CN107918276A - 一种机电作动系统摩擦副的精确建模方法 - Google Patents
一种机电作动系统摩擦副的精确建模方法 Download PDFInfo
- Publication number
- CN107918276A CN107918276A CN201711111750.6A CN201711111750A CN107918276A CN 107918276 A CN107918276 A CN 107918276A CN 201711111750 A CN201711111750 A CN 201711111750A CN 107918276 A CN107918276 A CN 107918276A
- Authority
- CN
- China
- Prior art keywords
- friction
- sub
- msubsup
- simulated annealing
- mrow
- 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.)
- Pending
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种机电作动系统摩擦副的精确建模方法，其基于Stribeck摩擦模型和模拟退火遗传算法，属于机电系统建模的技术领域。其技术方案如下：步骤一、在线测试步骤，步骤二、模型选取步骤，步骤三、目标函数选取步骤，步骤四、迭代搜索辨识步骤。步骤四又细分为7个子步骤：子步骤1、随机产生初始化种群；子步骤2、计算个体适应度；子步骤3、采用随机遍历的抽样方法产生新一代的种群；子步骤4、模拟退火选择运算；子步骤5、模拟退火交叉运算；子步骤6、模拟退火变异运算；子步骤7、迭代运算终止判断。与现有方法相比，本发明能够实现收敛速度更快、建模精度更高的机电作动系统的建模方法。
Description
技术领域
本发明涉及一种机电作动系统摩擦副的精确建模方法，其基于Stribeck摩擦模型和模拟退火遗传算法，属于机电系统建模的技术领域。
背景技术
机电作动系统(Electro-Mechanical Acturtor,EMA)是一类位置伺服控制系统的统称，具体是通过控制伺服电动机的动作来驱动位置随动负载设备的系统，机电作动系统在军事、农业、交通等行业均有十分广泛的应用。机电作动器的工作原理是将电机的旋转运动通过减速器和丝杠、螺母转化为承载部件的直线往复运动，并同时推动负载运动。
机电控制技术领域对实际机电作动系统控制精度的要求正在日益提高，而摩擦则是制约机电作动系统精度提升的一个的重要因素。机电作动系统的摩擦与电机转速之间的非线性关系较强，这样的非线性关系对系统动态及静态性能的影响很大，主要表现为低速时的爬行现象、速度过零时的波形畸变现象、稳态时较大的静差，以及不期望出现的极限环振荡现象。为了克服机电作动器中摩擦力带来的不利影响，则需要能够准确、快速地辨识出系统的摩擦模型。
许多专家和学者提出了一些摩擦副辨识的方法，如分段线性化最小二乘法和传统遗传算法等。但是分段线性化最小二乘辨识出的摩擦模型反应不出摩擦在低速时的非线性影响，而摩擦在机电作动器系统中的影响在低速时最为明显。另外，传统的遗传算法存在着收敛速度慢且不能调节的问题。
发明内容
发明目的：本发明要解决的问题是传统机电作动系统建模方法准确性和快速性的不足，提出了一种基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，提高了机电作动系统建模的精确性和快速性。
其技术方案：一种基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，包括以下步骤：
步骤一：在线测试步骤。首先使机电伺服系统工作在恒转速控制时，测试不同转速下对应的转矩。
进一步的，步骤一所述的测试方法具体为，首先设置转速指令序列(v1,v2,…,vk)，使机电伺服系统分别工作在这一系列的转速值下，分别测试转速指令序列内的各转速指令下，机电伺服系统速度稳定后的转矩序列其中k为测试点数。
由于所述的转矩序列是在机电伺服系统的转速稳定时测得，所以该转矩在物理意义上就是摩擦转矩。
进一步的，所述的机电伺服系统速度稳定的标准为，转速进入到5％误差带(或5％左右)。
步骤二：模型选取步骤。选取适用于机电伺服系统的摩擦模型，根据所选取的摩擦模型确定需要辨识的参数，进一步得到计算摩擦力矩辨识值序列和辨识误差序列。
进一步的，步骤二所选取的摩擦模型具体为Stribeck摩擦模型，其特征为摩擦力矩由下式表示：
其中为摩擦力矩；为正转静摩擦系数，为正转库仑摩擦系数，B+为正转粘滞摩擦系数，为正转特征速度系数；为反转静摩擦系数，为反转库仑摩擦系数，B-为反转粘滞摩擦系数，为反转特征速度系数；vi为机电作动系统转速，e为自然底数，sgn()为符号函数，上标i对应步骤一中的第i次测试。
进一步的，步骤二所确定的需要辨识的参数为正转静摩擦系数反转静摩擦系数正转库仑摩擦系数反转库仑摩擦系数正转粘滞摩擦系数B+，反转粘滞摩擦系数B-，正转特征速度系数和反转特征速度系数
