CN111459016A - 一种提高裁床切割机轨迹轮廓跟踪控制精度的方法 - Google Patents
一种提高裁床切割机轨迹轮廓跟踪控制精度的方法 Download PDFInfo
- Publication number
- CN111459016A CN111459016A CN202010247608.XA CN202010247608A CN111459016A CN 111459016 A CN111459016 A CN 111459016A CN 202010247608 A CN202010247608 A CN 202010247608A CN 111459016 A CN111459016 A CN 111459016A
- Authority
- CN
- China
- Prior art keywords
- axis
- control
- model
- interpolation
- period
- 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
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001360 synchronised effect Effects 0.000 claims abstract description 45
- 210000002569 neuron Anatomy 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 5
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 230000003252 repetitive effect Effects 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 37
- 230000033001 locomotion Effects 0.000 claims description 31
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000006880 cross-coupling reaction Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 240000002627 Cordeauxia edulis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种提高裁床切割机轨迹轮廓跟踪控制精度的方法,包括获取待加工产品的原始加工轨迹曲线离散成微直线段,并轨迹生成PLT位置坐标轨迹文件;从PLT位置坐标轨迹文件中取待处理的微直线段进行插补操作,控制主从双轴同步运行完成该微直线段的加工;判断是否完成所有微直线段的插补操作,若完成则结束插补;否则继续读取下一个微直线段作为待处理的微直线段,并返回进行插补操作。插补过程中,将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型进行耦合校正同步位置偏差,并且在重复控制PID网络模型的扰动处增加前馈控制,这样既不会影响系统的稳定性,动态性能也能够得到保证。
Description
技术领域
本申请属于工业自动化数控技术领域,具体涉及一种提高裁床切割机轨迹轮廓跟踪控制精度的方法。
背景技术
随着社会的发展,传统工业开始向智能化工业转型。衣服作为人们日常生活的必须品,针对不同的季节都会有不同的需求量,传统的服装加工方式难以供应市场的需求,近年来也越来越多的企业开始在自动服装裁剪、口罩设备上发力,竞争也因此变得加激烈。为此开发一款自动化程度高、切割精度高、切割速度快的裁床切割机是非常有必要的,裁床切割机的关键技术难点在于实现多轴的联动插补与和柔性并进的合理加减速。其中轮廓跟踪控制一直是该领域的研究特点问题,各运动轴之间的工作不协调产生的轮廓跟踪误差是影响零部件加工精度的重要因素,轮廓误差控制涉及单轴轨迹跟踪控制,即位置伺服控制。
位置伺服控制的主要目标是提高位置跟踪精度和抗干扰性能,人们也已经提出了许多先进控制方法,如带前馈的工控制、滑模控制、自适应控制和模糊控制。在网络化控制系统领域已有不少网络诱导时延补偿方法,如预测控制、自适应预估器,但多数算法较复杂,不适用于工业应用。近来,有学者提出了通信干扰观测器,将网络诱导时延建模为干扰,并通过通信干扰观测器进行实时估计补偿,获得了很好的补偿效果,但该方法需要系统精确模型,存在一定的局限性。
发明内容
本申请一种提高裁床切割机轨迹轮廓跟踪控制精度的方法,能够有效避免干扰信号引起的振荡,同步误差相对较小,具有较好的同步精度。
为实现上述目的,本申请所采取的技术方案为:
一种提高裁床切割机轨迹轮廓跟踪控制精度的方法,用于实现裁床切割机主从双轴的同步控制完成产品加工,所述提高裁床切割机轨迹轮廓跟踪控制精度的方法,包括:
步骤1、获取待加工产品的原始加工轨迹曲线离散成微直线段,并将所有微直线段进行轨迹规划,生成PLT位置坐标轨迹文件;
步骤2、从所述PLT位置坐标轨迹文件中取待处理的微直线段进行插补操作,控制主从双轴同步运行完成该微直线段的加工,包括:
