CN109143869B - 一种h型平台的递归小波神经网络补偿器的同步控制系统 - Google Patents

一种h型平台的递归小波神经网络补偿器的同步控制系统 Download PDF

Info

Publication number
CN109143869B
CN109143869B CN201811203199.2A CN201811203199A CN109143869B CN 109143869 B CN109143869 B CN 109143869B CN 201811203199 A CN201811203199 A CN 201811203199A CN 109143869 B CN109143869 B CN 109143869B
Authority
CN
China
Prior art keywords
layer
output
follows
neural network
control
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
Application number
CN201811203199.2A
Other languages
English (en)
Other versions
CN109143869A (zh
Inventor
王丽梅
刘龙翔
孙宜标
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201811203199.2A priority Critical patent/CN109143869B/zh
Publication of CN109143869A publication Critical patent/CN109143869A/zh
Application granted granted Critical
Publication of CN109143869B publication Critical patent/CN109143869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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

一种H型平台的递归小波神经网络补偿器的同步控制系统,该控制系统硬件包括主电路、控制电路和控制对象三部分;本发明包括全局滑模控制器的设计,提高系统的单轴跟踪精度;递归小波神经网络补偿控制器的设计,减小系统的同步误差,提高同步性。

Description

一种H型平台的递归小波神经网络补偿器的同步控制系统
技术领域:本发明属于数控技术领域,特别涉及一种基于递归小波神经网络补偿控制器的双轴驱动H型平台的同步控制方法。
背景技术:由于传统的旋转电机存在传动链长、系统结构复杂、附加惯量大、系统刚度低、摩擦影响大等缺点。因此永磁直线同步电机系统在结构上取消了“旋转电机+滚珠丝杠”的驱动方法,而用直接驱动的方式进行代替。相对于旋转电机,永磁同步直线电机去除了电机到运动平台的传动环节,将传动链缩短为零。此外,H型精密运动平台使用气浮轴承导向和支承,基本消除摩擦的影响,为系统提供了较大的刚度,更易实现高速度和高加速度的运动。
现有的XY平台或多轴运动平台,各个轴都是由其对应的单个电机驱动,所能提供的推力和加速度有限,并且各轴间的机械耦合也会影响工作平台的性能。龙门定位平台系统结构采用的是由两平行安装的直线电机共同驱动,即存在机械耦合的双直线电机伺服控制系统。在这种结构下,两台平行电机间的位置误差,会产生机械耦合,这种机械耦合除了影响精度外,更可能会造成耦合机构产生机械变形,损坏受控系统,甚至对工作人员的安全造成威胁。因此保证直接驱动H型平台Y轴两台平行安装的电机进行精确的同步运动是目前急需解决的重要问题。
发明内容:
发明目的:本发明提供一种H型平台递归小波神经网络补偿器的同步控制系统及方法,其目的是解决现有技术造成的平行直线电机不能完全同步,引起横梁扭曲及平台定位误差等问题。
技术方案:
一种H型平台的模糊神经网络补偿器的同步控制系统,其特征在于:该控制系统硬件包括主电路、控制电路和控制对象三部分;控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路;主电路包括调压电路、整流滤波单元和IPM逆变单元;控制对象为三相永磁直线同步电机H型平台,机身装有光栅尺;电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接,DSP处理器还通过电压调整电路连接至调压电路,调压电路通过整流滤波单元连接至IPM逆变单元,IPM逆变单元连接三相永磁直线同步电机;IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接,电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台,动子位置采样电路连接光栅尺。
H型平台的递归小波神经网络补偿器的同步控制方法,其特征在于:包括全局滑模控制和递归小波神经网络补偿控制方法,其特征在于能够保证H型平台单轴的位置跟踪误差和同步误差同时趋近于零。
滑模控制器如下:
Figure BDA0001830531260000021
其U*为滑模控制器控制率;Ani、Bni和Cni为控制器系数;
Figure BDA0001830531260000022
为系统位置的理想输入;yi为系统位置的实际输出;FLi和fi分别为系统的外部扰动和摩擦力;e为系统的跟踪误差;λ为正的常数;i=1,2分别代表y1轴和y2轴。
递归小波神经网络补偿控制器利用自身能够即时自我回馈控制并近似任意非线性函数的特点来修正全局滑模控制的参数,补偿由于两电机控制特性不匹配和周围环境不确定性而产生的同步误差。
本发明包括以下的具体步骤:
步骤一:建立H型平台数学模型
为简便分析及控制,选择d-q轴模型进行分析,永磁直线同步电机在d、q轴坐标模型下变化过程:
(1)Clark变换,从a-b-c坐标变换到α-β,变换方程为
Figure BDA0001830531260000031
其中,a、b、c为永磁直线同步电机的三相绕组轴线,各轴之间相差120°;α、β互相垂直构成α-β坐标系。
(2)Park变换,从α-β坐标变换到d-q坐标:
Figure BDA0001830531260000032
其中,α-β逆时针旋转Φ角度形成d-q坐标系。
(3)Park反变换,从d-q坐标变换到α-β坐标:
Figure BDA0001830531260000033
iα、iβ为静止坐标系下的电流分量;ia、ib、ic为永磁直线同步电机的三相电流;id、iq为d-q坐标系下的电流分量;id控制动子的磁链;iq控制电机转矩,为降低系统的损耗,提供更高的电推力,本发明采用id=0的矢量控制方式;Φ为α-β坐标轴逆时针旋转后的d-q坐标轴与其形成的夹角。
经过上述推导,得到永磁直线同步电机在d-q坐标轴下的电压平衡方程:
Figure BDA0001830531260000034
d、q磁链方程为
Figure BDA0001830531260000041
其中,Ud、Uq为用词直线同步电机动子在d轴和q轴下的电压,R为初级绕组的等效电阻;id、iq分别为d、q轴下的电流;Ld、Lq分别为d轴和q轴的电感;τ为永磁体极距;v为电机的动子速度;Ψd与Ψq为d、q轴的磁链;Ψf为永磁体磁链。
由于采用id=0的矢量控制方式,则
Ud=0 (7)
可得直线电机的电磁推力为:
Figure BDA0001830531260000042
由永磁直线同步电机机械运动方程
Figure BDA0001830531260000043
可得动力学方程为:
Figure BDA0001830531260000044
其中FL为负载阻力;D为摩擦系数;M为动子质量;v为电机的动子速度;
Figure BDA0001830531260000045
为电机动子速度的微分。
通过上述磁场定向的控制方法,可得简化电磁力为:
Figure BDA0001830531260000046