进一步的，定义这些参数的辨识值为正转静摩擦系数辨识值反转静摩擦系数辨识值正转库仑摩擦系数辨识值反转库仑摩擦系数辨识值正转粘滞摩擦系数辨识值反转粘滞摩擦系数辨识值正转特征速度系数辨识值和反转特征速度系数辨识值
进一步的，摩擦力矩辨识值序列表示为：
步骤三：目标函数选取步骤。生成待辨识参数矩阵和辨识值矩阵，选取一个待优化求解的Stribeck摩擦模型目标函数。
进一步的，步骤三生成的待辨识参数矩阵x表示为：
进一步的，步骤三生成的辨识值矩阵表示为：
其中，下标m表示每一次迭代运算的结果，M为种群规模。
进一步的，步骤三所选取的目标函数形式为：
其中，Jm为目标函数，ei(v,x)表示辨识误差，上标i对应步骤一中的第i次测试。
进一步的，辨识误差ei(v,x)具体为：
步骤四：迭代搜索辨识步骤。采用模拟退火遗传算法求解使得步骤三中目标函数最小的辨识值矩阵，采用的算法是迭代搜索算法。
进一步的，所采用的迭代搜索算法，其子步骤如下：
子步骤1、随机产生初始化种群；
子步骤2、计算个体适应度。
假设Nk(k＝1,2,...,M)为个体，根据如下公式计算个体适应度
其中f(Nk)即为个体Nk的个体适应度。
子步骤3、采用随机遍历的抽样方法产生新一代的种群。
子步骤4、模拟退火选择运算。
本子步骤以可变的概率Pt＝K1*cos(π/(T1*2)),(0＜K1＜1,T1＞1)接收恶化解。其中K1为模拟退火选择运算幅值，T1为模拟退火选择运算温度。
K1由用户在使用本发明方法时设定。如果K1设定过小，则选择运算速度过慢；设定过大则可能造成最终的建模精度有所下降。用户可根据实际对象来试凑和折中，使得选择运算速度和建模精度符合需求。
T1由用户在使用本发明方法时设定。如果T1设定过小，则恶化解接收过多，可能造成最终的建模精度降低；设定过大则运算速度变慢。用户可根据实际对象来试凑和折中，使得运算速度和建模精度符合需求。
进一步的，本子步骤中T1是可变的，在每一轮的迭代运算中慢慢变小。
第1轮迭代时T1较大，可能接收效果较差的解，随着往后T1的不断减小，要求越来越严格，淘汰的恶化解越来越多，最后当T1趋于0时不再保留恶化解，从而得到全局最优解，有效地解决了传统遗传算法陷入局部最优的缺点。
子步骤5、模拟退火交叉运算。
本子步骤以可变的概率Pc＝K2*cos(π/(T2*2)),(0＜K2＜1,T2＞1)来进行交叉运算。其中K2为模拟退火交叉运算幅值，T2为模拟退火交叉运算温度。
K2由用户在使用本发明方法时设定。如果K2设定过小，则交叉运算速度过慢；设定过大则可能造成最终的建模精度有所下降。用户可根据实际对象来试凑和折中，使得交叉运算速度和建模精度符合需求。
T2由用户在使用本发明方法时设定。如果T2设定过小，则个体繁殖总体过慢，可能造成最终的建模精度降低；设定过大则交叉速度变慢。用户可根据实际对象来试凑和折中，使得交叉运算速度和建模精度符合需求。
进一步的，本子步骤中T2是可变的，在每一轮的迭代运算中慢慢变小。
第1轮迭代时T2较大，可以防止适应度高的个体迅速繁殖，出现早熟现象；随着往后T1的不断减小，交叉的可能性逐渐减小，保证算法能够尽量快的收敛。
子步骤6、模拟退火变异运算。
本子步骤以可变的概率Pm＝K3/(1/T3)1/6,(0＜K3＜1,T3＞1)来进行变异运算。其中K3为模拟退火变异运算幅值，T3为模拟退火变异运算温度。
K3由用户在使用本发明方法时设定。如果K3设定过小，则变异运算收敛速度过慢；设定过大则可能造成最终的建模精度有所下降。用户可根据实际对象来试凑和折中，使得收敛速度和建模精度符合需求。
T3由用户在使用本发明方法时设定。如果T3设定过小，则种群的多样性降低，可能造成最终的建模精度降低；设定过大则方法的收敛速度变慢。用户可根据实际对象来试凑和折中，使得收敛速度和建模精度符合需求。
进一步的，本子步骤中T3是可变的，在每一轮的迭代运算中慢慢变小。
开始时温度T3较高，变异概率也较高，保证了种群的多样性，随着进化的进行，T3减小，变异的概率相对减小，保证算法能够尽量快的收敛。
子步骤7、迭代运算终止判断。判断迭代的轮数是否达到最大进化数。如果达到则终止迭代；如果没有达到，则进入子步骤2，进行新一轮的迭代。
进一步的，如果子步骤7中终止迭代，整个方法步骤结束。
有益效果
本发明能够实现收敛速度更快、建模精度更高的机电作动系统的建模方法，有益效果具体表现为：
一、可实现性较好。与传统的机电作动系统建模的方法相比，本发明方法依然通过软件实现，在实际应用中很容易实现。
二、与传统方法相比，该方法通过Stribeck摩擦模型，得到了充分的测试数据，然后利用模拟退火的方法改善了标准遗传算法的全局搜索能力及收敛性能，使其收敛速度更快，从而更加快速、准确地辨识出摩擦模型，建模精度更高。具体表现为：
(1)本发明提出了模拟退火选择运算。以可变的概率来接收恶化解，从而得到全局最优解，有效地解决了传统遗传算法陷入局部最优的缺点。而传统算法是以不变的概率接收恶化解，具有陷入局部最优的缺点；
(2)本发明提出了模拟退火交叉运算。以可变的概率来进行交叉运算，可以防止适应度高的个体迅速繁殖，出现早熟现象，保证了种群的多样性。而传统算法是以不变的概率进行交叉运算，具有个体迅速繁殖，可能会出现个体的早熟现象；