步骤2.1、根据待处理微直线段的坐标确定主从双轴各自的插补周期,并根据主从双轴当前各自的运行速度计算插补周期内的脉冲数和脉冲周期;
步骤2.2、建立主从双轴各自的单轴伺服系统的状态空间模型;
步骤2.3、建立两轴位置的同步误差模型;
步骤2.4、根据所述状态空间模型和同步误差模型,建立神经元自适应PID网络模型;
步骤2.5、将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型,并且在重复控制PID网络模型的扰动处增加前馈控制;
步骤2.6、将加工过程的位置误差输入至增加前馈控制后的重复控制PID网络模型中,经过补偿分配器,输出对主轴和从轴分别进行补偿的补偿参数,与对应的单轴伺服系统的状态空间模型的输出值叠加后作为主轴和从轴的控制信号;
步骤3、判断是否完成所有微直线段的插补操作,若完成则结束插补;否则继续读取下一个微直线段作为待处理的微直线段,并返回步骤2进行插补操作。
作为优选,所述根据待处理微直线段的坐标确定主从双轴各自的插补周期,并根据主从双轴当前各自的运行速度计算插补周期内的脉冲数和脉冲周期,包括:
根据待处理微直线段的坐标计算得到主从双轴具有比例关系的速度、运行步数和运行方向,并确定该微直线段的加工时间;
以主轴为长轴X,从轴为短轴Y,确定长轴X的插补周期为Txj,计算第j(j=1,2,3…,m)个插补周期内长轴X的脉冲数为nxj:
式中,Vxj为当前长轴X的速度,C为对应插补周期常量;
考虑到脉冲数nxj为正整数,因此对nxj取整后得到n′xj,则长轴X的第i个插补周期Txj修正为Txj',即:
在计算当前插补周期内短轴Y的脉冲数和脉冲周期时,根据长轴X运动方向与长短轴合运动向量方向的夹角θ,计算得到短轴Y在第i个插补周期内对应的脉冲数为nyj:
nyj=nxj×tanθ (3)
同理,考虑到脉冲数nyj为正整数,因此对nyj取整后得到n′yj,则短轴Y的第i个插补周期Tyj修正为Tyj',即:
作为优选,所述建立主从双轴各自的单轴伺服系统的状态空间模型,包括:
根据裁床切割机主从双轴的运动特性,建立在速度模式下的第i(i=1,2)轴伺服系统的状态空间模型如下:
其中,xi1(t),xi2(t)分别表示第i轴伺服系统的位置量与速度量,ui(t)为第i轴伺服系统的控制输入,即速度的设定值,Qi(t)为第i轴伺服系统未知且有界的干扰量,yi(t)为第i轴伺服系统的输出值,即位置量,ai、bi为第i轴伺服系统的模型定常系数;
考虑网络诱导时延影响下的单轴伺服控制系统模型,控制器节点和执行器节点均为时间驱动,网络时延均小于一个采样周期,则在任一采样周期内,作用在执行器的控制输入由两部分构成:一部分是上一控制周期计算得到的控制输入ui(k-1),另一部分是当前控制周期计算得到的控制输入ui(k),因此第i轴伺服系统的控制输入ui(t)的形式表示如下:
其中,tk表示第k个采样时间点,tk+1表示第k+1个采样时间点;
根据公式(5)与公式(6),得到以采样周期T离散后的第i轴伺服系统的状态空间模型为:
其中,xi1(k+1)、xi2(k+1)分别表示第i轴伺服系统的位置输出xi1(k)、电机速度xi2(k)在第k+1个采样时间点的值。
作为优选,所述建立两轴位置的同步误差模型,包括:
建立的两轴位置的同步误差模型如下:
ε(k)=Γe(k) (11)
其中,ε(k),e(k)分别为第k个采样时间点两轴运动的位置同步误差和位置误差,且ε(k)=[ε1(k) ε2(k)]',e(k)=[e11(k) e21(k)]',符号“'”表示矩阵的转置,εi(k)、ei1(k)分别表示第k个采样时间点第i轴位置同步误差和位置误差,Γ表示同步变换矩阵。
作为优选,所述同步变换矩阵Γ如下:
其中,Γ表示同步变换矩阵。
作为优选,根据状态空间模型和同步误差模型,建立神经元自适应PID网络模型,包括:
神经元自适应PID网络模型的输入信号包括三部分:前馈控制信号x1(t)、反馈微分控制信号x2(t),反馈积分控制信号x3(t);
建立神经元自适应PID网络模型如下:
公式(13)中,x1(k)=ε(k);x2(k)=ε(k)-ε(k-1);
x3(k)=ε(k)-2ε(k-1)+ε(k-2);
z(k)=ε(k);
式中,ui(k)为第i轴在第k个采样时间点下的控制输入信号,即实时位置输入信号,ε(k)在第k个采样时间点下两轴运动的位置同步误差信号,η1,η2,η3分别为积分、比例、微分的学习速率,K为神经元的比例系数K>0,wσ(k)(σ=1,2,3)为第k个采样时间点神经元PID连接权值,Δε(k)为相邻两次位置同步误差的差值,wσ’(k)为第k个采样时间点神经元PID连接权值的更新梯度。
作为优选,所述重复控制PID网络模型包括神经元自适应PID网络模型和重复控制误差补偿模型;以理想给定位置与实际反馈位置的差值分别作为神经元自适应PID网络模型和重复控制误差补偿模型的输入,得到神经元自适应PID网络模型的输出u1,以及重复控制误差补偿模型的输出u2,并将u1和u2加到被控对象的输入信号中;
将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型进行耦合校正同步位置偏差,并且在重复控制PID网络模型的扰动处增加前馈控制。