Figure BDA0001830531260000047
其中Fei是电机的电磁推力;Kfi是推力系数;
Figure BDA0001830531260000048
是推力电流命令;ψPMi是永磁体磁链;τ是极距;其中i=1,2分别代表y1轴和y2轴。
由动力学方程(10)电磁力表达的永磁直线电机动力学方程为:
Figure BDA0001830531260000051
其中Mi是电机动子质量;vi是电机的线速度;Di是粘滞摩擦系数;FLi是外部扰动;fi(v)是摩擦力。采用基于电机位置阶跃响应的曲线拟合技术来寻找电机驱动的准确数学模型。
忽略不确定性和磁场导向,公式(11)和(13)改写如下:
Figure BDA0001830531260000052
其中
Figure BDA0001830531260000053
Figure BDA0001830531260000054
表示对位置的一阶微分和二阶微分,
Figure BDA0001830531260000055
Figure BDA0001830531260000056
均为系数;i=1,2分别表示Y方向的两个轴,
Figure BDA0001830531260000057
为控制率,即推力电流命令。
考虑参数变化及系统的不确定项的存在,H型精密运动平台的动态模型可以改写成如果下:
Figure BDA0001830531260000058
其中ΔAi,ΔBi和ΔCi分别表示Ani,Bni和Cni的不确定项,即为系数的不确定项,这种不确定是由系统参数Mi和Di引起的。Ii定义为集中不确定项,表示为:
Figure BDA0001830531260000059
假设集中不确定项为有界值
││Ii││≤δi (17)
即Ii的度量小于δi,其中δi是一个正的常数。
步骤二:滑模控制器的设计
为了满足控制要求,定义滑模函数为
Figure BDA00018305312600000510
λ为一正数;
Figure BDA00018305312600000511
表示对e从0时刻到t时刻的积分;并定义
Figure BDA00018305312600000512
Figure BDA0001830531260000061
为跟踪误差;
Figure BDA0001830531260000062
为误差的一阶微分;
Figure BDA0001830531260000063
为位置指令;yi(t)为实际位置;λ为一大于0的常数。对此滑动平面进行微分,得:
Figure BDA0001830531260000064
其中
Figure BDA0001830531260000065
为滑模面的一阶微分;
Figure BDA0001830531260000066
为位置误差的二阶微分;
Figure BDA0001830531260000067
为期望位置的二阶微分;
Figure BDA0001830531260000068
为实际位置的二阶微分;i=1,2分别代表y1轴和y2轴。
若存在一理想等效控制法则为
Figure BDA0001830531260000069
可使
Figure BDA00018305312600000610
即保证在滑动面上的动态性能,则U*(t)推导如下:
Figure BDA00018305312600000611
求解
Figure BDA00018305312600000612
可得:
Figure BDA00018305312600000613
由此可得控制律U*(t),若存在不确定因素ε,使得U*(t)=U(t)+ε,则ε=0时,通过选择适当的λ以此达到滑动平面上所需的系统动态性能,形成全局滑模。
步骤三:递归小波神经网络补偿控制器的设计
同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题,本发明在两轴间设计了递归小波神经网络补偿控制器。
提出的递归小波神经网络补偿控制器,包括输入层,隶属函数层,规则层,递归小波层,输出层。递归小波神经网络补偿控制器每层信号的传递和表达式如下:
层1(输入层):在此层中的两个节点都是输入节点,相当于输入变量。这些节点把输入信号传递到下一层。此层神经元输入与输出关系如下:
Figure BDA0001830531260000071
本发明中的输入变量分别为同步误差
Figure BDA0001830531260000072
和同步误差的微分
Figure BDA0001830531260000073
其中ey1和ey2分别是Y1轴和Y2轴的跟踪误差;
Figure BDA0001830531260000074
表示输入层的输出;N表示取样次数,i=1,2表示输入层有两个神经元。
层2(隶属函数层):输入层中的每个输出对应隶属函数层的3个神经元,非线性转换采用高斯函数。此层神经元输入与输出关系如下:
Figure BDA0001830531260000075
其中
Figure BDA0001830531260000076
表示输入层的输出;exp表示指数函数求解;mj是隶属函数层高斯函数的平均值;σj是隶属函数层高斯函数的标准差;
Figure BDA0001830531260000077
表示隶属函数层的输出;j=1,2,3,…,6表示隶属函数层有六个神经元。
层3(规则层):规则层的节点表示一个模糊逻辑规则的预处理部分,此层神经元将输入信号做乘积运算。此层神经元输入与输出关系如下:
Figure BDA0001830531260000078
其中
Figure BDA0001830531260000079
为隶属函数层的输出;
Figure BDA00018305312600000710
为隶属函数层与规则层之间的连接权重值;
Figure BDA00018305312600000711
表示规则层的输出;
Figure BDA00018305312600000712
表示规则层的第j个神经元是由隶属函数层的两个神经元输出与权值的乘积;j=1,2,…,9表示规则曾有9个神经元。
层4(递归小波层):此层包含小波函数运算、模糊逻辑处理和递归运算。其中小波函数的输出为Ψk,表示如下:
Figure BDA0001830531260000081
Figure BDA0001830531260000082
其中Фik是第k个神经元中第i个小波函数;Ψk是第k个小波函数的输出;wik是小波函数的连接权重;
Figure BDA0001830531260000083
表示两个输入层输入与权值相乘后再进行求和;aik和bik分别代表小波函数的平移因子和伸缩因子;|bik|表示伸缩因子的绝对值。
此层神经元输入与输出关系如下:
Figure BDA0001830531260000084
其中
Figure BDA0001830531260000085
为此层的输出;
Figure BDA0001830531260000086
是规则层和模糊处理部分之间的连接权重;wk是递归层中的递归权重值;
Figure BDA0001830531260000087
是本层前一次的输出值;k=l=1,2,…,9表示递归小波层与规则层一样,共有9个神经元。
层5(输出层):此层的每个节点用来计算神经网络补偿控制器的输出
Figure BDA00018305312600000813
此层神经元输入与输出关系如下:
Figure BDA0001830531260000088
其中
Figure BDA0001830531260000089
表示递归小波层的输出;
Figure BDA00018305312600000810
是递归小波层与输出层之间的连接权重值;
Figure BDA00018305312600000811
表示递归小波神经网络的输出;
Figure BDA00018305312600000812
表示递归小波层的每个输出与权值相乘后进行求和;o=l=1,2,…,9表示输出层的输出数目与递归小波层的输出数目相同,均为9个。
本发明方法最终由嵌入DSP处理器中的控制程序实现,其控制过程按以下步骤执行:
步骤1 系统初始化;
步骤2 允许TN1、TN2中断;
步骤3 启动T1下溢中断;
步骤4 程序数据初始化;
步骤5 开总中断;
步骤6 中断等待;
步骤7 TN1中断处理子控制程序;
步骤8 结束。
其中步骤7中TN1中断处理子控制程序按以下步骤:
步骤1 TN1中断子控制程序;
步骤2 保护现场;
步骤3 判断是否已初始定位;是进入步骤4,否则进入步骤10;
步骤4 电流采样,CLARK变换,PARK变换;
步骤5 判断是否需要位置调节;否则进入步骤7;
步骤6 位置调节中断处理子控制程序;
步骤7 d q轴电流调节;
步骤8 PARK逆变换;
步骤9计算CMPPx及PWM输出;
步骤10位置采样;
步骤11初始定位程序;
步骤12恢复现场;
步骤13中断返回。
其中步骤6中位置调节中断处理子控制程序按以下步骤:
步骤1位置调节中断子控制程序;
步骤2读取编码器值;
步骤3判断角度;
步骤4计算已走距离;
步骤5执行位置控制器;
步骤6执行神经网络补偿控制器;
步骤7计算电流命令并输出;
步骤8中断返回。
优点及效果:本发明提供一种H型平台的递归小波神经网络补偿器的同步控制系统及方法,针对现有控制技术中存在的问题,补偿由于双电机控制特性不匹配及环境因素影响造成的同步误差,保证H行精密运动平台在运动过程中的精确性与稳定性。
本发明所设计的控制器应用到双轴驱动H型数控平台,实验系统如图1所示。该平台的位置被连接到每个驱动轴的线性编码器,线性编码器的传感器分辨率是0.1微米。每个驱动轴的速度被位置测量的反向差计算出来,这个采样周期为2毫秒。
本发明包括全局滑模控制器的设计,提高系统的单轴跟踪精度;递归小波神经网络补偿控制器的设计,减小系统的同步误差,提高同步性。H型平台递归小波神经网络补偿控制器设计,如图3所示。
附图说明:
图1为H型平台结构图
图2为H型平台控制系统框图
图3为本发明所设计的递归小波神经网络补偿控制器系统框图
图4为本发明方法中矢量控制系统程序流程图
图5为本发明方法位置调节中断处理子控制程序流程图
图6为实现本发明所设计的永磁直线同步电机矢量控制系统硬件结构硬件框图
图7-10实现本发明的硬件控制系统原理图
图7电流检测电路
图8为位置检测电路
图9为电源电路
图10为驱动电路
具体实施方式:下面结合附图对本发明做进一步的说明:
如图1所示,本发明提供一种H型平台的递归小波神经网络补偿器的同步控制系统及方法。该控制系统硬件包括主电路、控制电路和控制对象三部分;控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路;主电路包括调压电路、整流滤波单元和IPM逆变单元;控制对象为三相永磁直线同步电机H型平台,机身装有光栅尺;电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接,DSP处理器还通过电压调整电路连接至调压电路,调压电路通过整流滤波单元连接至IPM逆变单元,IPM逆变单元连接三相永磁直线同步电机;IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接,电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台,动子位置采样电路连接光栅尺。
图1为H型平台结构图。图2为本发明所设计的基于递归小波神经网络补偿控制器的双直线电机高精度同步控制的结构框图,在传统并联同步控制的基础上引入同步误差补偿器,补偿器采用结合全局滑模控制的递归小波神经网络补偿控制器的方法,其输入分别为两直线电机的位置同步误差e=ey1-ey2与位置同步误差的微分
Figure BDA0001830531260000121
神经网络的输出作为滑模控制输出的修正量,对两平行直线电机的输入信号进行修正。
本发明是利用智能控制的自学习能力来逼近同步误差,使其在有限时间最小化,即同步误差最小化。达到高精度的同步误差补偿控制。最终实现了递归小波神经网络补偿控制器的设计,本发明所设计递归小波神经网络补偿控制器的作用是提高系统鲁棒性的同时达到高精度加工要求。
H型平台的递归小波神经网络补偿器的同步控制系统所实施的H型平台的控制方法,包括全局滑模控制和递归小波神经网络补偿控制器控制,其特征在于能够同时减小H型平台单轴的位置跟踪误差和双轴的同步误差。
本发明包括以下的具体步骤如下:
步骤一:建立H型平台数学模型
为简便分析及控制,选择d-q轴模型进行分析,永磁直线同步电机在d、q轴坐标模型下变化过程:
(1)Clark变换,从a-b-c坐标变换到α-β,变换方程为
Figure BDA0001830531260000122
其中,a、b、c为永磁直线同步电机的三相绕组轴线,各轴之间相差120°;α、β互相垂直构成α-β坐标系。
(2)Park变换,从α-β坐标变换到d-q坐标:
Figure BDA0001830531260000123
其中,α-β逆时针旋转Φ角度形成d-q坐标系。
(3)Park反变换,从d-q坐标变换到α-β坐标:
Figure BDA0001830531260000131
iα、iβ为静止坐标系下的电流分量;ia、ib、ic为永磁直线同步电机的三相电流;id、iq为d-q坐标系下的电流分量;id控制动子的磁链;iq控制电机转矩,为降低系统的损耗,提供更高的电磁推力,本发明采用id=0的矢量控制方式;Φ为α-β坐标轴逆时针旋转后的d-q坐标轴与其形成的夹角。
经过上述推导,得到永磁直线同步电机在d-q坐标轴下的电压平衡方程:
Figure BDA0001830531260000132
d、q磁链方程为
Figure BDA0001830531260000133
其中,Ud、Uq为用词直线同步电机动子在d轴和q轴下的电压;R为初级绕组的等效电阻;id、iq分别为d、q轴下的电流;Ld、Lq分别为d轴和q轴的电感;τ为永磁体极距;v为电机的动子速度;Ψd与Ψq为d、q轴的磁链;Ψf为永磁体磁链。
由于采用id=0的矢量控制方式,则
Ud=0 (7)
可得直线电机的电磁推力为:
Figure BDA0001830531260000134
由永磁直线同步电机机械运动方程
Figure BDA0001830531260000135
可得动力学方程为:
Figure BDA0001830531260000141
其中FL为负载阻力;D为摩擦系数;M为动子质量;v为电机的动子速度;
Figure BDA0001830531260000142
为电机动子速度的微分。
通过上述磁场定向的控制方法,可得简化电磁力为:
Figure BDA0001830531260000143
Figure BDA0001830531260000144
其中Fei是电机的电磁推力;Kfi是推力系数;
Figure BDA0001830531260000145
是推力电流命令;ψPMi是永磁体磁链;τ是极距。其中i=1,2分别代表y1轴和y2轴。
由动力学方程(10)电磁力表达的永磁直线电机动力学方程为:
Figure BDA0001830531260000146
其中Mi是电机动子质量;vi是电机的线速度;Di是粘滞摩擦系数;FLi是外部扰动;fi(v)是摩擦力。采用基于电机位置阶跃响应的曲线拟合技术来寻找电机驱动的准确数学模型。
忽略不确定性和磁场导向,公式(11)和(13)改写如下:
Figure BDA0001830531260000147
其中
Figure BDA0001830531260000148
Figure BDA0001830531260000149
表示对位置的一阶微分和二阶微分,
Figure BDA00018305312600001410
Figure BDA00018305312600001411
均为系数;i=1,2分别表示Y方向的两个轴,
Figure BDA00018305312600001412
为控制率,即推力电流命令。
考虑参数变化及系统的不确定项的存在,H型精密运动平台的动态模型可以改写成如果下:
Figure BDA00018305312600001413
其中ΔAi,ΔBi和ΔCi分别表示Ani,Bni和Cni的不确定项,即为系数的不确定项,这种不确定是由系统参数Mi和Di引起的。Ii定义为集中不确定项,表示为:
Figure BDA0001830531260000151
假设集中不确定项为有界值
││Ii││≤δi (17)
即Ii的度量小于δi,其中δi是一个正的常数。
步骤二:滑模控制器的设计
为了满足控制要求,定义滑模函数为
Figure BDA0001830531260000152
其中,λ为一正数,
Figure BDA0001830531260000153
表示对e从0时刻到t时刻的积分;并定义
Figure BDA0001830531260000154
为跟踪误差;
Figure BDA0001830531260000155
为误差的一阶微分,
Figure BDA0001830531260000156
为位置指令;yi(t)为实际位置;λ为一大于0的常数。对此滑动平面进行微分,得:
Figure BDA0001830531260000157
其中
Figure BDA0001830531260000158
为滑模面的一阶微分;
Figure BDA0001830531260000159
为位置误差的二阶微分;
Figure BDA00018305312600001510
为期望位置的二阶微分;
Figure BDA00018305312600001511
为实际位置的二阶微分;i=1,2分别代表y1轴和y2轴。
若存在一理想等效控制法则为
Figure BDA00018305312600001512
可使
Figure BDA00018305312600001513
即保证在滑动面上的动态性能,则U*(t)推导如下:
Figure BDA00018305312600001514
求解
Figure BDA00018305312600001515
Figure BDA0001830531260000161
可得:
Figure BDA0001830531260000162
由此可得控制律U*(t),若存在不确定因素ε,使得U*(t)=U(t)+ε,则ε=0时,通过选择适当的λ以此达到滑动平面上所需的系统动态性能,形成全局滑模。
步骤三:递归小波神经网络补偿控制器的设计
同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题,本发明在两轴间设计了递归小波神经网络补偿控制器。
提出的递归小波神经网络补偿控制器,包括输入层,隶属函数层,规则层,递归小波层,输出层。递归小波神经网络补偿控制器每层信号的传递和表达式如下:
层1(输入层):在此层中的两个节点都是输入节点,相当于输入变量。这些节点把输入信号传递到下一层。此层神经元输入与输出关系如下:
Figure BDA0001830531260000163
本发明中的输入变量分别为同步误差
Figure BDA0001830531260000164
和同步误差的微分
Figure BDA0001830531260000165
其中ey1和ey2分别是Y1轴和Y2轴的跟踪误差;
Figure BDA0001830531260000166
表示输入层的输出;N表示取样次数,i=1,2表示输入层有两个神经元。
层2(隶属函数层):输入层中的每个输出对应隶属函数层的3个神经元,非线性转换采用高斯函数。此层神经元输入与输出关系如下:
Figure BDA0001830531260000167
其中
Figure BDA0001830531260000171
表示输入层的输出;exp表示指数求解;mj是隶属函数层高斯函数的平均值;σj是隶属函数层高斯函数的标准差;
Figure BDA0001830531260000172
表示隶属函数层的输出;j=1,2,3,…,6表示隶属函数层有六个神经元。
层3(规则层):规则层的节点表示一个模糊逻辑规则的预处理部分,此层神经元将输入信号做乘积运算。此层神经元输入与输出关系如下:
Figure BDA0001830531260000173
其中
Figure BDA0001830531260000174
为隶属函数层的输出;
Figure BDA0001830531260000175
为隶属函数层与规则层之间的连接权重值;
Figure BDA0001830531260000176
表示规则层的输出;
Figure BDA0001830531260000177
表示规则层的第j个神经元是由隶属函数层的两个神经元输出与权值的乘积;k=1,2,…,9表示规则曾有9个神经元。
层4(递归小波层):此层包含小波函数运算、模糊逻辑处理和递归运算。其中小波函数的输出为Ψk,表示如下:
Figure BDA0001830531260000178
Figure BDA0001830531260000179
其中Фik是第k个神经元中第i个小波函数;Ψk是第k个小波函数的输出;wik是小波函数的连接权重;
Figure BDA00018305312600001710
表示两个输入层输入与权值相乘后再进行求和;aik和bik分别代表小波函数的平移因子和伸缩因子;|bik|表示伸缩因子的绝对值。
此层神经元输入与输出关系如下:
Figure BDA00018305312600001711
其中
Figure BDA00018305312600001712
为此层的输出;
Figure BDA00018305312600001713
是规则层和模糊处理部分之间的连接权重;wk是递归层中的递归权重值;
Figure BDA0001830531260000181
是本层前一次的输出值;k=l=1,2,…,9表示递归小波层与规则层一样,共有9个神经元。
层5(输出层):此层的每个节点用来计算神经网络补偿控制器的输出
Figure BDA0001830531260000182
此层神经元输入与输出关系如下:
Figure BDA0001830531260000183
其中
Figure BDA0001830531260000184
表示递归小波层的输出;
Figure BDA0001830531260000185
是递归小波层与输出层之间的连接权重值;
Figure BDA0001830531260000186
表示递归小波神经网络的输出;
Figure BDA0001830531260000187
表示递归小波层的每个输出与权值相乘后进行求和;o=l=1,2,…,9表示输出层的输出数目与递归小波层的输出数目相同,均为9个。
图3为本发明所设计的递归小波神经网络补偿控制器的结构图。
使用梯度下降学习算法的递归小波神经网络的参数学习法则,首先定义能量函数V为:
Figure BDA0001830531260000188
神经网络的参数学习更新迭代算法如下所示:
层5:在此层中,误差项如下所示:
Figure BDA0001830531260000189
通过如下方式来调整输出层的权重:
Figure BDA00018305312600001810
Figure BDA00018305312600001811
层4:在此层中,误差项如下所示:
Figure BDA00018305312600001812
连接权重wik
Figure BDA0001830531260000191
更新如下:
Figure BDA0001830531260000192
wik(N+1)=wik(N)+Δwik (35)
Figure BDA0001830531260000193
Figure BDA0001830531260000194
Figure BDA0001830531260000195
wk(N+1)=wk(N)+Δwk (39)
层3:在此层中,误差项如下所示:
Figure BDA0001830531260000196
通过如下方式来调整结果层的权值:
Figure BDA0001830531260000197
wjk(N+1)=wjk(N)+Δwjk (42)
层2:在此层中,误差项如下所示:
Figure BDA0001830531260000198
通过如下方式调整隶属度函数参数:
Figure BDA0001830531260000199
mj(N+1)=mj(N)+Δmj (45)
Figure BDA00018305312600001910
σj(N+1)=σj(N)+Δσj (47)
其中ηw1、ηw2、ηw3、ηw4、ηw5、ηm和ησ为学习速率,N为迭代次数。
图4为本发明方法最终由嵌入DSP处理器中的控制程序实现,图5为位置调节中断处理子控制程序流程图,其控制过程按以下步骤执行:
步骤1 系统初始化;
步骤2 允许TN1、TN2中断;
步骤3 启动T1下溢中断;
步骤4 程序数据初始化;
步骤5 开总中断;
步骤6 中断等待;
步骤7 TN1中断处理子控制程序;
步骤8结束。
其中步骤7中TN1中断处理子控制程序按以下步骤:
步骤1 TN1中断子控制程序;
步骤2 保护现场;
步骤3 判断是否已初始定位;是进入步骤4,否则进入步骤10;
步骤4 电流采样,CLARK变换,PARK变换;
步骤5 判断是否需要位置调节;否则进入步骤7;
步骤6 位置调节中断处理子控制程序;
步骤7 d q轴电流调节;
步骤8 PARK逆变换;
步骤9计算CMPPx及PWM输出;
步骤10位置采样;
步骤11初始定位程序;
步骤12恢复现场;
步骤13中断返回。
其中步骤6中位置调节中断处理子控制程序按以下步骤:
步骤1位置调节中断子控制程序;
步骤2读取编码器值;
步骤3判断角度;
步骤4计算已走距离;
步骤5执行位置控制器;
步骤6执行神经网络补偿控制器;
步骤7计算电流命令并输出;
步骤8中断返回。
图6-10为所发明的控制系统的硬件原理图,大体可分为3部分即
第一块电路板为功率电路板,包括AC-DC模块,主电路的过压欠压保护,IPM模块以及驱动电路,辅助电源电路。
第二块电路板为控制电路板,包括DSP(TMS320F28335),电流采样、编码器接口电路、RS232通信、过流保护等电路。这块电路板是整个伺服控制器的核心部分。
第三块电路板完成显示与控制输入功能,包括数码管显示电路以及键盘输入。其主要功能是显示电机运行时刻的状态,部分故障原因以及完成各种控制信号的输入。
从图6可以看出,本系统是一个速度和电流反馈的闭环系统。DSP控制器负责转换A/D转换、计算电机的转速和位置以及电流和速度的PI调节,最后得到电压空间矢量PWM的控制信号,再经过光耦隔离电路后,驱动IPM功率开关器件。DSP,CPLD控制器负责整个系统的的保护和监控,一旦系统出现过电压、过电流、欠电压等故障,DSP将封锁PWM输出信号,以保护IPM模块。
图7为所发明的硬件控制系统的电流检测电路,根据整个系统的设计,控制系统中有电流反馈环,因此需要采样电机的电流信号,在本设计中测量的是直线电机三相电流中的两相。本系统中采用CsM025PTS系列霍尔电流传感器,它能采集的电流范围是-16A~+l6A,输出的电压范围是0~5V。因为DSP芯片的AD模块采样的是电压信号,需要将电流信号转化为电压信号。同DSP的AD模块输入电压范围是0~3V,而采样到得霍尔传感器的电压范围是0~5V,需要做适当的变换,把采样的电压信号转化为合适的输入范围。16通道的AD模块需要用到其中的三个,本设计中选用的是ADCIN08和ADCIN09两个通道,采样后的电压信号重新转化为两相的电流信号存入相应的寄存器中,进行电流调节。经过霍尔传感器检测到得电流成比例的转化为电压信号。霍尔传感器输出的电压信号不适合AD模块采集的电压范围,需要经过放大器对电压信号进行缩放。
图8为所发明的硬件控制系统的位置检测电路,直线电机的位置信号的检测是实现直线电机精密控制的非常重要的因素且将其微分就是速度信号,本设计采用英国RENIsHAW公司的RGH24X系列光栅尺,它的分辨率为1um,最高速度可达到5m/s。把TMs320F28335事件管理器EVA的正交编码脉冲电路(QEP)和光栅尺进行连接,当事件管理器的QEP被使能后,就能对相应的引脚输出脉冲进行计数,来确定电机运动的位置信息,根据测量的位置信息相应的调整控制策略,控制电机运动。安装好的光栅尺在直线电机运动的情况下,读数头输出与位置信息有关的6路方波信号,其中它们是三对反向的RS422A方波信号,经过差分接收后,产生三路脉冲信号包括两路正交编码脉冲信号A和B,以及一路参考点信号Z。正交编码脉冲信号A和B用来检测直线电机运动的位置信息,而Z信号用来做直线运动过程中回零点位置的参考信号。由于光栅尺读数头输出地3路脉冲信号是5V的,而DSP的I/O口电压是3.3V的,因此需要一个电平转换芯SN74LVC4245DW来实现5V到3.3V的电平转换。同时使能DSP芯片事件管理器EVA的正交编码脉冲电路和捕获单元CAP3,QEP1和QEP2分别接收A和B两路正交脉冲,CAP3捕获参考脉冲信号Z。
光栅尺读数头输出的正交编码脉冲是两路频率可以变化相互正交的脉冲序列。当直线电机运动时,光栅尺的读数头会产生正交编码脉冲信号,分别被QEP1和QEP2接口接收,根据A和B脉冲信号的相位差是+900还是-900来确定直线电机的运动方向,同时可以确定通用定时器的计数器的计数方向,如果QEPI接收的脉冲超前QEP2接收的脉冲,那么计数器是递增计数,相反则递减计数。由于DSP的正交编码电路对输入正交脉冲上升沿和下降沿均进行计数,因此经由QEP电路后输出脉冲的频率变为输入的四倍,并且事件管理器会将该时钟提供给它的通用定时器作为通用定时器的时钟频率。在本设计中通用定时器TZ设置为定向增/减计数,事件管理器EVA的正交编码脉冲电路既为它提供时钟频率又提供计数方向。光栅尺的分辨率为1um,直线电机每移动lum则通用定时器对四倍频以后的脉冲进行一次计数,通过前后两次计数器中不同的计数值可以确定直线电机运动的距离,同时有专门的寄存器存储计数器的计数方向,也是直线电机的运动方向。在DSP的中断服务子程序中可以得到直线电机的运动信息。
图9为所发明的硬件控制系统的电源电路,本发明所设计的电源电路就是要得到直流电压。首先通过一个整流桥将交流转化为直流,然后通过滤波得到较好的直流电存储于大电容中,在将电容两端作为直流电源的输出口提供给功率模块。其中的加入一根保险丝,为了防止电路电流过大,起到保护电路作用。继电器起到的是一个智能控制的作用,在程序中当DSP初始化时,电容充电,初始化完成后,在程序中给Kl端口发送一个高电平,继电器发生一个开关动作使电容两端直接连接电源电压,这时候使电容两端的电压达到最大,实验时最大可到320V,达到为电机供电要求。
图10为所发明的硬件控制系统的驱动电路,直线电机驱动电路主要包括一个智能功率模块,本发明选用的是IRAMSl0UP60B,它适用于较大功率的电机中,它能驱动的电机功率范围是400W~750W;主要由6个IGBT构成的三相桥式电路,控制板上DSP芯片产生的PWM控制信号输入到功率模块,控制3个桥臂的关断,产生合适驱动电压,驱动直线电机运动图中的HIN1和LIN1分别是第一相的上下桥臂的控制信号,它们都是低电平有效。IRAMSl0UP60B的工作电压VDD是15V,VSS为接地端,为了达到良好的去耦效果,在这两端加入两个并联的去耦电容。由于输入的PWM波信号是数字信号,而IRAMS10UP60B不具备把数字信号和功率信号隔离的功能,因此在IRAMS10UP60B的输入控制信号前需要加上光祸隔离,图中TLPll3即实现了将输入的PWM信号转化为模拟信号的功能,然后输入到对应桥臂的控制信号输入端。在三相电压的输出端u、v、w分别加上一个2.2uF的自举电容。在Itrip端口为低电平时,芯片正常工作,当桥臂的上部分输入的控制信号为低电平,下部分是高电平的时候该相有输出电压;当上为高电平,下为低电平的时候输出电压为零;两个都为低电平的情况是不容许出现的,那样会造成短路,烧毁芯片。当Itrip端口为高电平时,芯片不工作,没有电压输出,因此在电路中加一个下拉电阻使Itrip端口为低电平,这样功率模块能正常工作。功率芯片自身有过温和过流保护,当电路出现异常时能起到自我保护的作用。
本发明针对双轴驱动的H型精密运动平台提出递归小波神经网络补偿控制器,以实现当存在参数不确定、外部扰动及非线性摩擦力时,系统仍然可以实现精确的位置跟踪,保证同步性。本发明的优点在于递归小波神经网络利用自身能够即时自我回馈并近似任意非线性函数的特点来修正全局滑模控制的参数,补偿由于两电机控制特性不匹配和周围环境不确定性而产生的同步误差。

Claims (5)

1.一种H型平台的递归小波神经网络补偿器的同步控制方法,其特征在于:
该方法利用如下控制系统实施:该控制系统硬件包括主电路、控制电路和控制对象三部分;控制电路包括DSP处理器、电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路;主电路包括调压电路、整流滤波单元和IPM逆变单元;控制对象为三相永磁直线同步电机H型平台,机身装有光栅尺;电流采样电路、动子位置采样电路、IPM隔离驱动电路和IPM保护电路均与DSP处理器连接,DSP处理器还通过电压调整电路连接至调压电路,调压电路通过整流滤波单元连接至IPM逆变单元,IPM逆变单元连接三相永磁直线同步电机;IPM隔离驱动电路和IPM保护电路与IPM逆变单元连接,电流采样电路通过霍尔传感器连接三相永磁直线同步电机H型平台,动子位置采样电路连接光栅尺;
该方法包括以下步骤:
步骤一:建立H型平台数学模型
选择d-q轴模型进行分析,永磁直线同步电机在d、q轴坐标模型下变化过程:
(1)Clark变换,从a-b-c坐标变换到α-β,变换方程为
Figure FDA0003052953810000011
其中,a、b、c为永磁直线同步电机的三相绕组轴线,各轴之间相差120°;α、β互相垂直构成α-β坐标系;
(2)Park变换,从α-β坐标变换到d-q坐标:
Figure FDA0003052953810000021
其中,α-β逆时针旋转Φ角度形成d-q坐标系;
(3)Park反变换,从d-q坐标变换到α-β坐标:
Figure FDA0003052953810000022
iα、iβ为静止坐标系下的电流分量;iα、ib、ic为永磁直线同步电机的三相电流;id、iq为d-q坐标系下的电流分量;id控制动子的磁链;iq控制电机转矩,为降低系统的损耗,提供更高的电磁推力,本方法采用id=0的矢量控制方式;Φ为α-β坐标轴逆时针旋转后的d-q坐标轴与其形成的夹角;
经过上述推导,得到永磁直线同步电机在d-q坐标轴下的电压平衡方程:
Figure FDA0003052953810000023
d、q磁链方程为
Figure FDA0003052953810000024
其中,Ud、Uq为永磁直线同步电机动子在d轴和q轴下的电压,R为初级绕组的等效电阻;id、iq分别为d、q轴下的电流;Ld、Lq分别为d轴和q轴的电感,τ为永磁体极距;v为电机的动子速度;Ψd与Ψq为d、q轴的磁链;Ψf为永磁体磁链;
由于采用id=0的矢量控制方式,则
Ud=0 (7)
得直线电机的电磁推力为:
Figure FDA0003052953810000031
由永磁直线同步电机机械运动方程
Figure FDA0003052953810000032
得动力学方程为:
Figure FDA0003052953810000033
其中FL为负载阻力;D为摩擦系数;M为动子质量;v为电机的动子速度;
Figure FDA0003052953810000034
为电机动子速度的微分;
通过上述磁场定向的控制方法,得简化电磁力为:
Figure FDA0003052953810000035
Figure FDA0003052953810000036
其中Fei是电机的电磁推力;Kfi是推力系数;
Figure FDA0003052953810000037
是推力电流命令;ψPMi是永磁体磁链;τ是永磁体极距;其中i=1,2分别代表y1轴和y2轴;
由动力学方程(10)表达的永磁直线电机动力学方程为:
Figure FDA0003052953810000038
其中Mi是电机动子质量;vi是电机的线速度;Di是粘滞摩擦系数;FLi是外部扰动;fi(v)是摩擦力;采用基于电机位置阶跃响应的曲线拟合技术来寻找电机驱动的准确数学模型;
忽略不确定性和磁场导向,公式(11)和(13)改写如下:
Figure FDA0003052953810000039
其中
Figure FDA00030529538100000310
Figure FDA00030529538100000311
表示对位置的一阶微分和二阶微分,
Figure FDA00030529538100000312
Figure FDA00030529538100000313
均为系数;i=1,2分别表示Y方向的两个轴,
Figure FDA00030529538100000314
为控制率,即推力电流命令;考虑参数变化及系统的不确定项的存在,H型精密运动平台的动态模型改写成如下:
Figure FDA0003052953810000041
其中ΔAi,ΔBi和ΔCi分别表示Ani,Bni和Cni的不确定项,即为系数的不确定项,这种不确定是由系统参数Mi和Di引起的;Ii定义为集中不确定项,表示为:
Figure FDA0003052953810000042
假设集中不确定项为有界值
││Ii││≤δi (17)
即Ii的度量小于δi,其中δi是一个正的常数;
步骤二:滑模控制器的设计
定义滑模函数为:
Figure FDA0003052953810000043
其中,λ为一正数,
Figure FDA0003052953810000044
表示对e从0时刻到t时刻的积分,并定义
Figure FDA0003052953810000045
为跟踪误差;
Figure FDA0003052953810000046
为误差的一阶微分;
Figure FDA0003052953810000047
为位置指令;yi(t)为实际位置;λ为一大于0的常数;对此滑动平面进行微分,得:
Figure FDA0003052953810000048
其中
Figure FDA0003052953810000049
为滑模面的一阶微分,
Figure FDA00030529538100000410
为位置误差的二阶微分;
Figure FDA00030529538100000411
为期望位置的二阶微分;
Figure FDA00030529538100000412
为实际位置的二阶微分;i=1,2分别代表y1轴和y2轴;
若存在一理想等效控制法则为
Figure FDA00030529538100000413
可使
Figure FDA00030529538100000414
即保证在滑动面上的动态性能,则U*(t)推导如下:
Figure FDA0003052953810000051
求解
Figure FDA0003052953810000052
得:
Figure FDA0003052953810000053
由此得控制律U*(t),若存在不确定因素γ,使得U*(t)=U(t)+γ,则γ=0时,通过选择适当的λ以此达到滑动平面上所需的系统动态性能,形成全局滑模;
步骤三:递归小波神经网络补偿控制器的设计
本方法在两轴间设计了递归小波神经网络补偿控制器;
提出的递归小波神经网络补偿控制器,包括输入层、隶属函数层、规则层、递归小波层、输出层;递归小波神经网络补偿控制器每层信号的传递和表达式如下:
层1为输入层:在此层中的两个节点都是输入节点,相当于输入变量,这些节点把输入信号传递到下一层,此层神经元输入与输出关系如下:
Figure FDA0003052953810000054
本方法中的输入变量分别为同步误差
Figure FDA0003052953810000055
和同步误差的微分
Figure FDA0003052953810000056
其中ey1和ey2分别是Y1轴和Y2轴的跟踪误差;
Figure FDA0003052953810000057
表示输入层的输出;N表示取样次数,i=1,2表示输入层有两个神经元;
层2为隶属函数层:输入层中的每个输出对应隶属函数层的3个神经元,非线性转换采用高斯函数;此层神经元输入与输出关系如下:
Figure FDA0003052953810000061
其中
Figure FDA0003052953810000062
表示输入层的输出;exp表示指数函数求解;mj是隶属函数层高斯函数的平均值;σj是隶属函数层高斯函数的标准差;
Figure FDA0003052953810000063
表示隶属函数层的输出;j=1,2,3,…,6表示隶属函数层有六个神经元;
层3为规则层:规则层的节点表示一个模糊逻辑规则的预处理部分,此层神经元将输入信号做乘积运算;此层神经元输入与输出关系如下:
Figure FDA0003052953810000064
其中
Figure FDA0003052953810000065
为隶属函数层的输出;
Figure FDA0003052953810000066
为隶属函数层与规则层之间的连接权重值;
Figure FDA0003052953810000067
表示规则层的输出;
Figure FDA0003052953810000068
表示规则层的第j个神经元是由隶属函数层的两个神经元输出与权值的乘积;k=1,2,…,9表示规则层有9个神经元;
层4为递归小波层:此层包含小波函数运算、模糊逻辑处理和递归运算;其中小波函数的输出为Ψk,表示如下:
Figure FDA0003052953810000069
Figure FDA00030529538100000610
其中Фik是第k个神经元中第i个小波函数;Ψk是第k个小波函数的输出;wik是小波函数的连接权重;∑iwik
Figure FDA00030529538100000611
表示两个输入层输入与权值相乘后再进行求和;aik和bik分别代表小波函数的平移因子和伸缩因子;|bik|表示伸缩因子的绝对值;
此层神经元输入与输出关系如下:
Figure FDA0003052953810000071
其中
Figure FDA0003052953810000072
为此层的输出;
Figure FDA0003052953810000073
是规则层和模糊处理部分之间的连接权重;wk是递归层中的递归权重值;
Figure FDA0003052953810000074
是本层前一次的输出值;k=l=1,2,…,9表示递归小波层与规则层一样,共有9个神经元;
层5为输出层:此层的每个节点用来计算神经网络补偿控制器的输出
Figure FDA0003052953810000075
此层神经元输入与输出关系如下:
Figure FDA0003052953810000076
其中
Figure FDA0003052953810000077
表示递归小波层的输出;
Figure FDA0003052953810000078
是递归小波层与输出层之间的连接权重值;
Figure FDA0003052953810000079
表示递归小波神经网络的输出;
Figure FDA00030529538100000710
表示递归小波层的每个输出与权值相乘后进行求和;o=l=1,2,…,9表示输出层的输出数目与递归小波层的输出数目相同,均为9个;
使用梯度下降学习算法的递归小波神经网络的参数学习法则,首先定义能量函数V为:
Figure FDA00030529538100000711
神经网络的参数学习更新迭代算法如下所示:
层5:在此层中,误差项
Figure FDA00030529538100000712
如下所示:
Figure FDA00030529538100000713
通过如下方式来调整输出层的权重变化量
Figure FDA00030529538100000714
为:
Figure FDA00030529538100000715
Figure FDA00030529538100000716
层4:在此层中,误差项
Figure FDA00030529538100000717
如下所示:
Figure FDA0003052953810000081
连接权重wik
Figure FDA0003052953810000082
和wk的变化量Δwik
Figure FDA0003052953810000083
及Δwk如下:
Figure FDA0003052953810000084
wik(N+1)=wik(N)+Δwik (35)
Figure FDA0003052953810000085
Figure FDA0003052953810000086
Figure FDA0003052953810000087
wk(N+1)=wk(N)+Δwk (39)
层3:在此层中,误差项
Figure FDA0003052953810000088
如下所示:
Figure FDA0003052953810000089
结果层的连接权重变化量Δwjk为:
Figure FDA00030529538100000810
wjk(N+1)=wjk(N)+Δwjk (42)
层2:在此层中,误差项
Figure FDA00030529538100000811
如下所示:
Figure FDA00030529538100000812
高斯隶属度函数的平均值mj和标准差σ的变化量Δmj和Δσ为:
Figure FDA00030529538100000813
mj(N+1)=mj(N)+Δmj (45)
Figure FDA0003052953810000091
σj(N+1)=σj(N)+Δσj (47)
其中ηw1、ηw2、ηw3、ηw4、ηw5、ηm和ησ为学习速率,N为迭代次数。
2.根据权利要求1所述的H型平台递归小波神经网络补偿器的同步控制方法,其特征在于:全局滑模控制的滑模控制器如下:
Figure FDA0003052953810000092
其U*为滑模控制器控制率;Ani、Bni和Cni为控制器系数,为标量;
Figure FDA0003052953810000093
为系统位置的给定输入;yi为系统位置的实际输出;FLi和fi分别为系统的外部扰动和摩擦力;e为系统的跟踪误差;λ为正的常数;i=1,2分别代表y1轴和y2轴。
3.根据权利要求1所述的H型平台递归小波神经网络补偿器的同步控制方法,其特征在于:DSP处理器实现该方法的控制过程包括如下步骤:
步骤1系统初始化;
步骤2允许TN1、TN2中断;
步骤3启动T1下溢中断;
步骤4程序数据初始化;
步骤5开总中断;
步骤6中断等待;
步骤7 TN1中断处理子控制程序;
步骤8结束。
4.根据权利要求3所述的H型平台递归小波神经网络补偿器的同步控制方法,其特征在于:所述步骤7中TN1中断处理子控制程序包括如下步骤:
步骤1 TN1中断子控制程序;
步骤2保护现场;
步骤3判断是否已初始定位;是进入步骤4,否则进入步骤10;
步骤4电流采样,CLARK变换,PARK变换;
步骤5判断是否需要位置调节;否则进入步骤7;
步骤6位置调节中断处理子控制程序;
步骤7 d q轴电流调节;
步骤8 PARK逆变换;
步骤9计算PWM输出;
步骤10位置采样;
步骤11初始定位程序;
步骤12恢复现场;
步骤13中断返回。
5.根据权利要求4所述的H型平台递归小波神经网络补偿器的同步控制方法,其特征在于:所述步骤6中位置调节中断处理子控制程序包括如下步骤:
步骤1位置调节中断子控制程序;
步骤2读取编码器值;
步骤3判断角度;
步骤4计算已走距离;
步骤5执行位置控制器;
步骤6执行神经网络补偿控制器;
步骤7计算电流命令并输出;
步骤8中断返回。
CN201811203199.2A 2018-10-16 2018-10-16 一种h型平台的递归小波神经网络补偿器的同步控制系统 Active CN109143869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811203199.2A CN109143869B (zh) 2018-10-16 2018-10-16 一种h型平台的递归小波神经网络补偿器的同步控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811203199.2A CN109143869B (zh) 2018-10-16 2018-10-16 一种h型平台的递归小波神经网络补偿器的同步控制系统

Publications (2)

Publication Number Publication Date
CN109143869A CN109143869A (zh) 2019-01-04
CN109143869B true CN109143869B (zh) 2021-07-06

Family

ID=64812056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811203199.2A Active CN109143869B (zh) 2018-10-16 2018-10-16 一种h型平台的递归小波神经网络补偿器的同步控制系统

Country Status (1)

Country Link
CN (1) CN109143869B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110460268A (zh) * 2019-09-05 2019-11-15 苏州市职业大学 一种转子位移控制方法、装置、设备及存储介质
CN113885441B (zh) * 2021-09-29 2024-04-19 沈阳工业大学 一种零误差约束下的直驱h型平台同步控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07177782A (ja) * 1993-08-11 1995-07-14 Georgia Tech Res Corp 永久磁石同期モータ用自己同調型追従制御方法
CN101800502A (zh) * 2009-12-30 2010-08-11 中南大学 一种磁悬浮精密运动定位平台的解耦控制方法
CN102497149A (zh) * 2011-11-30 2012-06-13 沈阳工业大学 永磁直线同步电机驱动悬浮平台的直接解耦控制方法
CN102722136A (zh) * 2012-06-29 2012-10-10 沈阳工业大学 基于神经网络的超声波电机xy工作平台控制装置及方法
EP2584120A2 (en) * 2011-10-20 2013-04-24 Viapark Sistemi Parcheggi Automatici s.a.s. di von Mehlem Luigi Filippo & C. Drive units for movable platforms for automated parking systems
CN104483897A (zh) * 2014-08-27 2015-04-01 渤海大学 一种直驱龙门式运动平台轮廓控制装置及方法
CN204843329U (zh) * 2015-06-12 2015-12-09 马明勇 一种波腹板h型钢组焊一体机的四轴控制系统
CN105159227A (zh) * 2015-07-22 2015-12-16 渤海大学 一种双轴运动平台的定位与动态轨迹跟踪控制装置及方法
CN105223809A (zh) * 2015-07-10 2016-01-06 沈阳工业大学 H型平台的模糊神经网络补偿器的同步控制系统及方法
WO2016076701A1 (es) * 2014-11-14 2016-05-19 Kaplun Mucharrafille Margarita Aparato de posicionamiento para medición y análisis
CN105929693A (zh) * 2016-05-19 2016-09-07 沈阳工业大学 H型精密运动平台自适应滑模补偿同步控制系统与方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6445960B1 (en) * 1998-05-29 2002-09-03 Ronbotics Corporation Electric motion platform and a control system for controlling the same
US6496765B1 (en) * 2000-06-28 2002-12-17 Sandia Corporation Control system and method for payload control in mobile platform cranes
US8065951B2 (en) * 2005-02-15 2011-11-29 P.I. Engineering, Inc. Servo-controlled tipping platform and motion control system therefor
CA2790874C (en) * 2011-10-07 2019-11-05 E2M Technologies B.V. A motion platform system
WO2016176833A1 (zh) * 2015-05-06 2016-11-10 东莞市神州视觉科技有限公司 一种提高xy运动平台系统精度的方法、装置及系统
US10308007B2 (en) * 2015-06-18 2019-06-04 University Of Southern California Mask video projection based stereolithography with continuous resin flow
CN105785762B (zh) * 2016-03-17 2020-12-11 北京航空航天大学 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

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07177782A (ja) * 1993-08-11 1995-07-14 Georgia Tech Res Corp 永久磁石同期モータ用自己同調型追従制御方法
CN101800502A (zh) * 2009-12-30 2010-08-11 中南大学 一种磁悬浮精密运动定位平台的解耦控制方法
EP2584120A2 (en) * 2011-10-20 2013-04-24 Viapark Sistemi Parcheggi Automatici s.a.s. di von Mehlem Luigi Filippo & C. Drive units for movable platforms for automated parking systems
CN102497149A (zh) * 2011-11-30 2012-06-13 沈阳工业大学 永磁直线同步电机驱动悬浮平台的直接解耦控制方法
CN102722136A (zh) * 2012-06-29 2012-10-10 沈阳工业大学 基于神经网络的超声波电机xy工作平台控制装置及方法
CN104483897A (zh) * 2014-08-27 2015-04-01 渤海大学 一种直驱龙门式运动平台轮廓控制装置及方法
WO2016076701A1 (es) * 2014-11-14 2016-05-19 Kaplun Mucharrafille Margarita Aparato de posicionamiento para medición y análisis
CN204843329U (zh) * 2015-06-12 2015-12-09 马明勇 一种波腹板h型钢组焊一体机的四轴控制系统
CN105223809A (zh) * 2015-07-10 2016-01-06 沈阳工业大学 H型平台的模糊神经网络补偿器的同步控制系统及方法
CN105159227A (zh) * 2015-07-22 2015-12-16 渤海大学 一种双轴运动平台的定位与动态轨迹跟踪控制装置及方法
CN105929693A (zh) * 2016-05-19 2016-09-07 沈阳工业大学 H型精密运动平台自适应滑模补偿同步控制系统与方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Adaptive Nonlinear Disturbance Observer Using a Double-Loop Self-Organizing Recurrent Wavelet Neural Network for a Two-Axis Motion Control System;Fayez F.M.El-Sousy 等;《IEEE TRANSACTIONS ON INDUSTRY APPLICATTONS》;20180228;第54卷(第1期);764-786 *
H型精密运动平台交叉耦合模糊PID同步控制;王丽梅 等;《沈阳工业大学学报》;20180131;第40卷(第1期);1-5 *
Intelligent Mixed H2/H∞ Adaptive Tracking Control System Design Using Self- Organizing Recurrent Fuzzy-Wavelet-Neural-Network for Uncertain Two-Axis Motion Control System;Fayez F.M.El-Sousy;《Applied Soft Computing Journal》;20151231;1-43 *
Sliding Mode Robust Synchronous Control for H-type Precision Motion Platform;Zhang Zongxue 等;《 2017 IEEE International Electric Machines and Drives Conference(IEMDC)》;20170808;1-6 *
双直线电机驱动的I-I型平台区间二型模糊神经网络控制;张宗雪;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170815(第8期);C042-97 *
基于RBF神经滑模的XY平台迭代交义祸合控制;王丽梅 等;《沈阳工业大学学报》;20140131;第36卷(第1期);1-6 *
基于模糊神经网络补偿控制器的 H型平台同步控制;张佳媛 等;《电气工程学报》;20150930;第10卷(第9期);54-61 *
直接驱动H型平台的智能同步控制方法研究;张佳媛;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160615(第6期);C042-720 *

Also Published As

Publication number Publication date
CN109143869A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN105223809B (zh) H型平台的模糊神经网络补偿器的同步控制系统及方法
CN104460518B (zh) 基于模糊扰动补偿直接驱动xy平台轮廓控制装置及方法
Lin et al. Robust fuzzy neural network sliding-mode control for two-axis motion control system
Benchaib et al. Real-time sliding-mode observer and control of an induction motor
CN107132759B (zh) 一种直线电机驱动fts基于eso滑模改进重复控制方法
CN103414419A (zh) 基于模糊rbf网络滑模的双直线电机轮廓补偿装置与方法
CN104977901B (zh) 三轴运动平台改进型交叉耦合控制装置及方法
Lin et al. Adaptive fuzzy-neural-network control for a DSP-based permanent magnet linear synchronous motor servo drive
CN105676780B (zh) 基于模糊小脑模型关节控制器的xy运动平台轮廓控制装置
Zhao et al. Adaptive neural network nonsingular fast terminal sliding mode control for permanent magnet linear synchronous motor
CN105786036A (zh) 一种抑制转子动不平衡扰动的控制力矩陀螺框架控制系统及方法
CN108123648B (zh) 基于线性矩阵不等式与滑模控制的直线伺服位置跟踪控制
CN109143869B (zh) 一种h型平台的递归小波神经网络补偿器的同步控制系统
CN103259479A (zh) 一种永磁同步电机神经网络左逆状态观测方法
Lin et al. Recurrent radial basis function network-based fuzzy neural network control for permanent-magnet linear synchronous motor servo drive
CN102510251A (zh) 驱动复合摆头的永磁环形力矩电机的自适应鲁棒控制方法
Yue et al. Robust adaptive control of a three-axis motion simulator with state observers
CN115890668A (zh) 一种机器人关节模组分散式优化学习控制方法及系统
CN203896241U (zh) 基于模糊rbf网络积分滑模的双直线电机轮廓补偿装置
Yoo et al. A polar coordinate-oriented method of identifying rotor flux and speed of induction motors without rotational transducers
CN111130411B (zh) 提高双轴直驱平台伺服系统同步控制精度的装置及方法
Su et al. A simple hybrid fuzzy PD controller
CN110829921B (zh) 一种永磁同步电机迭代反馈整定控制及其优化方法
Man et al. Positioning and antiswing control of overhead crane systems: A supervisory scheme
El-Samahy et al. Adaptive multi-layer self-tuning high performance tracking control for DC brushless motor

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