(3)本发明提出了模拟退火变异运算。以可变的概率来进行变异运算，开始时变异概率较高，保证了种群的多样性，随着迭代的不断进行，变异的概率减小，保证算法能够尽量快的收敛。与传统的变异运算相比，本发明的变异运算收敛更快。
附图说明
图1是本发明的步骤流程图；
图2是本发明的子步骤流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明具体为一种基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，步骤流程图如图1所示，具体包括以下步骤：
步骤一：在线测试步骤。首先使机电伺服系统工作在恒转速控制时，测试不同转速下对应的转矩。
步骤二：模型选取步骤。选取适用于机电伺服系统的摩擦模型，根据所选取的摩擦模型确定需要辨识的参数，进一步得到计算摩擦力矩辨识值序列和辨识误差序列。
步骤三：目标函数选取步骤。生成待辨识参数矩阵和辨识值矩阵，选取一个待优化求解的Stribeck摩擦模型目标函数。
步骤四：迭代搜索辨识步骤。采用模拟退火遗传算法求解使得步骤三中目标函数最小的辨识值矩阵，采用的算法是迭代搜索算法。
步骤四又细分为7个子步骤。
子步骤1、随机产生初始化种群；
子步骤2、计算个体适应度；
子步骤3、采用随机遍历的抽样方法产生新一代的种群；
子步骤4、模拟退火选择运算；
子步骤5、模拟退火交叉运算；
子步骤6、模拟退火变异运算；
子步骤7、迭代运算终止判断。
为了更好地说明本发明的具体实施方式，选定了一款额定功率为5kW，额定扭矩为24Nm，额定转速为3000rpm的机电作动系统为对象，来说明本发明方法步骤如何实施。
首先设置转速指令序列(v1,v2,…,vk)，使机电伺服系统分别工作在这一系列的转速值下，分别测试转速指令序列内的各转速指令下，机电伺服系统速度稳定后的转矩序列其中k为测试点数。
比如转速指令序列(v1,v2,…,vk)可以选择为(10rpm,20rpm,30rpm,…,3000rpm)。此时测试点数为k＝300。
测得的转矩序列在物理意义上就是摩擦转矩。选定的机电伺服系统速度稳定的标准为转速进入到5％误差带。
选取Stribeck摩擦模型，其特征为摩擦力矩由下式表示：
其中为摩擦力矩；为正转静摩擦系数，为正转库仑摩擦系数，B+为正转粘滞摩擦系数，为正转特征速度系数；为反转静摩擦系数，为反转库仑摩擦系数，B-为反转粘滞摩擦系数，为反转特征速度系数；vi为机电作动系统转速，e为自然底数，sgn()为符号函数，上标i对应步骤一中的第i次测试。
确定所需要辨识的参数为正转静摩擦系数反转静摩擦系数正转库仑摩擦系数反转库仑摩擦系数正转粘滞摩擦系数B+，反转粘滞摩擦系数B-，正转特征速度系数和反转特征速度系数
定义这些参数的辨识值为正转静摩擦系数辨识值反转静摩擦系数辨识值正转库仑摩擦系数辨识值反转库仑摩擦系数辨识值正转粘滞摩擦系数辨识值反转粘滞摩擦系数辨识值正转特征速度系数辨识值和反转特征速度系数辨识值
将摩擦力矩辨识值序列表示为：
待辨识参数矩阵x表示为：
辨识值矩阵表示为：
其中，下标m表示每一次迭代运算的结果，M为种群规模。
所选取的目标函数形式为：
其中，Jm为目标函数，ei(v,x)表示辨识误差，上标i对应步骤一中的第i次测试。
辨识误差ei(v,x)具体为：
下面进行迭代搜索。采用模拟退火遗传算法求解使得步骤三中目标函数最小的辨识值矩阵，采用的算法是迭代搜索算法。
子步骤流程图如图2所示
子步骤1、随机产生初始化种群；
子步骤2、计算个体适应度。
假设Nk(k＝1,2,...,M)为个体，根据如下公式计算个体适应度
其中f(Nk)即为个体Nk的个体适应度。
子步骤3、采用随机遍历的抽样方法产生新一代的种群。
子步骤4、模拟退火选择运算。
根据试凑，以可变的概率Pt＝0.3*cos(π/(T1*2)),(T1＞1)接收恶化解。其中T1为模拟退火选择运算温度。T1是可变的，在每一轮的迭代运算中慢慢变小。
再根据试凑，以可变的概率Pc＝0.8*cos(π/(T2*2)),(0＜K2＜1,T2＞1)来进行交叉运算。其中T2为模拟退火交叉运算温度。T2是可变的，在每一轮的迭代运算中慢慢变小。
再根据试凑，以可变的概率Pm＝0.4/(1/T3)1/6,(0＜K3＜1,T3＞1)来进行变异运算。其中T3为模拟退火变异运算温度。T3是可变的，在每一轮的迭代运算中慢慢变小。
再判断是否终止迭代步骤。判断迭代的轮数是否达到最大进化数。如果达到则终止迭代；如果没有达到，则进入子步骤2，进行新一轮的迭代。
与传统方法相比，该方法通过Stribeck摩擦模型，得到了充分的测试数据，然后利用模拟退火的方法改善了标准遗传算法的全局搜索能力及收敛性能，使其收敛速度更快，从而更加快速、准确地辨识出摩擦模型，建模精度更高。
下面进行数值化的比较：
以平均进化代数、最大进化代数、最小进化代数、寻优时间、平均适应度为性能指标，比较相同条件下(每个算法各进行200次，当自适应度小于0.08时一次搜索终止)，本发明和现有技术的收敛性能对比如下表所示。
从结果对比中可以看出，本发明与现有方法相比，收敛速度更快、建模精度更高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，包括以下步骤：
