CN107908101A - 一种基于模糊神经网络pid控制的模拟转台控制系统 - Google Patents
一种基于模糊神经网络pid控制的模拟转台控制系统 Download PDFInfo
- Publication number
- CN107908101A CN107908101A CN201711034297.3A CN201711034297A CN107908101A CN 107908101 A CN107908101 A CN 107908101A CN 201711034297 A CN201711034297 A CN 201711034297A CN 107908101 A CN107908101 A CN 107908101A
- Authority
- CN
- China
- Prior art keywords
- controller
- neural network
- layer
- fuzzy
- speed
- 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.)
- Withdrawn
Links
- 230000001537 neural effect Effects 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims description 29
- 239000003638 chemical reducing agent Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
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
- G05B13/0285—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 neural networks and fuzzy logic
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络PID控制的模拟转台控制系统,包括测控单元、执行单元及反馈单元,测控单元经执行单元连接模拟转台,测控单元包括DSP运动控制卡,DSP运动控制卡经执行单元与模拟转台相连,模拟转台经反馈单元与控制器相连,反馈单元包括速度反馈装置和位置反馈装置,速度反馈装置包括速度环及速度环控制器,速度环控制器采用PI控制器,位置反馈装置包括位置环及位置环控制器,位置环控制器采用模糊神经网络PID控制器,模糊神经网络PID控制器包括PID控制器和模糊神经网络。本发明结构简单,通过测控单元、执行单元和反馈单元来对模拟转台的运行进行控制,能够提高模拟转台运行的平稳性,保证模拟转台稳定地运行。
Description
技术领域
本发明涉及转台控制领域,尤其涉及一种基于模糊神经网络PID控制的模拟转台控制系统。
背景技术
转台广泛应用于航空、航天、兵器、航海、机器人等领域,有各种不同的类型和用途,模拟转台系统是导引头装前测试系统的重要组成部分,模拟转台与可见光目标模拟器一起构成可见光目标模拟检测系统,用以完成某型电视末制导导引头的装前测试。可见光目标模拟器模拟产生电视导引头在测试和试验过程中所需的各种目标图像,模拟转台的俯仰和方位运动可带动目标模拟器形成满足导引头要求的图像视场及目标运动特性,作为导引头测试的模拟目标。可见,模拟转台控制系统性能的优劣对能否成功地完成导引头的性能测试和检验有重要的影响。
近年来,针对模拟转台系统的控制问题,各种新的方法不断涌现,现有的传统控制系统知识比较粗劣的控制方法,不仅成本昂贵,而且控制精度差,控制效果不理想,难以得到满意的控制效果,从而影响转台的性能。
发明内容
本发明的目的在于提供一种基于模糊神经网络PID控制的模拟转台控制系统,不仅结构简单,成本低廉,而且控制精度高,能够保证转台运动的稳定性。
为实现上述目的,本发明采用如下技术方案:
一种基于模糊神经网络PID控制的模拟转台控制系统,包括测控单元、执行单元及反馈单元,测控单元经执行单元连接模拟转台,所述测控单元包括DSP运动控制卡,DSP运动控制卡与执行单元相连,所述执行单元包括依次相连的模数转换器、驱动器、伺服电机和减速器,减速器与模拟转台相连,所述模拟转台经反馈单元与控制器相连,所述反馈单元包括速度反馈装置和位置反馈装置,速度反馈装置包括速度环及速度环控制器,速度环控制器采用PI控制器,所述位置反馈装置包括位置环及位置环控制器,位置环控制器采用模糊神经网络PID控制器,所述模糊神经网络PID控制器包括PID控制器和模糊神经网络,所述PID控制器的输入端与位置环的输出端相连,PID控制器的输出端与执行单元相连,模糊神经网络的输入端与PID控制器的输出端相连,模糊神经网络的输出端与PID控制器相连。
优选地,所述速度环采用角度编码器,角度编码器设置于伺服电机的转轴上,角度编码器的输出端与速度环控制器相连,速度环控制器的输出端与执行单元的输入端相连;所述位置环采用光电编码器,光电编码器设置于模拟转台的轴上,光电编码器的输出端与位置环控制器相连,所述位置环控制器的输入端与DSP运动控制卡的输出端相连,位置环控制器的输出端与速度环控制器的输入端相连。
优选地,所述模糊神经网络包括输入层、模糊化层、模糊推理层和输出层,输入层与模糊化层、模糊化层与模糊推理层之间的连接权值均为1,所述输入层的输出为,其中表示第i个输入i=1,2,……,i;e表示误差,ec表示输入层的输入变量,t表示采样时刻;所述模糊化层中的每一个神经元用于模拟输入变量的一个隶属度函数,其隶属度函数表达式为:,其中exp表示以e为底的指数函数,表示第i个输入,和分别表示第i个输入变量的第j个模糊集合的高斯型隶属度函数的均值和标准差,i=1,2,……,i;j=1,2,……,j;所述模糊推理层的输出为,其中,i=1,2,……,i;j=1,2,……,j;所述输出层的输出为,其中表示输出节点与第3层各节点的连接权矩阵。
优选地,所述模糊神经网络PID控制器的输出为:,其中, u(k)表示系统在k时刻的输出,k=1,2,……,k;表示比例系数,表示积分系数,表示微分系数,下标p、下标i及下标d均为区分作用,并非变量,,,分别为PID控制器的三项输入,表示k时刻系统的误差。
优选地,所述伺服电机采用单边交流伺服电机,减速器采用行星齿轮减速器。
本发明结构简单,通过测控单元、执行单元和反馈单元来对模拟转台的运行进行控制,能够提高模拟转台运行的平稳性,保证模拟转台稳定地运行;反馈单元采用内回路速度反馈装置和外回路位置反馈装置组成的双闭环装置,双闭环装置能够实现高精度的位置控制,且这种闭环控制均由驱动器来完成,无需增加上位控制器的负担,提高了模拟转台运行的平稳性;速度反馈装置能够改善系统的动态特性,减少过渡过程的震荡,改善系统阻尼,补偿非线性,改善电机特性,增加调速范围,提高系统的刚度,抑制干扰;位置反馈装置能够改善系统的频率响应特性,达到要求的动、静态性能,为系统的高精度控制提供保障。此外,位置环控制器采用模糊神经网络PID控制器,模糊神经网络PID控制器减小了参数不确定性和外部扰动对模拟转台伺服系统的影响,使系统具有更高的控制精度、更强的鲁棒性、更好的实时性以及处理参数不确定性的能力,保证了加入控制装置的系统的性能指标能够满足运行要求。
附图说明
图1为本发明的原理框图。
具体实施方式
以下结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例,都属于本发明的保护范围。
如图1所示,本发明所述的一种基于模糊神经网络PID控制的模拟转台控制系统,包括测控单元、执行单元及反馈单元,测控单元经执行单元连接模拟转台,测控单元包括DSP运动控制卡,DSP运动控制卡与执行单元相连,执行单元包括依次相连的模数转换器、伺服电机和减速器,减速器与被模拟转台相连,被模拟转台经反馈单元与控制器相连。
反馈单元采用内回路速度反馈装置和外回路位置反馈装置组成的双闭环装置,速度反馈装置包括速度环及速度环控制器,环采用角度编码器,角度编码器设置于伺服电机的转轴上,角度编码器的输出端与速度环控制器相连,速度环控制器的输出端与执行单元的输入端相连,速度环控制器采用PI控制器;位置反馈装置包括位置环及位置环控制器,位置环采用光电编码器,光电编码器设置于转台的轴上,光电编码器的输出端与位置环控制器相连,位置环控制器的输入端与DSP运动控制卡的输出端相连,位置环控制器的输出端与速度环控制器的输入端相连。双闭环装置能够实现高精度的位置控制,且这种闭环控制均由驱动器来完成,无需增加上位控制器的负担,提高了模拟转台运行的平稳性;速度反馈装置能够改善系统的动态特性,减少过渡过程的震荡,改善系统阻尼,补偿非线性,改善电机特性,增加调速范围,提高系统的刚度,抑制干扰;位置反馈装置能够改善系统的频率响应特性,达到要求的动、静态性能,为系统的高精度控制提供保障。
位置环控制器采用模糊神经网络PID控制器,模糊神经网络PID控制器减小了参数不确定性和外部扰动对模拟转台伺服系统的影响,使系统具有更高的控制精度、更强的鲁棒性、更好的实时性以及处理参数不确定性的能力,保证了加入控制装置的系统的性能指标能够满足运行要求,模糊神经网络PID控制器包括PID控制器和模糊神经网络,PID控制器的输入端与位置环的输出端相连,PID控制器的输出端与执行单元相连,模糊神经网络的输入端与PID控制器的输出端相连,模糊神经网络的输出端与PID控制器相连。
模糊神经网络包括输入层、模糊化层、模糊推理层和输出层,输入层与模糊化层、模糊化层与模糊推理层之间的连接权值均为1,输入层的输出为,其中表示第i个输入i=1,2,……,i;e表示误差,ec表示输入层的输入变量,t表示采样时刻;模糊化层中的每一个神经元用于模拟输入变量的一个隶属度函数,其隶属度函数表达式为:,其中exp表示以e为底的指数函数,表示第i个输入,和分别表示第i个输入变量的第j个模糊集合的高斯型隶属度函数的均值和标准差,i=1,2,……,i;j=1,2,……,j;模糊推理层的输出为,其中,i=1,2,……,i;j=1,2,……,j;输出层的输出为,其中表示输出节点与第3层各节点的连接权矩阵。
模糊神经网络PID控制器的输出为:,其中, u(k)表示系统在k时刻的输出,k=1,2,……,k;表示比例系数,表示积分系数,表示微分系数,下标p、下标i及下标d均为区分作用,并非变量,,,分别为PID控制器的三项输入,表示k时刻系统的误差其中,u(k)表示系统在k时刻的输出, 表示比例系数,表示积分系数,表示微分系数,下标p、下标i及下标d均为区分作用,并非变量,,,分别为PID控制器的三项输入。
在本实施例中,伺服电机采用单边交流伺服电机,减速器采用行星齿轮减速器。
本发明在工作时,由DSP运动控制卡输出控制信号,经执行单元控制模拟转台运动,角度编码器和光电编码器采集模拟转台的速度信息和位置信息,并分别输入速度环控制器和位置环控制器,由速度环控制器和位置环控制器产生调整信号调整伺服电机的动作,从而对模拟转台进行控制。
本发明结构简单,通过测控单元、执行单元和反馈单元来对模拟转台的运行进行控制,能够提高模拟转台运行的平稳性,模糊神经网络PID控制器减小了参数不确定性和外部扰动对模拟转台伺服系统的影响,使系统具有更高的控制精度、更强的鲁棒性、更好的实时性以及处理参数不确定性的能力,保证了加入控制装置的系统的性能指标能够满足运行要求。
Claims (5)
1.一种基于模糊神经网络PID控制的模拟转台控制系统,其特征在于:包括测控单元、执行单元及反馈单元,测控单元经执行单元连接模拟转台,所述测控单元包括DSP运动控制卡,DSP运动控制卡与执行单元相连,所述执行单元包括依次相连的模数转换器、驱动器、伺服电机和减速器,减速器与模拟转台相连,所述模拟转台经反馈单元与控制器相连,所述反馈单元包括速度反馈装置和位置反馈装置,速度反馈装置包括速度环及速度环控制器,速度环控制器采用PI控制器,所述位置反馈装置包括位置环及位置环控制器,位置环控制器采用模糊神经网络PID控制器,所述模糊神经网络PID控制器包括PID控制器和模糊神经网络,所述PID控制器的输入端与位置环的输出端相连,PID控制器的输出端与执行单元相连,模糊神经网络的输入端与PID控制器的输出端相连,模糊神经网络的输出端与PID控制器相连。
2.如权利要求1所述的一种基于模糊神经网络PID控制的模拟转台控制系统,其特征在于:所述速度环采用角度编码器,角度编码器设置于伺服电机的转轴上,角度编码器的输出端与速度环控制器相连,速度环控制器的输出端与执行单元的输入端相连;所述位置环采用光电编码器,光电编码器设置于模拟转台的轴上,光电编码器的输出端与位置环控制器相连,所述位置环控制器的输入端与DSP运动控制卡的输出端相连,位置环控制器的输出端与速度环控制器的输入端相连。
3. 如权利要求2所述的一种基于模糊神经网络PID控制的模拟转台控制系统,其特征在于:所述模糊神经网络包括输入层、模糊化层、模糊推理层和输出层,输入层与模糊化层、模糊化层与模糊推理层之间的连接权值均为1,所述输入层的输出为 ,其中表示第i个输入i=1,2,……,i;e表示误差,ec表示输入层的输入变量,t表示采样时刻;所述模糊化层中的每一个神经元用于模拟输入变量的一个隶属度函数,其隶属度函数表达式为:,其中exp表示以e为底的指数函数,表示第i个输入,和分别表示第i个输入变量的第j个模糊集合的高斯型隶属度函数的均值和标准差,i=1,2,……,i;j=1,2,……,j;所述模糊推理层的输出为,其中,i=1,2,……,i;j=1,2,……,j;所述输出层的输出为,其中表示输出节点与第3层各节点的连接权矩阵。
4.如权利要求3所述的一种基于模糊神经网络PID控制的模拟转台控制系统,其特征在于:所述模糊神经网络PID控制器的输出为:,其中, u(k)表示系统在k时刻的输出,k=1,2,……,k;表示比例系数,表示积分系数,表示微分系数,下标p、下标i及下标d均为区分作用,并非变量,,,分别为PID控制器的三项输入,表示k时刻系统的误差。
5.如权利要求4所述的一种基于模糊神经网络PID控制的模拟转台控制系统,其特征在于:所述伺服电机采用单边交流伺服电机,减速器采用行星齿轮减速器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711034297.3A CN107908101A (zh) | 2017-10-30 | 2017-10-30 | 一种基于模糊神经网络pid控制的模拟转台控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711034297.3A CN107908101A (zh) | 2017-10-30 | 2017-10-30 | 一种基于模糊神经网络pid控制的模拟转台控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107908101A true CN107908101A (zh) | 2018-04-13 |
Family
ID=61842050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711034297.3A Withdrawn CN107908101A (zh) | 2017-10-30 | 2017-10-30 | 一种基于模糊神经网络pid控制的模拟转台控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908101A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739080A (zh) * | 2019-01-17 | 2019-05-10 | 浙江工业大学 | 基于神经网络二维伺服阀步进式电-机械转换器的控制方法 |
CN110308658A (zh) * | 2019-07-24 | 2019-10-08 | 广东工业大学 | 一种pid参数整定方法、装置、系统及可读存储介质 |
CN114407679A (zh) * | 2022-03-04 | 2022-04-29 | 浙江理工大学 | 一种伸缩架对接控制方法及移动充电方法 |
CN114488782A (zh) * | 2022-04-18 | 2022-05-13 | 中国科学院西安光学精密机械研究所 | 基于谐波减速机构的转台双位置环控制方法及控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279564A (zh) * | 2011-04-29 | 2011-12-14 | 南京航空航天大学 | 应用智能pid控制器的飞行仿真转台控制系统及方法 |
CN102360231A (zh) * | 2011-06-16 | 2012-02-22 | 成都西科微波通讯有限公司 | 一种基于速率陀螺的挠性天线伺服控制系统 |
CN206251006U (zh) * | 2016-10-25 | 2017-06-13 | 北京新立机械有限责任公司 | 一种双轴仿真转台控制装置 |
-
2017
- 2017-10-30 CN CN201711034297.3A patent/CN107908101A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279564A (zh) * | 2011-04-29 | 2011-12-14 | 南京航空航天大学 | 应用智能pid控制器的飞行仿真转台控制系统及方法 |
CN102360231A (zh) * | 2011-06-16 | 2012-02-22 | 成都西科微波通讯有限公司 | 一种基于速率陀螺的挠性天线伺服控制系统 |
CN206251006U (zh) * | 2016-10-25 | 2017-06-13 | 北京新立机械有限责任公司 | 一种双轴仿真转台控制装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739080A (zh) * | 2019-01-17 | 2019-05-10 | 浙江工业大学 | 基于神经网络二维伺服阀步进式电-机械转换器的控制方法 |
CN110308658A (zh) * | 2019-07-24 | 2019-10-08 | 广东工业大学 | 一种pid参数整定方法、装置、系统及可读存储介质 |
CN110308658B (zh) * | 2019-07-24 | 2023-09-26 | 广东阿达智能装备有限公司 | 一种pid参数整定方法、装置、系统及可读存储介质 |
CN114407679A (zh) * | 2022-03-04 | 2022-04-29 | 浙江理工大学 | 一种伸缩架对接控制方法及移动充电方法 |
CN114488782A (zh) * | 2022-04-18 | 2022-05-13 | 中国科学院西安光学精密机械研究所 | 基于谐波减速机构的转台双位置环控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908101A (zh) | 一种基于模糊神经网络pid控制的模拟转台控制系统 | |
CN109857100B (zh) | 一种基于反演法和快速终端滑模的复合轨迹跟踪控制算法 | |
CN107894708A (zh) | 一种环形耦合型多轴机器人系统的同步控制方法 | |
CN105159306A (zh) | 一种基于全局稳定的四旋翼飞行器滑模控制方法 | |
CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
CN103095204A (zh) | 伺服电机抗干扰补偿控制系统及控制方法 | |
CN108469728B (zh) | 一种机载LiDAR姿态角补偿装置解耦控制方法 | |
CN113504721B (zh) | 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法 | |
CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
CN101116969B (zh) | 一种移动机器人运动高精度控制方法 | |
CN107807516A (zh) | 一种基于模糊自适应pid控制的模拟转台控制系统 | |
CN206224153U (zh) | 一种适用于不平衡转矩伺服系统的控制装置 | |
CN108696199A (zh) | 一种提高永磁同步直线电机位置精度的控制方法 | |
CN110108277B (zh) | 基于二型模糊控制的航空惯性稳定平台摩擦补偿方法 | |
CN107703754A (zh) | 一种基于神经网络pid控制的模拟转台控制系统 | |
Zhou et al. | An improved cerebellar model articulation controller based on the compound algorithms of credit assignment and optimized smoothness for a three-axis inertially stabilized platform | |
CN108873893A (zh) | 一种双轮差动小车定位控制方法 | |
Li et al. | Trajectory tracking control for quadrotor unmanned aerial vehicle with input delay and disturbances | |
CN107703755A (zh) | 一种基于pid控制的模拟转台控制系统 | |
CN113515044B (zh) | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 | |
CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
CN114114903B (zh) | 一种基于变指数幂次趋近律的板球系统积分终端滑模控制方法 | |
Miquelanti et al. | Comparison between an Adaptive Gain Scheduling Control Strategy and a Fuzzy Multimodel Intelligent Control Applied to the Speed Control of Non-Holonomic Robots | |
CN113671835A (zh) | 一种基于模糊切换增益调节的惯性稳定平台滑模控制方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180413 |
|
WW01 | Invention patent application withdrawn after publication |