CN108646572B - 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 - Google Patents
一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 Download PDFInfo
- Publication number
- CN108646572B CN108646572B CN201810775277.XA CN201810775277A CN108646572B CN 108646572 B CN108646572 B CN 108646572B CN 201810775277 A CN201810775277 A CN 201810775277A CN 108646572 B CN108646572 B CN 108646572B
- Authority
- CN
- China
- Prior art keywords
- formula
- rejection controller
- signal
- disturbance rejection
- neural network
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法,包括如下步骤:1)建立含摩擦模型的三轴云台任意框伺服系统动力学方程;2)依据公式(1)所示的动力学方程,设计自抗扰控制器;3)设计BP神经网络参数在线整定模块、结合自抗扰控制器,实现自抗扰控制器在线参数整定。这种方法能基本消除伺服系统在位置信号跟踪时出现的“平顶”现象以及速度信号跟踪的“死区”现象,能提高伺服系统位置跟踪和速度跟踪的精度。
Description
技术领域
本发明涉及自抗扰控制在非线性伺服电机控制领域,应用于含摩擦模型的三轴云台伺服系统,具体涉及一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法。
背景技术
近年来,随着无人机技术的飞速发展,消费级无人机在低空航拍领域得到广泛的应用。无人机由于具有体积小、重量轻等特性,因此在飞行的过程中易受旋翼旋转、电机震动、姿态调整和空气气流等因素的影响,直接将航拍相机安装在无人机上难以获得获取高质量的低空航拍影像,使用三轴机载增稳云台可以有效减小无人机飞行过程中各种干扰,从而保证获得高质量的低空航拍影像。
无人机三轴机载增稳云台是由三个相互垂直的偏航轴、翻滚轴和俯仰轴构成的三个自由度系统,它是一个三轴伺服系统。在无人机三轴机载增稳云台的伺服系统中,摩擦现象是客观存在的,因此伺服系统的动态及静态性能会受到很大的影响,例如在伺服系统的伺服电机低速转动时出现爬行现象,稳态时有较大的静差或出现极限环振荡,虽然伺服系统中的摩擦无法消除,但可以采用一些方法减轻伺服系统中摩擦环节带来的负面影响,例如可以选择更好的润滑剂,减小动静摩擦的差值,通过改变伺服系统的结构设计减少传动环节,也可以减小摩擦的影响,此外,采用适当的控制补偿方法,对摩擦力矩进行补偿也可以有效减小摩擦对伺服系统产生的不良影响。
目前关于无人机云台的控制方法,经典的PID控制算法仍然处于主导地位,该方法是目前工业自动化控制中应用中最广泛的控制方法之一,具有结构简单,易于工程实现等优点。含摩擦模型的三轴云台伺服系统是非线性系统,传统的PID控制难以胜任非线性时变控制系统,在位置跟踪时会出现“平顶”现象,速度跟踪时会出现“死区”现象,所以采用PID控制鲁棒性较差,不能达到高精度控制要求。要想获得更快的响应速度和更高的控制精度,需要设计使用更先进的控制方法。
自抗扰控制器(active disturbance rejection control,简称ADRC)可以不依赖于系统的精确模型,将内扰和外扰都视为总扰动,通过扩张观测器对总扰动进行实时估计,并加以补偿,而过渡过程的安排,有效解决了快速性和超调之间的矛盾,从而达到提高控制精度和响应速度的目的。ADRC主要由跟踪-微分器(Tracking Differentiator,简称TD)、扩张状态观测器(Extended State Oberver,简称ESO)、非线性状态误差反馈(NonlinearState Error Feedback,简称NLSEF)组成。研究表明,ESO的三个参数β01、β02、β03对含摩擦模型的三轴云台伺服系统状态估计影响较大,尤其是总和扰动估计的准确性对控制性能影响比较大,而NLSEF的两个参数β1、β2类似于PID控制中的kp、kd,尽管ADRC控制器较经典的PID控制而言有许多优点,但ADRC存在参数较多,通常采用人工经验法调参,参数整定过程费时费力。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法。这种方法能基本消除伺服系统在位置信号跟踪时出现的“平顶”现象以及速度信号跟踪的“死区”现象,能提高伺服系统位置跟踪和速度跟踪的精度。
