CN107561935A - 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 - Google Patents
基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 Download PDFInfo
- Publication number
- CN107561935A CN107561935A CN201710745665.9A CN201710745665A CN107561935A CN 107561935 A CN107561935 A CN 107561935A CN 201710745665 A CN201710745665 A CN 201710745665A CN 107561935 A CN107561935 A CN 107561935A
- Authority
- CN
- China
- Prior art keywords
- neural network
- friction
- servo system
- multilayer neural
- follows
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
- Control Of Position Or Direction (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,属于机电伺服控制领域;该摩擦补偿控制方法结合了神经网络和自适应鲁棒控制的思想,设计基于多层神经网络观测器的自适应鲁棒控制器,通过多层神经网络补偿非线性摩擦中的复杂不确定项,同时设计自适应鲁棒控制器以估计系统中不确定的参数,以及补偿外部扰动和神经网络的逼近误差。本发明所设计的控制方法,能有效解决电机伺服系统非线性摩擦问题,并能保证电机伺服系统优良的跟踪性能。
Description
技术领域
本发明涉及一种摩擦补偿控制方法,具体涉及一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法。
背景技术
随着现代科技的飞速发展,设备对伺服控制系统的性能要求越来越高,如机器人、数控机床和发射平台等。但是设计一个高性能的控制器并不容易,因为参数的不确定性和摩擦非线性、外界扰动等不确定性的非线性总是存在于伺服系统中,严重影响伺服系统的性能。在影响低速性能的众多因素中,摩擦非线性最为主要,使系统容易造成波形畸变现象和爬行现象。因此,如何实现高精度跟踪控制,减小摩擦对伺服系统的影响一直是国内外学者研究的热点。
针对伺服系统的非线性摩擦问题,许多方法相继被提出。而在这些方法中,基于模型的摩擦补偿方法被广泛使用。然而,准确摩擦模型的建立是实现摩擦补偿的关键。在以往的研究中,简化的摩擦模型有可能会导致基于它设计的控制器由于补偿不精确而恶化系统的控制性能,造成自激极限环震荡,甚至导致系统失稳。对于能够比较全面的描述摩擦力现象的动态模型,这类摩擦模型参数多、结构复杂,设计高性能的控制器存在一定难度。
发明内容
本发明的目的在于提供一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,解决电机位置伺服系统中非线性摩擦问题。
实现本发明目的的技术方案为:一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,包括以下步骤:
步骤1,建立电机位置伺服系统的数学模型;
步骤2,设计基于多层神经网络观测器的摩擦补偿控制器;
步骤3,对基于多层神经网络观测器的摩擦补偿控制器进行稳定性测试。
本发明与现有技术相比,其显著优点为:本发明结合了神经网络和自适应鲁棒控制的思想,在精确建模的基础上,创造性的采用神经网络对摩擦模型中的复杂不确定项进行估计,能有效解决电机伺服系统非线性摩擦等不确定非线性问题,保证系统在非线性摩擦的影响下仍具有较高的跟踪精度,且不会出现爬行现象,实现了快速、平稳的运动。
附图说明
图1是本发明所提出的位置伺服系统的摩擦补偿控制方法原理示意图。
图2是本发明所采用的多层神经网络的结构图。
图3(a)、3(b)是ARCNN和PID两种控制器下的斜坡参考指令信号和跟踪信号曲线图。
图4(a)、图4(b)是ARCNN和PID两种控制器在斜坡参考信号下的位置跟踪误差示意图。
图5是神经网络观测器对不确定项N的估计值和实际值曲线图。
图6(a)、图6(b)是PID和ARCNN两种控制器在正弦参考信号下的位置跟踪误差示意图。
具体实施方式
结合图1、图2,本发明的一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,具体步骤如下:
步骤一,建立了基于LuGre模型的电机位置伺服系统模型,根据牛顿第二定律,系统的动力学方程为:
式中x表示角位移,J表示等效到电机轴上的转动惯量,U是系统控制输入,TL是负载扭矩,代表外部干扰。F是摩擦扭矩,且采用LuGre摩擦模型表示如下:
其中,σ0表示鬃毛刚度系数,σ1表示鬃毛阻尼系数,σ2表示粘性摩擦系数。为相对角速度;z表示鬃毛的平均变形量,且状态z是不可测量的;非线性函数表示不同的摩擦效应;Fc表示Coulomb摩擦力矩,Fs表示最大静摩擦力矩,表示Stribeck速度。
综上,伺服系统的动态方程为:
把(5)式写成状态空间形式,如下:
其中x=[x1,x2]T表示位置和速度的状态向量。参数集θ=[θ1θ2θ3]T,其中θ1=J,θ2=σ1+σ2,θ3=TL。Nz(x1,x2,z)=σ0z-σ1α(x2)|x2|z表示摩擦模型中不确定项。由于|z(t)|≤fs,我们可以得到Nz(x1,x2,z)是有界的,即:
|Nz(x1,x2,z)|=|σ0-σ1α(x2)|x2|||z(t)|≤(σ0+σ1α(x2)|x2|)fs (7)
假设1:参数θ满足:
其中θmin=[θ1min,...,θ3min]T,θmax=[θ1max,...,θ3max]T它们都是已知的。
假设2:是有界的且一阶可微的,即
其中δd已知。
步骤二,设计基于多层神经网络的摩擦补偿控制器,具体步骤如下:
步骤2-1、设计多层神经网络观测器。
图2为多层神经网络观测器的结构图。采用多层神经网络观测器去估计复杂不确定的有界函数Nz(x1,x2,z),其网络算法为:
N=W*Tσ(V*TX)+εapprox (10)
其中,σ(·)为神经元激活函数;W*和V*为神经网络的理想权值矩阵,εapprox为逼近误差,分别满足如下条件:
εapprox≤εN (11)
网络输入取X=[x1,x2]T,则网络输出为:
其中为N的估计,为W*的估计,为V*的估计。
设计不连续映射类型的权值自适应律为:
其中:
式中Γ1,Γ2表示权值自适应正对角矩阵。τ1,τ2为权值自适应函数。上述的投影映射具有以下特性:
