CN108828952A - 基于小脑神经网络的舵机电动加载系统智能控制方法 - Google Patents

基于小脑神经网络的舵机电动加载系统智能控制方法 Download PDF

Info

Publication number
CN108828952A
CN108828952A CN201810870440.0A CN201810870440A CN108828952A CN 108828952 A CN108828952 A CN 108828952A CN 201810870440 A CN201810870440 A CN 201810870440A CN 108828952 A CN108828952 A CN 108828952A
Authority
CN
China
Prior art keywords
steering engine
neural network
loading system
electric loading
torque
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
Application number
CN201810870440.0A
Other languages
English (en)
Other versions
CN108828952B (zh
Inventor
刘晓琳
李卓
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201810870440.0A priority Critical patent/CN108828952B/zh
Publication of CN108828952A publication Critical patent/CN108828952A/zh
Application granted granted Critical
Publication of CN108828952B publication Critical patent/CN108828952B/zh
Active 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
    • G05B13/027—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 only
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P7/00—Arrangements for regulating or controlling the speed or torque of electric DC motors

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于小脑神经网络的舵机电动加载系统智能控制方法。该智能控制方法采用基于小脑神经网络前馈和增量式PID反馈的控制补偿方案，通过合理设计小脑神经网络前馈控制器的三维输入向量，采用Sigmoid函数变平衡学习常数的权值调整算法，引入增量式PID反馈及控制补偿环节，使小脑神经网络获得足够多的被控信息，达到了前馈控制效果，并且解决了经典PID算法中积分项溢出的问题。从而保证了伺服控制系统的稳定性，在一定程度上抑制了多余力矩干扰。

