CN109245665B - 一种基于数据学习的电机伺服控制方法 - Google Patents

一种基于数据学习的电机伺服控制方法 Download PDF

Info

Publication number
CN109245665B
CN109245665B CN201811399488.4A CN201811399488A CN109245665B CN 109245665 B CN109245665 B CN 109245665B CN 201811399488 A CN201811399488 A CN 201811399488A CN 109245665 B CN109245665 B CN 109245665B
Authority
CN
China
Prior art keywords
motor
neural network
data
control
control method
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
CN201811399488.4A
Other languages
English (en)
Other versions
CN109245665A (zh
Inventor
王宝超
胡建辉
江善林
王骞
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute 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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201811399488.4A priority Critical patent/CN109245665B/zh
Publication of CN109245665A publication Critical patent/CN109245665A/zh
Application granted granted Critical
Publication of CN109245665B publication Critical patent/CN109245665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Electric Motors In General (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于数据学习的电机伺服控制方法，所述方法包括如下步骤：步骤(1)：建立神经网络结构的电机控制器，将电机位置给定误差、电机速度、电枢电流作为神经网络的输入数据，控制电压作为神经网络的输出数据；步骤(2)：使用包含预期控制效果的输入输出数据对神经网络进行训练；步骤(3)：将步骤(2)训练好的神经网络用于电机运动控制中。本发明的方法具有不依赖电机模型和适应性强的优点，无需复杂的被控对象模型分析和控制器参数调节，能保证响应快速性、一致性和控制规律的特殊性，而且数据来源广泛。