P1
P2
且V具有和W相同的特性。
定义是N的观测误差我们可以得到:
其中权值估计误差并且dn≤δn。
步骤2-2、设计参数自适应控制器
定义为θ的估计,是估计误差,不连续映射被定义为:
其中i=1,2,3。设计参数自适应律为:
其中,是参数自适应回归量。 Γ3是一个正的对角矩阵,它表示参数的自适应增益。τ3为参数自适应函数;上述的投影映射具有以下特性:
P3
P4
步骤2-3、设计实际的控制量U
首先定义如下误差变量:
其中e1=x1-x1d是输出跟踪误差,x1d是系统期望的位置指令且该指令二阶连续可微。x2eq为虚拟控制的期望值。k1>0,k>0是一个反馈增益。是位置跟踪误差的积分作用,通过调节反馈增益使系统的跟踪误差能够逼近零。
由式(6)和(23)可得:
基于式(24),设计实际的控制量如下:
其中Ua为模型前馈补偿项,Us1为线性稳定反馈项,Us2为非线性鲁棒反馈项,k2>0。
由式(18)和(25)可得e2的动态方程为:
根据自适应鲁棒设计的步骤,非线性鲁棒反馈项Us2需满足如下条件:
e2(Us2+dn-f)≤0 (27)
因此,Us2可以设计成:
Us2=-εssign(e2) (28)
其中εs是一个正实数,且满足εs>|dn-f|max。
步骤3、验证系统稳定性
定义李雅普诺夫函数为:
求导可得:
整理上式可得:
由(17)(22)(27)可得:
选取适当的εs,我们可以得到由V(t)是正定的,可以得出V是有界的。这就意味着都是有界的。由于参数θ都是未知有界常数,且由其定义可以得到参数估计也是一致有界的。此外,由于跟踪误差e2是有界的,位置和速度的参考跟踪信号x1d和x2eq假定是有界的,则电机的位置和速度同样是有界的。考虑到摩擦的方程在(2)(3),由于速度信号x2和都是有界的,我们可以推断摩擦状态z是有界的。同样我们可以得到所定义的不确定项N是有界的。由于是有界的,从而是有界的。所以我们可以推断出是有界的。很明显控制输入信号u在(25)是有界的。因此,所有的内部信号是全局一致有界的。
由式(32)有;
即:
我们可以得到e1∈L2,e2∈L2和使用Barbalat引理有,误差信号e1,e2渐进收敛到零。因此有结论,该基于多层神经网络观测器的自适应控制器可以使系统得到全局渐进稳定的结果。
下面结合具体实施例对本发明进行详细说明。
实施例
仿真参数为:J=0.9kgm2,TL=2Nm,f=0.002x1x2,σ0=12Nm/rad,σ1=2.5Nms/rad,σ2=0.2Nms/rad,Fs=0.34Nm,Fc=0.28Nm,
本实施例提出的基于多层神经网络的电机位置伺服系统摩擦补偿控制方法(ARCNN)的取值如下:k1=150,k2=50,k=10,εs=0.05,Γ1=diag{120,120,120,120,120},Γ2=diag{80,80},Γ3=diag{0.0005,0.003,0.005}
当位置参考跟踪信号为斜坡信号x1d=0.0001t,如图3(a)、图3(b)、图4(a)、图4(b)所示。图3(a)、3(b)是两种控制器下的参考指令信号和跟踪信号曲线图。图4(a)、图4(b)是两种控制器在斜坡参考信号下的位置跟踪误差。从图中可以看出采用PlD控制器,一开始会出现轻微爬行现象和相对大的跟踪误差。而采用ARCNN,没有出现爬行现象且系统的稳态跟踪误差较低,相比PID实现了快速,平稳的运动。
当位置参考跟踪信号为正弦信号x1d=sin(t),仿真结果如图5、图6(a)、图6(b)所示。图5是神经网络观测器对不确定项N的估计值和实际值曲线图。从图中可以看出,多层神经网络观测器能够对摩擦模型中的复杂不确定项进行很好地观测。图6(a)、图6(b)是两种控制器的位置跟踪误差,可以看出,我们所提出的ARCNN控制器相比PID控制器,能够保证伺服系统在非线性摩擦的影响下具有较高的跟踪精度。
Claims (4)
1.一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,其特征在于,包括以下步骤:
步骤1,建立电机位置伺服系统的数学模型;
步骤2,设计基于多层神经网络观测器的摩擦补偿控制器;
步骤3,对基于多层神经网络观测器的摩擦补偿控制器进行稳定性测试。
2.根据权利要求1所述的基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,其特征在于,步骤1建立基于LuGre模型的电机位置伺服系统的数学模型,具体如下:
<mrow>
<mi>J</mi>
<mover>
<mi>x</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>U</mi>
<mo>-</mo>
<mi>F</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>L</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中x表示角位移,J表示等效到电机轴上的转动惯量,U是系统控制输入,TL是负载扭矩,代表外部干扰,F是摩擦扭矩,且采用LuGre摩擦模型表示如下:
<mrow>
<mi>F</mi>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<mi>z</mi>
<mo>+</mo>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mo>-</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>|</mo>
<mi>z</mi>
<mo>+</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>F</mi>
<mi>c</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>/</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,σ0表示鬃毛刚度系数,σ1表示鬃毛阻尼系数,σ2表示粘性摩擦系数。为相对角速度,z表示鬃毛的平均变形量,且状态z是不可测量的;非线性函数表示不同的摩擦效应,Fc表示Coulomb摩擦力矩,Fs表示最大静摩擦力矩,表示Stribeck速度;
综上,伺服系统的动态方程为:
<mrow>
<mi>J</mi>
<mover>
<mi>x</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>U</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<mi>z</mi>