实现本发明目的的技术方案是:
一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法,与现有技术不同的是,所述方法忽略含摩擦模型的三轴云台伺服系统的电枢电感,含摩擦模型的三轴云台伺服系统的电流环和速度环均为开环、位置环为闭环、整个含摩擦模型的三轴云台伺服系统为闭环反馈系统,将摩擦环节视为伺服系统总扰动的一部分,通过自抗扰控制器中的扩张观测器对摩擦力矩进行实时估计、并加以补偿,采用BP神经网络对含摩擦模型的三轴云台伺服系统的自抗扰控制器中的扩张状态观测器三个参数β01、β02、β03和非线性状态误差反馈的两个参数β1、β2进行参数在线整定,应用于具有摩擦模型的三轴云台伺服电机的控制,包括如下步骤:
1)建立含摩擦模型的三轴云台任意框伺服系统动力学方程:
所述动力学方程如公式(1):
转换为状态方程为公式(2):
含摩擦模型的三轴云台任意框伺服系统结构为控制器根据位置指令θd和位置环反馈信号θ,产生PWM功率放大器的控制信号u,由PWM功率放大器驱动伺服电机转动,其中,Ku为PWM功率放大器放大系数,R为电枢电阻,Km为电机力矩系数,Ce为电压反馈系数,J为三轴云台任意框的转动惯量,x1(t)=θ(t)为伺服电机转角,为伺服电机转速,Ff(t)为典型的Stribeck摩擦模型,Stribeck摩擦模型表明在不同的摩擦阶段,摩擦力矩与速度之间的关系,表述如下:
2)依据公式(1)所示的动力学方程,设计自抗扰控制器:
自抗扰控制器主要由跟踪-微分器、扩张状态观测器、非线性状态误差反馈组成,其基本结构、各部分连接关系为:位置指令θd经跟踪-微分器后,得到θd的跟踪信号θd′即过渡位置信号和近似微分信号将θd和θd′与扩张状态观测器的两个观测信号z1和z2形成误差信号θe=θ′d-z1和经过非线性状态误差反馈得到初级输出信号u0,再经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号,由PWM功率放大器驱动伺服电机转动,从而得到任意框伺服系统输出信号θ,其中θ代表三轴云台的偏航角、翻滚角和俯仰角中的一个;
2.1)二阶离散形式的跟踪-微分器方程设计:
跟踪-微分器用于安排过渡过程和提取近似微分信号,得到指令的跟踪值即过渡位置信号和指令的近似微分,根据被控对象的承受能力安排过渡过程,有效解决了快速性和超调之间的矛盾,能适应的被控对象的参数范围大为扩大,提高了控制系统的鲁棒性,跟踪-微分器的二阶离散形式如公式(5):
fhan(·)是公式(5)的最速控制综合函数,具体算法为公式(6):
2.2)三阶离散扩张状态观测器的方程设计:
扩张状态观测器是自抗扰控制器的核心,通过扩张观测器对总扰动进行实时估计和补偿,将模型不确定因素观测出来,从而补偿摩擦环节等产生的干扰,扩张状态观测器的三阶离散形式如公式(7):
公式(7)中z1是输出信号的估计,z2是输出信号微分的估计,z3是总扰动的估计,θ(k)是第k时刻的输出信号,ε是输出信号的估计值与输出信号的误差,u是自抗扰控制器的输出信号,通常α1取0.5,α2取0.25,δ1取0.01,β01、β02、β03是扩张状态观测器需要整定的参数,根据公式(1)式将视为已建模的确知部分并放入扩张状态观测器中,其中fal(·)为公式(8):
公式(8)中γ、α、δ为形式参数,γ、α、δ的值由调用fal(·)函数时的实际参数来确定,例如:fal(ε,α1,δ1)代表将第一个参数ε的值赋给公式(8)中的γ,第二个参数α1的值赋给公式(8)中的第二个参数α,第三个参数δ1的值赋给公式(8)中的第三个参数δ,同理可知fal(ε,α2,δ1);
2.3)非线性状态误差反馈控制律设计:
非线性组合比线性反馈效率要更高,能在非线性系统上实现更好响应速度和精度,非线性状态误差反馈控制律设计如公式(9):
经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号:
3)设计BP神经网络参数在线整定模块、结合自抗扰控制器,实现自抗扰控制器在线参数整定:采用三层BP神经网络,所述BP神经网络输入层的节点个数为4个,隐含层的节点个数为6个,输出层节点的个数为5个,各层节点仅与相邻层节点有连接,各层内节点之间无任何连接,各层节点之间实行全连接,
网络输入层的输入为公式(11):
隐含层的输入和输出为公式(12)
输出层的输入和输出为公式(14)
定义系统的性能指标函数为公式(16)
按照梯度下降法修正网络的权值系数即按E(k)对权值系数的负梯度方向搜索调整,并附加1个使搜索快速收敛全局极小的惯性项:
公式(17)中,η为学习率,λ为惯性系数,
网络输出层的权值学习算法为公式(21)
同理可以得到隐含层的权值学习算法公式(22)