Description

基于小脑神经网络的舵机电动加载系统智能控制方法
技术领域
本发明属于智能控制系统仿真技术领域，特别是涉及一种基于小脑神经网络的舵机电动加载系统智能控制方法。
背景技术
飞机舵机是飞行控制系统的重要组成部分，也是飞机的位置伺服元件，其功能是在负载条件下，克服复杂空气气动载荷，将控制指令转化为舵面偏转角度，进而实现飞机的倾斜、俯仰和舵面控制，因此舵机工作性能的优劣会直接影响飞机的飞行品质。为了验证在各种飞行状态下飞机舵机的性能指标，在实验室条件下通常使用电动加载系统模拟舵机在真实飞行过程中所受到的各种力载荷的变化情况，完成舵机静态、动态工作性能指标的检查和测试。这种地面仿真模拟试验作为一种科学的实验方法与传统自破坏式全实物仿真试验相比，具有研制周期短、实验成本低的优点。图1为一种实验室通常采用的舵机电动加载系统结构示意图。如图1所示，该系统包括控制器1、PWM驱动器2、永磁直流力矩电机3、金属橡胶-缓冲弹簧4、力矩传感器6、旋转编码器7；其中：控制器1与PWM驱动器2、力矩传感器6和旋转编码器7相连接；PWM驱动器2依次通过永磁直流力矩电机3、金属橡胶-缓冲弹簧4与舵机5相连接；舵机5分别与力矩传感器6和旋转编码器7相连接。其工作原理是：旋转编码器7实时采集舵机5的角位置信号θ，控制器1通过与加载梯度相乘得到力矩加载指令。力矩传感器6获得实际加载力矩信号，形成闭环反馈控制，控制器1经与力矩加载指令比较得到调节误差e。并对调节误差e进行数字式PID整定及前馈补偿，获得数字控制信号。经由PWM驱动器2进行信号转换、功率放大后输出到永磁直流力矩电机3，产生加载力矩，并通过金属橡胶-缓冲弹簧4加载到舵机5上，舵机5根据控制信号进行相应运动。但是舵机电动加载系统既是一个非线性、参数时变的复杂机电控制系统，又是一个具有强运动扰动的被动式力伺服控制系统。由于舵机5的主动运动会使舵机电动加载系统产生多余力矩，从而影响伺服系统的加载精度和控制性能，因此如何设计适用于该系统的智能控制方法是抑制飞机舵机电动加载系统多余力矩的关键。
目前采用小脑神经网络对舵机电动加载系统的控制器进行设计尚处于起步阶段，相关理论研究和工程应用较少。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于小脑神经网络的舵机电动加载系统智能控制方法，以提高舵机电动加载系统的加载精度、跟踪性能及自适应消扰能力。
为了达到上述目的，本发明提供的舵机电动加载系统智能控制方法中的舵机电动加载系统包括控制器、PWM驱动器、永磁直流力矩电机、金属橡胶-缓冲弹簧、力矩传感器、旋转编码器；其中：控制器与PWM驱动器、力矩传感器和旋转编码器相连接；PWM驱动器依次通过永磁直流力矩电机、金属橡胶-缓冲弹簧与舵机相连接；舵机分别与力矩传感器和旋转编码器相连接；所述的舵机电动加载系统智能控制方法包括按顺序进行的下列步骤：
1)由小脑神经网络前馈控制器和增量式PID反馈控制器组成控制器；
2)小脑神经网络前馈控制器将从力矩传感器和旋转编码器输出的调节误差e、舵机的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号un；
3)增量式PID反馈控制器利用调节误差e，主要在舵机启动、换向瞬间对舵机电动加载系统进行反馈控制，同时为小脑神经网络提供训练学习样本信息，得到反馈控制信号up；之后在上述步骤2)获得的前馈控制信号un和反馈控制信号up的基础上，引入调节误差e的超前校正补偿信号ue，由此组成控制器的控制信号u＝un+up+ue，最终输出控制信号到PWM驱动器，由PWM驱动器进行信号转换、功率放大后输出到永磁直流力矩电机，并产生加载力矩，最后经由金属橡胶-缓冲弹簧加载到舵机上。
在步骤2)中，所述的小脑神经网络前馈控制器将从力矩传感器和旋转编码器输出的调节误差e、舵机的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号un的具体方法是：
采用拉普拉斯变换处理后舵机电动加载系统的实际加载力矩为：
T1＝KTKLUm(s) (3)
T2＝KLJmLθr(s)s3+(JmR+BmL)KLθr(s)s2+(KeKTKL+BmKLR)θr(s)s (4)
式中，TL为实际加载力矩；L为永磁直流力矩电机上电枢回路总电感；R为永磁直流力矩电机上电枢回路总电阻；KL为金属橡胶-缓冲弹簧的刚度系数；Ke为永磁直流力矩电机的反电动势系数；KT为永磁直流力矩电机的力矩系数；Jm为永磁直流力矩电机的转动惯量；Bm为永磁直流力矩电机的阻尼系数；Um为永磁直流力矩电机的输入电压；θr为舵机的转角；
小脑神经网络利用前馈输入端所提供的被控信息，采用基于Sigmoid函数变平衡学习常数的权值调整算法对连接权值进行在线调整，所采用的调整公式为：
式中，k(t)为第t次迭代平衡学习常数；β和σ为正实数，β值决定平衡学习常数的取值范围；σ决定平衡学习常数的曲线变化形状；e(t)为第t次迭代的调节误差；
由此得到连接权值调整公式为：
式中，ωj(t)为第t次迭代后存储在第j个被激活存储单元中的连接权值；α为学习率，α∈(0,1)；aj为激活标志函数，若激活标志函数aj激活，则其值为1，否则为0；f(j)为第j个被激活存储单元的学习次数；
最后判断调节误差e是否属于误差精度ζ范围内，若e＜ζ，则被激活存储单元的连接权值不需要调整；若e≥ζ，则依据式(6)进行修正；
最后将被激活存储单元的连接权值与激活标志函数相乘求和而得到前馈控制信号un。
在步骤3)中，所述的增量式PID反馈控制器利用调节误差e，主要在舵机5启动、换向瞬间对舵机电动加载系统进行反馈控制，同时为小脑神经网络提供训练学习样本信息，得到反馈控制信号up；之后在上述步骤2)获得的前馈控制信号un和反馈控制信号up的基础上，引入调节误差e的超前校正补偿信号ue，由此组成控制器的控制信号u＝un+up+ue，最终输出控制信号到PWM驱动器，由PWM驱动器进行信号转换、功率放大后输出到永磁直流力矩电机，并产生加载力矩，最后经由金属橡胶-缓冲弹簧加载到舵机5上的具体方法是：
增量式PID反馈控制器进行反馈控制所采用的公式为：
ΔuP(t)＝uP(t)-uP(t-1) (7)
ΔuP(t)＝KP(e(t)-e(t-1))+KIe(t)+KD(e(t)-2e(t-1)+e(t-2)) (8)
式中，uP(t)为第t次迭代反馈控制器的控制信号；ΔuP(t)为两次迭代中反馈控制器控制信号的增量；Kp为比例系数；KI为积分系数；KD为微分系数；
舵机电动加载系统的控制信号由前馈控制信号、反馈控制信号及超前校正补偿信号三部分构成，即：
u＝un+up+ue (9)
ue＝η(Tc-un) (10)
式中，η为补偿因子；由此得到舵机电动加载系统的加载力输出控制信号，使舵机5根据控制信号进行相应运动。
本发明提供的舵机电动加载系统智能控制方法采用基于小脑神经网络前馈和增量式PID反馈的控制补偿方案，通过合理设计小脑神经网络前馈控制器的三维输入向量，采用Sigmoid函数变平衡学习常数的权值调整算法，引入增量式PID反馈及控制补偿环节，使小脑神经网络获得足够多的被控信息，达到了前馈控制效果，并且解决了经典PID算法中积分项溢出的问题。从而保证了伺服控制系统的稳定性，在一定程度上抑制了多余力矩干扰。
附图说明
图1为一种实验室通常采用的舵机电动加载系统结构示意图。
图2为本发明提供的基于小脑神经网络的舵机电动加载系统智能控制方法流程图。
图3为本发明提供的基于小脑神经网络的舵机电动加载系统智能控制方法中所采用的控制器结构示意图。
图4为本发明提供的使用Sigmoid函数作为小脑神经网络平衡学习常数的变化曲线。
图5为采用本发明方法的控制器和常规型PID控制器仿真对比实验曲线，其中(a)是不同控制器对系统指令力矩的跟踪效果对比实验曲线；(b)是不同控制器对多余力矩抑制效果对比实验曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于小脑神经网络的舵机电动加载系统智能控制方法进行详细说明。
如图2所示，本发明提供的基于小脑神经网络的舵机电动加载系统智能控制方法包括按顺序进行的下列步骤：
1)由小脑神经网络前馈控制器和增量式PID反馈控制器组成控制器1；
如图3所示，在舵机电动加载系统工作初始阶段，小脑神经网络被激活存储单元的连接权值为0，舵机电动加载系统的控制信号主要由增量式PID反馈控制器产生，其输出为小脑神经网络提供训练样本数据，由此实现系统在线训练连接权值。同时，将小脑神经网络前馈控制器输出与舵机电动加载系统力矩加载指令不断比较，从而调整连接权值。小脑神经网络前馈控制器工作所依据的公式为
式中，Tc为舵机电动加载系统指令力矩；un为前馈控制信号；up为超前校正补偿信号；为设定阈值。小脑神经网络通过对增量式PID反馈控制器输出信号不断学习，逐渐占据主导地位。当小脑神经网络前馈控制器输出满足式(1)时，其输出信号成为主要控制信号。此时增量式PID反馈控制器主要对舵机电动加载系统的稳定性与系统结构参数起监督作用。控制器1的控制结构示意图如图3所示。
2)小脑神经网络前馈控制器将从力矩传感器6和旋转编码器7输出的调节误差e、舵机5的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号un；
采用拉普拉斯变换处理后舵机电动加载系统的实际加载力矩为：
T1＝KTKLUm(s) (3)
T2＝KLJmLθr(s)s3+(JmR+BmL)KLθr(s)s2+(KeKTKL+BmKLR)θr(s)s (4)
式中，TL为实际加载力矩；L为永磁直流力矩电机3上电枢回路总电感；R为永磁直流力矩电机3上电枢回路总电阻；KL为金属橡胶-缓冲弹簧4的刚度系数；Ke为永磁直流力矩电机3的反电动势系数；KT为永磁直流力矩电机3的力矩系数；Jm为永磁直流力矩电机3的转动惯量；Bm为永磁直流力矩电机3的阻尼系数；Um为永磁直流力矩电机3的输入电压；θr为舵机5的转角。
由此可见，舵机电动加载系统的实际加载力矩由系统指令力矩T1和多余力矩T2两部分构成。式(4)的第一项表明，多余力矩与舵机5的运动角加速度变化率有关。第二项表明，多余力矩与舵机5的运动角加速度有关，即与直接作用在永磁直流力矩电机3上的惯性力有关。第三项表明，多余力矩与舵机5的运动角速度有关，即与金属橡胶-缓冲弹簧4加载时的弹性力有关。为了抑制多余力矩干扰，同时使小脑神经网络从前馈输入端获得足够多的被控信息，将舵机5的角位置信号θr一阶微分、二阶微分及调节误差e组成三维状态空间并引入至前馈输入端，可达到提前消除扰动、滞后多余力矩相位的目的。
小脑神经网络利用前馈输入端所提供的被控信息，采用基于Sigmoid函数变平衡学习常数的权值调整算法对连接权值进行在线调整。具体工作过程如下：
首先三维输入状态空间的一个点Xi将同时激活存储区中NL个元素，NL为网络泛化能力大小，则有NL个被激活存储单元的连接权值需要进行调整。之后针对被激活存储单元的学习背景，设定平衡学习常数k，代表记忆与遗忘程度，根据平衡学习常数k的大小，判断NL个元素属于“记忆”状态还是“遗忘”状态。当平衡学习常数k较大时表示“记忆”状态起决定作用，此时存储单元学习次数越多，可信度就越高，连接权值调整量就越少；反之，当平衡学习常数k较小时则表示“遗忘”状态占主导地位，此时被激活存储单元学习能力较差，学习次数对连接权值调整量将不产生影响。在小脑神经网络学习初始阶段，舵机电动加载系统的调节误差很大，进而需要增大平衡学习常数k以加快网络收敛速度、改善舵机电动加载系统动态性能；而随着小脑神经网络学习的深入，舵机电动加载系统的调节误差变小，为避免网络产生“过学习”现象，需减小平衡学习常数k。
如图4所示，本发明采用基于Sigmoid函数变平衡学习常数算法，根据舵机电动加载系统的调节误差e动态调整平衡学习常数k，曲线1至曲线4的σ值依次增大。所采用的调整公式为：
式中，k(t)为第t次迭代平衡学习常数；β和σ为正实数，β值决定平衡学习常数的取值范围；σ决定平衡学习常数的曲线变化形状；e(t)为第t次迭代的调节误差。
由此得到连接权值调整公式为：
式中，ωj(t)为第t次迭代后存储在第j个被激活存储单元中的连接权值；α为学习率，α∈(0,1)；aj为激活标志函数，若激活标志函数aj激活，则其值为1，否则为0；f(j)为第j个被激活存储单元的学习次数。
最后判断调节误差e是否属于误差精度ζ范围内，若e＜ζ，则被激活存储单元的连接权值不需要调整；若e≥ζ，则依据式(6)进行修正。
小脑神经网络通过采用基于Sigmoid函数变平衡学习常数的权值调整算法，在线调整连接权值，将被激活存储单元的连接权值与激活标志函数相乘求和而得到前馈控制信号un。
3)增量式PID反馈控制器利用调节误差e，主要在舵机5启动、换向瞬间对舵机电动加载系统进行反馈控制，同时为小脑神经网络提供训练学习样本信息，得到反馈控制信号up；之后在上述步骤2)获得的前馈控制信号un和反馈控制信号up的基础上，引入调节误差e的超前校正补偿信号ue，由此组成控制器1的控制信号u＝un+up+ue，最终输出控制信号到PWM驱动器2，由PWM驱动器2进行信号转换、功率放大后输出到永磁直流力矩电机3，并产生加载力矩，最后经由金属橡胶-缓冲弹簧4加载到舵机5上。
增量式PID反馈控制器进行反馈控制所采用的公式为：
ΔuP(t)＝uP(t)-uP(t-1) (7)
ΔuP(t)＝KP(e(t)-e(t-1))+KIe(t)+KD(e(t)-2e(t-1)+e(t-2)) (8)
式中，uP(t)为第t次迭代反馈控制器的控制信号；ΔuP(t)为两次迭代中反馈控制器控制信号的增量；Kp为比例系数；KI为积分系数；KD为微分系数。在舵机电动加载系统工作初始阶段，增量式PID反馈控制器为小脑神经网络提供训练学习样本，以提高网络在线辨识的能力；同时有效解决了控制器1积分溢出问题，保证舵机电动加载系统的稳定性。小脑神经网络前馈控制器在连接权值调整阶段主要针对上一次迭代训练的调节误差进行修正，使得控制器1输出明显滞后，本发明则引入调节误差的超前校正补偿信号ue，可改善加载力矩对指令力矩的跟踪效果，使多余力矩作用明显减少。
舵机电动加载系统的控制信号由前馈控制信号、反馈控制信号及超前校正补偿信号三部分构成，即：
u＝un+up+ue (9)
ue＝η(Tc-un) (10)
式中，η为补偿因子。由此得到舵机电动加载系统的加载力输出控制信号，使舵机5根据控制信号进行相应运动。
图5为采用本发明方法的控制器1与常规PID控制器控制下仿真对比实验曲线，其中图5(a)是不同控制器对系统指令力矩的跟踪效果对比实验曲线；图5(b)是不同控制器对多余力矩抑制效果对比实验曲线。曲线1代表系统指令力矩，曲线2和曲线3代表常规型PID控制器与本发明方法的控制器的实际加载力矩；曲线4和曲线5代表两种控制器控制下的多余力矩。实验结果表示采用本发明方法的控制器能够有效改善系统对指令力矩的跟踪效果，显著降低多余力矩的干扰。

Claims (3)

1.一种基于小脑神经网络的舵机电动加载系统智能控制方法，所述的舵机电动加载系统包括控制器(1)、PWM驱动器(2)、永磁直流力矩电机(3)、金属橡胶-缓冲弹簧(4)、力矩传感器(6)、旋转编码器(7)；其中：控制器(1)与PWM驱动器(2)、力矩传感器(6)和旋转编码器(7)相连接；PWM驱动器(2)依次通过永磁直流力矩电机(3)、金属橡胶-缓冲弹簧(4)与舵机(5)相连接；舵机(5)分别与力矩传感器(6)和旋转编码器(7)相连接；其特征在于：所述的舵机电动加载系统智能控制方法包括按顺序进行的下列步骤：
1)由小脑神经网络前馈控制器和增量式PID反馈控制器组成控制器(1)；
2)小脑神经网络前馈控制器将从力矩传感器(6)和旋转编码器(7)输出的调节误差e、舵机(5)的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号un；
3)增量式PID反馈控制器利用调节误差e，主要在舵机(5)启动、换向瞬间对舵机电动加载系统进行反馈控制，同时为小脑神经网络提供训练学习样本信息，得到反馈控制信号up；之后在上述步骤2)获得的前馈控制信号un和反馈控制信号up的基础上，引入调节误差e的超前校正补偿信号ue，由此组成控制器(1)的控制信号u＝un+up+ue，最终输出控制信号到PWM驱动器(2)，由PWM驱动器(2进行信号转换、功率放大后输出到永磁直流力矩电机3，并产生加载力矩，最后经由金属橡胶-缓冲弹簧(4)加载到舵机(5)上。
2.根据权利要求1所述的基于小脑神经网络的舵机电动加载系统智能控制方法，其特征在于：在步骤2)中，所述的小脑神经网络前馈控制器将从力矩传感器(6)和旋转编码器(7)输出的调节误差e、舵机(5)的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号un的具体方法是：
采用拉普拉斯变换处理后舵机电动加载系统的实际加载力矩为：
T1＝KTKLUm(s) (3)
T2＝KLJmLθr(s)s3+(JmR+BmL)KLθr(s)s2+(KeKTKL+BmKLR)θr(s)s (4)
式中，TL为实际加载力矩；L为永磁直流力矩电机(3)上电枢回路总电感；R为永磁直流力矩电机(3)上电枢回路总电阻；KL为金属橡胶-缓冲弹簧(4)的刚度系数；Ke为永磁直流力矩电机(3)的反电动势系数；KT为永磁直流力矩电机(3)的力矩系数；Jm为永磁直流力矩电机(3)的转动惯量；Bm为永磁直流力矩电机(3)的阻尼系数；Um为永磁直流力矩电机(3)的输入电压；θr为舵机(5)的转角；
小脑神经网络利用前馈输入端所提供的被控信息，采用基于Sigmoid函数变平衡学习常数的权值调整算法对连接权值进行在线调整，所采用的调整公式为：
式中，k(t)为第t次迭代平衡学习常数；β和σ为正实数，β值决定平衡学习常数的取值范围；σ决定平衡学习常数的曲线变化形状；e(t)为第t次迭代的调节误差；
由此得到连接权值调整公式为：
式中，ωj(t)为第t次迭代后存储在第j个被激活存储单元中的连接权值；α为学习率，α∈(0,1)；aj为激活标志函数，若激活标志函数aj激活，则其值为1，否则为0；f(j)为第j个被激活存储单元的学习次数；
最后判断调节误差e是否属于误差精度ζ范围内，若e＜ζ，则被激活存储单元的连接权值不需要调整；若e≥ζ，则依据式(6)进行修正；
最后将被激活存储单元的连接权值与激活标志函数相乘求和而得到前馈控制信号un。
3.根据权利要求1所述的基于小脑神经网络的舵机电动加载系统智能控制方法，其特征在于：在步骤3)中，所述的增量式PID反馈控制器利用调节误差e，主要在舵机(5)启动、换向瞬间对舵机电动加载系统进行反馈控制，同时为小脑神经网络提供训练学习样本信息，得到反馈控制信号up；之后在上述步骤2)获得的前馈控制信号un和反馈控制信号up的基础上，引入调节误差e的超前校正补偿信号ue，由此组成控制器(1)的控制信号u＝un+up+ue，最终输出控制信号到PWM驱动器(2)，由PWM驱动器(2)进行信号转换、功率放大后输出到永磁直流力矩电机(3)，并产生加载力矩，最后经由金属橡胶-缓冲弹簧(4)加载到舵机(5)上的具体方法是：
增量式PID反馈控制器进行反馈控制所采用的公式为：
ΔuP(t)＝uP(t)-uP(t-1) (7)
ΔuP(t)＝KP(e(t)-e(t-1))+KIe(t)+KD(e(t)-2e(t-1)+e(t-2)) (8)
式中，uP(t)为第t次迭代反馈控制器的控制信号；ΔuP(t)为两次迭代中反馈控制器控制信号的增量；Kp为比例系数；KI为积分系数；KD为微分系数；
舵机电动加载系统的控制信号由前馈控制信号、反馈控制信号及超前校正补偿信号三部分构成，即：
u＝un+up+ue (9)
ue＝η(Tc-un) (10)
式中，η为补偿因子；由此得到舵机电动加载系统的加载力输出控制信号，使舵机(5)根据控制信号进行相应运动。
CN201810870440.0A 2018-08-02 2018-08-02 基于小脑神经网络的舵机电动加载系统智能控制方法 Active CN108828952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810870440.0A CN108828952B (zh) 2018-08-02 2018-08-02 基于小脑神经网络的舵机电动加载系统智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810870440.0A CN108828952B (zh) 2018-08-02 2018-08-02 基于小脑神经网络的舵机电动加载系统智能控制方法

Publications (2)

Publication Number Publication Date
CN108828952A true CN108828952A (zh) 2018-11-16
CN108828952B CN108828952B (zh) 2021-03-05

Family

ID=64152511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810870440.0A Active CN108828952B (zh) 2018-08-02 2018-08-02 基于小脑神经网络的舵机电动加载系统智能控制方法

Country Status (1)

Country Link
CN (1) CN108828952B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109696836A (zh) * 2019-02-11 2019-04-30 中国民航大学 飞机舵机电液伺服系统智能控制方法
CN113504721A (zh) * 2021-07-30 2021-10-15 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100447135B1 (ko) * 1997-12-30 2004-11-03 엘지전자 주식회사 비선형시스템의추종제어장치
CN101369132A (zh) * 2008-07-11 2009-02-18 天津大学 基于神经网络辨识器的永磁球形电动机力学解耦控制方法
CN101727071A (zh) * 2009-11-13 2010-06-09 上海电力学院 神经网络模型与二次型单神经元pid并行控制方法
CN203574387U (zh) * 2013-11-18 2014-04-30 国家电网公司 基于小脑模型神经网络pid控制的风电机组软并网控制系统
CN105137758A (zh) * 2015-09-06 2015-12-09 上海理工大学 电动助力转向系统的多学科优化设计方法
CN105159081A (zh) * 2015-09-02 2015-12-16 中国民航大学 舵机电液加载系统智能控制方法
CN105652869A (zh) * 2016-01-04 2016-06-08 江苏科技大学 一种基于cmac和pid的全向移动机器人及移动控制方法
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN106640846A (zh) * 2017-02-14 2017-05-10 南京航空航天大学 基于直线电机驱动增力模块的伺服作动器高动态加载装置
CN107255923A (zh) * 2017-06-14 2017-10-17 哈尔滨工程大学 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100447135B1 (ko) * 1997-12-30 2004-11-03 엘지전자 주식회사 비선형시스템의추종제어장치
CN101369132A (zh) * 2008-07-11 2009-02-18 天津大学 基于神经网络辨识器的永磁球形电动机力学解耦控制方法
CN101727071A (zh) * 2009-11-13 2010-06-09 上海电力学院 神经网络模型与二次型单神经元pid并行控制方法
CN203574387U (zh) * 2013-11-18 2014-04-30 国家电网公司 基于小脑模型神经网络pid控制的风电机组软并网控制系统
CN105159081A (zh) * 2015-09-02 2015-12-16 中国民航大学 舵机电液加载系统智能控制方法
CN105137758A (zh) * 2015-09-06 2015-12-09 上海理工大学 电动助力转向系统的多学科优化设计方法
CN105652869A (zh) * 2016-01-04 2016-06-08 江苏科技大学 一种基于cmac和pid的全向移动机器人及移动控制方法
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN106640846A (zh) * 2017-02-14 2017-05-10 南京航空航天大学 基于直线电机驱动增力模块的伺服作动器高动态加载装置
CN107255923A (zh) * 2017-06-14 2017-10-17 哈尔滨工程大学 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱修生: "基于改进 CMAC 模型的电动伺服加载算法研究", 《微电机》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109696836A (zh) * 2019-02-11 2019-04-30 中国民航大学 飞机舵机电液伺服系统智能控制方法
CN113504721A (zh) * 2021-07-30 2021-10-15 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法
CN113504721B (zh) * 2021-07-30 2023-03-31 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法

Also Published As

Publication number Publication date
CN108828952B (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
Shao et al. Robust back-stepping output feedback trajectory tracking for quadrotors via extended state observer and sigmoid tracking differentiator
Sun et al. Adaptive neural network control of biped robots
Xu et al. Composite neural dynamic surface control of a class of uncertain nonlinear systems in strict-feedback form
Hsu et al. Wavelet adaptive backstepping control for a class of nonlinear systems
Lin et al. RCMAC hybrid control for MIMO uncertain nonlinear systems using sliding-mode technology
Lin et al. Self-organizing CMAC control for a class of MIMO uncertain nonlinear systems
Lin et al. Neural‐network‐based robust terminal sliding‐mode control of quadrotor
Jagannathan Control of a class of nonlinear discrete-time systems using multilayer neural networks
Nasir et al. Performance comparison between sliding mode control (SMC) and PD-PID controllers for a nonlinear inverted pendulum system
CN108594837A (zh) 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
CN105785762A (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
Yin et al. Uncertainty and disturbance estimator-based control of a flapping-wing aerial vehicle with unknown backlash-like hysteresis
Wang et al. Tuning of ADRC for QTR in transition process based on NBPO hybrid algorithm
Astolfi et al. Towards applied nonlinear adaptive control
CN108828952A (zh) 基于小脑神经网络的舵机电动加载系统智能控制方法
Lin et al. Attitude control considering variable input saturation limit for a spacecraft equipped with flywheels
Meradi et al. A predictive sliding mode control for quadrotor’s tracking trajectory subject to wind gusts and uncertainties
McNinch et al. Optimal specification of sliding mode control parameters for unmanned surface vessel systems
Harikumar et al. Design and experimental validation of a robust output feedback control for the coupled dynamics of a micro air vehicle
CN114035599B (zh) 飞行器姿态控制方法、装置和电子设备
Zhang et al. Immersion and invariance based nonlinear adaptive longitudinal control for autonomous aircraft
Agrawal Optimal Controller Design for Twin Rotor MIMO System
Xi et al. L 1 adaptive control of the flying wing UAV with unknown time-varying disturbances
Gu et al. Geometry-Based Adaptive Tracking Control for an Underactuated Small-Size Unmanned Helicopter
Suoliang et al. Finite-time robust control for inertially stabilized platform based on terminal sliding mode

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