<mo>+</mo>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mi>&alpha;</mi>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>)</mo>
<mo>|</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>|</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>L</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
把(5)式写成状态空间形式,如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>U</mi>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>z</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mi>f</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中x=[x1,x2]T表示位置和速度的状态向量;参数集θ=[θ1 θ2 θ3]T,θ1=J,θ2=σ1+σ2,θ3=TL;Nz(x1,x2,z)=σ0z-σ1α(x2)|x2|z表示摩擦模型中不确定项;由于|z(t)|≤fs,可以得到Nz(x1,x2,z)是有界的,即:
|Nz(x1,x2,z)|=|σ0-σ1α(x2)|x2|||z(t)|≤(σ0+σ1α(x2)|x2|)fs (7)
假设1:参数θ满足:
<mrow>
<mi>&theta;</mi>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>&theta;</mi>
</msub>
<mover>
<mo>=</mo>
<mi>&Delta;</mi>
</mover>
<mo>{</mo>
<mi>&theta;</mi>
<mo>:</mo>
<msub>
<mi>&theta;</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<mi>&theta;</mi>
<mo>&le;</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中θmin=[θ1min,...,θ3min]T,θmax=[θ1max,...,θ3max]T它们都是已知的;
假设2:是有界的且一阶可微的,即
<mrow>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<msub>
<mi>&delta;</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中δd已知。
3.根据权利要求1所述的基于多层神经网络的电机位置伺服系统摩擦补偿控制方法,其特征在于,步骤2具体如下:
步骤2-1、设计多层神经网络观测器
采用多层神经网络观测器去估计复杂不确定的有界函数Nz(x1,x2,z),其网络算法为:
<mrow>
<mi>N</mi>
<mo>=</mo>
<msup>
<mi>W</mi>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msup>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>V</mi>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msup>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>a</mi>
<mi>p</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,σ(·)为神经元激活函数,W*和V*为神经网络的理想权值矩阵,εapprox为逼近误差,分别满足如下条件:
<mrow>
<msup>
<mi>W</mi>
<mo>*</mo>
</msup>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<msup>
<mi>W</mi>
<mo>*</mo>
</msup>
</msub>
<mo>=</mo>
<mo>{</mo>
<msup>
<mi>W</mi>
<mo>*</mo>
</msup>
<mo>:</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>&le;</mo>
<msup>
<mi>W</mi>
<mo>*</mo>
</msup>
<mo>&le;</mo>
<msubsup>
<mi>W</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mi>V</mi>
<mo>*</mo>
</msup>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<msup>
<mi>V</mi>
<mo>*</mo>
</msup>
</msub>
<mo>=</mo>
<mo>{</mo>
<msup>
<mi>V</mi>
<mo>*</mo>
</msup>
<mo>:</mo>
<msubsup>
<mi>V</mi>
<mi>min</mi>
<mo>*</mo>
</msubsup>
<mo>&le;</mo>
<msup>
<mi>V</mi>
<mo>*</mo>
</msup>
<mo>&le;</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>}</mo>
</mrow>
εapprox≤εN (11)
网络输入取X=[x1,x2]T,则网络输出为:
<mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msup>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<msup>
<mover>
<mi>V</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为N的估计,为W*的估计,为V*的估计;
设计不连续映射类型的权值自适应律为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>Proj</mi>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