BP神经网络与自抗扰控制器相结合的结构中,θe、和error=θd-θ作为BP神经网络的输入,神经元的输出状态对应于ADRC控制器的ESO三个参数β01、β02、β03和NLSEF的两个参数β1、β2,BP神经网络根据伺服系统的运行状态,调节ADRC控制器的参数,通过神经网络的自学习、加权系数调整,使神经网络输出对应于最优控制规律下的ADRC控制器参数,以达到期望的性能指标最优化。
本技术方案的优点在于:
(1)在忽略电枢电感情况下,设计电流环和速度环为开环,将位置环设计为闭环,简化了控制结构,由于引入了自抗扰控制可以对摩擦环节和不确定因素进行观测补偿,相对于传统PID控制方法在本发明控制结构上能取得较好的控制效果;
(2)由于跟踪-微分器根据被控对象的承受能力事先安排了过渡过程,很好的解决了系统响应的快速性和超调的矛盾,能适应的被控对象的参数范围大为扩大,控制系统的鲁棒性更为加强;
(3)基于跟踪-微分器的方法,可以产生跟踪过渡过程的误差信号和没有噪声污染的误差微分信号,两者的非线性组合比线性反馈效率要更高,能在非线性系统上实现更好响应速度和精度;
(4)ADRC可以不依赖于系统的精确模型,将内扰和外扰都视为总扰动,通过扩张观测器对总扰动进行实时估计和补偿,将模型不确定因素观测出来,从而补偿摩擦环节等产生的干扰。利用反馈补偿解决控制量不足的问题,从而有效解决了传统PID控制方法存在位置跟踪中的“平顶”问题和速度跟踪中的“死区”问题;
(5)将BP神经网络与自抗扰控制算法相结合,使用BP神经网络对ADRC中的ESO和NLSEF参数进行在线自动整定。由于BP神经网络具有结构简单,自学习和逼近任意非线性函数等优异的特性,因此将BP神经网络与ADRC相结合,使用BP神经网络对ADRC中的ESO和NLSEF的参数进行在线整定,简化了ADRC繁琐的参数整定过程,提高了ADRC控制器的自适应性、鲁棒性。
这种方法能基本消除伺服系统在位置信号跟踪时出现的“平顶”现象以及速度信号跟踪的“死区”现象,能提高伺服系统位置跟踪和速度跟踪的精度。
附图说明
图1为实施例含摩擦模型的三轴云台任意框伺服系统结构示意图;
图2为实施例中的BP神经网络结构示意图;
图3为实施例中BP神经网络与自抗扰控制器相结合的结构示意图;
图4为传统PID控制方法带摩擦的三轴云台伺服系统位置跟踪信号仿真波形示意图;
图5为传统PID控制方法带摩擦的三轴云台伺服系统速度跟踪信号仿真波形示意图;
图6为实施例方法在带摩擦时三轴云台伺服系统位置跟踪信号仿真波形示意图;
图7为实施例方法在带摩擦时三轴云台伺服系统速度跟踪信号仿真波形示意图;
图8为实施例中自抗扰控制器扩张状态观测器观测值的仿真波形示意图;
图9为实施例中NLSEF的2个参数β1、β2随时间动态变化的仿真波形示意图;
图10为实施例中ESO三个参数β01、β02、β03随时间动态变化的仿真波形示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步得阐述,但不是对本发明的限定。
实施例:
一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法,所述方法忽略含摩擦模型的三轴云台伺服系统的电枢电感,含摩擦模型的三轴云台伺服系统的电流环和速度环均为开环、位置环为闭环、整个含摩擦模型的三轴云台伺服系统为闭环反馈系统,将摩擦环节视为伺服系统总扰动的一部分,通过自抗扰控制器中的扩张观测器对摩擦力矩进行实时估计、并加以补偿,采用BP神经网络对含摩擦模型的三轴云台伺服系统的自抗扰控制器中的扩张状态观测器三个参数β01、β02、β03和非线性状态误差反馈的两个参数β1、β2进行参数在线整定,应用于具有摩擦模型的三轴云台伺服电机的控制,包括如下步骤:
1)建立含摩擦模型的三轴云台任意框伺服系统动力学方程:
所述动力学方程如公式(1):
转换为状态方程为公式(2):
如图1所示,含摩擦模型的三轴云台任意框伺服系统结构为控制器根据位置指令θd和位置环反馈信号θ,产生PWM功率放大器的控制信号u,由PWM功率放大器驱动伺服电机转动,其中,Ku为PWM功率放大器放大系数,R为电枢电阻,Km为电机力矩系数,Ce为电压反馈系数,J为三轴云台任意框的转动惯量,x1(t)=θ(t)为伺服电机转角,为伺服电机转速,Ff(t)为典型的Stribeck摩擦模型,Stribeck摩擦模型表明在不同的摩擦阶段,摩擦力矩与速度之间的关系,表述如下:
2)依据公式(1)所示的动力学方程,设计自抗扰控制器:
