CN115051609A - 高性能伺服驱动器及控制方法 - Google Patents

高性能伺服驱动器及控制方法 Download PDF

Info

Publication number
CN115051609A
CN115051609A CN202210667068.XA CN202210667068A CN115051609A CN 115051609 A CN115051609 A CN 115051609A CN 202210667068 A CN202210667068 A CN 202210667068A CN 115051609 A CN115051609 A CN 115051609A
Authority
CN
China
Prior art keywords
module
learning algorithm
servo
vibration
servo driver
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
Application number
CN202210667068.XA
Other languages
English (en)
Inventor
韦鲲
张建政
董易
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.)
Shanghai Sazhi Intelligent Technology Co ltd
Original Assignee
Shanghai Sazhi Intelligent Technology Co ltd
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 Shanghai Sazhi Intelligent Technology Co ltd filed Critical Shanghai Sazhi Intelligent Technology Co ltd
Priority to CN202210667068.XA priority Critical patent/CN115051609A/zh
Publication of CN115051609A publication Critical patent/CN115051609A/zh
Pending legal-status Critical Current

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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/05—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for damping motor oscillations, e.g. for reducing hunting
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/18—Estimation of position or speed
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/22—Current control, e.g. using a current control loop
    • 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
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using DC to AC converters or inverters
    • H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using DC to AC converters or inverters with pulse width modulation
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/07—Speed loop, i.e. comparison of the motor speed with a speed reference

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提供一种高性能伺服驱动器及控制方法，应用于高性能伺服驱动器控制技术领域，包括：伺服控制环模块设置在数字信号处理器中，AI学习算法模块设置在现场可编程逻辑阵列中；AI学习算法模块：基于高性能伺服驱动器所在的伺服系统产生的运行参数，AI学习算法进行训练学习，得到特征模型以及输出的补偿电流分量；伺服控制环模块：用于根据补偿电流分量对伺服系统进行振动抑制。与现有技术相比，本申请通过补偿电流分量进行振动抑制，能够对任意振幅的振动，任意时间长度的振动，任意因素引起的振动，均可以有效的抑制；以电流环的周期步调执行，因此，没有延迟或相对于机械系统，该延迟可完全忽略，可完全适应高速或超高速运行场合。