</msub>
<mo>{</mo>
<msub>
<mi>&Gamma;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>&prime;</mo>
</msup>
<msup>
<mover>
<mi>V</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mover>
<mi>V</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>Proj</mi>
<mover>
<mi>V</mi>
<mo>^</mo>
</mover>
</msub>
<mo>{</mo>
<msub>
<mi>&Gamma;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mo>&lsqb;</mo>
<mi>X</mi>
<mrow>
<mo>(</mo>
<msup>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:
<mrow>
<msub>
<mi>Proj</mi>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>&CenterDot;</mo>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mi>W</mi>
<mi>min</mi>
</msub>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>&CenterDot;</mo>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&CenterDot;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Γ1,Γ2表示权值自适应正对角矩阵,τ1,τ2为权值自适应函数,上述的投影映射具有以下特性:
P1
P2
且V具有和W相同的特性;
定义是N的观测误差我们可以得到:
<mrow>
<mover>
<mi>N</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>&prime;</mo>
</msup>
<msup>
<mover>
<mi>V</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mover>
<mi>W</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mover>
<mi>&sigma;</mi>
<mo>^</mo>
</mover>
<mo>&prime;</mo>
</msup>
<msup>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>18</mn>
<mo>)</mo>
</mrow>
</mrow>
其中权值估计误差并且dn≤δn;
步骤2-2、设计参数自适应控制器:
定义为θ的估计,是估计误差,不连续映射被定义为:
<mrow>
<msub>
<mi>Proj</mi>
<mrow>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>&CenterDot;</mo>
<mi>i</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>&CenterDot;</mo>
<mi>i</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&CenterDot;</mo>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>19</mn>
<mo>)</mo>
</mrow>
</mrow>
其中i=1,2,3,设计参数自适应律为:
其中,是参数自适应回归量; Γ3是一个正的对角矩阵,它表示参数的自适应增益,τ3为参数自适应函数;上述的投影映射具有以下特性:
P3
P4
步骤2-3、设计实际的控制量U
首先定义如下误差变量:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mi>k</mi>
<mi>&chi;</mi>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>e</mi>
<mi>q</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>e</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>1</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>k</mi>
<mi>&chi;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>23</mn>
<mo>)</mo>
</mrow>
</mrow>
其中e1=x1-x1d是输出跟踪误差,x1d是系统期望的位置指令且该指令二阶连续可微,x2eq为虚拟控制的期望值,k1>0,k>0是一个反馈增益;是位置跟踪误差的积分作用,通过调节反馈增益使系统的跟踪误差能够逼近零;
由式(6)和(23)可得:
<mrow>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>U</mi>
<mo>-</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<mi>f</mi>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mrow>
<mn>1</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>ke</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>24</mn>
<mo>)</mo>
</mrow>
</mrow>
基于式(24),设计实际的控制量如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>U</mi>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>a</mi>
</msub>
<mo>+</mo>
<msub>
<mi>U</mi>
<mi>s</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mrow>
<mn>1</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>ke</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>25</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Ua为模型前馈补偿项,Us1为线性稳定反馈项,Us2为非线性鲁棒反馈项,k2>0;
由式(18)和(25)可得e2的动态方程为:
根据自适应鲁棒设计的步骤,非线性鲁棒反馈项Us2需满足如下条件:
e2(Us2+dn-f)≤0 (27)
因此,Us2设计成:
Us2=-εssign(e2) (28)
其中εs是一个正实数,且满足εs>|dn-f|max。
4.根据权利要求1所述的基于多层神经网络的电机位置伺服系统的摩擦补偿控制方法,其特征在于,步骤3具体为:
为了验证系统稳定性,定义李雅普诺夫函数为:
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>e</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>e</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>k&chi;</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>&Gamma;</mi>
<mn>3</mn>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msup>
<mover>
<mi>&theta;</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mover>
<mi>&theta;</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>&Gamma;</mi>
<mn>1</mn>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mover>
<mi>W</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>&Gamma;</mi>
<mn>2</mn>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msup>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mover>
<mi>V</mi>
<mo>~</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>29</mn>
<mo>)</mo>
</mrow>
</mrow>
求导可得:
整理上式可得:
由(17)(22)(27)可得:
<mrow>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>&le;</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>e</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<msubsup>
<mi>e</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>&le;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>32</mn>
<mo>)</mo>
</mrow>
</mrow>
得到e1∈L2,e2∈L2和使用Barbalat引理有,误差信号e1,e2渐进收敛到零;因此,该基于多层神经网络观测器的自适应控制器可以使系统得到全局渐进稳定的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710745665.9A CN107561935B (zh) | 2017-08-26 | 2017-08-26 | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710745665.9A CN107561935B (zh) | 2017-08-26 | 2017-08-26 | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107561935A true CN107561935A (zh) | 2018-01-09 |
CN107561935B CN107561935B (zh) | 2021-12-10 |
Family
ID=60977055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710745665.9A Active CN107561935B (zh) | 2017-08-26 | 2017-08-26 | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107561935B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107738A (zh) * | 2018-02-08 | 2018-06-01 | 上海机电工程研究所 | 变采样率非线性驱动惯性稳定跟踪控制系统及方法 |
CN108398879A (zh) * | 2018-01-31 | 2018-08-14 | 湖北工业大学 | 一种气动位置伺服系统自适应反演摩擦补偿控制方法 |
CN108412842A (zh) * | 2018-05-04 | 2018-08-17 | 哈尔滨理工大学 | 液压缸摩擦补偿控制方法研究 |
CN108717258A (zh) * | 2018-05-23 | 2018-10-30 | 中国电子科技集团公司第五十四研究所 | 基于rbf神经网络的机载卫星天线伺服系统控制方法 |
CN109324503A (zh) * | 2018-08-28 | 2019-02-12 | 南京理工大学 | 基于鲁棒积分的多层神经网络电机系统控制方法 |
CN109709807A (zh) * | 2018-12-27 | 2019-05-03 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
CN109940596A (zh) * | 2019-04-16 | 2019-06-28 | 四川阿泰因机器人智能装备有限公司 | 一种基于方差的机器人位移补偿方法 |
CN110389556A (zh) * | 2018-04-17 | 2019-10-29 | 发那科株式会社 | 控制装置以及控制方法 |
CN110673472A (zh) * | 2019-09-09 | 2020-01-10 | 南京理工大学 | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 |
CN110703608A (zh) * | 2019-11-18 | 2020-01-17 | 南京工业大学 | 一种液压伺服执行机构智能运动控制方法 |
CN110703609A (zh) * | 2019-11-18 | 2020-01-17 | 南京工业大学 | 一种电机伺服系统智能运动控制方法 |
CN110701187A (zh) * | 2019-10-08 | 2020-01-17 | 重庆邮电大学 | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 |
CN110888320A (zh) * | 2019-09-09 | 2020-03-17 | 南京理工大学 | 基于双电动缸同步运动误差建模的自适应鲁棒控制方法 |
CN112152539A (zh) * | 2020-09-29 | 2020-12-29 | 中国船舶重工集团公司第七二四研究所 | 一种神经网络补偿电机负载力矩观测器实现方法 |
CN113325805A (zh) * | 2021-06-09 | 2021-08-31 | 北京理工大学 | 一种自抗扰控制器及其设计方法 |
CN114265368A (zh) * | 2021-12-07 | 2022-04-01 | 中国航发控制系统研究所 | 航空发动机伺服控制系统组合状态自适应估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08149884A (ja) * | 1994-11-21 | 1996-06-07 | Toyo Electric Mfg Co Ltd | 定数測定設定機能付きインバ−タの制御方法 |
CN101369133A (zh) * | 2008-09-24 | 2009-02-18 | 上海大学 | 基于灰色预估器的低速摩擦伺服系统滑模变结构控制方法 |
CN102710214A (zh) * | 2012-06-11 | 2012-10-03 | 桂林电子科技大学 | 永磁同步直线电机非线性干扰的控制方法及控制系统 |
CN104199294A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 电机伺服系统双神经网络摩擦补偿和有限时间协同控制方法 |
CN104238572A (zh) * | 2014-07-23 | 2014-12-24 | 南京理工大学 | 基于扰动补偿的电机伺服系统无抖动滑模位置控制方法 |
-
2017
- 2017-08-26 CN CN201710745665.9A patent/CN107561935B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08149884A (ja) * | 1994-11-21 | 1996-06-07 | Toyo Electric Mfg Co Ltd | 定数測定設定機能付きインバ−タの制御方法 |
CN101369133A (zh) * | 2008-09-24 | 2009-02-18 | 上海大学 | 基于灰色预估器的低速摩擦伺服系统滑模变结构控制方法 |
CN102710214A (zh) * | 2012-06-11 | 2012-10-03 | 桂林电子科技大学 | 永磁同步直线电机非线性干扰的控制方法及控制系统 |
CN104238572A (zh) * | 2014-07-23 | 2014-12-24 | 南京理工大学 | 基于扰动补偿的电机伺服系统无抖动滑模位置控制方法 |
CN104199294A (zh) * | 2014-08-14 | 2014-12-10 | 浙江工业大学 | 电机伺服系统双神经网络摩擦补偿和有限时间协同控制方法 |
Non-Patent Citations (1)
Title |
---|
YUANGANG WANG等: "Integral backstepping Control of Servo Actuators With LuGre model-based friction compensation", 《2016 IEEE INTERNATIONAL CONFERENCE ON AIRCRAFT UTILITY SYSTEMS》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398879A (zh) * | 2018-01-31 | 2018-08-14 | 湖北工业大学 | 一种气动位置伺服系统自适应反演摩擦补偿控制方法 |
CN108107738A (zh) * | 2018-02-08 | 2018-06-01 | 上海机电工程研究所 | 变采样率非线性驱动惯性稳定跟踪控制系统及方法 |
CN110389556A (zh) * | 2018-04-17 | 2019-10-29 | 发那科株式会社 | 控制装置以及控制方法 |
CN108412842A (zh) * | 2018-05-04 | 2018-08-17 | 哈尔滨理工大学 | 液压缸摩擦补偿控制方法研究 |
CN108717258A (zh) * | 2018-05-23 | 2018-10-30 | 中国电子科技集团公司第五十四研究所 | 基于rbf神经网络的机载卫星天线伺服系统控制方法 |
CN109324503A (zh) * | 2018-08-28 | 2019-02-12 | 南京理工大学 | 基于鲁棒积分的多层神经网络电机系统控制方法 |
CN109324503B (zh) * | 2018-08-28 | 2022-02-15 | 南京理工大学 | 基于鲁棒积分的多层神经网络电机系统控制方法 |
CN109709807A (zh) * | 2018-12-27 | 2019-05-03 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
CN109709807B (zh) * | 2018-12-27 | 2020-09-18 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
CN109940596A (zh) * | 2019-04-16 | 2019-06-28 | 四川阿泰因机器人智能装备有限公司 | 一种基于方差的机器人位移补偿方法 |
CN109940596B (zh) * | 2019-04-16 | 2022-02-11 | 四川阿泰因机器人智能装备有限公司 | 一种基于方差的机器人位移补偿方法 |
CN110888320A (zh) * | 2019-09-09 | 2020-03-17 | 南京理工大学 | 基于双电动缸同步运动误差建模的自适应鲁棒控制方法 |
CN110673472A (zh) * | 2019-09-09 | 2020-01-10 | 南京理工大学 | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 |
CN110673472B (zh) * | 2019-09-09 | 2022-06-28 | 南京理工大学 | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 |
CN110888320B (zh) * | 2019-09-09 | 2022-06-28 | 南京理工大学 | 基于双电动缸同步运动误差建模的自适应鲁棒控制方法 |
CN110701187A (zh) * | 2019-10-08 | 2020-01-17 | 重庆邮电大学 | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 |
CN110701187B (zh) * | 2019-10-08 | 2020-11-10 | 重庆邮电大学 | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 |
CN110703609A (zh) * | 2019-11-18 | 2020-01-17 | 南京工业大学 | 一种电机伺服系统智能运动控制方法 |
CN110703608B (zh) * | 2019-11-18 | 2021-08-06 | 南京工业大学 | 一种液压伺服执行机构智能运动控制方法 |
CN110703609B (zh) * | 2019-11-18 | 2021-08-06 | 南京工业大学 | 一种电机伺服系统智能运动控制方法 |
CN110703608A (zh) * | 2019-11-18 | 2020-01-17 | 南京工业大学 | 一种液压伺服执行机构智能运动控制方法 |
CN112152539A (zh) * | 2020-09-29 | 2020-12-29 | 中国船舶重工集团公司第七二四研究所 | 一种神经网络补偿电机负载力矩观测器实现方法 |
CN113325805A (zh) * | 2021-06-09 | 2021-08-31 | 北京理工大学 | 一种自抗扰控制器及其设计方法 |
CN114265368A (zh) * | 2021-12-07 | 2022-04-01 | 中国航发控制系统研究所 | 航空发动机伺服控制系统组合状态自适应估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107561935B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561935B (zh) | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 | |
CN109927032B (zh) | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 | |
CN108303885B (zh) | 一种基于干扰观测器的电机位置伺服系统自适应控制方法 | |
CN107121932B (zh) | 电机伺服系统误差符号积分鲁棒自适应控制方法 | |
CN108228975B (zh) | 电机伺服系统参数辨识方法以及消隙控制方法 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN110673472B (zh) | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 | |
CN108155833B (zh) | 考虑电气特性的电机伺服系统渐近稳定控制方法 | |
CN110572093B (zh) | 基于电机位置伺服系统期望轨迹和干扰补偿的arc控制方法 | |
CN112817231A (zh) | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 | |
CN107544256A (zh) | 基于自适应反步法的水下机器人滑模控制方法 | |
CN107621783B (zh) | 基于摩擦补偿的发射平台自适应鲁棒控制方法 | |
CN113325805B (zh) | 一种自抗扰控制器及其设计方法 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及系统 | |
CN108762088B (zh) | 一种迟滞非线性伺服电机系统滑模控制方法 | |
CN108469734B (zh) | 考虑状态约束的电机伺服系统自抗扰控制方法 | |
CN110456641B (zh) | 一种固定时预定性能循环神经网络机械臂控制方法 | |
Yao et al. | Adaptive Robust Motion Control of Direct‐Drive DC Motors with Continuous Friction Compensation | |
CN107765548B (zh) | 基于双观测器的发射平台高精度运动控制方法 | |
CN113589689A (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN110842911B (zh) | 考虑关节电机特性的柔性机械臂联合建模和滑模控制方法 | |
CN109709807B (zh) | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 | |
CN109995278B (zh) | 一种考虑输入受限的电机伺服系统自调节控制方法 | |
CN110888320B (zh) | 基于双电动缸同步运动误差建模的自适应鲁棒控制方法 | |
CN109324503B (zh) | 基于鲁棒积分的多层神经网络电机系统控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |