CN110138270A - 一种多模态超声电机驱动控制系统 - Google Patents
一种多模态超声电机驱动控制系统 Download PDFInfo
- Publication number
- CN110138270A CN110138270A CN201910425086.5A CN201910425086A CN110138270A CN 110138270 A CN110138270 A CN 110138270A CN 201910425086 A CN201910425086 A CN 201910425086A CN 110138270 A CN110138270 A CN 110138270A
- Authority
- CN
- China
- Prior art keywords
- particle
- modal
- fitness
- driven
- 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.)
- Pending
Links
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 62
- 238000002604 ultrasonography Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000010752 BS 2869 Class D Substances 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 37
- 238000011217 control strategy Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 12
- 235000019800 disodium phosphate Nutrition 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000001027 hydrothermal synthesis Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 208000012839 conversion disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
- H02N2/00—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction
- H02N2/10—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing rotary motion, e.g. rotary motors
- H02N2/16—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing rotary motion, e.g. rotary motors using travelling waves, i.e. Rayleigh surface waves
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多模态超声电机驱动控制系统，所述系统包括DSP微处理器、DDS芯片、低通滤波器、程控增益放大器、功率放大电路、变压器，其中：DSP微处理器同步输出两列频率、相位控制字正弦信号，输入到两片DDS芯片，经低通滤波器后产生双路正弦电压，双路正弦电压先经过程控增益放大器放大到V级的交流电压信号，然后再接至功率放大电路，最后采用变压器推挽实现功率匹配。本发明利用双DDS的高精度特点，提升了驱动系统调相及调频精度，测试表明驱动器频率调整区间为20kHz～70kHz，相位误差小于0.1°，分辨率0.1Hz以下，输出功率500W。
Description
技术领域
本发明涉及一种超声电机驱动控制系统。
背景技术
仪器科学、电力电子及控制学科和技术的发展完善了超声电机驱动控制技术及其控制设备的实用化研究和生产。
Fazel Bazrafshan等研究了一个典型的旋转行波超声电机，提出了模糊Hammerstein型非线性模型结构，该结构由静态模糊模型与线性动态模型串联，方法计算量较大，通过反转静态非线性，模糊Hammerstein模型能够被集成到标准线性广义预测控制器。H.Zhu等提出了一个压电有限元动态模型，该模型能够用来解决带有复杂几何形状的压电驱动器的动态特性。Frédéric Giraud等提出由行波超声电机作为惯性负载驱动的位置控制。所提出的控制器不属于自适应控制器，但是，非线性和参数变化都由一个行为模型控制进行补偿。
目前有许多关于非最佳控制策略的研究，但关于超声电机的控制策略，效率的最优控制策略的研究却很少。只有很少的文献涉及了效率最优控制，T.Senjyu的研究工作是很有代表性的，提出非直接效率最优的控制方法是研究关于通过在线频率调整达到驱动电压的最小值。电压的幅值和频率用来追踪最大效率点，直流源的低频脉宽调制控制用来实现速度控制。
此外，超声电机有非线性速度特性，它随着驱动条件的变化而变化。在位置控制系统中，对于不同负载扭矩的控制输入相位差，超声电机有一个变化的死区，它随着负载值的增加而增加。因此，设计一个能实现准确的位置控制的位置控制器是很难的。到目前为止，已经提出了很多基于PI控制器和模糊控制器的位置控制器。这些控制算法很简单，当控制器被调整适宜的时候，控制器具有很宽的稳定范围和高的可靠性。然而，由于超声电机具有随驱动条件变化而变化的非线性速度特性，PI控制器不能总是维持这些优势。模糊逻辑控制器被成功应用到超声电机，模糊控制器的主要缺点是依赖于设计者的经验和直觉，研究者提出的使用神经网络(NN)对超声电机进行速度/位置控制，NN控制器由于能够在线学习，减少了每个采样周期的误差，NN控制器不能补偿死区效应，在大负载扭矩下有位置误差，此外，由于死区的存在，使动态响应滞后，为解决这一问题，Tomonobu Senjyu等提出了带有死区补偿的模型参考自适应控制，该方法考虑了非线性，并用来补偿死区效应。许多方法被用来提高超声电机的驱动效率，衬底材料的选择以获得较好的摩擦特性，滑动表面包括定子运动和综合振动速度波形的振动分析。但是，这些方法对于实现一个高效的超声电机是不够的。Takaaki Ishii等使用润滑剂，摩擦系数和压力之间的关系以获得足够的摩擦力变化，该方法是通过减小摩擦力的损失来实现高驱动效率超声电机。由于行波超声电机的特性，有很多研究将其应用到机器人和义肢手臂。但是，这些应用都要求位置控制、速度控制和顺应性控制。目前，有很多方法用来实现自适应位置和速度控制，但关于顺应性控制的研究却相对较少。等效电路法作为有用的分析法被提出，但是，还没有将参数和物理属性完全联系起来。Kato等使用相位差作为控制变量进行强度调整。Ito等证实了使用超声电机进行肌电控制义肢前臂的顺应性控制。Girand等提出了在航空电子设备中使用频率作为控制变量的触觉棒的模型控制。Nishihori等提出了PWM控制。S.W.Chung和K.T.Chau对使用行波超声电机进行顺应性控制提出了新的方法，该方法使用占空比和频率作为变量进行预载和强度控制。
国内也有许多学者将一些控制策略在超声电机进行了研究。2007年，傅平、郭吉丰提出了神经元PID控制，是一种变参数控制方法，应用一个神经元完成PID控制，并利用了神经网络的在线学习算法实现了控制参数动态调整；2009年，贺红林、朱华、赵淳生等利用利用遗传算法在线优化PI控制器参数，优化过程以位置偏差最小为目标，能够在一定程度上补偿超声波电动机的非线性及时变特性；但是遗传算法的随机特性，以及在线计算量与控制实时性、时变跟踪能力之间的折衷考虑会影响到效果。2011年，李华峰教授课题组使用LLCC谐振网络及参数计算方法完成控制负载性质由容性转换为感性，实现了超声电机相移和谐振电压与控制条件很好的解耦。
对国内外研究现状分析发现：目前，超声电机的驱动电路设计主要两种方法：PWM控制和PLL原理，其中以PWM驱动电路应用最为广泛。超声电机的速度控制一般可以通过调频、调幅、调相来控制，而位置控制主要有轨迹跟踪和定点定角度控制。轨迹跟踪控制通常与控制策略结合，通用的轨迹跟踪控制策略包括PI控制、自适应控制、模糊控制、人工神经网络控制以及这些控制策略的组合。在对行波型超声波电机的速度、位置控制实验中，分别采用了PI控制、模糊—神经网络控制、自适应控制和模糊控制等策略，这些控制策略的控制优点在于能跟踪不预期的轨迹，但精度差。PI控制策略虽然简单易于实现，但难于满足超声电机的输出高性能要求，而可变增益的PI控制策略要预先根据电机的负载变化来确定比例、积分增益，这在实际中也难以实现。自适应控制需要在控制系统中设置一个参考模型，要求模型在运动过程中的动态响应与参考模型的动态响应相一致，但至今还没有一个比较精确的超声电机数学模型，因此要设置这样一个参考模型使得控制效果比较理想是不太可能的。模糊控制策略中的模糊推理需要一个通过大量实验获得的先验知识库，而它受人为因素影响大。模糊神经网络控制策略和模糊控制策略同样需要通过大量实验数据建立的知识库，需要的计时时间长。综上，为提高超声电机的控制精度、输出高性能、提高效率，需要一种使用容易、算法简单、计时速度快，收敛稳定和效率高的控制方法。
发明内容
为了解决现有技术存在的上述问题，本发明基于DSP和双DDS技术的优势，提供了一种适用于纵弯行波超声电机的多模态超声电机驱动控制系统，通过接口电路、信号调理电路、功率放大器等匹配电路的设计，使电机在谐振频率附近区间能够保持输出平稳性，保证电机稳定工作。
本发明的目的是通过以下技术方案实现的：
一种多模态超声电机驱动控制系统，包括DSP微处理器、DDS芯片、低通滤波器、程控增益放大器、功率放大电路、变压器，其中：
DSP微处理器同步输出两列频率、相位控制字正弦信号，输入到两片DDS芯片，经低通滤波器后产生双路正弦电压，双路正弦电压先经过程控增益放大器放大到V级的交流电压信号，然后再接至功率放大电路，最后采用变压器推挽实现功率匹配。
相比于现有技术，本发明具有如下优点：
1、本发明提供了一种基于DSP和双DDS技术的超声电机驱动控制系统，利用双DDS的高精度特点，提升了驱动系统调相及调频精度，测试表明驱动器频率调整区间为20kHz～70kHz，相位误差小于0.1o，分辨率0.1Hz以下，输出功率500W。
2、本发明提出了一种改进的粒子群优化算法，称为自适应—随机惯性权重粒子群优化算法(简称APSO-RIW)对行波超声电机PID控制器进行了优化调节。通过对基本粒子群算法的分析及其现有优化技术的研究，推导出了改进粒子群优化算法的规则函数，建立了算法的反馈机制，并通过实验将改进的算法与现有优化算法和固定增益PID进行了比对。实验结果分析表明：APSO-RIW控制器可以使输出响应在空载情况下提高到99.9％，在加载情况下提高到93.2％，在0.1s达到收敛。改进的新算法能更准确的反映圆盘型复合模式超声电机的输入和输出的非线性关系，实现超声电机模态转换频率一致性和输出特性的自动调节，加快求解过程，提高求解精度。
3、本发明可以为今后设计新型结构和新型激励原理的超声电机提供一定的理论依据及实用的设计方法，也有助于推动超声电机在工业控制、汽车专用电器、精密仪器仪表、微动平台、空间机器人和航空航天领域的应用，超声电机在直接驱动领域、精密驱动领域和无磁驱动领域具有很好的发展潜力和意义。
附图说明
图1为超声电机的驱动器结构；
图2为DSP与双DDS的接口；
图3为DDS信号调理电路；
图4为超声电机D类推挽电路；
图5为控制器的软件流程图；
图6为自适应－随机惯性权重粒子群反馈机制；
图7为超声电机(USM)的APSO-PID控制器；
图8为粒子群算法优化PID控制器参数流程图；
图9为超声电机伺服系统；
图10为固定增益PID位置估计误差(空载)；
图11为固定增益PID位置估计误差(负载)；
图12为PSO-RIW PID控制器位置估计误差(空载)；
图13为PSO-RIW PID控制器位置估计误差(负载)；
图14为APSO PID控制器位置估计误差(空载)；
图15为APSO PID控制器位置估计误差(负载)；
图16为APSO-RIW PID控制器位置估计误差(空载)；
图17为APSO-RIW PID控制器位置估计误差(负载)；
图18为改进算法整定PID控制器的USM输出响应
图19为适应度收敛特性；
图20为Kp的收敛性；
图21为Ki的收敛性；
图22为Kd的收敛性。
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精神和范围，均应涵盖在本发明的保护范围中。
本发明以纵弯模态转换型行波超声电机为研究对象，设计了一种多模态超声电机驱动控制系统，具体包括如下内容：
1、超声电机驱动器硬件设计
(1)超声电机驱动器的原理设计
本发明的控制器采用单变量调频调速的方式进行控制，即根据电机正反转的要求相位固定为90°或-90°，并固定电压，仅改变输出频率，频率调节范围20kHz～70kHz，应用57.295kHz到58kHz进行实际控制，DSP运行基于改进粒子群算法优化的PID控制器算法实现超声电机的恒速控制。
鉴于DDS的高频率稳定度和可实现严格的相位控制等特点，本发明采用双DDS实现波形控制输出。超声电机的驱动器结构如图1所示。
驱动器以DSP(采用TMS320F2812)为核心，产生频率、相位控制字信号，输入到两片DDS芯片AD9851，经低通滤波器后产生约0.6V的高稳定、低失真的双路正弦电压，为便于找到和调整驱动信号的电压及进行抽样函数补偿，DDS的滤波输出先经过程控增益放大器(AD603)放大到V级的交流电压信号，然后再接至功率放大电路。最后由于超声电机的容性负载特性，采用变压器推挽实现功率匹配。
电机转速的反馈通过500线的正交光电编码器实现，其采用4X模式与DSP接口。
(2)DSP与DDS接口设计
TMS320F2812是32位定点DSP，可达150MIPS的强大处理能力，非常适用于测控及电机工程领域应用。
超声电机的驱动是基于谐振的物理原理实现的，因此，频谱纯正、频率准确稳定的双路正弦信号发生器及其重要。基于ROM表、相位累加器、高速DAC和低通滤波器的DDS可输出高稳定度和精度的合成信号，数字控制频率，易与处理器接口。AD9854是可直接输出双路相位可控正弦信号DDS芯片，但是价格昂贵，PCB设计要求高，因此，本发明采用两片32位相位累加器、180MHz(外部30MHz时钟，内部PLL进行6倍频)工作时钟的DDS芯片AD9851，并通过DSP同步输出两列正弦信号，成本和PCB设计调试都得到了优化。DSP与双DDS的接口如图2所示。其中，D触发器用于产生参考时钟信号使FQ_UD同步，并提供合适的时间调整延迟信号(取决于D触发器CK边沿到Q稳定输出的延迟时间)。
(3)DDS输出信号调理电路设计
DDS输出接内插及平滑低通滤波器，以及基于AD603的PGA实现DAC零阶保持器导致的抽样衰减补偿和增益调整。平滑滤波器的截止频率设置为70kHz。AD603的增益通过双12位电压输出型DAC芯片TLV5618来实现。电路如图3所示。
(4)变压器推挽D类功率放大器设计
为能输出较大功率，且具有高效率特性，功率放大器采用D类放大器。D类放大器的核心是PWM调制，三角波与输入信号经比较器进行比较输出可以得到调制PWM信号，如图4所示。PWM信号经整形后形成互补推动H桥电路信号，最后推动升压变压器推挽超声电机。
(5)驱动器软件设计
在DSP中实现超声电机人机界面和基于粒子群PID的超声电机控制，光电编码器反馈采样频率为10kHz。控制器的软件流程如图5所示。
为实现固定电压，驱动器采用PGA电路动态调整不同频率及负载下的幅度偏差，超声电机的驱动部分设计了严密的相位同步电路，超声电机正反转的要求设定两路DDS的相位差固定在90°或-90°，在理论上相位误差应为0°，但在实际测量相位误差小于0.1°，这是由于受到DDS平滑滤波器及后续模拟电路的影响。同时，AD9851内部为32位相位累加器，实际测试频率稳定度高，频率分辨率小于0.1Hz；设计输出功率可达500W，可以满足驱动超声电机的要求。
2、基于改进粒子群算法优化的超声电机PID控制器算法设计
本部分研究的主要内容就是提供一种改进的粒子群优化算法，称为基于自适应—随机惯性权重粒子群优化(简称APSO－RIW)。应用该方法可对超声电机的比例—积分—微分控制器增益自动进行调整，旨在获得最佳优化性能。该方法的优势在于粒子群优化问题的简洁性，即在基于粒子的条件下，利用反馈机制自适应调整研究能力和应用能力之间的平衡。算法结合了APSO和RIW的优势，APSO策略使算法有更快的收敛速度和求解精度，RIW策略提供了避免过早收敛和跳出局部最优解的能力。
(1)自适应—随机惯性权重粒子群优化算法
线性和非线性递减惯性权重可使PSO调整全局搜索和局部搜索能力，但仍有缺陷：首先，由于在迭代次数初始时局部搜索能力匮乏和结束时全局搜索能力的匮乏，可能会限于局部优化；其次，非正常选取初始惯性权值wmax、终止惯性权值wmin和非线性指数也会降低PSO的性能。而且，多数实验表明，粒子在搜索区域会成点式收敛，但不会是全局最优解，粒子群已停滞并失去找到全局最优解的能力。特别是在动态环境下，粒子经常会陷入局部最优。随机惯性权重可解决这些问题，但惯性权重的上、下限的选取必须要获得最佳性能。这些研究中使用的策略都是基于迭代次数(包括自适应粒子群优化算法)，性能的改善因缺乏粒子群的条件信息而十分受限。就线性或非线性策略和随机功能而言，惯性权重通常仅是迭代次数的一个函数。
为了解决以上问题，本发明通过使用一个自适应惯性权重(AIW)和随机惯性权重(RIW)相融合策略来调整粒子群的惯性权重，称为自适应—随机惯性权重粒子群优化算法(简称APSO—RIW)，将这种粒子群优化的自整定PID控制器用在超声电机的位置控制中，满足了位置具有较小偏差的期望。
方案主要的优势是提供了简单的方法来选择惯性权重，惯性权重值不是基于迭代函数，这和以前的方案不同。方案融合了AIW和RIW的优势，AIW策略提供更快的收敛速度和求解精度，RIW策略提供了避免过早收敛和跳出局部最优解的能力。
图6所示表明使用混合策略改进的PSO。在搜索过程中，Pb和gb适应值取决于PSO的输出和输入的规则机制产生的惯性权重。即由RIW策略产生规则机制。规则的机制函数如下：
式中：w表示权重因数，wmax表示初始惯性权值，wmin表示终止惯性权值，wo表示初始值，gbd表示在d维空间中全局最优位置，pbi表示在d维空间中第i粒子的个体最优位置。这个策略简单的原因是无需重复调整惯性权重的上下限(wmax和wmin经过实验确定后无需再次更改)和不需要调整其他参数(即在PSO非线性策略中的非线性指数的调整)。
(2)APSO-RIW在PID控制器上的应用
a、APSO-RIW优化的PID控制器
在这个操作中，用PID控制器作为控制器，由于它效率高，执行简单，应用广泛。PID控制器是带有反馈结构的闭环系统，有三种运算方式，分别是比例，积分，微分操作，PID控制器用下面的公式运算：
式中：Kp表示比例常数，Ki表示积分常数，Kd表示微分常数。一个经APSO-RIW算法优化的PID控制器，也称为APSO-PID控制器。
超声电机(USM)的APSO-RIW粒子群PID控制器如图7所示。该体系中，三个PID参数将通过APSO-RIW算法自动调整。误差信号e(k)会进入APSO，并在优化过程中通过对适应度函数的评价来确定粒子的去向。该方法的适应度函数公式如公式(3)所示：
适应度表示从属于目标输入的评价函数，旨在降低稳态误差，并使功能最大化。根据误差值e(k)每毫秒更新一次。
b、APSO-RIW优化PID控制器参数的仿真实验步骤与流程
算法优化PID控制器三个参数的具体步骤如下：
(1)参数初始化，将PID中的参数Kp、Ki、Kd看成三维空间的一个解，根据经验确定三个参数的解集范围；初始化粒子的位置，粒子的速度，粒子群的大小，最大的迭代次数；初始化惯性权重的起始值wmax和终止值wmin，最大的粒子速度vmax和最小的粒子速度vmin，学习因数，其中惯性权重的计算公式为公式(1)。
(2)选取式(3)作为适应度函数，通过这个适应度函数来计算每一个粒子的适应度，找出初始化粒子群中的最优的个体，将它作为群体最优值gbd，而粒子本身的适应度，初始化为粒子的个体最优Pbi。
(3)关于优化问题的最大化评估函数f:的变量为假设在M维空间存在着N个粒子(质点)，表示为i＝(1,2,3....,N)-th，搜索数量为k，其位置矢量和速度矢量为和搜索点为Pbi(Pbest)，整体粒子搜索点的函数f(x)的最佳位置表示为gb(gbest)，使用公式(3-1)和(3-2)进行更新，然后再计算更新后的粒子适应度，如果当前的粒子的适应度值比粒子本身先前的最优适应度好，那么就用当前适应度来替换粒子先前的最优适应度，同时记录当前的位置为粒子本身的最优Pbi，如果粒子的适应度值比整个粒子群先前的最优适应度好，那么就用当前的适应度来替换粒子群的先前的最优适应度，同时记录当前位置处粒子群的全局最优值gbd。
式中，c1和c2表示认知常数和社会常数；R表示间隔[0,1]时的均匀随机数。
(4)进一步判断算法是否已经达到了最大的迭代次数，如果没有，返回到(3)，如果达到就跳出循环。
(5)最后输出粒子的全局最优解，即PID参数中的三个最优值。
其程序流程图如图8所示。
c、实验结果和分析
I、超声电机伺服系统
超声电机伺服系统如图9所示。USM，其电磁制动器和编码器(分辨率为0.0011°)联接在同一个轴上。来自编码器上的位置信息可被发送到一台个人计算机内置的计数器板上。同时，根据输出与参考信号比值得出的误差结果，由计算机计算的控制输入信号可通过I/O板和振动器传递到驱动电路中。每项实验中，在观察USM特征变化时，都会讨论是否有负载的影响。
当输入电压为200V时，就会在USM的轴上产生0.25N.m的力矩。有关USM的说明、编码器和电子制动如表1所示。
表1超声电机伺服系统说明
II、参数设置
对顺时针和逆时针旋转USM的控制，USM在追踪目标输入时应用不同的PSO。由于USM的特性差异取决于旋转方向，因此将对两种旋转分别进行评价。
本节提供了一些实验参数设置，以对用于USM的APSO-RIW的PID控制器的性能进行验证。在相同的系统条件下，也比较了现有方法和之前的方法之间的异同，包括固定增益型PID、基于PSO-RIW的PID和APSO的PID。参照输入值r(k)是一个矩形信号，幅度范围按照顺时针方向由+45°旋转到-45°或逆时针(CCW)旋转。周期为4s。实验中有两种测试情况：空载情况和加载情况。加载情况是以0.25N.m的电子制动增加负荷。每个方法已完成顺时针旋转10次试验和逆时针旋转10次试验。前面的PSO和APSO—RIW算法的参数设置如下：粒子数，n＝5，认知常数，c1＝1.0；群居常数，c2＝1.0；wmax＝0.8；wmin＝0.3；wo＝1.5。
III、实验结果
传统的固定增益PID必须通过试凑法或手工调整的方法进行调整。我们发现PID控制器的增益是Kp＝0.3792、Ki＝12.875和Kd＝0.000088。超声电机伺服系统的直方图中的位置估计误差是由传统固定增益PID，基于PSO-RIW的PID、基于APSO的PID、基于APSO-RIW的PID控制器进行控制，分别如图10～17所示。直方图的每个柱宽度被设置为0.0011°，它是编码器的分辨率。在图10和图11中，似乎空载情况下零周围存在高密度，加载情况下均匀分布(远离零)。可以说，在空载情况下传统的固定增益PID控制器表现出足够好的精度，但在加载情况下变差和不准确。所确定的增益是仅适合于空载情况。如果该对象的行为改变(例如，由于负载的原因)，有必要重新调整PID，这是固定增益PID的缺点。操作过程中，传统固定增益PID不能补偿超声电机的特性变化。USM的位置估计误差，通过使用基于PSO-RIW、APSO和APSO-RIW来改善PID的性能，从图12～17能够看出PID控制器在性能上逐个提高。所提出的方法表明无论空载或加载情况下APSO-RIW在零周围存在高密度。这意味着该APSO-RIW算法在调整PID控制器时具有比以前的方法更好的效果，进而能解决优化问题。
可以清楚地看出，APSO-RIW自整定PID控制器可以补偿超声电机由于负载效应而引起的特性变化。增益PID是根据被控对象的行为自动调整。有顺时针和逆时针旋转之间的特性差异。顺时针旋转的位置估计误差比逆时针旋转更好。它能在超声电机定子上通过使用一个振动源来产生行波。
改进算法整定PID控制器的参考信号和系统输出之间的关系如图18所示，从实验结果能够看出改进的算法的输出响应有很好的跟随输入的能力。
均值误差(Ess_mean)、稳态误差的标准偏差(Ess_std)和零误差频率(Zero_Err)这些方法中针对前面这几个术语的统计分析列于表2中(20次试验)。零误差的含义是其值小于编码器的分辨率(即0.0011°)，称为成功率(SR)。从表2可以很容易看出，所提出APSO-RIW控制器的所有参数表现出在空载和加载情况下比以前的方法具有更好的性能。所提出的APSO-RIW的位置精确误差的平均值为空载情况下0°和加载情况下6.05×10-5度。在空载情况下零误差为20或100％的成功率，以及加载情况下零误差为19或95％的成功率。根据这些结果，所提出的APSO-RIW算法可以保证较好的精确度。与最初的基于PSO-LDW的PID控制器相比，该APSO-RIW控制器可以使性能在空载情况下提高到99.9％，在加载情况下提高到93.2％，或者在空载和加载情况下提高到96.6％。
表2平均稳态误差比较
PSO-RIW、APSO、APSO-RIW的适应度收敛特性如图19所示。可以清楚地看到，该APSO-RIW粒子群算法比以前的方法有更快的收敛速度。APSO-RIW的粒子在0.10s达到收敛，而APSO和PSO—RIW粒子分别在0.23s和0.27s达到收敛。
图20～22分别表明了PID控制器增益关于时间的收敛。消除随机的初始PID增益使超声电机伺服系统不稳定，我们通过反复试验选择了一组适当的PID增益作为PID参数的初始值(即0.35,10,0.0001)。通过在稳态条件下从3s到4s的数据进行统计分析(如表3所示)，结果表明APSO—RIW整定PID的Kp，Ki和Kd增益的标准偏差要低于PSO—RIW和APSO整定PID。一般情况下，我们可以说，APSO—RIW粒子的多变性较小且更接近全局最优解。在迭代的结束，APSO—RIW的粒子比PSO—RIW和APSO的粒子在较低速度下具有更大的局部搜索能力，最后几乎所有的粒子聚集在最优解区域。PSO—RIW中的粒子仍围绕全局最优解振荡，以至于其多变性仍然很大。因此，APSO—RIW的准确性变得比PSO—RIW和APSO更好。此外，结果也表明APSO—RIW算法以良好的计算效率稳定收敛。
表3 PSO-RIW、APSO、APSO-RIW统计分析
Claims (8)
1.一种多模态超声电机驱动控制系统，其特征在于所述驱动器包括DSP微处理器、DDS芯片、低通滤波器、程控增益放大器、功率放大电路、变压器，其中：
DSP微处理器同步输出两列频率、相位控制字正弦信号，输入到两片DDS芯片，经低通滤波器后产生双路正弦电压，双路正弦电压先经过程控增益放大器放大到V级的交流电压信号，然后再接至功率放大电路，最后采用变压器推挽实现功率匹配。
2.根据权利要求1所述的多模态超声电机驱动控制系统，其特征在于所述DSP微处理器采用TMS320F2812。
3.根据权利要求1所述的多模态超声电机驱动控制系统，其特征在于所述DDS芯片为32位相位累加器、180MHz工作时钟的DDS芯片AD9851。
4.根据权利要求1所述的多模态超声电机驱动控制系统，其特征在于所述功率放大器采用D类放大器。
5.根据权利要求1所述的多模态超声电机驱动控制系统，其特征在于所述DSP微处理器的运行基于改进粒子群算法优化的PID控制器算法实现超声电机的恒速控制。
6.根据权利要求5所述的多模态超声电机驱动控制系统，其特征在于所述基于改进粒子群算法优化的PID控制器算法的具体步骤如下：
(1)参数初始化，将PID中的参数Kp、Ki和Kd看成三维空间的一个解，根据经验确定三个参数的解集范围；初始化粒子的位置、粒子的速度、粒子群的大小、最大的迭代次数；初始化惯性权重的起始值wmax和终止值wmin、最大的粒子速度vmax和最小的粒子速度vmin、学习因数；
(2)通过适应度函数计算每一个粒子的适应度，找出初始化粒子群中的最优的个体，将它作为群体最优值gbd，而粒子本身的适应度，初始化为粒子的个体最优Pbi；
(3)关于优化问题的最大化评估函数的变量为假设在M维空间存在着N个粒子，表示为i＝(1,2,3....,N)-th，搜索数量为k，其位置矢量和速度矢量为和搜索点为Pbi(Pbest)，整体粒子搜索点的函数f(x)的最佳位置表示为gb(gbest)，使用以下公式进行更新：
式中，c1和c2表示认知常数和社会常数；R表示间隔[0,1]时的均匀随机数；
然后再计算更新后的粒子适应度，如果当前的粒子的适应度值比粒子本身先前的最优适应度好，那么就用当前适应度来替换粒子先前的最优适应度，同时记录当前的位置为粒子本身的最优Pbi，如果粒子的适应度值比整个粒子群先前的最优适应度好，那么就用当前的适应度来替换粒子群的先前的最优适应度，同时记录当前位置处粒子群的全局最优值gbd。
(4)进一步判断算法是否已经达到了最大的迭代次数，如果没有，返回到(3)，如果达到就跳出循环；
(5)最后输出粒子的全局最优解，即PID参数中的三个最优值。
7.根据权利要求6所述的多模态超声电机驱动控制系统，其特征在于所述惯性权重的计算公式如下：
式中：w表示权重因数，wmax表示初始惯性权值，wmin表示终止惯性权值，wo表示初始值，gbd表示在d维空间中全局最优位置，pbi表示在d维空间中第i粒子的个体最优位置。
8.根据权利要求6所述的多模态超声电机驱动控制系统，其特征在于所述适应度函数公式如下：
式中，e(k)表示误差信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425086.5A CN110138270A (zh) | 2019-05-21 | 2019-05-21 | 一种多模态超声电机驱动控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425086.5A CN110138270A (zh) | 2019-05-21 | 2019-05-21 | 一种多模态超声电机驱动控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110138270A true CN110138270A (zh) | 2019-08-16 |
Family
ID=67572094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910425086.5A Pending CN110138270A (zh) | 2019-05-21 | 2019-05-21 | 一种多模态超声电机驱动控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110138270A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647032A (zh) * | 2019-10-31 | 2020-01-03 | 电子科技大学 | 一种基于粒子群与遗传算法优化的模糊pid的三轴稳定器 |
| CN111786593A (zh) * | 2020-06-30 | 2020-10-16 | 南京航空航天大学 | 一种基于机器学习的超声电机精确定位控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101126919A (zh) * | 2007-09-07 | 2008-02-20 | 西安交通大学 | 一种振动控制装置及振动控制方法 |
| CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
| CN106921365A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种设计有限长脉冲响应数字低通滤波器的方法 |
| CN107167196A (zh) * | 2017-06-28 | 2017-09-15 | 合肥工业大学 | 一种基于fpga的科氏质量流量计数字驱动系统 |
| CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
| CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
-
2019
- 2019-05-21 CN CN201910425086.5A patent/CN110138270A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101126919A (zh) * | 2007-09-07 | 2008-02-20 | 西安交通大学 | 一种振动控制装置及振动控制方法 |
| CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
| CN106921365A (zh) * | 2017-02-28 | 2017-07-04 | 西安电子科技大学 | 一种设计有限长脉冲响应数字低通滤波器的方法 |
| CN107167196A (zh) * | 2017-06-28 | 2017-09-15 | 合肥工业大学 | 一种基于fpga的科氏质量流量计数字驱动系统 |
| CN109033730A (zh) * | 2018-09-30 | 2018-12-18 | 北京工业大学 | 一种基于改进的粒子群优化算法的刀具磨损预测方法 |
| CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋起超: "小型复合激励盘式行波超声电机关键技术研究", 《博士学位论文》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647032A (zh) * | 2019-10-31 | 2020-01-03 | 电子科技大学 | 一种基于粒子群与遗传算法优化的模糊pid的三轴稳定器 |
| CN111786593A (zh) * | 2020-06-30 | 2020-10-16 | 南京航空航天大学 | 一种基于机器学习的超声电机精确定位控制方法 |
| CN111786593B (zh) * | 2020-06-30 | 2021-06-25 | 南京航空航天大学 | 一种基于机器学习的超声电机精确定位控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin | Fuzzy adaptive model-following position control for ultrasonic motor | |
| Maas et al. | Model-based control for ultrasonic motors | |
| Ahmad et al. | Control strategy of buck converter driven DC motor: A comparative assessment | |
| Peng et al. | Implementation of LLCC-resonant driving circuit and adaptive CMAC neural network control for linear piezoelectric ceramic motor | |