步骤一、在线测试步骤：首先使机电伺服系统工作在恒转速控制时，测试不同转速下对应的转矩；
步骤二、模型选取步骤：选取适用于机电伺服系统的摩擦模型，根据所选取的摩擦模型确定需要辨识的参数，进一步得到计算摩擦力矩辨识值序列和辨识误差序列；
步骤三、目标函数选取步骤：生成待辨识参数矩阵和辨识值矩阵，选取一个待优化求解的Stribeck摩擦模型目标函数；
步骤四、迭代搜索辨识步骤：采用模拟退火遗传算法求解使得步骤三中目标函数最小的辨识值矩阵，采用的算法是迭代搜索算法。
2.根据权利要求1所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，步骤一所述的测试方法具体为，首先设置转速指令序列(v1,v2,…,vk)，使机电伺服系统分别工作在这一系列的转速值下，分别测试转速指令序列内的各转速指令下，机电伺服系统速度稳定后的转矩序列其中k为测试点数，所得到的转矩序列在物理意义上就是摩擦转矩，所述的机电伺服系统速度稳定的标准为，转速进入到5％误差带(或5％左右)。
3.根据权利要求1或2所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，步骤二所选取的摩擦模型具体为Stribeck摩擦模型，其特征为摩擦力矩由下式表示：
其中为摩擦力矩；Fs +为正转静摩擦系数，Fc +为正转库仑摩擦系数，B+为正转粘滞摩擦系数，为正转特征速度系数；Fs -为反转静摩擦系数，Fc -为反转库仑摩擦系数，B-为反转粘滞摩擦系数，为反转特征速度系数；vi为机电作动系统转速，e为自然底数，sgn()为符号函数，上标i对应步骤一中的第i次测试；
步骤二所确定的需要辨识的参数为正转静摩擦系数Fs +，反转静摩擦系数Fs -，正转库仑摩擦系数Fc +，反转库仑摩擦系数Fc -，正转粘滞摩擦系数B+，反转粘滞摩擦系数B-，正转特征速度系数和反转特征速度系数
定义这些参数的辨识值为正转静摩擦系数辨识值反转静摩擦系数辨识值正转库仑摩擦系数辨识值反转库仑摩擦系数辨识值正转粘滞摩擦系数辨识值反转粘滞摩擦系数辨识值正转特征速度系数辨识值和反转特征速度系数辨识值
摩擦力矩辨识值序列表示为：
4.根据权利要求1所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，步骤三生成的待辨识参数矩阵x表示为：
<mrow>
<mi>x</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>F</mi>
<mi>s</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>F</mi>
<mi>s</mi>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>F</mi>
<mi>c</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>F</mi>
<mi>c</mi>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msup>
<mi>B</mi>
<mo>+</mo>
</msup>
<mo>,</mo>
<msup>
<mi>B</mi>
<mo>-</mo>
</msup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mi>s</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mi>s</mi>
<mo>-</mo>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
步骤三生成的辨识值矩阵表示为：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>c</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>c</mi>
<mo>-</mo>
</msubsup>
<mo>,</mo>
<msup>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
</msup>
<mo>,</mo>
<msup>
<mover>
<mi>B</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
</msup>
<mo>,</mo>
<msubsup>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mover>
<mi>v</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mo>-</mo>
</msubsup>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
</mrow>
其中，下标m表示每一次迭代运算的结果，M为种群规模；
步骤三所选取的目标函数形式为：
<mrow>
<msub>