如图3虚线框所示,自抗扰控制器主要由跟踪-微分器、扩张状态观测器、非线性状态误差反馈组成,其基本结构、各部分连接关系为:位置指令θd经跟踪-微分器后,得到θd的跟踪信号θd′即过渡位置信号和近似微分信号将θd和θd′与扩张状态观测器的两个观测信号z1和z2形成误差信号θe=θ′d-z1和经过非线性状态误差反馈得到初级输出信号u0,再经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号,由PWM功率放大器驱动伺服电机转动,从而得到任意框伺服系统输出信号θ,其中θ代表三轴云台的偏航角、翻滚角和俯仰角中的一个,本例的θ代表俯仰角,其余两个角也都是采用例本方法单独进行控制;
2.1)二阶离散形式的跟踪-微分器方程设计:
跟踪-微分器用于安排过渡过程和提取近似微分信号,得到指令的跟踪值即过渡位置信号和指令的近似微分,根据被控对象的承受能力安排过渡过程,有效解决了快速性和超调之间的矛盾,能适应的被控对象的参数范围大为扩大,提高了控制系统的鲁棒性,跟踪-微分器的二阶离散形式如公式(5):
fhan(·)是公式(5)的最速控制综合函数,具体算法为公式(6):
2.2)三阶离散扩张状态观测器的方程设计:
扩张状态观测器是自抗扰控制器的核心,通过扩张观测器对总扰动进行实时估计和补偿,将模型不确定因素观测出来,从而补偿摩擦环节等产生的干扰,扩张状态观测器的三阶离散形式如公式(7):
公式(7)中z1是输出信号的估计,z2是输出信号微分的估计,z3是总扰动的估计,θ(k)是第k时刻的输出信号,ε是输出信号的估计值与输出信号的误差,u是自抗扰控制器的输出信号,通常α1取0.5,α2取0.25,δ1取0.01,β01、β02、β03是扩张状态观测器需要整定的参数,根据公式(1)式将视为已建模的确知部分并放入扩张状态观测器中,其中fal(·)为公式(8):
公式(8)中γ、α、δ为形式参数,γ、α、δ的值由调用fal(·)函数时的实际参数来确定,例如:fal(ε,α1,δ1)代表将第一个参数ε的值赋给公式(8)中的γ,第二个参数α1的值赋给公式(8)中的第二个参数α,第三个参数δ1的值赋给公式(8)中的第三个参数δ,同理可知fal(ε,α2,δ1)。
2.3)非线性状态误差反馈控制律设计:
非线性组合比线性反馈效率要更高,能在非线性系统上实现更好响应速度和精度,非线性状态误差反馈控制律设计如公式(9):
经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号:
3)设计BP神经网络参数在线整定模块、结合自抗扰控制器,实现自抗扰控制器在线参数整定:如图2所示,采用三层BP神经网络,所述BP神经网络输入层的节点个数为4个,隐含层的节点个数为6个,输出层节点的个数为5个,各层节点仅与相邻层节点有连接,各层内节点之间无任何连接,各层节点之间实行全连接,
网络输入层的输入为公式(11):
隐含层的输入和输出为公式(12)
输出层的输入和输出为公式(14)
定义系统的性能指标函数为公式(16)
按照梯度下降法修正网络的权值系数即按E(k)对权值系数的负梯度方向搜索调整,并附加1个使搜索快速收敛全局极小的惯性项:
公式(17)中,η为学习率,λ为惯性系数,
网络输出层的权值学习算法为公式(21)
同理可以得到隐含层的权值学习算法公式(22)
如图3所示,BP神经网络与自抗扰控制器相结合的结构中,θe、和error=θd-θ作为BP神经网络的输入,神经元的输出状态对应于ADRC控制器的ESO三个参数β01、β02、β03和NLSEF的两个参数β1、β2,BP神经网络根据伺服系统的运行状态,调节ADRC控制器的参数,通过神经网络的自学习、加权系数调整,使神经网络输出对应于最优控制规律下的ADRC控制器参数,以达到期望的性能指标最优化。
具体地:
1)参见图1,本例三轴云台任意框伺服系统采用直流电机,在忽略电枢电感情况下,将电流环和速度环均设计为开环,将位置环设计为闭环,整个伺服系统仍为闭环控制,控制器的输入信号θd为位置指令信号,位置环给出输出信号θ;
2)参见图2、3,本例三轴云台任意框伺服系统控制器,由跟踪-微分器,扩张状态观测器,非线性状态误差反馈,BP神经网络参数整定模块组成,各个模块之间的连接关系如下:位置指令θd经跟踪-微分器后,得到θd的跟踪信号θd′即过渡位置信号和近似微分信号将θd和θd′与扩张状态观测器的两个观测信号z1和z2形成误差信号θe=θ′d-z1和经过非线性状态误差反馈得到初级输出信号u0,再经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号u,由PWM功率放大器驱动伺服电机转动,从而得到任意框伺服系统输出信号θ,其中θ代表三轴云台的偏航角、翻滚角和俯仰角中的一个,本例里的θ代表俯仰角,其余两个角也都是采用本例方法单独进行控制,最后将θe、输入与输出的误差信号error=θd-θ作为BP神经网络参数参数整定模块的输入信号,得到ESO的3个参数β01、β02、β03和NLSEF的2个参数β1、β2;
