CN112684706B - 一种直驱龙门运动平台的控制方法 - Google Patents
一种直驱龙门运动平台的控制方法 Download PDFInfo
- Publication number
- CN112684706B CN112684706B CN202011521405.1A CN202011521405A CN112684706B CN 112684706 B CN112684706 B CN 112684706B CN 202011521405 A CN202011521405 A CN 202011521405A CN 112684706 B CN112684706 B CN 112684706B
- Authority
- CN
- China
- Prior art keywords
- neural network
- function
- spline wavelet
- identification model
- displacement
- 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
Links
Images
Classifications
-
- 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
- Feedback Control In General (AREA)
Abstract
Description
技术领域
本发明涉及直驱龙门运动平台的辨识与控制领域。
背景技术
影响直驱龙门运动平台系统轨迹跟踪控制性能的因素有很多,其中影响最大的就是在针对直驱龙门运动平台系统设计模型补偿控制算法时忽略的一些动态特性,例如粘滞阻力、库伦摩擦力、定位力以及其他作用在直驱龙门运动平台上的力或外界干扰等。除此之外,直驱龙门运动平台在跟踪周期性目标轨迹过程中,会受到周期性干扰以及周期性未知动态的影响。由于现有控制算法对直驱龙门运动平台受到的上述未知动态特性的补偿不足,导致对直驱龙门运动平台控制精度差,也即:轨迹跟踪精度差,因此,为了进一步提高直驱龙门运动平台在跟踪周期性目标轨迹时的跟踪控制精度,需要提出一种智能辨识、及对直驱龙门运动平台进行高精度控制的方法。
发明内容
本发明的目的是为了解决现有控制算法对直驱龙门运动平台动态特性的补偿不足,导致对直驱龙门运动平台控制精度差的问题,本发明提供了一种直驱龙门运动平台的控制方法。
一种直驱龙门运动平台的控制方法,该方法包括如下步骤:
步骤三、将前馈补偿信号unn(t)和鲁棒反馈补偿信号us(t)进行求和,从而获得控制信号u(t),利用该控制信号u(t)对直驱龙门运动平台进行控制。
优选的是,步骤二中,B样条小波神经网络在线辨识模型包括输入层、隐含层和输出层。
步骤二一一、给输入层输入时间变量t,从而输出变量τ,并把输出变量τ送至隐含层;其中,
τ=t-nT (公式一);
n为一个非负整数,T为参考位移xr(t)的周期;
j0表示B样条小波函数的尺度参数,且j0为整数;
z(t)=x(t)-xr(t) (公式九);
其中,
Proj()为投影函数;
γm为权值更新律的步长;
ξ′为投影函数Proj()的判断变量;
j0表示B样条小波函数的尺度参数,且j0为整数;
s(t)为类滑模变量;
z(t)为真实位移x(t)与参考位移xr(t)的差;
kd为误差微分项的系数,且kd>0。
本发明的有益效果为:
本发明所述的一种直驱龙门运动平台的控制方法是通过利用B样条小波神经网络对周期参考信号下直驱龙门运动平台的周期性动态利用前馈补偿信号unn(t)进行前馈补偿,然后通过鲁棒反馈控制的方法利用鲁棒反馈补偿信号us(t)对其他非周期干扰信号进行反馈补偿,从而实现直驱龙门运动平台的精确控制,也即对周期性参考轨迹的高精度跟踪。
本发明所述的一种直驱龙门运动平台的控制方法是基于神经网络权值更新模型、B样条小波神经网络在线辨识模型和鲁棒反馈控制器实现的,其中鲁棒反馈控制器为现有技术,本发明采用B样条小波神经网络在线辨识模型和鲁棒反馈控制器,可以有效地解决直驱龙门运动平台在模型未知情况下高精度跟踪周期性参考轨迹的问题。
附图说明
图1为本发明所述一种直驱龙门运动平台的控制方法的原理示意图;
图2为B样条小波神经网络在线辨识模型的结构示意图;
图3为分别采用自适应鲁棒控制器、PID控制器和本发明所述B样条小波神经网络在线辨识模型对直驱龙门运动平台进行控制的后五秒跟踪误差的最大绝对值和均方根的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参见图1说明本实施方式,本实施方式所述的一种直驱龙门运动平台的控制方法,该方法包括如下步骤:
步骤三、将前馈补偿信号unn(t)和鲁棒反馈补偿信号us(t)进行求和,从而获得控制信号u(t),利用该控制信号u(t)对直驱龙门运动平台进行控制。
本实施方式所述的一种直驱龙门运动平台的控制方法是通过利用B样条小波神经网络对周期参考信号下直驱龙门运动平台的周期性动态利用前馈补偿信号unn(t)进行前馈补偿,然后通过鲁棒反馈控制的方法利用鲁棒反馈补偿信号us(t)对其他非周期干扰信号进行反馈补偿,从而实现直驱龙门运动平台的精确控制,也即对周期性参考轨迹的高精度跟踪。
本发明所述的一种直驱龙门运动平台的控制方法是基于神经网络权值更新模型、B样条小波神经网络在线辨识模型和鲁棒反馈控制器实现的,其中鲁棒反馈控制器为现有技术,本发明采用B样条小波神经网络在线辨识模型和鲁棒反馈控制器,可以有效地解决直驱龙门运动平台在模型未知情况下高精度跟踪周期性参考轨迹的问题。
进一步的,具体参见图2,步骤二中,B样条小波神经网络在线辨识模型包括输入层、隐含层和输出层。
步骤二一一、给输入层输入时间变量t,从而输出变量τ,并把输出变量τ送至隐含层;其中,
τ=t-nT (公式一);
n为一个非负整数,T为参考位移xr(t)的周期;
j0表示B样条小波函数的尺度参数,且j0为整数;
z(t)=x(t)-xr(t) (公式九);
其中,
Proj()为投影函数;
γm为权值更新律的步长;
ξ′为投影函数Proj()的判断变量;
j0表示B样条小波函数的尺度参数,且j0为整数;
s(t)为类滑模变量;
z(t)为真实位移x(t)与参考位移xr(t)的差;
kd为误差微分项的系数,且kd>0。
验证试验:
图3给出了三种方法后五秒跟踪误差的最大绝对值和均方根。从实验结果中可以看出,在同一组控制器增益参数下,本发明控制方法与PID控制器相比,本发明在基于B样条小波神经网络在线辨识模型和鲁棒反馈控制器下最终跟踪精度能提高81.64%,跟踪误差的均方根误差能提高80.02%;本发明控制方法与单独使用自适应鲁棒控制器相比,本发明在基于B样条小波神经网络在线辨识模型和鲁棒反馈控制器下最终精度能提高13.30%,跟踪误差的均方根误差能提高61.27%,从而证明本发明所述的直驱龙门运动平台的控制方法在跟踪周期性参考轨迹时的控制效果更好,跟踪精度更高。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (5)
1.一种直驱龙门运动平台的控制方法,其特征在于,该方法包括如下步骤:
步骤三、将前馈补偿信号unn(t)和鲁棒反馈补偿信号us(t)进行求和,从而获得控制信号u(t),利用该控制信号u(t)对直驱龙门运动平台进行控制;
z(t)=x(t)-xr(t) (公式九);
其中,
Proj( )为投影函数;
γm为权值更新律的步长;
ξ′为投影函数Proj( )的判断变量;
j0表示B样条小波函数的尺度参数,且j0为整数;
s(t)为类滑模变量;
z(t)为真实位移x(t)与参考位移xr(t)的差;
kd为误差微分项的系数,且kd>0。
2.根据权利要求1所述的一种直驱龙门运动平台的控制方法,其特征在于,步骤二中,B样条小波神经网络在线辨识模型包括输入层、隐含层和输出层。
步骤二一一、给输入层输入时间变量t,从而输出变量τ,并把输出变量τ送至隐含层;其中,
τ=t-nT (公式一);
n为一个非负整数,T为参考位移xr(t)的周期;
j0表示B样条小波函数的尺度参数,且j0为整数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521405.1A CN112684706B (zh) | 2020-12-21 | 2020-12-21 | 一种直驱龙门运动平台的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521405.1A CN112684706B (zh) | 2020-12-21 | 2020-12-21 | 一种直驱龙门运动平台的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112684706A CN112684706A (zh) | 2021-04-20 |
CN112684706B true CN112684706B (zh) | 2022-05-31 |
Family
ID=75450003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521405.1A Active CN112684706B (zh) | 2020-12-21 | 2020-12-21 | 一种直驱龙门运动平台的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112684706B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059418A (zh) * | 2016-06-17 | 2016-10-26 | 清华大学 | 一种永磁同步直线电机神经网络自适应轨迹跟踪控制方法 |
CN107505835A (zh) * | 2017-08-11 | 2017-12-22 | 广东工业大学 | 一种控制机械手运动的方法、装置及系统 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130180450A1 (en) * | 2011-09-22 | 2013-07-18 | Ray Hamilton | Multifunctional manufacturing platform and method of using the same |
US10496052B2 (en) * | 2015-04-10 | 2019-12-03 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for vector control of induction machines using artificial neural networks |
-
2020
- 2020-12-21 CN CN202011521405.1A patent/CN112684706B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059418A (zh) * | 2016-06-17 | 2016-10-26 | 清华大学 | 一种永磁同步直线电机神经网络自适应轨迹跟踪控制方法 |
CN107505835A (zh) * | 2017-08-11 | 2017-12-22 | 广东工业大学 | 一种控制机械手运动的方法、装置及系统 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
Non-Patent Citations (1)
Title |
---|
Constrained Sampled-Data ARC for a Class of;Weichao Sun.etc;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20190228;第15卷(第2期);第766-776页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112684706A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109732605B (zh) | 一种机器人关节摩擦力矩的补偿方法及系统 | |
CN109946975B (zh) | 一种未知伺服系统的强化学习最优跟踪控制方法 | |
CN107203134B (zh) | 一种基于深度卷积神经网络的前车跟随方法 | |
CN111941432B (zh) | 一种高性能机械臂人工智能输出反馈控制方法 | |
CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN112207834B (zh) | 一种基于干扰观测器的机器人关节系统控制方法及系统 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 | |
CN108393892A (zh) | 一种机器人前馈力矩补偿方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
US6629089B1 (en) | Artificial neural network voice coil motor controller | |
CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
CN106527462A (zh) | 无人机控制装置 | |
CN106681345A (zh) | 基于人群搜索算法的无人机自抗扰控制方法 | |
CN107919813A (zh) | 基于模糊神经网络的超声电机转速控制 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN111506996A (zh) | 一种基于辨识误差受限的转台伺服系统自适应辨识方法 | |
CN111872937A (zh) | 一种任务空间中不确定机械臂的控制方法 | |
CN112684706B (zh) | 一种直驱龙门运动平台的控制方法 | |
CN110991606B (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
CN112462606B (zh) | 一种基于自适应控制的挠性关节动力学参数辨识方法 | |
CN113641181B (zh) | 基于在线性能评估飞行器增益自适应姿态控制方法和系统 | |
CN112947056A (zh) | 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 | |
CN115102444B (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 |
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 |