Description

一种基于数据学习的电机伺服控制方法
技术领域
本发明属于电机运动控制技术领域，涉及一种电机伺服控制方法，尤其涉及一种基于数据学习的电机伺服控制方法。
背景技术
传统电机运动控制包括三闭环控制结构，需要结合精确电机模型进行控制器的分析与设计，而模型准确性会造成电机控制性能和参数适应性的下降。传统应用神经网络的控制方法多用于控制器补偿或校正，尚未涉及做为独立控制器取代三闭环控制。
发明内容
本发明的目的是提供一种基于数据学习的电机伺服控制方法，使用神经网络对数据进行学习，通过对数据中隐含的控制规律的掌握，从而取代传统三闭环控制并达到较好的控制效果。本发明的方法具有不依赖电机模型和适应性强的优点，无需复杂的被控对象模型分析和控制器参数调节，能保证响应快速性、一致性，同时可维持控制规律的特殊性，而且数据来源广泛。
本发明的目的是通过以下技术方案实现的：
一种基于数据学习的电机伺服控制方法，包括如下步骤：
步骤(1)：建立神经网络结构的电机控制器，将电机位置给定误差、电机速度、电枢电流作为神经网络的输入数据，控制电压作为神经网络的输出数据；
步骤(2)：使用包含预期控制效果的输入输出数据对神经网络进行训练；
步骤(3)：将步骤(2)训练好的神经网络用于电机运动控制中。
相比于现有技术，本发明具有如下优点：
1、可获得比传统控制器更好的控制效果，通过复现数据中隐含的复杂非线性控制规律，可获得传统控制器难以实现的高性能或适应性。
2、控制器采用全神经网络架构，不涉及精确的电机模型。
3、控制器参数通过数据学习整定，无需复杂的控制参数整定。
4、学习数据来源广泛，可来自优化、仿真、实验等，可保证控制的快速性、适应性，同时可维持控制规律的特殊性。
附图说明
图1为本发明基于数据学习的电机伺服控制方法的控制结构框图。
图2为实施例1中用于训练神经网络的不同行程下位置响应数据；
图3为实施例1中一个位置响应所对应的用于训练神经网络的所有数据；
图4为实施例1中训练好的神经网络用于实时控制时的阶跃仿真效果；
图5为实施例中训练好的神经网络用于实时控制时的阶跃实验效果；
图6为实施例1中训练好的神经网络用于实时控制时的正弦跟踪实验效果；
图7为实施例2中采用ELMAN神经网络结构和RBF神经网络结构时的控制效果图；
图8为实施例3中采用使用电机给定位置和电机实际位置代替电机位置给定误差的控制效果。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于数据学习的电机伺服控制方法，所述方法步骤如下：
步骤(1)：建立神经网络结构的电机控制器，其中：神经网络的输入数据包括电机位置给定误差(即电机给定位置与电机实际位置之差)、电机速度和电机的电枢电流，神经网络的输出数据为控制电压。
步骤(2)：使用包含预期控制效果的输入输出数据对神经网络进行训练。数据来源广泛，可使用仿真、优化、实验等数据。以下实施例中所使用的输入输出数据为相应应用条件下优化得到的最优数据，该数据可以在相应条件下达到最好的控制效果。
步骤(3)：将步骤(2)训练好的神经网络用于电机运动控制中。
如图1所示，电机控制器采集电机的信息，包括电机实际位置θ、电机速度ω、电枢电流i。电机给定位置为θ*，神经网络的输入为电机位置给定误差Δθ(即θ*-θ)、速度ω、电流i，神经网络的输出为控制电压u。神经网络的控制电压u经过PWM模块产生PWM信号，作用于功率桥，产生的功率电压作用于电机电枢，驱动电机旋转。
实施例1：
本实施例使用本发明的基于数据学习的电机伺服控制方法实现一台电机的位置伺服最优控制，所使用的数据为该电机在相应工况下的最速响应数据，通过对该数据的学习，控制器可掌握数据中所隐含的规律并将其用于实时控制中，得到比传统控制器更快速的位置响应。由于系统及相应控制律的复杂性，数据中所隐含控制规律难以用数学表达式显式地表达，也难以通过普通控制器来实现。
本实施例包括如下步骤：
(1)建立神经网络结构的控制器。
本实施例使用BP神经网络，神经网络的输入量为电机位置误差Δθ(即θ*-θ)、速度ω、电枢电流i,神经网络的输出量为控制电压u。神经网络层数与神经元个数可根据需求选取，本实施例中的神经网络共包括2层隐含层和12个神经元。
(2)使用包含预期控制效果的输入输出数据对神经网络进行训练。
本实施例中所采用的数据为图2给出的用于训练神经网络的不同阶跃(编号为Step1～Step5)行程下位置响应数据θ。每一次阶跃所有的相关物理量都用于训练神经网络。图3给出了一个位置阶跃(Step3)位置响应所对应的所有用于训练神经网络的数据(包括θ-用于计算得到Δθ、ω、i、u)。这些数据展示了最优位置跟踪过程，包括加速阶段(0s～0.005s)、恒速阶段(0.005s～0.02s)、减速阶段(0.02s～0.0225s)、调整阶段(0.0225s～0.0265s)。在此过程中，有限的控制电压得到了充分利用，以便最快/最优地到达给定位置，这使得最优关系非常非线性。经过这些数据的训练，神经网络已经可以用于实时控制。
(3)将训练好的神经网络用于电机运动控制中。
图4给出了将训练好的神经网络用于实时控制时的仿真效果，通过与图2中的数据进行比较，可以看出实时控制的仿真结果与优化几乎相同。这说明本发明的方法使用神经网络不仅可以从最优数据中学习隐含的关系，还可以在实时控制中复现所学习的规律，即本实施例数据中隐含的最优控制规律。
图5和图6给出了本发明的方法在实验中的控制效果，可以看出阶跃响应可以有效地跟踪位置给定。此外，该控制方法对未经学习的正弦波位置给定也可以很好地跟踪。
这说明本发明的方法通过“数据学习”可以有效地进行位置的直接控制，对于难以用表达式显示表达的非线性控制规律也能很好地掌握；控制器采用全神经网络架构，不涉及精确的电机模型，无需复杂的控制参数整定；学习数据来源广泛，可来自优化、仿真、实验等，可保证控制的快速性、适应性及控制规律的特殊性。
实施例2：
本实施例与实施例1不同的是：建立控制器时采用的神经网络结构为ELMAN神经网络结构和RBF神经网络结构。
图7给出了将训练好的ELMAN神经网络和RBF神经网络用于实时控制时的效果。从图7可以看出：两种神经网络的控制响应时间稍慢，但控制稳定。ELMAN和RBF神经网络也可用于位置控制。不论何种神经网络本质上都可以对数据中的关系进行模拟，因此，本发明的控制方法可以使用其他神经网络。
实施例3
本实施例与实施例1不同的是：步骤(1)中使用的电机位置给定误差替换为电机给定位置和电机实际位置。
实际控制效果如图8所示。从图8中可以看出，控制稳定，响应速度快。直接使用电机给定位置和电机实际位置数据也可同样实现高性能位置控制。

Claims (3)

1.一种基于数据学习的电机伺服控制方法，其特征在于所述方法包括如下步骤：
步骤(1)：建立神经网络结构的电机控制器，将电机位置给定误差、电机速度、电枢电流作为神经网络的输入数据，控制电压作为神经网络的输出数据；
步骤(2)：使用包含预期控制效果的输入输出数据对神经网络进行训练；
步骤(3)：将步骤(2)训练好的神经网络用于电机运动控制中。
2.根据权利要求1所述的基于数据学习的电机伺服控制方法，其特征在于所述步骤(2)中使用的输入输出数据为相应应用条件下优化得到的最优数据。
3.根据权利要求1所述的基于数据学习的电机伺服控制方法，其特征在于所述步骤(1)中使用的电机位置给定误差替换为电机给定位置和电机实际位置。
CN201811399488.4A 2018-11-22 2018-11-22 一种基于数据学习的电机伺服控制方法 Active CN109245665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811399488.4A CN109245665B (zh) 2018-11-22 2018-11-22 一种基于数据学习的电机伺服控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811399488.4A CN109245665B (zh) 2018-11-22 2018-11-22 一种基于数据学习的电机伺服控制方法

