CN105867114B - 一种新型的电动加载系统控制方法 - Google Patents

一种新型的电动加载系统控制方法 Download PDF

Info

Publication number
CN105867114B
CN105867114B CN201610249993.5A CN201610249993A CN105867114B CN 105867114 B CN105867114 B CN 105867114B CN 201610249993 A CN201610249993 A CN 201610249993A CN 105867114 B CN105867114 B CN 105867114B
Authority
CN
China
Prior art keywords
fuzzy
cmac
command signal
output
signal
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.)
Expired - Fee Related
Application number
CN201610249993.5A
Other languages
English (en)
Other versions
CN105867114A (zh
Inventor
杨波
张萌
魏启帆
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201610249993.5A priority Critical patent/CN105867114B/zh
Publication of CN105867114A publication Critical patent/CN105867114A/zh
Application granted granted Critical
Publication of CN105867114B publication Critical patent/CN105867114B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于电机控制方法技术领域，具体涉及一种新型的电动加载系统控制方法。本发明针对现有电动加载系统智能控制方法存在加载精度及稳定性难以保证的问题，提供了一种基于模糊CMAC与模糊推理机的复合控制方法。首先在模糊CMAC控制中将加载指令信号映射到空间的所有单元，其次将输入信号对每个模糊集的隶属度作为对应权值的权重信息，再对所有权值进行加权求和得到预设输出的近似值。同时，在模糊推理机中将激活的输入模糊集映射到所有的输出模糊集中，并利用改进的高度解模糊器计算为达到预设输出所需的增量。最后，两者相加得到最终输出信号。本发明提出的基于模糊CMAC及模糊推理机的电动加载系统控制方法能够提高系统的控制精度，保证系统的稳定性。

Description

一种新型的电动加载系统控制方法
技术领域
本发明属于电机控制方法技术领域，具体涉及一种新型的电动加载系统控制方法。
背景技术
飞行器舵面在飞行过程中会受到气动载荷，为了确保舵机在承受这些载荷的同时能够正常飞行，飞行器舵机的承载能力需要在地面进行全面测试。电动加载系统可以通过力矩电机产生加载力矩模拟舵机工作时受到的各种载荷，在实验室环境下测试舵机性能，可以达到缩短研制周期，提高飞行可靠性的目的。
在电动加载系统中，由舵机运动引起的多余力矩会影响系统的加载精度，也会使系统的频带变窄，稳定性变差。而系统本身存在的非线性使得多余力矩的消除变得比较困难，传统的前馈补偿难以满足要求。
神经网络作为一种具有高度非线性的连续时间动力系统，具有很强的自学习能力和对非线性系统的映射能力。其中，小脑模型关联控制器(Cerebellar ModelArticulation Controller,CMAC)具有设计简单、快速学习以及泛化能力强的特点，适于实时控制。但CMAC在激活判断时使用的是0/1逻辑，用0/1来表征神经元是否被激活，导致同一单元激活与未激活之间缺乏连续性，由此模糊CMAC作为一种改进方法受到了广泛关注。
目前在实际控制系统中，为了减小模糊CMAC在线训练过程对控制系统的影响,模糊CMAC往往与其他控制方法进行复合，以减小模糊CMAC的控制误差，如PI控制、滑模控制等。为了保证系统的稳定性，这些补偿控制器的参数需要利用李雅普诺夫方法进行计算，所以这些控制方法对控制系统数学模型的精准性要求较高，难以移植到精准数学模型未知的非线性控制系统中。因此对于此类非线性控制系统，目前控制方法的控制效果会相对较差，系统的稳定性及控制精度难以得到保证。
发明内容
本发明针对现有电动加载系统控制方法存在稳定性以及加载精度难以保证的问题，提供了一种基于模糊CMAC与模糊推理机的复合控制方法。本方法以模糊CMAC控制器为主，模糊推理机的输出起辅助及补偿作用。本发明的目的在于提高系统的控制精度，保证系统的稳定性。
本发明的目的是这样实现的。一种模糊小脑模型关联控制器(CMAC)和模糊推理机复合的舵机电动加载控制算法，主要包括以下步骤：
(1)将系统给定的加载指令信号作为CMAC的输入，根据其变化范围将CMAC的联想记忆空间划分为M个单元，每一个单元对应一个模糊集，将加载指令信号映射到每一个模糊集中，求出其对应的隶属度fi；
(2)完成CMAC输出信号的计算，即将加载指令信号对每一个模糊集的隶属度fi作为对应权值单元wi的权重，对存储空间内所有的权值进行加权求和，得到CMAC的输出信号y；
(3)由加载指令信号确定CMAC中C个被激活的单元，根据指令信号与输出信号之间的误差，由δ学习算法调整被激活C个单元中存储的权值，而未激活的单元权值保持不变；
(4)确定模糊推理机的输入及输出，即利用单值模糊器对加载指令信号进行模糊化，将其作为模糊推理机的输入，参考CMAC的泛化能力进行模糊推理，得到模糊推理结果；
所述参考CMAC的泛化能力进行模糊推理的方法，其特征在于：利用CMAC的泛化能力激活对应的模糊规则前件，其激活规则与CMAC激活C个单元的规则相同，将激活的前件映射到模糊输出集的所有后件中，每一个映射均视为一个IF-THEN陈述；
(5)利用改进后的高度解模糊器对模糊推理机的输出进行解模糊化，即将该解模糊器中的输出量设置为实际输出与加载指令信号的差值，得到可以对模糊CMAC起补偿作用的误差信息；
(6)将模糊CMAC的输出信号与模糊推理机的输出信号相加，得到经过补偿的最终输出信号，利用该信号对加载系统进行控制。
其中，所述第(1)步中所述加载指令信号映射到CMAC中的方法为：加载指令信号映射到CMAC联想记忆空间中的所有单元中，每一个单元都对应一个映射关系，从而求出加载指令信号对于每一个输入模糊集的隶属度。
本发明的优点在于：
(1)提出了模糊CMAC与模糊推理机的复合控制，相对于传统的复合控制方式，模糊推理机具有推理能力，能更好的适用于非线性系统，可以提高系统的控制精度；
(2)在模糊CMAC中采用全新的映射方式，将输入信号映射到了每一个联想记忆空间单元所对应的模糊规则前件中，并将其隶属度作为对应权值的权重，最后将所有权值进行加权求和，从而减小了输出信号的跳变，大大提高了输出平滑性，进而保证了系统稳定性。
附图说明
图1是电动加载系统结构图
图2是控制系统结构原理图
图3是误差收敛曲线
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是该控制方法所作用的电动加载系统结构图。该系统使用PC上位机模拟电动加载系统所需要的加载指令信号，并利用DSPF28335实现模糊CMAC及模糊推理机的控制。在DSP中，除了接收指令信号之外，还要对输出的力矩信号进行反馈，并利用这些信号进行模糊CMAC及模糊推理机的相关运算。加载指令信号最终传输到控制对象力矩电机的驱动器中用来控制力矩电机产生相应的载荷。扭矩传感器可以测量输出的力矩信号，该信号经过放大后由DSP输出到PC上位机中显示。
附图2为该控制方法的原理框图。系统包括两大部分，分别为模糊CMAC及模糊推理机，两者在控制过程中起并行作用。其中模糊CMAC起主要的控制作用，而模糊推理机对模糊CMAC产生的误差进行补偿。最后将两者的输出进行相加，得到最终的输出信号。下面根据附图2对模糊CMAC和模糊推理机的工作过程进行叙述。
1.模糊CMAC的工作过程
(1)将系统的指令信号作为CMAC网络的激励信号，根据该信号的变化范围将联想记忆空间均匀划分为N个单元，并且每一个单元都对应一个模糊集Ak。加载指令信号x被映射到每一个模糊集中，隶属度可由高斯隶属函数计算得出：
其中是Ak的中心，且最小，最大。δk是Ak的宽度。
(2)将物理存储空间也均匀划分为N个单元，每一个单元中存放着相应的权值，分别与联想记忆空间中的N个单元一一对应。将第一步中求得的隶属度作为权值的权重，并对权重进行加权求和，得到输出信号。
其中wk是第k个单元中存储的权值，fk是第k个权值所对应的权重。这种方法将输入信号映射到了所有的存储单元中，而且输出信号的计算与所有的权值均有一定的关系。因此即使对于不同的加载指令信号，输出信号也不会存在太大的跳变，可以提高输出信号的平滑性。
(3)根据指令信号确定被激活的单元，对被激活的单元进行权值调整，而未被激活的单元保持权值不变。最后利用调整后的权值对下一个加载指令信号进行计算。激活规则为：
其中Ri代表第i个单元，S代表被激活的单元集，C为泛化参数。对激活单元的权值进行调整的公式为：
Δw＝η(x-y)/C
其中x为加载指令信号，y为控制系统实际的输出信号，η是网络学习率。
2.模糊推理机的工作过程
(1)对加载指令信号进行模糊化。为了简化计算，此处采用单值模糊器：
确定模糊推理中的前件及后件，各划分为M个模糊集个数。参考CMAC的泛化能力，当输入某个指令信号时，激活对应的C个前件，其激活规则与模糊CMAC激活单元的规则相同。
(2)将激活的C个前件映射到全部的M个后件中。每一个映射都可以看作IF-THEN(如果-则)陈述：
如果x是A，则y是B
并且存在关系：
μA→B(x,y)＝μA(x)×μB(y)
经过计算可以得出：
选用高斯型后件隶属函数，激活前件按照映射规则产生的输出模糊集Bl的重心位于该高斯函数的中心值处。高斯型隶属函数形式如下：
是第l个输出模糊集Bl的中心，δl是第l个输出模糊集Bl的宽度。
(3)利用改进的高度解模糊器进行解模糊化：
其中yFI(x)是高度解模糊器的输出量，K是调整参数，用来调节模糊CMAC及模糊推理机之间的耦合关系，是模糊集Bl的隶属度函数，由y值根据高斯型隶属函数公式确定，单值模糊后得到模糊过程同
考虑到使算法具有学习能力，在实际应用中，将改进的高度解模糊器做一点修改，使其计算结果是为达到预设输出所需的增量，即：
其中x为加载指令信号，y为控制系统实际的输出信号。
3.最终输出信号的计算
最终输出信号是由下述公式得到：
y＝yCMAC+yFI
其中yCMAC是模糊CMAC的输出值，yFI是模糊推理机解模糊化后的输出。
仿真算例：
系统的加载指令信号设置为rm＝5sin(2πf·n·Ts)N·m，其中f为信号频率，选为5Hz，Ts为采样时间，定为0.001s，n表示仿真步数。仿真参数设置如下：在模糊CMAC中，联想记忆空间及物理存储空间的单元个数均为N＝41，激活的单元个数C＝2，学习率η＝0.2。在模糊推理机中，输入及输出模糊集的个数均为M＝41，激活的模糊集个数与模糊CMAC相同，均为C＝2，调整参数K＝10。算法中所有隶属函数中的δ均取值为6。验证结果：附图3是本发明中的控制方法与传统CMAC控制方法的仿真控制误差对比。可以看出，本发明中的控制方法最终能达到系统稳定，且平滑性及控制精度均有明显提高。
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实用新型的实质范围内所做出的变化、改型、添加或替换也应属于本实用新型的保护范围。

Claims (2)

1.一种模糊小脑模型关联控制器CMAC和模糊推理机复合的舵机电动加载控制算法，其特征在于，包括以下步骤：
(1)将系统给定的加载指令信号作为CMAC的输入，根据其变化范围将CMAC的联想记忆空间划分为M个单元，每一个单元对应一个模糊集，将加载指令信号映射到每一个模糊集中，求出其对应的隶属度fi；
(2)完成CMAC输出信号的计算，即将加载指令信号对每一个模糊集的隶属度fi作为对应权值单元wi的权重，对存储空间内所有的权值进行加权求和，得到CMAC的输出信号y；
(3)由加载指令信号确定CMAC中C个被激活的单元，根据指令信号与输出信号之间的误差，由δ学习算法调整被激活C个单元中存储的权值，而未激活的单元权值保持不变；
(4)确定模糊推理机的输入及输出，即利用单值模糊器对加载指令信号进行模糊化，将其作为模糊推理机的输入，参考CMAC的泛化能力进行模糊推理，得到模糊推理结果；
所述参考CMAC的泛化能力进行模糊推理的方法，其特征在于：利用CMAC的泛化能力激活对应的模糊规则前件，其激活规则与CMAC激活C个单元的规则相同，将激活的前件映射到模糊输出集的所有后件中，每一个映射均视为一个IF-THEN陈述；
(5)利用改进的高度解模糊器进行解模糊化：其中yFI(x)为模糊推理机的输出量，M为划分的模糊集个数，y为控制系统实际的输出信号，为第l个输出模糊集的中心，δl为第l个输出模糊集的宽度，K是调整参数，用来调节模糊CMAC及模糊推理机之间的耦合关系，是模糊集Bl的隶属度函数，由y值根据高斯型隶属函数公式确定，再根据x值大小单值模糊后得到考虑到使算法具有学习能力，在实际应用中，将改进的高度解模糊器做一点修改，使其计算结果是为达到预设输出所需的增量，即：其中x为加载指令信号，并将该解模糊器中的输出量设置为实际输出与加载指令信号的差值，得到可以对模糊CMAC起补偿作用的误差信息；
(6)将模糊CMAC的输出信号与模糊推理机的输出信号相加，得到经过补偿的最终输出信号，利用该信号对加载系统进行控制。
2.如权利要求书1所述模糊CMAC和模糊推理机复合的舵机电动加载控制算法，其特征在于：所述第(1)步中加载指令信号映射到模糊CMAC中的方法为：加载指令信号映射到模糊CMAC联想记忆空间中的所有单元中，每一个单元都对应一个映射关系，从而求出加载指令信号对于每一个输入模糊集的隶属度。
CN201610249993.5A 2016-04-21 2016-04-21 一种新型的电动加载系统控制方法 Expired - Fee Related CN105867114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610249993.5A CN105867114B (zh) 2016-04-21 2016-04-21 一种新型的电动加载系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610249993.5A CN105867114B (zh) 2016-04-21 2016-04-21 一种新型的电动加载系统控制方法

Publications (2)

Publication Number Publication Date
CN105867114A CN105867114A (zh) 2016-08-17
CN105867114B true CN105867114B (zh) 2019-02-01

Family

ID=56633610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610249993.5A Expired - Fee Related CN105867114B (zh) 2016-04-21 2016-04-21 一种新型的电动加载系统控制方法

Country Status (1)

Country Link
CN (1) CN105867114B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018076367A1 (zh) * 2016-10-31 2018-05-03 深圳市大疆创新科技有限公司 一种杆量控制的方法、装置及相关设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4439225B4 (de) * 1993-12-27 2005-01-27 Ford Motor Company, Dearborn Defuzzifizierungsverfahren für Fuzzy Logic-Ausgangssignale und Reglervorrichtung hierzu
CN102139769B (zh) * 2011-02-21 2013-03-27 哈尔滨工业大学 基于自组织cmac的挠性卫星快速稳定控制方法
CN103645632A (zh) * 2013-11-22 2014-03-19 大连海联自动控制有限公司 一种基于广义模糊 cmac 的模型参考自适应控制方法
CN105388757A (zh) * 2015-10-22 2016-03-09 北京航空航天大学 一种电动加载系统的复合控制方法

Also Published As

Publication number Publication date
CN105867114A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN102129259B (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN106920008A (zh) 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN106877746A (zh) 速度控制方法和速度控制装置
CN113300379B (zh) 一种基于深度学习的电力系统无功电压控制方法及系统
CN110262281A (zh) 机组滑压运行控制方法和系统
CN102509152A (zh) 一种基于rbf神经网络的开关磁阻电机在线建模方法
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及系统
Memon et al. Multilayer perceptrons neural network automatic voltage regulator with applicability and improvement in power system transient stability
CN115632584A (zh) 一种内嵌式永磁同步电机损耗优化控制方法
CN115081299A (zh) 一种基于upf的电力系统鲁棒辅助预测状态估计方法
CN105867114B (zh) 一种新型的电动加载系统控制方法
Liu et al. Design for fuzzy decoupling control system of temperature and humidity
CN115586801B (zh) 基于改进模糊神经网络pid的瓦斯掺混浓度控制方法
Ling et al. ANFIS modeling and Direct ANFIS Inverse control of an Electro-Hydraulic Actuator system
Arshad et al. Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning.
CN115718478A (zh) 基于sac深度强化学习的svg参数优化辨识方法
Liu et al. Weighting factor design based on SVR–MOPSO for finite set MPC operated power electronic converters
Sang et al. Double Inverted Pendulum control based on three-loop PID and improved BP Neural network
CN102768306B (zh) 一种提取电磁特性曲线特征信息的方法及装置
CN105388757A (zh) 一种电动加载系统的复合控制方法
CN105929691A (zh) 一种基于模糊控制的内模补偿控制方法
CN105301961A (zh) 一种基于rbf神经网络的大口径转台系统模型辨识方法
Meng et al. Automatic control method of automobile steering-by-wire based on fuzzy PID
Zhang et al. Neural-network-based reinforcement learning controller for nonlinear systems with non-symmetric dead-zone inputs
Yuan et al. Fuzzy model reference learning control for aircraft pitch autopilot design

Legal Events

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

Granted publication date: 20190201

Termination date: 20190421

CF01 Termination of patent right due to non-payment of annual fee