<mi>J</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
</mrow>
其中，Jm为目标函数，ei(v,x)表示辨识误差，上标i对应步骤一中的第i次测试；
辨识误差ei(v,x)具体为：
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>F</mi>
<mi>f</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>f</mi>
<mi>i</mi>
</msubsup>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，所采用的迭代搜索算法，其子步骤如下：
子步骤1、随机产生初始化种群；
子步骤2、计算个体适应度：
假设Nk(k＝1,2,...,M)为个体，根据如下公式计算个体适应度
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>max</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
<mo>-</mo>
<msub>
<mi>J</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
</mrow>
其中f(Nk)即为个体Nk的个体适应度；
子步骤3、采用随机遍历的抽样方法产生新一代的种群；
子步骤4、模拟退火选择运算：
本子步骤以可变的概率Pt＝K1 *cos(π/(T1*2)),(0＜K1＜1,T1＞1)接收恶化解，其中K1为模拟退火选择运算幅值，T1为模拟退火选择运算温度；
K1由用户在使用本发明方法时设定：如果K1设定过小，则选择运算速度过慢；设定过大则可能造成最终的建模精度有所下降；用户可根据实际对象来试凑和折中，使得选择运算速度和建模精度符合需求；
T1由用户在使用本发明方法时设定：如果T1设定过小，则恶化解接收过多，可能造成最终的建模精度降低；设定过大则运算速度变慢；用户可根据实际对象来试凑和折中，使得运算速度和建模精度符合需求；
子步骤5、模拟退火交叉运算：
本子步骤以可变的概率Pc＝K2 *cos(π/(T2*2)),(0＜K2＜1,T2＞1)来进行交叉运算，其中K2为模拟退火交叉运算幅值，T2为模拟退火交叉运算温度；
K2由用户在使用本发明方法时设定：如果K2设定过小，则交叉运算速度过慢；设定过大则可能造成最终的建模精度有所下降；用户可根据实际对象来试凑和折中，使得交叉运算速度和建模精度符合需求；
T2由用户在使用本发明方法时设定：如果T2设定过小，则个体繁殖总体过慢，可能造成最终的建模精度降低；设定过大则交叉速度变慢；用户可根据实际对象来试凑和折中，使得交叉运算速度和建模精度符合需求；
子步骤6、模拟退火变异运算：
本子步骤以可变的概率Pm＝K3/(1/T3)1/6,(0＜K3＜1,T3＞1)来进行变异运算，其中K3为模拟退火变异运算幅值，T3为模拟退火变异运算温度；
K3由用户在使用本发明方法时设定：如果K3设定过小，则变异运算收敛速度过慢；设定过大则可能造成最终的建模精度有所下降，用户可根据实际对象来试凑和折中，使得收敛速度和建模精度符合需求；
T3由用户在使用本发明方法时设定：如果T3设定过小，则种群的多样性降低，可能造成最终的建模精度降低；设定过大则方法的收敛速度变慢，用户可根据实际对象来试凑和折中，使得收敛速度和建模精度符合需求；
子步骤7、迭代运算终止判断：判断迭代的轮数是否达到最大进化数：如果达到则终止迭代；如果没有达到，则进入子步骤2，进行新一轮的迭代；
如果子步骤7中终止迭代，整个方法步骤结束。
6.根据权利要求5所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，在子步骤4中，T1是可变的，在每一轮的迭代运算中慢慢变小。
7.根据权利要求5所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，在子步骤5中，T2是可变的，在每一轮的迭代运算中慢慢变小。
8.根据权利要求5所述的基于Stribeck摩擦模型和模拟退火遗传算法的机电作动系统摩擦副精确建模方法，其特征在于，在子步骤6中，T3是可变的，在每一轮的迭代运算中慢慢变小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711111750.6A CN107918276A (zh) | 2017-11-13 | 2017-11-13 | 一种机电作动系统摩擦副的精确建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711111750.6A CN107918276A (zh) | 2017-11-13 | 2017-11-13 | 一种机电作动系统摩擦副的精确建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107918276A true CN107918276A (zh) | 2018-04-17 |
Family
ID=61896263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711111750.6A Pending CN107918276A (zh) | 2017-11-13 | 2017-11-13 | 一种机电作动系统摩擦副的精确建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107918276A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109194244A (zh) * | 2018-08-22 | 2019-01-11 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 一种面向电动伺服系统的控制方法及系统 |
| CN109520734A (zh) * | 2018-10-28 | 2019-03-26 | 北京工业大学 | 精密减速器几何传动误差最佳测量转速的确定方法 |
| CN109940609A (zh) * | 2019-02-22 | 2019-06-28 | 浙江工业大学 | 一种基于中心对称静摩擦模型的机器人动力学建模方法 |
| CN112462611A (zh) * | 2020-11-30 | 2021-03-09 | 华中科技大学 | 一种精密机电系统滑动摩擦建模方法 |
| CN113051673A (zh) * | 2020-12-14 | 2021-06-29 | 华南理工大学 | 一种机器人改进Stribeck摩擦模型辨识方法 |
| CN114888803A (zh) * | 2022-05-19 | 2022-08-12 | 山东新一代信息产业技术研究院有限公司 | 一种基于迭代优化的机械臂动力学参数辨识方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008021848A1 (de) * | 2008-05-02 | 2009-11-19 | Volkswagen Ag | Verfahren und System , insbesondere Servo-Lenksystem mit adaptiver Reibungskompensation |
| CN102208891A (zh) * | 2010-11-18 | 2011-10-05 | 东南大学 | 基于摩擦和扰动补偿的pmsm伺服系统控制方法 |
-
2017
- 2017-11-13 CN CN201711111750.6A patent/CN107918276A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008021848A1 (de) * | 2008-05-02 | 2009-11-19 | Volkswagen Ag | Verfahren und System , insbesondere Servo-Lenksystem mit adaptiver Reibungskompensation |
| CN102208891A (zh) * | 2010-11-18 | 2011-10-05 | 东南大学 | 基于摩擦和扰动补偿的pmsm伺服系统控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 关守平等: "X射线角分类机旋转料台的建模与控制方法", 《系统仿真学报》 * |
| 张来福等: "基于遗传算法的伺服系统摩擦参数辨识与仿真", 《计算机应用》 * |
| 董立红: "基于遗传算法的直流伺服系统参数辨识及摩擦补偿控制", 《计算机工程与科学》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109194244A (zh) * | 2018-08-22 | 2019-01-11 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 一种面向电动伺服系统的控制方法及系统 |
| CN109520734A (zh) * | 2018-10-28 | 2019-03-26 | 北京工业大学 | 精密减速器几何传动误差最佳测量转速的确定方法 |
| CN109940609A (zh) * | 2019-02-22 | 2019-06-28 | 浙江工业大学 | 一种基于中心对称静摩擦模型的机器人动力学建模方法 |
| CN109940609B (zh) * | 2019-02-22 | 2020-08-18 | 浙江工业大学 | 一种基于中心对称静摩擦模型的机器人动力学建模方法 |
| CN112462611A (zh) * | 2020-11-30 | 2021-03-09 | 华中科技大学 | 一种精密机电系统滑动摩擦建模方法 |
| CN112462611B (zh) * | 2020-11-30 | 2022-05-20 | 华中科技大学 | 一种精密机电系统滑动摩擦建模方法 |