3)参见图4、5、6、7,在含有摩擦力情况下,传统PID控制方法在位置跟踪时出现了“平顶”现象,即图4中信号顶端局部放大,速度跟踪时出现了“死区”现象即图5中信号过零点局部放大,所以采用PID控制鲁棒性较差,不能达到高精度控制要求,而采用本例控制方法在位置跟踪,见图6信号顶端局部放大和速度跟踪时即图7信号过零点局部放大显示,有效减小了“平顶”现象“死区”现象,所以鲁棒性较好,可以实现高精度控制需求;
4)参见8图,扩张状态观测器显示,使用BP神经网络对自抗扰控制器中的非线性扩展状态观测器进行参数整定的方法,能实现对被控对象的位置信号和速度信号以及总误差扰动很好的跟踪效果,总扰动也对摩擦环节和不确定因素进行了有效的估计,可以提供有效的控制补偿反馈,从而提高控制精度;
5)参见图9、10,图9是非线性状态误差反馈的两个参数β1、β2参数自适应调整过程,图10是扩张状态观测器三个参数β01、β02、β03自适应调整过程。
Claims (1)
1.一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法,其特征是,所述方法忽略含摩擦模型的三轴云台伺服系统的电枢电感,含摩擦模型的三轴云台伺服系统的电流环和速度环均为开环、位置环为闭环、整个含摩擦模型的三轴云台伺服系统为闭环反馈系统,将摩擦环节视为伺服系统总扰动的一部分,通过自抗扰控制器中的扩张观测器对摩擦力矩进行实时估计、并加以补偿,采用BP神经网络对含摩擦模型的三轴云台伺服系统的自抗扰控制器中的扩张状态观测器三个参数β01、β02、β03和非线性状态误差反馈的两个参数β1、β2进行参数在线整定,应用于具有摩擦模型的三轴云台伺服电机的控制,包括如下步骤:
1)建立含摩擦模型的三轴云台任意框伺服系统动力学方程:
所述动力学方程如公式(1):
转换为状态方程为公式(2):
含摩擦模型的三轴云台任意框伺服系统结构为控制器根据位置指令θd和位置环反馈信号θ,产生PWM功率放大器的控制信号u,由PWM功率放大器驱动伺服电机转动,其中,Ku为PWM功率放大器放大系数,R为电枢电阻,Km为电机力矩系数,Ce为电压反馈系数,J为三轴云台任意框的转动惯量,x1(t)=θ(t)为伺服电机转角,为伺服电机转速,Ff(t)为典型的Stribeck摩擦模型,Stribeck摩擦模型表明在不同的摩擦阶段,摩擦力矩与速度之间的关系,表述如下:
2)依据公式(1)所示的动力学方程,设计自抗扰控制器:自抗扰控制器主要由跟踪-微分器、扩张状态观测器、非线性状态误差反馈组成,其基本结构、各部分连接关系为:位置指令θd经跟踪-微分器后,得到θd的跟踪信号θd′即过渡位置信号和近似微分信号将θd和θd′与扩张状态观测器的两个观测信号z1和z2形成误差信号θe=θ′d-z1和经过非线性状态误差反馈得到初级输出信号u0,再经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号,由PWM功率放大器驱动伺服电机转动,从而得到任意框伺服系统输出信号θ,其中θ代表三轴云台的偏航角、翻滚角和俯仰角中的一个;
2.1)二阶离散形式的跟踪-微分器方程设计:
跟踪-微分器用于安排过渡过程和提取近似微分信号,得到指令的跟踪值即过渡位置信号和指令的近似微分,根据被控对象的承受能力安排过渡过程,跟踪-微分器的二阶离散形式如公式(5):
fhan(·)是公式(5)的最速控制综合函数,具体算法为公式(6):
2.2)三阶离散扩张状态观测器的方程设计:
扩张状态观测器的三阶离散形式如公式(7):
公式(7)中z1是输出信号的估计,z2是输出信号微分的估计,z3是总扰动的估计,θ(k)是第k时刻的输出信号,ε是输出信号的估计值与输出信号的误差,u是自抗扰控制器的输出信号,通常α1取0.5,α2取0.25,δ1取0.01,β01、β02、β03是扩张状态观测器需要整定的参数,根据公式(1)式将视为已建模的确知部分并放入扩张状态观测器中,其中fal(·)为公式(8):
其中,γ、α、δ为形式参数,γ、α、δ的值由调用fal(·)函数时的实际参数来确定,fal(ε,α1,δ1)代表将第一个参数ε的值赋给公式(8)中的γ,第二个参数α1的值赋给公式(8)中的第二个参数α,第三个参数δ1的值赋给公式(8)中的第三个参数δ,同理可知fal(ε,α2,δ1);
2.3)非线性状态误差反馈控制律设计:
非线性状态误差反馈控制律设计如公式(9):
经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u,并将u作为PWM功率放大器的控制信号:
3)设计BP神经网络参数在线整定模块、结合自抗扰控制器,实现自抗扰控制器在线参数整定:采用三层BP神经网络,所述BP神经网络输入层的节点个数为4个,隐含层的节点个数为6个,输出层节点的个数为5个,各层节点仅与相邻层节点有连接,各层内节点之间无任何连接,各层节点之间实行全连接,
网络输入层的输入为公式(11):