本申请提供的提高裁床切割机轨迹轮廓跟踪控制精度的方法,有效解决裁床切割机在切割过程中的主从双轴同步问题,有效避免干扰信号引起的振荡,同步误差相对较小,系统具有较好的抗干扰性能与鲁棒性能。
附图说明
图1为本申请神经元自适应PID网络模型的结构示意图;
图2为本申请增加前馈控制后的重复控制PID网络模型的结构示意图;
图3为本申请交叉耦合控制策略主从双轴同步控制的结构示意图;
图4为本申请基于Matlab的增加前馈控制后的重复控制PID网络模型的位置跟踪仿真图;
图5为本申请基于Matlab的增加前馈控制后的重复控制PID网络模型的位置跟踪误差仿真图;
图6为基于Matlab的本申请增加前馈控制后的重复控制PID网络模型的控制输出与重复控制误差补偿模型的输出的仿真图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
其中一个实施例中,提供一种提高裁床切割机轨迹轮廓跟踪控制精度的方法,用于实现裁床切割机主从双轴的同步控制完成产品加工,解决现有双轴控制同步误差大的问题。
本实施例的提高裁床切割机轨迹轮廓跟踪控制精度的方法,包括:
步骤1、获取待加工产品的原始加工轨迹曲线离散成微直线段,并将所有微直线段进行轨迹规划,生成PLT位置坐标轨迹文件。
一般情况下该步骤由上位机完成,由于上位机具有人机交互能力,因此更适用于获取人为设置的规则,并依据相应规则完成规划,即完成PLT文件的解析,并将解析后的PLT位置坐标轨迹文件下发至运动控制器中。
运动控制器接收到PLT位置坐标轨迹文件后,计算得到X、Y轴以一定的比例关系的速度运行相应的步数、方向等规划参数,并完成后续的步骤2和步骤3,实现主从双轴的位置同步控制。在一实施例中,运动控制器优选采用基于STM32性价比较高的微控制器。
步骤2、从所述PLT位置坐标轨迹文件中取待处理的微直线段进行插补操作,控制主从双轴同步运行完成该微直线段的加工。
本实施例中通过STM32微控制器接收上位机发送的解析后的PLT位置坐标轨迹文件,并存储在内存SRAM中进行粗插补处理。
在插补阶段,主要是提前确定轴的运动方向,例如最大加速度amax、最大加加速度Jmax和最大给进速度Vmax以及加减速距离等,从而可以得出整个运动过程中的轴在任一时刻对应的速度与位置。根据设置起跳速度、步长表、加速度表计算给进度表,进行柔性给进加减速控制,完成主从双轴同步伺服位置控制,从而避免裁床轴的震动带给裁床的切割精度。
在主从双轴的运动控制中,与主从双轴对应的伺服器采用脉冲模式控制,脉冲数决定电机的运行位置,脉冲周期决定电机的运行速度。
本实施例中的脉冲周期应理解为,两个相邻的脉冲之间的时间间隔,脉冲周期的倒数就是频率,频率反映的是时间内脉冲重复的次数,频率越高说明发送的脉冲越快,伺服电机转的速度就越快;而插补轴周期应理解为是把加工一段直线或圆弧的整段时间细分为许多相等的时间间隔,即:单位时间间隔(即插补周期)。每经过一个插补周期进行一次插补计算。
步骤2.1、根据待处理微直线段的坐标确定主从双轴各自的插补周期,并根据主从双轴当前各自的运行速度计算插补周期内的脉冲数和脉冲周期,实现对微直线段的插补操作。在一实施例中,可以通过以下计算方法得到伺服器所需的脉冲数与脉冲周期:
根据待处理微直线段的坐标计算得到主从双轴具有比例关系的速度、运行步数和运行方向,并确定该微直线段的加工时间,由加工时间可规划得到插补周期。
以主轴为长轴X,从轴为短轴Y,在第j(j=1,2,3…,m)个插补周期内,m为当前微直线段划分的插补周期总个数,已知长轴X的插补周期为Txj,并且当前插补周期中长轴X的速度为Vxj,则可以得到当前插补周期内长轴X对应的电机的脉冲数为nxj:
式中,C为对应插补周期常量。
考虑到脉冲数nxj为正整数,因此对nxj取整后得到n′xj,则长轴X的第i个插补周期Txj修正为Txj',即:
在计算当前插补周期内短轴Y的脉冲数和脉冲周期时,根据长轴X运动方向与长短轴合运动向量方向的夹角θ,计算得到短轴Y在第i个插补周期内对应的脉冲数为nyj:
nyj=nxj×tanθ (3)
同理,考虑到脉冲数nyj为正整数,因此对nyj取整后得到n′yj,则短轴Y的第i个插补周期Tyj修正为Tyj',即:
一般情况下,通过计算得到脉冲数和脉冲周期后即可控制主从双轴进行相应运动完成插补操作。本实施例中考虑到在一个脉冲周期中,从轴跟随主轴会存在一个响应时间延迟,因此需要建立含有网络诱导时延的单轴伺服控制系统模型,将单轴伺服控制建模为一个具有一步输入时滞的离散时间线性时变系统,进而将时变延迟引起的不确定动态处理为系统的总和扰动的部分,该过程具体包括以下步骤:
步骤2.2、建立主从双轴各自的单轴伺服系统的状态空间模型。
根据裁床切割机主从双轴的运动特性,建立在速度模式下的第i(i=1,2)轴伺服系统的状态空间模型如下:
其中,xi1(t),xi2(t)分别表示第i轴伺服系统的位置量与速度量,ui(t)为第i轴伺服系统的控制输入,即速度的设定值,wi(t)为第i轴伺服系统未知且有届的干扰量,yi(t)为第i轴伺服系统的输出值,即位置量,ai、bi为第i(i=1,2)轴伺服系统的模型定常系数。
考虑到时变网络诱导时延影响下的单轴伺服控制系统模型,控制器节点和执行器节点均为时间驱动,网络时延均小于一个采样周期,则在任一采样周期内,作用在执行器的控制输入由两部分构成:一部分是上一控制周期计算得到的控制输入ui(k-1),另一部分是当前控制周期计算得到的控制输入ui(k),因此第i轴伺服系统的控制输入ui(t)的形式表示如下:
其中,tk表示第k个采样时间点,tk+1表示第k+1个采样时间点。需要说明的是,tk中的k与ui(k)中的k两者不冲突,表示在第k个采样时间点下对应的输入量,是一一对应的关系,其他类推理解。
由于在需要STM32为控制器中运行,因此需要离散化处理,根据公式(5)与公式(6),得到以采样周期T离散后的第i轴伺服系统的状态空间模型为:
其中,xi1(k+1)、xi2(k+1)分别表示第i轴伺服系统的位置输出、电机速度在第k+1个采样时间点的值。
步骤2.3、建立两轴位置的同步误差模型。
首先理想情况下,裁床的两个平面运动轴通过跟踪各自参考的运动指令实现协调运动,但是在实际运动过程中由于受到扰动以及加速度的不合理性,导致单轴伺服器响应存在时延导致产生跟踪误差,两个运动的不协调进而产生同步误差。定义双轴同步运动系统中的广义速度同步误差为:
evs=v1-nv2 (8)
对式(8)两边积分:
∫evsdt=∫(v1-nv2)dt (9)
于是可以得到两轴协同运动过程中产生的位置同步误差ε,即:
ε=p1-np2 (10)
式(10)中的p1,p2为两轴各自运动的实际距离,两个轴的合运动位置与理论轨迹位置的差值就是位置误差e。
因此,建立两轴位置的同步误差模型如下:
ε(k)=Γe(k) (11)
其中式(11),ε(k),e(k)分别为第k个采样时间点两轴运动的位置同步误差和位置误差,且ε(k)=[ε1(k) ε2(k)]',e(k)=[e11(k) e21(k)]',符号“'”表示矩阵的转置,εi(k)、ei1(k)分别表示第k个采样时间点第i(i=1,2)轴位置同步误差和位置误差,Γ表示同步变换矩阵。
为了保证算法的准确性,在实施例中,所采用的同步变换矩阵Γ如下:
步骤2.4、根据所述状态空间模型和同步误差模型,建立单神经元自适应PID网络模型。具体网络网络模型示意图如图1所示,为了能够自适应调节PID的参数,本实施例采用的单神经元自适应PID网络模型的输入信号包括三部分:前馈控制信号x1(t)、反馈微分控制信号x2(t),反馈积分控制信号x3(t)。
该网络模型将前馈与反馈于一体,加快了系统的响应速度。前馈控制信号x1(t)直接作用于受控对象,加快响应速度,x2(t)能迅速减小跟踪误差,x3(t)使系统趋近稳态误差,提高了控制的准确性。单神经元自适应控制器通过对加权系数的调整实现自适应,权系数的调整是按有监督的Hebb学习规则来实现。为了加快PID参数的在线学习效率,可以将单神经网络的自适应的PID控制算法的加权系数学习部分进行修改,改进后的神经元自适应PID网络模型如下:
公式(13)中,x1(k)=ε(k);x2(k)=ε(k)-ε(k-1);
x3(k)=ε(k)-2ε(k-1)+ε(k-2);
z(k)=ε(k);
式中,ui(k)为第i轴在第k个采样时间点下的控制输入信号,即实时位置输入信号,ε(k)在第k个采样时间点下两轴运动的位置同步误差信号,η1,η2,η3分别为积分、比例、微分的学习速率,K为神经元的比例系数K>0,wσ(k)(σ=1,2,3)为第k个采样时间点神经元PID连接权值,Δε(k)为相邻两次位置同步误差的差值,wσ’(k)为第k个采样时间点神经元PID连接权值的更新梯度。
步骤2.5、将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型如图2所示,重复控制PID网络模型包括神经元自适应PID网络模型和重复控制误差补偿模型。
神经元自适应PID网络模型中包括转换器,与转换器连接的PID控制器,以及连接在转换器和PID控制器之间的自学习器。重复控制误差补偿模型采用低通滤波方式将高频去除,且设计延迟环节H(s)为其中L为给定信号的周期,T′>0为低通滤波器的时间常数。
本实施例中重复控制PID网络模型主要原理:将裁床实时反馈的动态同步位置作为输入,与实际得到的反馈位置作差计算,得到的偏差分别送入单神经元PID网络单元与重复控制单元(重复控制误差补偿模型)。对于重复控制PID网络模型而言,加到被控对象的输入信号除了偏差信号外,还叠加了一个“过去的偏差”,该偏差是上一周期该时刻的控制偏差。基于重复控制补偿的单神经元PID控制系统,为了减小系统的超调量,避免裁床的过度周期性抖动,采用低通滤波方式将高频去除,增加延迟环节。得到u1为单神经元自适应改进PID的输出,u2为重复补偿的输出,y为位置输出。
进一步地考虑到单轴跟随主轴的过程中存在周期性扰动,为了及时响应,基于重复控制PID网络模型的基础上,在扰动处增加前馈控制,这样既不会影响系统的稳定性,动态性能也能够得到保证,从而可以使得主从双轴高精度同步控制。增加的前馈控制本身为现有技术,这里不再进行赘述。
本实施例将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型进行耦合校正同步位置偏差,并且在重复控制PID网络模型的扰动处增加前馈控制,这样既不会影响系统的稳定性,动态性能也能够得到保证。
步骤2.6、将加工过程的位置同步误差输入至增加前馈控制后的重复控制PID网络模型中,经过补偿分配器,输出对主轴和从轴分别进行补偿的补偿参数,与对应的单轴伺服系统的状态空间模型的输出值叠加后作为主轴和从轴的控制信号。
根据单轴伺服系统和增加前馈控制后的重复控制PID网络模型,建立交叉耦合控制策略主从双轴同步控制模型如图(3)所示。在利用交叉耦合控制策略主从双轴同步控制模型同步控制主从双轴时,分别将主轴双轴的位置同步误差εx,εy送入步骤2.2~2.5建立的重复补偿自学习PID控制器,经过补偿分配器,对主轴与从轴分别进行了补偿,并结合负反馈校正实现同步误差补偿,
为验证本申请所提方法的有效性,本申请在Matlab仿真平台上进行了验证,验证结果如图4~6所示,从图中可以明显的看到本申请增加前馈控制后的重复控制PID网络模型的跟踪误差明显减小,误差呈现衰减趋势,经过前馈控制,能够在幅值较大的不平衡扰动下,系统能够快速减小扰动信号并恢复稳定状态,有效避免干扰信号引起的振荡,同步误差相对较小,系统具有较好的同步精度。
步骤3、判断是否完成所有微直线段的插补操作,若完成则结束插补;否则继续读取下一个微直线段作为待处理的微直线段,并返回步骤2进行插补操作。
在基于STM32微处理器下,完成该步骤一般为在完成一段微直线段精插补之后,让智能运动控制器发出一个中断信号,通知主程序刷新参数寄存器的值(写入下一个微直线断的运行参数),启动下一个微直线段的精插补,判断是否插补完成,如果完成则结束插补,否则返回步骤2。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种提高裁床切割机轨迹轮廓跟踪控制精度的方法,用于实现裁床切割机主从双轴的同步控制完成产品加工,其特征在于,所述提高裁床切割机轨迹轮廓跟踪控制精度的方法,包括:
步骤1、获取待加工产品的原始加工轨迹曲线离散成微直线段,并将所有微直线段进行轨迹规划,生成PLT位置坐标轨迹文件;
步骤2、从所述PLT位置坐标轨迹文件中取待处理的微直线段进行插补操作,控制主从双轴同步运行完成该微直线段的加工,包括:
步骤2.1、根据待处理微直线段的坐标确定主从双轴各自的插补周期,并根据主从双轴当前各自的运行速度计算插补周期内的脉冲数和脉冲周期;
步骤2.2、建立主从双轴各自的单轴伺服系统的状态空间模型;
步骤2.3、建立两轴位置的同步误差模型;
步骤2.4、根据所述状态空间模型和同步误差模型,建立神经元自适应PID网络模型;
步骤2.5、将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型,并且在重复控制PID网络模型的扰动处增加前馈控制;
步骤2.6、将加工过程的位置同步误差输入至增加前馈控制后的重复控制PID网络模型中,经过补偿分配器,输出对主轴和从轴分别进行补偿的补偿参数,与对应的单轴伺服系统的状态空间模型的输出值叠加后作为主轴和从轴的控制信号;
步骤3、判断是否完成所有微直线段的插补操作,若完成则结束插补;否则继续读取下一个微直线段作为待处理的微直线段,并返回步骤2进行插补操作。
2.如权利要求1所述的提高裁床切割机轨迹轮廓跟踪控制精度的方法,其特征在于,所述根据待处理微直线段的坐标确定主从双轴各自的插补周期,并根据主从双轴当前各自的运行速度计算插补周期内的脉冲数和脉冲周期,包括:
根据待处理微直线段的坐标计算得到主从双轴具有比例关系的速度、运行步数和运行方向,并确定该微直线段的加工时间;
以主轴为长轴X,从轴为短轴Y,确定长轴X的插补周期为Txj,计算第j(j=1,2,3…,m)个插补周期内长轴X的脉冲数为nxj:
式中,Vxj为当前长轴X的速度,C为对应插补周期常量;
考虑到脉冲数nxj为正整数,因此对nxj取整后得到n′xj,则长轴X的第i个插补周期Txj修正为Txj',即:
在计算当前插补周期内短轴Y的脉冲数和脉冲周期时,根据长轴X运动方向与长短轴合运动向量方向的夹角θ,计算得到短轴Y在第i个插补周期内对应的脉冲数为nyj:
nyj=nxj×tanθ (3)
同理,考虑到脉冲数nyj为正整数,因此对nyj取整后得到n′yj,则短轴Y的第i个插补周期Tyj修正为Tyj',即:
3.如权利要求1所述的提高裁床切割机轨迹轮廓跟踪控制精度的方法,其特征在于,所述建立主从双轴各自的单轴伺服系统的状态空间模型,包括:
根据裁床切割机主从双轴的运动特性,建立在速度模式下的第i(i=1,2)轴伺服系统的状态空间模型如下:
其中,xi1(t),xi2(t)分别表示第i轴伺服系统的位置量与速度量,ui(t)为第i轴伺服系统的控制输入,即速度的设定值,Qi(t)为第i轴伺服系统未知且有界的干扰量,yi(t)为第i轴伺服系统的输出值,即位置量,ai、bi为第i轴伺服系统的模型定常系数;
考虑网络诱导时延影响下的单轴伺服控制系统模型,控制器节点和执行器节点均为时间驱动,网络时延均小于一个采样周期,则在任一采样周期内,作用在执行器的控制输入由两部分构成:一部分是上一控制周期计算得到的控制输入ui(k-1),另一部分是当前控制周期计算得到的控制输入ui(k),因此第i轴伺服系统的控制输入ui(t)的形式表示如下:
其中,tk表示第k个采样时间点,tk+1表示第k+1个采样时间点;
根据公式(5)与公式(6),得到以采样周期T离散后的第i轴伺服系统的状态空间模型为:
其中,xi1(k+1)、xi2(k+1)分别表示第i轴伺服系统的位置输出xi1(k)、电机速度xi2(k)在第k+1个采样时间点的值。
4.如权利要求3所述的提高裁床切割机轨迹轮廓跟踪控制精度的方法,其特征在于,所述建立两轴位置的同步误差模型,包括:
建立的两轴位置的同步误差模型如下:
ε(k)=Γe(k) (11)
其中,ε(k),e(k)分别为第k个采样时间点两轴运动的位置同步误差和位置误差,且ε(k)=[ε1(k) ε2(k)]',e(k)=[e11(k) e21(k)]',符号“'”表示矩阵的转置,εi(k)、ei1(k)分别表示第k个采样时间点第i轴位置同步误差和位置误差,Γ表示同步变换矩阵。
6.如权利要求4所述的提高裁床切割机轨迹轮廓跟踪控制精度的方法,其特征在于,根据状态空间模型和同步误差模型,建立神经元自适应PID网络模型,包括:
神经元自适应PID网络模型的输入信号包括三部分:前馈控制信号x1(t)、反馈微分控制信号x2(t),反馈积分控制信号x3(t);
建立神经元自适应PID网络模型如下:
公式(13)中,x1(k)=ε(k);x2(k)=ε(k)-ε(k-1);
x3(k)=ε(k)-2ε(k-1)+ε(k-2);
z(k)=ε(k);
式中,ui(k)为第i轴在第k个采样时间点下的控制输入信号,即实时位置输入信号,ε(k)在第k个采样时间点下两轴运动的位置同步误差信号,η1,η2,η3分别为积分、比例、微分的学习速率,K为神经元的比例系数K>0,wσ(k)(σ=1,2,3)为第k个采样时间点神经元PID连接权值,Δε(k)为相邻两次位置同步误差的差值,wσ’(k)为第k个采样时间点神经元PID连接权值的更新梯度。
8.如权利要求7所述的提高裁床切割机轨迹轮廓跟踪控制精度的方法,其特征在于,所述重复控制PID网络模型包括神经元自适应PID网络模型和重复控制误差补偿模型;以理想给定位置与实际反馈位置的差值分别作为神经元自适应PID网络模型和重复控制误差补偿模型的输入,得到神经元自适应PID网络模型的输出u1,以及重复控制误差补偿模型的输出u2,并将u1和u2加到被控对象的输入信号中;
将建立的神经元自适应PID网络模型与重复控制误差补偿模型进行结合,得到重复控制PID网络模型进行耦合校正同步位置偏差,并且在重复控制PID网络模型的扰动处增加前馈控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247608.XA CN111459016B (zh) | 2020-03-31 | 2020-03-31 | 一种裁床切割机轨迹轮廓跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247608.XA CN111459016B (zh) | 2020-03-31 | 2020-03-31 | 一种裁床切割机轨迹轮廓跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459016A true CN111459016A (zh) | 2020-07-28 |
CN111459016B CN111459016B (zh) | 2023-05-05 |
Family
ID=71684312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247608.XA Active CN111459016B (zh) | 2020-03-31 | 2020-03-31 | 一种裁床切割机轨迹轮廓跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459016B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737461A (zh) * | 2020-12-01 | 2021-04-30 | 深圳众为兴技术股份有限公司 | 伺服位置平滑方法、装置、电子设备及存储介质 |
CN112947045A (zh) * | 2021-01-26 | 2021-06-11 | 华中科技大学 | 一种多轴同步运动控制方法 |
CN113110303A (zh) * | 2021-05-18 | 2021-07-13 | 哈尔滨理工大学 | 一种网络化多轴运动系统轮廓跟踪控制方法 |
CN113296409A (zh) * | 2021-05-25 | 2021-08-24 | 哈尔滨工业大学 | 用于直线电机平台轮廓跟踪的离散分数阶滑模控制方法 |
CN115097724A (zh) * | 2021-12-17 | 2022-09-23 | 沈阳新松机器人自动化股份有限公司 | 一种用于机器人同步控制的交叉耦合控制方法 |
CN116909212A (zh) * | 2023-09-13 | 2023-10-20 | 黑龙江惠达科技股份有限公司 | 一种平面步进双轴系统插补方法、系统、控制装置和控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152868A1 (en) * | 2008-12-17 | 2010-06-17 | Industrial Technology Research Institute | Motion control servo loop apparatus |
WO2013102338A1 (zh) * | 2012-01-05 | 2013-07-11 | Jiang Junfeng | 开放式数控系统中的起点与终点同步方法、伺服驱动器 |
CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
CN109828534A (zh) * | 2019-01-03 | 2019-05-31 | 浙江工业大学 | 一种嵌入式裁床控制器的实时轮廓误差补偿方法 |
CN110196555A (zh) * | 2019-05-31 | 2019-09-03 | 台州学院 | 基于摩擦补偿的神经网络轮廓误差耦合控制器及控制方法 |
US20190317468A1 (en) * | 2017-09-11 | 2019-10-17 | Dalian University Of Technology | An equivalent-plane cross-coupling control method |
-
2020
- 2020-03-31 CN CN202010247608.XA patent/CN111459016B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152868A1 (en) * | 2008-12-17 | 2010-06-17 | Industrial Technology Research Institute | Motion control servo loop apparatus |
WO2013102338A1 (zh) * | 2012-01-05 | 2013-07-11 | Jiang Junfeng | 开放式数控系统中的起点与终点同步方法、伺服驱动器 |
US20190317468A1 (en) * | 2017-09-11 | 2019-10-17 | Dalian University Of Technology | An equivalent-plane cross-coupling control method |
CN107991867A (zh) * | 2017-11-28 | 2018-05-04 | 浙江工业大学 | 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法 |
CN109828534A (zh) * | 2019-01-03 | 2019-05-31 | 浙江工业大学 | 一种嵌入式裁床控制器的实时轮廓误差补偿方法 |
CN110196555A (zh) * | 2019-05-31 | 2019-09-03 | 台州学院 | 基于摩擦补偿的神经网络轮廓误差耦合控制器及控制方法 |
Non-Patent Citations (2)
Title |
---|
唐立伟;曹胜男;: "超精密加工轮廓误差的ILC-CCC补偿控制" * |
王高;柳宁;谢存禧;: "插补轨迹预补偿交叉耦合控制算法研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737461A (zh) * | 2020-12-01 | 2021-04-30 | 深圳众为兴技术股份有限公司 | 伺服位置平滑方法、装置、电子设备及存储介质 |
CN112737461B (zh) * | 2020-12-01 | 2023-04-14 | 深圳众为兴技术股份有限公司 | 伺服位置平滑方法、装置、电子设备及存储介质 |
CN112947045A (zh) * | 2021-01-26 | 2021-06-11 | 华中科技大学 | 一种多轴同步运动控制方法 |
CN112947045B (zh) * | 2021-01-26 | 2022-04-29 | 华中科技大学 | 一种多轴同步运动控制方法 |
CN113110303A (zh) * | 2021-05-18 | 2021-07-13 | 哈尔滨理工大学 | 一种网络化多轴运动系统轮廓跟踪控制方法 |
CN113296409A (zh) * | 2021-05-25 | 2021-08-24 | 哈尔滨工业大学 | 用于直线电机平台轮廓跟踪的离散分数阶滑模控制方法 |
CN115097724A (zh) * | 2021-12-17 | 2022-09-23 | 沈阳新松机器人自动化股份有限公司 | 一种用于机器人同步控制的交叉耦合控制方法 |
CN115097724B (zh) * | 2021-12-17 | 2022-12-20 | 沈阳新松机器人自动化股份有限公司 | 一种用于机器人同步控制的交叉耦合控制方法 |
CN116909212A (zh) * | 2023-09-13 | 2023-10-20 | 黑龙江惠达科技股份有限公司 | 一种平面步进双轴系统插补方法、系统、控制装置和控制方法 |
CN116909212B (zh) * | 2023-09-13 | 2023-12-08 | 黑龙江惠达科技股份有限公司 | 一种平面步进双轴系统插补方法、系统、控制装置和控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111459016B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459016B (zh) | 一种裁床切割机轨迹轮廓跟踪控制方法 | |
Hu et al. | Deep GRU neural network prediction and feedforward compensation for precision multiaxis motion control systems | |
Sun et al. | A model-free cross-coupled control for position synchronization of multi-axis motions: theory and experiments | |
CN105773623B (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
CN110450156B (zh) | 多自由度机械臂系统自适应模糊控制器的优化设计方法 | |
Sun et al. | Neural network-based adaptive controller design of robotic manipulators with an observer | |
CN102681489B (zh) | 多轴联动数控系统运动平稳性和轮廓加工精度控制方法 | |
CN102825603B (zh) | 网络遥操作机器人系统及时延克服方法 | |
CN108958032B (zh) | 一种非线性多智能体系统的总量协同一致控制方法 | |
CN105610350B (zh) | 一种用于双电机伺服系统的消隙同步控制方法 | |
CN109465825A (zh) | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 | |
CN110450155B (zh) | 一种多自由度机械臂系统的控制器的优化设计方法 | |
CN110518848B (zh) | 基于单神经元与改进粒子群算法优化双电机高速高精度同步控制方法 | |
Li et al. | On-line self tuning of contouring control for high accuracy robot manipulators under various operations | |
CN106877769B (zh) | 一种伺服电机速度控制器增益参数自整定的方法 | |
Howard et al. | Application of fuzzy logic for the solution of inverse kinematics and hierarchical controls of robotic manipulators | |
CN107511830B (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
Feng et al. | [Retracted] Optimization of Sorting Robot Control System Based on Deep Learning and Machine Vision | |
Qian et al. | Finite-time neural network-based hierarchical sliding mode antiswing control for underactuated dual ship-mounted cranes with unmatched sea wave disturbances suppression | |
CN108693776A (zh) | 一种三自由度Delta并联机器人的鲁棒控制方法 | |
CN109176529B (zh) | 一种空间机器人协调运动的自适应模糊控制方法 | |
CN112462608A (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
CN113268037B (zh) | 一种基于时间同步的多轴协同控制方法 | |
Liu et al. | Uniform synchronization in multi-axis motion control | |
Seethaler et al. | The regulation of position error in contouring systems |
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 |