Publications (2)

Publication Number Publication Date
CN109245665A CN109245665A (zh) 2019-01-18
CN109245665B true CN109245665B (zh) 2020-08-07

Family

ID=65075723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811399488.4A Active CN109245665B (zh) 2018-11-22 2018-11-22 一种基于数据学习的电机伺服控制方法

Country Status (1)

Country Link
CN (1) CN109245665B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116934A (zh) * 2015-08-14 2015-12-02 北京航空航天大学 基于自适应滑模补偿的双框架mscmg框架系统高精度控制方法
CN106444371A (zh) * 2016-08-12 2017-02-22 广东技术师范学院 一种基于迁移神经网络的交流伺服控制系统
CN106599993A (zh) * 2016-11-10 2017-04-26 贵州电网有限责任公司电力科学研究院 一种小水电机组自动调节系统及其方法
CN107276473A (zh) * 2017-06-29 2017-10-20 江苏大学 五自由度无轴承永磁同步电机模糊神经网络解耦控制器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3054521B2 (ja) * 1993-10-14 2000-06-19 株式会社東芝 誘導電動機制御装置
KR20070073685A (ko) * 2007-06-12 2007-07-10 순천대학교 산학협력단 유도전동기 최대토크 제어시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105116934A (zh) * 2015-08-14 2015-12-02 北京航空航天大学 基于自适应滑模补偿的双框架mscmg框架系统高精度控制方法
CN106444371A (zh) * 2016-08-12 2017-02-22 广东技术师范学院 一种基于迁移神经网络的交流伺服控制系统
CN106599993A (zh) * 2016-11-10 2017-04-26 贵州电网有限责任公司电力科学研究院 一种小水电机组自动调节系统及其方法
CN107276473A (zh) * 2017-06-29 2017-10-20 江苏大学 五自由度无轴承永磁同步电机模糊神经网络解耦控制器

Also Published As

Publication number Publication date
CN109245665A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN101846975B (zh) 带有动态摩擦补偿的伺服系统自适应鲁棒控制器
Hou et al. Modified iterative-learning-control-based ramp metering strategies for freeway traffic control with iteration-dependent factors
Dai et al. Disturbance-observer based prescribed-performance fuzzy sliding mode control for PMSM in electric vehicles
CN104638999B (zh) 基于分段神经网络摩擦模型的双电机伺服系统控制方法
CN102509152A (zh) 一种基于rbf神经网络的开关磁阻电机在线建模方法
CN106950999B (zh) 一种采用自抗扰控制技术的移动舞台轨迹跟踪控制方法
CN110116409B (zh) 一种基于扰动观测器的四通道遥操作双边控制方法
CN106877746A (zh) 速度控制方法和速度控制装置
CN104460704A (zh) 一种基于扰动上界估计的电动转台俯仰位置跟踪控制方法
Khalifa et al. Real time DC motor position control using PID controller in LabVIEW
CN109245665B (zh) 一种基于数据学习的电机伺服控制方法
CN102269971A (zh) 基于模型跟踪的自适应伺服控制器
Savarapu et al. Modified brain emotional controller-based ripple minimization for SVM-DTC of sensorless induction motor drive
CN107728481B (zh) 一种基于模型预测控制的闭环建模方法及装置
CN109334757A (zh) 一种电动助力转向系统的控制方法
CN108919646B (zh) 一种基于支持向量机的快速偏转镜视轴抖振抑制方法
Esfahani et al. Motion planning for continuous-time stochastic processes: A dynamic programming approach
CN112558483B (zh) 一种基于模型预测控制的编队控制方法及系统
CN106602945A (zh) 一种直流有刷电机转速离散控制和显式预测控制方法
CN112180834A (zh) 基于线性扩张状态观测器实现改进自抗扰的方法及激光切割随动控制装置
CN114114929B (zh) 一种基于lssvm的无人驾驶车辆路径跟踪方法
Yang et al. An improved neural networks-based vector control approach for permanent magnet linear synchronous motor
CN114296349B (zh) 一种纳米定位平台的磁滞控制方法和装置
CN117908362B (zh) 柔性关节机器人的复合抗饱和控制方法及控制系统
CN114114925B (zh) 基于数据驱动协同自适应滑模约束控制方法及系统

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