隐含层的输入和输出为公式(12)
输出层的输入和输出为公式(14)
定义系统的性能指标函数为公式(16)
按照梯度下降法修正网络的权值系数即按E(k)对权值系数的负梯度方向搜索调整,并附加1个使搜索快速收敛全局极小的惯性项:
公式(17)中,η为学习率,λ为惯性系数,
网络输出层的权值学习算法为公式(21)
同理可以得到隐含层的权值学习算法公式(22)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775277.XA CN108646572B (zh) | 2018-07-16 | 2018-07-16 | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775277.XA CN108646572B (zh) | 2018-07-16 | 2018-07-16 | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108646572A CN108646572A (zh) | 2018-10-12 |
CN108646572B true CN108646572B (zh) | 2020-12-25 |
Family
ID=63751734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810775277.XA Active CN108646572B (zh) | 2018-07-16 | 2018-07-16 | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646572B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634123A (zh) * | 2018-12-28 | 2019-04-16 | 浙江中控软件技术有限公司 | 用于pH中和过程的自抗扰控制参数整定方法 |
CN109639194A (zh) * | 2019-01-21 | 2019-04-16 | 广西师范大学 | 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法 |
CN110018638B (zh) * | 2019-04-03 | 2023-10-10 | 江苏大学 | 交流径向磁轴承用神经网络自抗扰控制器及其构造方法 |
CN110095985B (zh) * | 2019-04-26 | 2022-07-26 | 北京工商大学 | 一种观测器设计方法和抗干扰控制系统 |
CN109995289B (zh) * | 2019-05-13 | 2021-01-26 | 电子科技大学 | 基于模型参考自适应的永磁同步电机自抗扰控制优化方法 |
CN110209054A (zh) * | 2019-06-11 | 2019-09-06 | 大连海事大学 | 基于rbf神经网络的无人船艇航向自抗扰控制系统 |
CN110347042A (zh) * | 2019-07-15 | 2019-10-18 | 广西师范大学 | 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法 |
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 |
CN110989691B (zh) * | 2019-11-22 | 2023-04-11 | 普宙飞行器科技(深圳)有限公司 | 一种云台控制方法、装置、存储介质、电子设备及无人机 |
CN110955145A (zh) * | 2019-12-10 | 2020-04-03 | 哈尔滨理工大学 | 一种针对连续回转马达电液伺服系统的五阶自抗扰控制方法 |
CN111725820B (zh) * | 2020-06-24 | 2022-06-21 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于高阶动量跟踪控制的抑制电网低频振荡的装置 |
CN111711407A (zh) * | 2020-06-29 | 2020-09-25 | 上海海事大学 | 一种基于rbf神经网络优化adrc伺服电机控制方法 |
CN112821809A (zh) * | 2021-01-07 | 2021-05-18 | 西安理工大学 | 一种无轴传动凹印机同步控制系统及其控制方法 |
CN112644726B (zh) * | 2021-01-12 | 2022-07-05 | 贵州理工学院 | 一种动力三角翼用倾斜摄影三轴云台装置的结构及其方法 |
CN112859587B (zh) * | 2021-01-13 | 2022-08-23 | 中国科学院光电技术研究所 | 一种基于附加集成模块的pid目标跟踪控制方法 |
CN113103225B (zh) * | 2021-03-03 | 2022-06-10 | 重庆大学 | 一种基于图像测量的移动机器人多阶段平稳自主对接方法 |
CN113359885B (zh) * | 2021-04-08 | 2022-07-05 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于高精度离心加速度系统的转速测量与控制方法 |
CN113515147B (zh) * | 2021-07-29 | 2023-11-07 | 安徽大学 | 一种双轴跟踪转台伺服系统改进自抗扰控制器及方法 |
CN113867156A (zh) * | 2021-12-02 | 2021-12-31 | 湖南工商大学 | 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 |
CN114594688A (zh) * | 2022-03-07 | 2022-06-07 | 哈尔滨理工大学 | 一种基于电液伺服系统的自抗扰控制器改进方法 |
CN115268510B (zh) * | 2022-09-23 | 2022-12-20 | 天津云圣智能科技有限责任公司 | 云台控制方法、装置、电子设备及计算机可读存储介质 |
CN116061176B (zh) * | 2022-12-27 | 2024-02-23 | 哈尔滨思哲睿智能医疗设备股份有限公司 | 运动补偿方法、装置、电子设备及存储介质 |
CN116107267B (zh) * | 2023-03-07 | 2023-07-18 | 苏州经贸职业技术学院 | 一种数控机床控制参数优化方法及装置 |
CN116470804A (zh) * | 2023-06-20 | 2023-07-21 | 辰星(天津)自动化设备有限公司 | 基于自抗扰控制的电机控制方法、装置、设备及介质 |
CN116630374B (zh) * | 2023-07-24 | 2023-09-19 | 贵州翰凯斯智能技术有限公司 | 目标对象的视觉跟踪方法、装置、存储介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053628A (zh) * | 2009-10-27 | 2011-05-11 | 北京航空航天大学 | 基于神经网络的伺服控制系统及方法 |
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 |
CN103095204A (zh) * | 2013-01-09 | 2013-05-08 | 重庆交通大学 | 伺服电机抗干扰补偿控制系统及控制方法 |
CN105182750A (zh) * | 2015-09-02 | 2015-12-23 | 中国人民解放军军械工程学院 | 一种线性/非线性自抗扰控制系统切换控制方法 |
CN106208824A (zh) * | 2016-07-22 | 2016-12-07 | 浙江工业大学 | 一种基于自抗扰迭代学习的多电机同步控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9731118B2 (en) * | 2011-04-05 | 2017-08-15 | Pedro Galvan-Garcia | Annular electrode array |
-
2018
- 2018-07-16 CN CN201810775277.XA patent/CN108646572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053628A (zh) * | 2009-10-27 | 2011-05-11 | 北京航空航天大学 | 基于神经网络的伺服控制系统及方法 |
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 |
CN103095204A (zh) * | 2013-01-09 | 2013-05-08 | 重庆交通大学 | 伺服电机抗干扰补偿控制系统及控制方法 |
CN105182750A (zh) * | 2015-09-02 | 2015-12-23 | 中国人民解放军军械工程学院 | 一种线性/非线性自抗扰控制系统切换控制方法 |
CN106208824A (zh) * | 2016-07-22 | 2016-12-07 | 浙江工业大学 | 一种基于自抗扰迭代学习的多电机同步控制方法 |
Non-Patent Citations (3)
Title |
---|
A compound control method based on the adaptive neural network and sliding mode control for inertial stable platform;Ying Zou等;《Neurocomputing》;20150107;第286-294页 * |
光电稳定平台神经网络自抗扰控制方法;朱启轩 等;《电光与控制》;20180331;第25卷(第3期);第10-14页 * |
基于BP神经网络的三轴增稳云台自抗扰控制;刘欣 等;《广西师范大学学报(自然科学版)》;20200331;第38卷(第2期);第115-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108646572A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646572B (zh) | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 | |
CN109324636B (zh) | 基于二阶一致性和自抗扰的多四旋翼主从式协同编队控制方法 | |
CN108196445B (zh) | 一种基于双闭环自抗扰的水下机器人姿态与位置控制方法 | |
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN105785762B (zh) | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 | |
CN109639194A (zh) | 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法 | |
CN108445766A (zh) | 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN106791417B (zh) | 一种风力发电机机舱双路摄像头防抖系统 | |
CN108255060B (zh) | 基于极限学习机的船舶动力定位自抗扰控制方法 | |
CN110083062A (zh) | 一种基于速度扰动观测器和Fuzzy-PID的视轴稳定复合控制方法 | |
CN108536185B (zh) | 一种基于降阶级联扩张状态观测器的双框架磁悬浮cmg框架系统参数优化方法 | |
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 | |
CN108469728B (zh) | 一种机载LiDAR姿态角补偿装置解耦控制方法 | |
CN111258216A (zh) | 一种适用于四旋翼飞行器的滑模重复控制器 | |
CN112015192B (zh) | 一种自愈四旋翼无人机抗干扰控制方法与系统 | |
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 | |
CN106292297B (zh) | 基于pid控制器和l1自适应控制器的姿态控制方法 | |
Wang et al. | Path following of the autonomous airship with compensation of unknown wind and modeling uncertainties | |
CN109189075B (zh) | 一种舰船用模糊遗忘因子无模型自适应航向控制方法 | |
Khodamipour et al. | Adaptive formation control of leader–follower mobile robots using reinforcement learning and the Fourier series expansion | |
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 | |
Housny et al. | Robust sliding mode control for quadrotor UAV | |
CN111102887A (zh) | 一种基于反作用飞轮的弹体滚转角控制方法 | |
Fu et al. | Design Of ADRC For Unmanned Surface Vehicle Heading Based On Immune Particle Swarm Optimization | |
CN112286227B (zh) | 基于微分跟踪器和扰动观测器的水下机器人轨迹控制方法及系统 |
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 |