Description

高性能伺服驱动器及控制方法
技术领域
本申请涉及高性能伺服驱动器控制技术领域，具体涉及一种高性能伺服驱动器及控制方法。
背景技术
高性能伺服驱动器，在高端高精度智能制造设备，如机床，机器人，航空航天，医疗器械等领域有广泛应用。高性能伺服驱动器要求具备高定位精度和高稳定性能。伺服系统本身是一种机电一体系统，伺服电机拖动机械系统执行转动或进给运动时，如何保证定位精度，如何保证机械系统不振动，或者即使发生振动了能及时快速抑振是一个难题。
实际系统中，即使伺服系统配置有高分辨率电机编码器，驱动控制硬件软件系统配置精度、控制性能较高，但如果在运行期间，机械系统发生振动，甚至共振，都会对伺服定位精度产生不良影响，导致定位误差增大，不能满足要求，甚至对机械系统本身产生致命影响。而产生伺服系统振动的因素很多，如控制参数设置不合适，机械系统遭遇外部扰动，伺服系统负载变化，系统共振，等等，即使是短暂的轻微振动，也会造成伺服系统性能下降。因此，高性能伺服驱动器如果无法对振动情况进行有效抑制，即使本身硬件软件配置水平再高，也无法完全保证系统达到高性能高精度。
现有技术条件下，对振动的抑制方法一般分为两种情况，一种是离线设置方式，另一种是在线抑制方式。离线设置方式需要提前测算出机械系统的共振频率，然后在伺服控制系统中设置具有相应频率值的滤波器，从而消除该频率的振动。这种方式的缺点是，需要提前测算系统的共振频率；这种方式，对共振频率之外的其他频率成分的振动无效；且这种方式，对系统因其他原因引起的轻微振动或短时振动无法消除。在线抑制振动方式，利用一定的自适应算法，或者在线识别共振频率的方法，或者借助外部振动监测传感器，实时抑制机械振动。这种方式优于离线方式，但目前这种技术还远未成熟，不同的企业可能采取不同的技术措施。总的来说，这种方式对振动的幅值，振动持续的时间均有一定的门槛值的要求，以方便控制系统进行识别、计算，因而，对较短时间的，门槛幅值以下的振动不起作用。另外，大多这种方式，就目前技术水平而言，其基本原理多为通过算法对振动频率、幅值等参数进行识别、跟踪振动频率的变化，从而实时计算振动频率值，设置相应的滤波器，这种方法因为要采用复杂的算法，对控制核心的算力具有一定的要求，产生的振动抑制效果具有一定的滞后效应，因此，对高速运行系统，具有一定的局限性，可能无法达到较好的振动抑制效果，甚至失效；对某些特殊负载情况，可能根本就无法起作用了。
至于外加振动监测传感器的系统，造成系统成本提高，系统复杂度增加，可靠性下降，非必要场合，是不提倡的。
因此，在现有技术条件下，还没有一种有较好适应性的、高性能的振动抑制控制方法，来应对高性能伺服驱动系统面临的各类振动问题。
因此，需要一种新的有较好适应性的、高性能的振动抑制方法，来应对高性能伺服驱动系统面临的各类振动问题的技术方案。
发明内容
有鉴于此，本发明提供一种高性能伺服驱动器及控制方法，利用AI学习算法建立高性能伺服驱动器的特征模型，持续的对特征模型进行训练学习迭代计算，并从特征模型中识别出与振动相关的补偿电流分量，进而通过把补偿电流分量馈入伺服控制环模块中的电流环控制器的方式，达到抑制振动的目的。任何轻微振动，短时振动，机械共振等，都可以被识别到并且进行补偿消除，从而实现高性能伺服性能。
本发明提供以下技术方案：
本发明提供一种高性高性能伺服驱动器，包括：伺服控制环模块和AI学习算法模块；
伺服控制环模块设置在数字信号处理器中，AI学习算法模块设置在现场可编程逻辑阵列中；
AI学习算法模块：用于基于高性能伺服驱动器所在的伺服系统的运行参数，AI学习算法进行训练学习，得到特征模型以及特征模型输出的补偿电流分量；
伺服控制环模块：用于根据AI学习算法模块输出的补偿电流分量对伺服系统进行振动抑制。
优选地，运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制产生信号的时刻。
优选地，伺服控制环模块，包括：位置环控制器、速度环控制器和电流环控制器。
优选地，伺服控制环模块将补偿电流分量输入电流环控制器，进行振动抑制。
优选地，数字信号处理器和现场可编程逻辑阵列通过数据总线进行数据交换。
优选地，现场可编程逻辑阵列外置有随机存取存储器和闪存存储器。
优选地，现场可编程逻辑阵列中，包括：AI学习算法模块、数据采集处理模块、脉宽调制产生模块和编码器接口模块。
优选地，数据采集处理模块对运行参数进行同时采集，并存储在闪存存储器中；AI学习算法模块将运行参数调入随机存取存储器中，进行处理，并输出补偿电流分量。
本发明还提供一种高性能伺服驱动器控制方法，包括：
步骤1：基于高性能伺服驱动器所在的伺服系统的运行参数，学习算法进行训练学习，得到特征模型以及特征模型输出的补偿电流分量；
步骤2：根据补偿电流分量对伺服系统进行振动抑制。
优选地，运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制产生信号的时刻。
与现有技术相比，本发明采用的上述至少一个技术方案能够达到的有益效果至少包括：能够对任意振幅的振动，任意时间长度的振动，任意因素引起的振动，均可以有效的抑制；以电流环控制器的周期步调执行，因此，没有延迟，或相对于机械系统，该延迟可完全忽略，可完全适应高速或超高速运行场合；对机械负载类型基本没有限制，可适应任意机械负载，均可以通过AI学习算法模块训练出其实时模型并不断修正，因此，高性能伺服驱动器适应性高。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请中的一种高性能伺服驱动器的控制结构示意图；
图2是本申请中的一种高性能伺服驱动器的硬件配置示意图；
图3是本申请中的一种AI学习算法模块的输入参数实现方法示意图；
图4是本申请中的一种AI学习算法模块框图；
图5是本申请中的另一种高性能伺服驱动器的控制结构示意图；
图6是本申请中的一种同步带机械负载位置控制振动抑制结果的示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作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。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，不对本申请的内容造成任何限制。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践。
在现有技术中，对高性能伺服驱动器的振动的抑制方法一般分为两种情况，一种是离线设置方式，另一种是在线抑制方式。
离线设置方式需要提前测算出机械系统的共振频率，然后在伺服控制系统中设置具有相应频率值的滤波器，从而消除该频率的振动。这种方式的缺点是，需要提前测算系统的共振频率；这种方式，对共振频率之外的其他频率成分的振动无效；且这种方式，对系统因其他原因引起的轻微振动或短时振动无法消除。
在线抑制振动方式，利用一定的自适应算法，或者在线识别共振频率的方法，或者借助外部振动监测传感器，实时抑制机械振动。这种方式优于离线方式，但目前这种技术还远未成熟，不同的企业可能采取不同的技术措施。总的来说，这种方式对振动的幅值，振动持续的时间均有一定的门槛值的要求，以方便控制系统进行识别、计算，因而，对较短时间的，门槛幅值以下的振动不起作用。另外，大多这种方式，就目前技术水平而言，其基本原理多为通过算法对振动频率、幅值等参数进行识别、跟踪振动频率的变化，从而实时计算振动频率值，设置相应的滤波器，这种方法因为要采用复杂的算法，对控制核心的算力具有一定的要求，产生的振动抑制效果具有一定的滞后效应，因此，对高速运行系统，具有一定的局限性，可能无法达到较好的振动抑制效果，甚至失效；对某些特殊负载情况，可能根本就无法起作用了。
至于外加振动监测传感器的系统，造成系统成本提高，系统复杂度增加，可靠性下降，非必要场合，是不提倡的。
有鉴于此，发明人发现需要一种有较好适应性的、高性能的振动抑制控制方法，来应对高性能伺服驱动系统面临的各类振动问题。
基于此，本发明提出了一种处理方案：利用AI学习算法建立高性能伺服驱动器所在的伺服系统的特征模型，持续的对特征模型进行训练学习迭代计算，并从特征模型中提取出和伺服系统振动相关的电流分量，并将该电流分量作为补偿电流分量，把该补偿电流分量馈入伺服控制环模块中的电流环的方式，达到抑制振动的目的。
以下结合附图，说明本申请各实施例提供的技术方案。
本发明提供一种高性能伺服驱动器，包括：伺服控制环模块和人工智能(Artificial Intelligence，AI)学习算法模块；其中，伺服控制环模块设置在数字信号处理器(Digital Signal Processor，DSP)中，AI学习算法模块设置在现场可编程逻辑阵列(Field Programmable Gate Array，FPGA)中；AI学习算法模块：用于基于高性能伺服驱动器所在的伺服系统的运行参数，AI学习算法进行训练学习，得到特征模型以及特征模型输出的补偿电流分量；伺服控制环模块：用于根据AI学习算法模块输出的补偿电流分量对伺服系统进行振动抑制。
其中，运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制(Pulse Width Modulation，PWM)产生信号的时刻。
具体地，高性能伺服驱动器的硬件采用DSP+FPGA结合的硬件架构，伺服控制环模块中的算法主要在DSP中运行，AI学习算法模块中的AI学习算法主要在FPGA中运行，通过对基于实际电机的电流指令、电机编码器输出信号结合脉宽调制(Pulse Width Modulation，PWM)产生信号的时刻等参数，进行训练学习，利用AI学习算法建立伺服系统的特征模型，并且持续的对特征模型进行训练学习和迭代计算，并从特征模型中提取出和伺服系统振动相关的补偿电流分量，进而通过把补偿电流分量馈入伺服控制环模块中的电流环控制器的方式，达到抑制振动的目的，从而达到任何轻微振动、短时振动和机械共振等，都可以被识别到并且进行补偿消除。
其中，根据实际电机的电流指令得到电机的指令电流值，根据电机编码器输出信号得到电机编码器的输出的角度信号。
本申请能够对任意振幅的振动，任意时间长度的振动，任意因素引起的振动，均可以有效的抑制；以电流环控制器的周期的步调执行(cycle by cycle)的，因此，没有延迟或相对于机械系统，该延迟可完全忽略，可完全适应高速或超高速运行场合；本申请对机械负载类型基本没有限制，可适应任意机械负载，均可以通过AI学习的模式训练出其实时模型并不断修正，因此，高性能伺服驱动器适应性高。
本申请采用了在FPGA中运行的AI学习算法，通过对几个运行参数的训练和学习，获得伺服系统的特征模型，从而提取出与振动因素相关的补偿电流分量，并将该补偿电流分量引至在DSP中运行的电流环控制器中进行补偿，以达到振动抑制的目的。
下面对本发明提供的高性能伺服驱动器进行说明。
如图1所示，本申请提供的高性能伺服驱动器，包括：伺服控制环模块和AI学习算法模块，其中，伺服控制环模块，包括：位置环控制器、速度环控制器和电流环控制器，伺服控制环模块还包括微分器和PWM产生模块，伺服控制环模块将补偿电流分量输入电流环控制器，对电机及负载系统进行振动抑制。其中，θcmd表示位置环位置指令；Kp_p表示位置环控制器增益；Kv_p表示速度环控制器比例增益；Kv_i表示速度环控制器积分增益；S表示拉普拉斯算子；Ki_p表示电流环控制器比例增益；Ki_i表示电流环控制器积分增益；icomp表示AI学习算法模块输出的电流补偿分量，即补偿电流分量；icmd表示电流环控制器输入电流指令，即电机的指令电流值；tp表示取自PWM产生模块的PWM波形边沿时刻脉冲串；θ表示电机编码器输出角度；ifdb表示电机反馈电流。伺服控制环模块由位置环控制器、速度环控制器和电流环控制器组成。AI学习算法模块的输入参数为指令电流值、电机编码器角度θ和取自PWM产生模块的PWM波形边沿时刻脉冲串tp；AI学习算法模块输出电流补偿分量icomp引至电流环控制器输入指令处进行馈入。
进一步地，数字信号处理器(DSP)和现场可编程逻辑阵列(FPGA)通过数据总线进行数据交换。
具体地，本申请采用了DSP+FPGA硬件配置模式，位置环控制器、速度环环控制器和电流环控制器在DSP中执行；AI学习算法模块主要在FPGA中完成；同时，DSP和FPGA之间通过数据总线交换数据，FPGA外置有大容量RAM和大容量Flash Disk，以便存储运行数据供FPGA中的算法调用学习之用。
