCMAC速度控制器，FCMAC既具有CMAC较强的逼近能力又具有模糊控制器很好的自适应能力，而且能够提高系统的抗扰能力，FCMAC的输入变量为轨迹跟踪误差e和误差的变化率当单轴跟踪误差存在时，假设FCMAC的期望输出为实际输出为y，定义目标误差函数为

$E=\frac{1}{2}{(\hat{y}-y)}^2---\left(1\right)$

网络采用误差反向传播算法进行学习，则联想强度ω_n通过如下方式来调整

$\mathrm{\Δ}{\mathrm{\ω}}_n=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_n}=-\mathrm{\η}\frac{\∂E}{\∂y}\frac{\∂y}{\∂{\mathrm{\ω}}_n}=\mathrm{\η}(y-\hat{y})O_n^{\left(3\right)}---\left(2\right)$

其中为第三层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数；

则联想强度的迭代公式为

ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))(3)

其中α为惯性系数，n为正整数；

高斯隶属函数中心值c_ij和宽度值b_ij分别通过如下方式来调整

$\mathrm{\Δ}{c}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂c_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^2}---\left(4\right)$

$\mathrm{\Δ}{b}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂b_{\mathrm{ij}}}=-\mathrm{\η}{\mathrm{\δ}}_j^2\frac{2(x_i-c_{\mathrm{ij}})}{b_{\mathrm{ij}}^3}---\left(5\right)$

式中

${\mathrm{\δ}}_j^2=\frac{\∂E}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y})\frac{\∂\hat{y}}{\∂O_n^{\left(3\right)}}\frac{\∂O_n^{\left(3\right)}}{{\∂O}_n^{\left(2\right)}}\frac{\∂O_n^{\left(2\right)}}{\∂{\mathrm{net}}_j^2}=-(y-\hat{y}){\mathrm{\ω}}_n{O}_n^{\left(3\right)}---\left(6\right)$

其中 $O_n^{\left(3\right)}=\mathrm{\Πexp}[-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第三层第n个神经元的输出， $O_n^{\left(2\right)}=\exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{b_{\mathrm{ij}}^2}]$ 为第二层第n个神经元的输出，x_i＝e或η为学习速率，i＝1,2，j＝1,2…5，n为正整数；

则高斯隶属函数中心值和宽度值的迭代公式为

c_ij(k)＝c_ij(k-1)+Δc_ij(k)+α(c_ij(k-1)-c_ij(k-2))(7)

b_ij(k)＝b_ij(k-1)+Δb_ij(k)+α(b_ij(k-1)-b_ij(k-2))(8)

其中α为惯性系数，i＝1,2，j＝1,2…5；

FCMAC的输出为

$y=\mathrm{\Σ}{O}_n^{\left(4\right)}=\mathrm{\Σ}{O}_n^{\left(3\right)}{\mathrm{\ω}}_n---\left(9\right)$

其中为第四层第n个神经元的输出，为第三层第n个神经元的输出，ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))，i＝1,2，j＝1,2…5，n为正整数。