| CN113051673A (zh) * | 2020-12-14 | 2021-06-29 | 华南理工大学 | 一种机器人改进Stribeck摩擦模型辨识方法 |
| CN113051673B (zh) * | 2020-12-14 | 2023-09-26 | 华南理工大学 | 一种机器人改进Stribeck摩擦模型辨识方法 |
| CN114888803A (zh) * | 2022-05-19 | 2022-08-12 | 山东新一代信息产业技术研究院有限公司 | 一种基于迭代优化的机械臂动力学参数辨识方法 |
| CN114888803B (zh) * | 2022-05-19 | 2024-01-30 | 山东新一代信息产业技术研究院有限公司 | 一种基于迭代优化的机械臂动力学参数辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107918276A (zh) | 一种机电作动系统摩擦副的精确建模方法 | |
| Argall et al. | Learning by demonstration with critique from a human teacher | |
| Irpan et al. | Off-policy evaluation via off-policy classification | |
| CN118246513A (zh) | 训练动作选择神经网络 | |
| US20110276150A1 (en) | Neural network optimizing sliding mode controller | |
| CN102968055A (zh) | 基于遗传算法的模糊pid控制器及其控制方法 | |
| Zhang et al. | Performance prediction of switched reluctance motor using improved generalized regression neural networks for design optimization | |
| Lever et al. | Modelling policies in mdps in reproducing kernel hilbert space | |
| CN104993765A (zh) | 一种无刷直流电机的转速估计方法 | |
| CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
| CN107462875A (zh) | 基于iga‑np算法的认知雷达最大mi波形优化方法 | |
| CN104898426A (zh) | 基于梯度下降法和广义预测控制的室温回路控制方法 | |
| CN106971032A (zh) | 基于非参数核密度估计与数值天气预报的风速预测方法 | |
| CN114415507A (zh) | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 | |
| Wang et al. | Electricity load forecasting based on support vector machines and simulated annealing particle swarm optimization algorithm | |
| CN107145066A (zh) | 一种多参数优化方法 | |
| Oubbati et al. | Kinematic and dynamic adaptive control of a nonholonomic mobile robot using a RNN | |
| Carden | Convergence of a Q-learning variant for continuous states and actions | |
| CN117094229A (zh) | 基于量子神经网络的电机电磁设计方法、设备和介质 | |
| CN103105775B (zh) | 基于序优化与在线核极限学习机的分层迭代优化调度方法 | |
| CN116090309B (zh) | 风力发电机组仿真模型的生成方法、装置、设备及介质 | |
| Zhang et al. | A novel hybrid particle swarm optimisation method applied to economic dispatch | |
| CN110501903B (zh) | 机器人免逆解控制系统参数的自调节及优化方法 | |
| JPH05197701A (ja) | ニューラルネットワークを用いた情報処理装置 | |
| CN115057006A (zh) | 一种基于强化学习的蒸馏策略评估的方法、装置及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180417 |
|
| RJ01 | Rejection of invention patent application after publication |