在本发明中，现场可编程逻辑阵列外置有随机存取存储器和闪存存储器。进一步地，现场可编程逻辑阵列中，包括：AI学习算法模块、数据采集处理模块、脉宽调制产生模块和编码器接口模块。数据采集处理模块对运行参数进行同时采集，并存储在闪存存储器中；AI学习算法模块将运行参数调入随机存取存储器中，进行处理，并输出补偿电流分量。具体配置如图2所示，FPGA中包含的逻辑块区域有，AI学习算法模块、数据采集处理模块、PWM产生模块和编码器接口模块，其中，数据采集处理模块主要对icmd进行采集和处理。DSP把icmd数据通过数据总线输入至FPGA的数据采集处理模块供进一步处理，得到icmd *；将处理结果icmd *一方面送至AI学习算法模块，一方面至PWM产生模块，PWM产生模块产生PWM触发脉冲，即基于空间矢量控制的空间矢量脉宽调制(Space Vector Pulse Width Modulation，SVPWM)，并输出到外部的功率开关触发电路。同时，PWM产生模块中依据每一路PWM脉冲边沿时刻产生脉冲串tp，脉冲串tp经过规范处理后输送到AI学习算法模块作为AI学习算法模块的运行时钟源。其中，PWM产生模块，产生三相桥拓扑电路需要的6个开关管触发脉冲；电机编码器输出信号直接输送至FPGA中的编码器接口模块，经解码后成为角度值θ。θ可同时送至AI学习算法模块和DSP中。FPGA外置有大容量RAM和Flash Disk，存储运行数据，供AI学习训练之用。AI学习算法模块输出电流补偿数据icomp至DSP中的电流环控制器中。
下面对本申请的理论基础进行说明，为本申请的AI学习算法提供基础。
电机的运动学方程可以通过公式(1)表示为：
Figure BDA0003691973040000091
其中，Te表示电机的电磁转矩；TL表示电机负载；J表示电机及负载惯量，在本申请中看作为定值；ω表示电机速度；B表示粘滞系数。
在本申请中为分析简单起见，B忽略为0；则公式(1)变化为公式(2)：
Figure BDA0003691973040000092
进一步的，假设电机的转矩系数为Kt，则电磁转矩Te可以表示为公式(3)：
Te＝i*kt； (3)
其中，i表示电机的电流，则运动学方程(1)可以写为公式(4)：
Figure BDA0003691973040000093
对公式(4)两边取差分得到公式(5)：
Figure BDA0003691973040000101
对公式(5)进行计算，则可以得到公式(6)：
Figure BDA0003691973040000102
进一步地，由于公式(7)：
Figure BDA0003691973040000103
则可以得到公式(8)：
Figure BDA0003691973040000104
当Δt足够小时，认为ΔTL≈0，即认为负载不变，则最后可以得到公式(9)。
Figure BDA0003691973040000105
公式(9)表明，当在足够小的单位时间段内考察电机系统时，电机系统动力学特性仅与电流的变化、电机角度的变化以及单位时间这三个参数相关。因此，采用AI学习算法，基于这三个参数对系统特征进行实时学习训练，即可得到伺服系统的特征模型，可以通过公式(10)表示。
f(Δi，Δθ，Δt)； (10)
其中，Δi表示电流变化值，此处指icmd变化量；Δθ表示电机角度变化值；
此处取自电机编码器输出变化值；Δt表示采用的单位时间长度；此处用PWM脉冲沿为基准产生的脉冲串作为规则时钟源。
本申请提供的AI学习算法模块如图3所示，AI学习模块有3个输入参数，一个输出参数；3个输入参数分别是，icmd表示取自DSP中运行的电流控制环的指令电流值，进入AI学习算法模块之后，实际上被分解为Δi；θ表示取自电机编码器输出的角度信号，进入AI学习算法模块之后，实际上被分解为Δθ；Δt表示AI学习算法模块进行学习训练的时钟源。从图3可知，矢量控制中的SVPWM波形中，每一路SVPWM波形边沿跳变的时刻被抓取出来作为脉冲串tp，然后经过规范处理之后，生成以Δt为时间单位的规则时钟源，作为AI模块内部对Δi和Δt进行采样的时钟基础。据此原理可知，Δt可以通过公式(11)计算得到。
Δt＝PWM周期/(n+1)； (11)
其中，n表示SVPWM产生模式，当SVPWM为5段式时，n＝5；当SVPWM为7段式时，n＝7。因此，从运行速度角度讲，AI学习算法模块的算法运行速度是PWM频率的5到7倍。从Δt脉冲串发生的边沿时刻角度讲，均发生在每一次功率开关切换的时刻，而每一次功率开关的切换，理论上均会伴随或造成施加在电机电枢上的电流或电压的波动，而这种波动必然反映在电机旋转轴上的轻微振动，这种轻微振动必然在具有高分辨率的编码器的输出信号上表现出来。而编码器信号的输出直接接口入FPGA，在FPGA内部同步的，以Δt时间间隔进行高速采样；因此，理论上，从功率开关状态的切换到编码器输出状态的改变，AI学习算法模块的采样最大延迟为Δt时间。随着PWM开关频率的提高，Δt进一步减小，因而，AI模块学习算法的执行同步性、实时性，执行速度会进一步提高。理论上，任何在电机轴上引起的微小的变化，无论是规律性的还是非规律性的，如机械振动，在高分辨率编码器上均会被FPGA捕捉到，这是AI学习算法能够通过迭代学习提取出系统动态模型特征的先决条件，进而提取出与振动，那怕是轻微振动相关的电流变化值作为反馈量以消除振动。
AI学习算法模块的一个输出参数是icomp，当AI学习算法模块中通过训练学习，建立了能充分反映系统动态特征的特征型之后，通过提取该补偿补偿电流分量并馈入实际电流环控制器，从而消除实际伺服系统的振动。需要指出的是，AI学习算法模块输出的icomp参数是以电流控制环的时间周期为步长进行反馈矫正，从而抑制振动，其中，步长为1/fc，fc表示电流环控制器更新频率。
AI学习算法模块中的AI学习算法，主要建立在基于Δt、Δi和Δθ三个参数的训练模型学习基础之上，AI学习算法随着迭代、学习、训练和修正的持续进行，能够最优的找到三者参数之间的内在关联关系，即获得特征模型，从而根据Δθ的非规则律(振动)，找到与该非规则律振动相关的icomp，并将其馈入电流环控制器，从而消除振动。
进一步地，运行参数被存入大容量Flash Disk，然后逐次被调入RAM中，供学习、迭代和模型训练算法采用。
下面对本申请的AI学习算法模块的工作流程进行说明。
如图4所示，AI学习模块的工作流程为：FPGA中的数据采集处理模块对Δt、Δi和Δθ三个参数同时采集，采集周期依据Δt，并存放于Flash disk供后续AI学习算法模块调用。AI学习算法模块将采集到的数据：Δt、Δi和Δθ，成批调入RAM空间，进行特征数据的处理和提取。AI学习算法模块优化迭代的准则是，使在k*Δt时间段内，Δi的变化与非规则的Δθ相关性最小，即振动最小。所谓非规则的Δθ，指的是除了电机正常运转引起的有规律的角度值的增量而外，其他角度变化均被归结为非规则性数值；例如，因振动引起的角度的突变或异常。此处的k是正整数，可被设定为一定的值。因为，根据Δt的产生原理，在实际系统中，PWM开关频率越高，Δt越小，这可能会导致在较长一段时间内，每一个Δt时间间隔下，Δθ都可能一直为0，这就相当于出现了较多的无效数据，对AI学习算法的迭代计算造成资源浪费，因此，适当的增加该单位时间长度，即乘以一个正整数k以适当调整单位时间长度，以便提高AI运算速度和效率，但以不会造成不良结果为原则。
其中，规则的Δθ理论上可由公式(12)计算得到。
Figure BDA0003691973040000131
其中，ω表示电机速度，单位为弧度每秒(rad/sec)；Pencoder表示编码器分辨率；Δθ单位为弧度(rad)。
进一步地，在设定好约束条件后，则通过迭代学习，不断的优化特征模型f(Δi，Δθ，Δt)，根据迭代学习，获得与非规则Δθ最相关的Δi的值，并把该值至入电流环控制器中，矫正非规则Δθ，至Δθ最小，以抑制相应的振动分量。其中，约束条件为：Δi在k*Δt时间段内采集Δθ；Δθ在k*Δt内连续两次可微；k为大于等于1的正整数，可由算法自主学习决定，也可设定。
实施例一
本申请实施例还用于抑制机械机构的末端振动。
如图5所示，为伺服电机驱动同步带机械负载，AI学习算法模块不仅输入原来的三个参数，而且同步带侧安装的直线编码器的输出θL也被接入AI学习算法模块。则AI学习算法模块学习训练建模成为4个输入参数的模型，可以通过公式(13)表示。
f(Δi，Δθ，ΔθL，Δt)； (13)
如图5和公式(13)所示配置情况下，高性能伺服驱动器需要抑制的是机械负载端的机械振动，该振动信息来自于对负载编码器信息解析。此时，电机编码器的输出Δθ被看作是规则量，而Δ(ΔθL-Δθ)作为非规则量。
如图6所示，为未进行振动补偿的位置曲线和通过AI学习算法模块进行了振动补偿的位置曲线，横轴为时间(t)，以k*Δt为单位，纵轴为标幺化的角度值θ。可看出，补偿前，在0到t1时间段内未进行振动补偿时，同步带机械负载的位置曲线上表现出一定程度的振动毛刺，其中，θ所在的曲线为电机及负载系统的曲线图，相对而言没有毛刺，θL为同步带机械负载的曲线图，表现出一定程度的振动毛刺，此处这种振动以高频小振动为主，如果对振动频带进行分析，发现随着同步带机械负载的运行，振动频率也随时变化。当AI学习算法模块f(Δi，Δθ，ΔθL，Δt)进行补偿之后，位置曲线上的振动毛刺肉眼可见已基本被消除，效果显而易见。而且，因为这种补偿是基于电流控制环执行周期的频率fc，延迟效应可被忽略，同步带可运行于高速下而不发生振动。系统的瞬时定位精度提高，系统平稳性和可靠性进一步改善，伺服系统性能增强。
本发明还提供一种高性能伺服驱动器控制方法，包括：
步骤1：基于高性能伺服驱动器所在的伺服系统的运行参数，AI学习算法进行训练，得到特征模型以及特征模型输出的补偿电流分量。
步骤2：根据补偿电流分量对伺服系统进行振动抑制。
在一种可选的实施方式中，运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制产生信号的时刻。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例侧重说明的都是与其他实施例的不同之处。尤其，对于后面说明的产品实施例而言，由于其与方法是对应的，描述比较简单，相关之处参见系统实施例的部分说明即可。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种高性能伺服驱动器，其特征在于，包括：伺服控制环模块和AI学习算法模块；
所述伺服控制环模块设置在数字信号处理器中，所述AI学习算法模块设置在现场可编程逻辑阵列中；
所述AI学习算法模块：用于基于所述高性能伺服驱动器所在的伺服系统的运行参数，AI学习算法进行训练学习，得到特征模型以及所述特征模型输出的补偿电流分量；
所述伺服控制环模块：用于根据所述AI学习算法模块输出的所述补偿电流分量对所述伺服系统进行振动抑制。
2.根据权利要求1所述的高性能伺服驱动器，其特征在于，所述运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制产生信号的时刻。
3.根据权利要求1或2所述的高性能伺服驱动器，其特征在于，所述伺服控制环模块，包括：位置环控制器、速度环控制器和电流环控制器。
4.根据权利要求3所述的高性能伺服驱动器，其特征在于，所述伺服控制环模块将所述补偿电流分量输入所述电流环控制器，进行振动抑制。
5.根据权利要求1所述的高性能伺服驱动器，其特征在于，所述数字信号处理器和所述现场可编程逻辑阵列通过数据总线进行数据交换。
6.根据权利要求1所述的高性能伺服驱动器，其特征在于，所述现场可编程逻辑阵列外置有随机存取存储器和闪存存储器。
7.根据权利要求6所述的高性能伺服驱动器，其特征在于，所述现场可编程逻辑阵列中，包括：所述AI学习算法模块、数据采集处理模块、脉宽调制产生模块和编码器接口模块。
8.根据权利要求6所述的高性能伺服驱动器，其特征在于，所述数据采集处理模块对所述运行参数进行同时采集，并存储在所述闪存存储器中；所述AI学习算法模块将所述运行参数调入所述随机存取存储器中，进行处理，并输出所述补偿电流分量。
9.一种高性能伺服驱动器控制方法，其特征在于，包括：
步骤1：基于所述高性能伺服驱动器所在的伺服系统的运行参数，AI学习算法进行训练学习，得到特征模型以及所述特征模型输出的补偿电流分量；
步骤2：根据所述补偿电流分量对所述伺服系统进行振动抑制。
10.根据权利要求9所述的高性能伺服驱动器控制方法，其特征在于，所述运行参数，包括：电机的指令电流值、电机编码器的输出的角度信号和脉宽调制产生信号的时刻。
CN202210667068.XA 2022-06-13 2022-06-13 高性能伺服驱动器及控制方法 Pending CN115051609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210667068.XA CN115051609A (zh) 2022-06-13 2022-06-13 高性能伺服驱动器及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210667068.XA CN115051609A (zh) 2022-06-13 2022-06-13 高性能伺服驱动器及控制方法

Publications (1)

Publication Number Publication Date
CN115051609A true CN115051609A (zh) 2022-09-13

Family

ID=83161517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210667068.XA Pending CN115051609A (zh) 2022-06-13 2022-06-13 高性能伺服驱动器及控制方法

Country Status (1)

Country Link
CN (1) CN115051609A (zh)

Similar Documents

Publication Publication Date Title
CN106873506B (zh) 校正装置、校正装置的控制方法、信息处理程序及记录介质
Bolognani et al. Sensorless full-digital PMSM drive with EKF estimation of speed and rotor position
CN109799701B (zh) 一种工业机器人振动抑制方法
WO2021237929A1 (zh) 基于贝叶斯学习的执行器故障估计方法
Wai et al. Wavelet neural network control for induction motor drive using sliding-mode design technique
CN114770496B (zh) 一种利用数字孪生技术抑制机器人关节机械振动的关节伺服驱动控制器
CN102301582A (zh) 阀控制装置
CN110868128B (zh) 提高永磁直线同步电动机鲁棒跟踪控制精度的装置及方法
JP4294344B2 (ja) 電動機の制御方法及び制御装置
Bertoluzzo et al. Performance analysis of a high-bandwidth torque disturbance compensator
JP5540753B2 (ja) ロボットシステム
Orłowska-Kowalska et al. Industrial drive systems. Current state and development trends
JP2005316937A (ja) 制御装置およびその制御方法
CN109639200A (zh) 一种基于电机负载转矩检测的转动惯量在线辨识方法
CN110955192B (zh) 伺服控制装置、机器人及伺服控制方法
CN109361333B (zh) 在线惯量辨识方法、系统、电机控制器及可读存储器
CN108599659B (zh) 基于实时运动控制平台以及fpga的伺服系统及其控制方法
CN115051609A (zh) 高性能伺服驱动器及控制方法
Lu et al. Disturbance-observer-based adaptive feedforward cancellation of torque ripples in harmonic drive systems
CN112994551B (zh) 一种伺服电机转矩补偿方法
CN114609917A (zh) 一种基于数字孪生技术的伺服驱动器及伺服系统
CN113671824A (zh) 一种带式传动装置高精度位置控制系统及方法
Sayouti et al. Real-time DSP implementation of DTC neural network-based for induction motor drive
Tsai et al. A transputer-based adaptive speed controller for AC induction motor drives with load torque estimation
CN113467229A (zh) 一种交流伺服驱动方法

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