| Sun et al. | Optimal design of terminal sliding mode controller for direct torque control of SRMs | |
| CN110138270A (zh) | 一种多模态超声电机驱动控制系统 | |
| Li et al. | Active disturbance rejection position servo control of PMSLM based on reduced-order extended state observer | |
| CN101931341B (zh) | 效率优化控制的超声波电机系统 | |
| Ahmed et al. | Model predictive controller-based, single phase pulse width modulation (PWM) inverter for UPS systems | |
| Senjyu et al. | Position control of ultrasonic motors using MRAC with dead-zone compensation | |
| Zhan et al. | Model predictive and compensated ADRC for permanent magnet synchronous linear motors | |
| Wei et al. | Speed control for SRM drive system based on switching variable proportional desaturation PI regulator | |
| Li et al. | Accurate physical modeling and synchronization control of dual-linear-motor-driven gantry with dynamic load | |
| Song et al. | Novel generalized predictive iterative learning speed controller for ultrasonic motors | |
| Kandoussi et al. | Real time implementation of a new fuzzy-sliding-mode-observer for sensorless IM drive | |
| Wang et al. | Speed control for variable speed PMSM drive system using nonlinear variable-horizon predictive functional control | |
| JP5282197B2 (ja) | 共振の周波数依存性を利用して直流電圧を安定化する電源における搬送波の振幅の制御 | |
| Fang et al. | Fuzzy sliding mode control of piezo-driven stage | |
| Chang et al. | A modified self-tuning fuzzy logic temperature controller for metal induction heating | |
| Zhao et al. | Design of model free adaptive controller for PMSM speed control | |
| Peng et al. | Adaptive recurrent cerebellar model articulation controller for linear ultrasonic motor with optimal learning rates | |
| Wen et al. | Fuzzy fractional order force control of 6PUS-UPU redundantly actuated parallel robot based on inner model position control structure | |
| Wai et al. | Adaptive grey control for hybrid resonant driving linear piezoelectric ceramic motor | |
| Li et al. | Design of model-free position controller for PMSLM based on hyperlocal model | |
| Jingzhuo et al. | Generalized minimum variance iterative learning speed control of ultrasonic 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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |