CN115963752A - 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 - Google Patents
一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 Download PDFInfo
- Publication number
- CN115963752A CN115963752A CN202211621843.4A CN202211621843A CN115963752A CN 115963752 A CN115963752 A CN 115963752A CN 202211621843 A CN202211621843 A CN 202211621843A CN 115963752 A CN115963752 A CN 115963752A
- Authority
- CN
- China
- Prior art keywords
- voice coil
- coil motor
- dsp controller
- mathematical model
- current
- 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.)
- Withdrawn
Links
- 238000013178 mathematical model Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 title claims description 34
- 238000000034 method Methods 0.000 title claims description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 46
- 210000002569 neuron Anatomy 0.000 description 32
- 230000004913 activation Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于深度学习的音圈电机位置伺服控制系统，包括电源模块、DSP控制器、驱动器、光电编码器以及电流采样模块；DSP控制器通过驱动器连接音圈电机，音圈电机连接光电编码器，光电编码器记录音圈电机位置信息；音圈电机连接电流采样模块，电流采样模块连接DSP控制器，对音圈电机的电流信号进行采样；DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型。本发明通过在DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，利用音圈电机的电路进行建模，获取上个时刻的电压
位置参考θ*和位置θ之间的差值△θ、动子速度ω和电枢电流ia，实现在不同位置要求下的精准控制，保证伺服电机的精确定位，从而提高阈值的精准度。
Description
技术领域
本发明属于电控技术领域，具体涉及一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法。
背景技术
音圈电机的优良特性使得其应用在很多产品和设备中，常被装在磁盘、激光唱片中用于定位，用于电磁阀系统的直接驱动以及用于超声波的扫描等。近年来各种芯片、各种工程软件以及各种算法的升级使得对提高音圈电机的控制性能提供了更多的可能，如自适应控制、模糊控制、滑模控制等。但是，大多数的控制方法都需要最大限度对所研究的对象建立模型，并且需要分析和了解控制对象的特点，根据控制对象的特点设计所需要的实际的系统，从而实现理想的控制效果。
CN 106887990 A公开了一种音圈电机位置运动控制装置，通过检测音圈电机的位置获得电机位置信息、电机速度信息和电机电流信息；然后根据目标位置和电机位置信息计算位置误差；如果位置误差的绝对值大于位置调整阀值，则执行电机校正步骤。在电机校准过程中，人为设定阈值，通过预先设定好的校准公式与PID算法进行相应的输出电压调整。但是存在以下问题：人为设定的阈值难以找到一个最好的值，且阈值以下的误差无法进行调整。电机校正算法需要自行建模，而对于电机控制这种非线性高阶数学模型，难以建立一个高效有效的模型用来拟合实际情况，无法保证阈值的精准度。
发明内容
本发明针对上述的不足之处提供一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法。
本发明目的是这样实现的：一种基于深度学习的音圈电机位置伺服控制系统，该系统包括电源模块，电源模块给音圈电机提供电能；其特征在于：所述系统包括DSP控制器、驱动器、光电编码器以及电流采样模块；
所述DSP控制器通过驱动模块连接音圈电机，音圈电机连接光电编码器，光电编码器连接DSP控制器，光电编码器记录音圈电机位置信息；
所述音圈电机连接电流采样模块，电流采样模块连接DSP控制器，电流采样模块对音圈电机的电流信号进行采样；
所述DSP控制器连接驱动器，驱动器连接音圈电机；
所述DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，数学模型利用音圈电机的电路进行建模。
优选的，所述光电编码器连接正交编码脉冲电路(QEP)，正交编码脉冲电路连接DSP控制器；所述光电编码器用于获取音圈电机的位移，正交编码脉冲电路用于获取电机转速；所述光电编码器与正交编码脉冲电路将获取的位移信息与速率信息传输给DSP控制器。
优选的，所述电流采样模块采用电流传感器，电流传感器连接A/D转换器，A/D转换器连接DSP控制器；所述A/D转换器将电流传感器获取的电流信息转化为模拟信号传输给DSP控制器。
优选的，所述电源模块连接电平转换模块，电平转换模块连接DSP控制器；所述电平转换模块将电源模块的交流电转换成直流电。
优选的，所述数学模型采用的神经网络为BP神经网络，数学模型利用音圈电机的电路进行建模；
所述数学模型获取音圈电机最优的控制数据，掌握音圈电机各变量之间的关系。
优选的，述数学模型构建步骤如下：
当音圈电机处于动态的运动情况时，它的电压平衡方程式可以表示为：
式中，ua为电枢端电压，ea为运动反电势，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度；
音圈电机的运动平衡方程可以表示为：
式中，Te为电磁转矩，Tl为负载转矩，kt为力矩系数；J为动子转动惯量；k为粘性阻尼系数；
运动中的旋转型音圈电机满足公式：
式中，θ为动子的位置；
将公式(1)、公式(2)和公式(3)进一步变形可得：
式中，ua为电枢端电压，kt为力矩系数，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度；Tl为负载转矩；
将公式(1)、公式(2)和公式(3)联立得到音圈电机的数学模型。
优选的，所述数学模型通过在数学上考虑音圈电机的优化目标和具体的约束条件，优化目标在数学上通过最小化参考位置与实际位置之间的误差来表示：
式中，x1为实际位置θ，
为参考位置θ*，obj为通过优化来最小化的目标值，用于表示位置控制跟踪的质量；m为最大离散指数；
为了形成具有较少计算量的优化问题，将公式(4)中的对象模型简化为公式(6)：
公式(6)中参数的具体变量为：
对公式(6)的状态方程进一步离散化：
式中，h为离散采样的时间步长(s)；
为了优化逆变器的输出电压，H桥逆变器PWM的斩波输出受到直流电压的限制，表示为：
-uDC＜u[i]＜uDC (9)
将相应变量的初始值设为零，针对音圈电机优化问题的整体表达式可用公式(10)表示：
通过优化问题的公式以及给定一个特定的外部条件，即所需的参考位置轨迹
和负载转矩Tl，得到ua的最优控制序列以及x1，x2和x3的变化情况。
一种基于深度学习的音圈电机位置伺服控制系统的数学模型训练方法，其特征在于：该方法包括以下步骤：
步骤(1):首先通过人工标注的方式，采集不低于6000份的数据，数据内包括：上个时刻的电压
输入量x2位置参考θ*和位置θ之间的差值△θ、输入量x3为动子速度ω输入量x4为电枢电流ia，以及这个时刻所需要的的控制电压ua，将该数据以5:1的比例进行拆分，从中取出1/6的数据作为测试集，剩余的作为训练集；
步骤(2):根据搭建的神经网络，对网络中的参数进行随机初始化，给各个参数随机赋值(-1,1)之间的一个参数；
步骤(3):将训练集的样本进行标准化，送入神经网络，得到对应的网络输出，网络训练32轮，即所有数据都需要参与网络训练32次，测试集不参与训练；
步骤(4):将网络得到的输出ua和数据集中标注好的期望ua进行比较，使用均方差作为损失函数，计算得到结果和期望结果的误差，并利用误差反向传播法，计算网络中每个参数造成的误差值；
步骤(5):将网络中所有的参数根据误差进行修正；
步骤(6):循环步骤(2)，步骤(3)，步骤(4)，步骤(5)，将训练集中的所有数据训练32次；
步骤(7):将训练好的网络用测试集进行测试，评价神经网络拟合的性能是否达标。
本发明的有益效果为：1、通过在DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，利用音圈电机的电路进行建模；将音圈电机中上个时刻的电压
位置参考θ*和位置θ之间的差值△θ、动子速度ω及电枢电流ia，以及这个时刻所需要的控制电压ua作为数据集，实现在不同位置要求下的精准的位置控制，保证伺服电机的精确定位，从而提高阈值的精准度。
2、通过采用BP神经网络搭建数学模型，并对数字模型进行训练，在网络训练中，损失函数选定为均方差损失函数，提高网络的泛化能力；其次，次更新参数都会综合考虑100个数据的情况，防止损失函数在收敛的过程中震荡，导致无法正常收敛，进一步提高基于数学模型下阈值的精准度。
附图说明
图1为本发明的整体结构示意图。
图2为本发明的控制框图。
图3为本音圈电机的电路原理图。
图4为本音圈电机的模型结构图。
图5为本发明中BP神经网络结构图。
图6为本发明中BP神经网络神经元结构图。
图7为本发明的方法流程图。
具体实施方式
以下结合附图对本发明做进一步概述。
如图1所示，一种基于深度学习的音圈电机位置伺服控制系统，包括电源模块，电源模块连接音圈电机，电源模块给音圈电机提供电能；音圈电机连接光电编码器，光电编码器获取音圈电机的位置信息，光电编码器连接正交编码脉冲电路，正交编码脉冲电路获取音圈电机的转速，正交编码脉冲电路连接DSP控制器，将获取音圈电机的位置信息和速率传输给DSP控制器；
音圈电机连接电流传感器，电流传感器获取音圈电机的电流信息，电流信息为数字信号，电流传感器连接A/D转换器，将电流信息的数字信号转化为模拟信号，A/D转换器连接DSP控制器，电流传感器获取的电流信息转化为模拟信号传输给DSP控制器。
进一步，电源模块连接电平转换器，电平转换器连接DSP控制器，电源模块给DSP控制器提供电能，电平转换模块将电源模块的交流电转换成直流电传输给DSP控制器；DSP控制器连接驱动器，驱动器连接音圈电机；DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，数学模型利用音圈电机的电路进行建模；采用的神经网络为BP神经网络，BP神经网络的结构包括三部分：输入层、隐含层和输出层。上一层与下一层的神经元完全连接并且各层的神经元之间互不干扰。
神经元是神经网络最基本、最小的单元，神经元的外部输入用x1,x2,......,xn来表示，即来自前一级用以处理信息的n个神经元的输出信号；神经元内部参数分别是w1,w2,......,wn，与神经元对应的输入相乘。bi表示神经元的偏置量，f表示激活函数，神经元的输入与输出关系可以表示为如下所示：
进一步，输入层负责将上一级的各神经元的输出作为输入，不经过处理直接传递给隐含层的各神经元，接着隐含层的各神经元将输入层的输入经过处理后传递到输出层。隐含层可以设置层单层或多层，若隐含层是多层的话，那么信息经过隐含层的多层传递之后在将输出结果传递给输出层，然后输出层对最后一个隐含层各神经元的输出做最后的处理，输出结果便是整个网络的输出。这样一个过程便完成了整个网络的正向学习过程，外界便可以接收到整个网络的输出结果，可以对该结果做进一步的处理。
进一步，本实施例采用的数学模型结构设计如下：
在输入层，输入量x1为上个时刻的电压
输入量x2位置参考θ*和位置θ之间的差值△θ、输入量x3为动子速度ω输入量x4为电枢电流ia，考虑到输入量的单位与量纲不同，将输入数据xi进行标准化，通关标准化将输入变量映射为期望值μ＝0，标准差σ＝1条件下的正态分布；
在隐含层①，神经元个数设置为32个，隐含层的作用主要是将输入参数进行初步加工，学习每个参数之间的关联，提取其低级语义特征，将个数设置为2的整数次方有利于处理器进行运算时进行内存对齐，加快神经网络的推理速度。神经元结构如图6所示，在隐含层①内，每个神经元储存有4个不同的权重参数wi、偏置参数b、激活函数Tansig,权重参数与输入层对应的变量进行相乘得到wixi，再加上偏置参数b，最终将wixi+b送入激活函数Tansig中，对部分输入进行抑制，最终得到神经元的输出y，因此隐含层①共输入参数4个，输出中间变量32个。
在隐含层②中，神经元个数设置为128个，每个神经元储存有32个权重参数wi，1个偏置参数b，1个激活函数Tansig，隐含层②的输入x为隐含层①输出的中间变量，该层接受32个输入，输出128个变量，该层变量通过学习隐含层①的低级语义特征，提取出所需的新的较低级语义特征。
在隐含层③中，神经元个数设置为128个，每个神经元储存有256个权重参数wi，1个偏置参数b，1个激活函数Tansig，隐含层③的输入x为隐含层②输出的中间变量，该层接受128个输入，输出256个变量，该层从数据中提取更加丰富的语义特征。
在隐含层④中，神经元个数设置为256个，每个神经元储存有32个权重参数wi，1个偏置参数b，1个激活函数Tansig，隐含层④的输入x为隐含层②输出的中间变量，该层接受256个输入，输出32个变量，该层输出的变量为高级语义特征，用来参与后续的控制变量输出的计算。
在输出层中，神经元个数设置为1个，每个神经元储存有32个权重参数wi，1个偏置参数b，1个激活函数Tansig，输出层通过学习高级语义特征，最终得出需要的输出变量，输出的变量为音圈电机的控制电压。
当音圈电机处于动态的运动情况时，它的电压平衡方程式可以表示为：
式中，ua为电枢端电压，ea为运动反电势，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度。
音圈电机的运动平衡方程可以表示为：
式中，Te为电磁转矩，Tl为负载转矩，kt为力矩系数；J为动子转动惯量；k为粘性阻尼系数。
运动中的音圈电机满足公式：
式中，θ为动子的位置。
将公式(1)、公式(2)和公式(3)联立得到音圈电机的数学模型；数学模型如图4所示；
将公式(1)、公式(2)和公式(3)进一步变形可得：
式中，ua为电枢端电压，kt为力矩系数，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度；Tl为负载转矩。
从数学上考虑音圈电机的优化目标和具体的约束条件，优化目标可在数学上通过最小化参考位置与实际位置之间的误差来表示：
式中，x1为实际位置θ，
为参考位置θ*，obj为通过优化来最小化的目标值，用于表示位置控制跟踪的质量；m为最大离散指数；
为了形成具有较少计算量的优化问题，将公式(4)中的对象模型简化为公式(6)：
公式(6)中参数的具体变量为：
对公式(6)的状态方程进一步离散化：
式中，h为离散采样的时间步长(s)。
为了优化逆变器的输出电压，H桥逆变器PWM的斩波输出受到直流电压的限制，表示为：
-uDC＜u[i]＜uDC (9)
将相应变量的初始值设为零，那么针对音圈电机优化问题的整体表达式可用公式(10)表示：
通过优化问题的公式以及给定一个特定的外部条件，即所需的参考位置轨迹
和负载转矩Tl，可以得到ua的最优控制序列以及x1，x2和x3的变化情况。
一种基于深度学习的音圈电机位置伺服控制系统的数学模型训练方法：该方法包括如下操作：
步骤(1):首先通过人工标注的方式，采集不低于6000份的数据，数据内包括：上个时刻的电压
输入量x2位置参考θ*和位置θ之间的差值△θ、输入量x3为动子速度ω输入量x4为电枢电流ia，以及这个时刻所需要的的控制电压ua，将该数据以5:1的比例进行拆分，从中取出1/6的数据作为测试集，剩余的作为训练集；
步骤(2):根据搭建的神经网络，对网络中的参数进行随机初始化，给各个参数随机赋值(-1,1)之间的一个参数；
步骤(3):将训练集的样本进行标准化，送入神经网络，得到对应的网络输出，网络训练32轮，即所有数据都需要参与网络训练32次，测试集不参与训练；
步骤(4):将网络得到的输出ua和数据集中标注好的期望ua进行比较，使用均方差作为损失函数，计算得到结果和期望结果的误差，并利用误差反向传播法，计算网络中每个参数造成的误差值；
步骤(5):将网络中所有的参数根据误差进行修正；
步骤(6):循环步骤(2)，步骤(3)，步骤(4)，步骤(5)，将训练集中的所有数据训练32次；
步骤(7):将训练好的网络用测试集进行测试，评价神经网络拟合的性能是否达标。
神经网络在设计过程中困难之处是对BP神经网络隐含层中的神经元个数的确定。一个隐含层的BP神经网络可以很好的完成输入数据与输出数据之间的映射，但是对于有限的输入数据样本来说就只需要有限的神经元个数，同样的对于具有两个隐含层的BP神经网络也需设置各层的神经元个数。神经元个数的设定从对神经网络开始研究以来一直没有得出具体的计算公式，只能从具体的问题中找出一些经验。神经元个数设置的过多或者过少都会导致训练的神经网络不稳定或者训练失败，在本发明中设置的神经网络将隐藏层数设置为4层，每层的神经元个数依次为32,128,256,32。
为了避免神经网络发生过拟合，无法正确预测数据集以外的数据，在损失函数中加入L2正则化，降低参数的搜索空间。
神经网络在训练需要确定学习率，过大的学习率会导致网络在训练时参数变化过大导致网络收敛发生震荡；过小的学习率容易导致网络收敛过慢，无法在训练轮次内完成收敛。因此在训练中学习率采用分段学习率，初始学习率为0.001，最小学习率为0.000001，在训练过程中学习率逐步分段地从0.001降低到0.000001。
激活函数采用S型的正切函数(tansig),该函数光滑、可微，能够实现很好的容错性。
神经网络在训练时损失函数采用均方差、优化器采用Adam，能够在加快网络收敛速度的同时，避免陷入局部极小值。
在网络训练中，损失函数选定为均方差损失函数，在本发明中损失函数为公式(10)提到的优化目标函数，通过梯度下降法找到神经网络目标函数最小化对应的参数W，即为神经网络所需要的使用的权重参数wi，将手工标注好的数据集送入网络中，为了提高网络的泛化能力，网络设置为100个数据更新一次参数，即每次更新参数都会综合考虑100个数据的情况，防止损失函数在收敛的过程中震荡，导致无法正常收敛。
工作原理：通过采集上个时刻的电压
位置参考θ*和位置θ之间的差值△θ、动子速度ω和电枢电流ia这四个状态，根据计算得到此刻需要输出的控制电压ua，通过采集大量数据，利用函数拟合出对应的函数，即
由于函数为高阶的四元函数，拟合难度大，因此通过神经网络进行函数的拟合，在降低函数建模难度的同时，又能保证较高的拟合精度，使用Tansig非线性激活函数为网络提供拟合函数的非线性，使用多层的神经网络增加网络的拟合能力。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (8)
1.一种基于深度学习的音圈电机位置伺服控制系统，该系统包括电源模块，电源模块给音圈电机提供电能；其特征在于：所述系统包括DSP控制器、驱动器、光电编码器以及电流采样模块；
所述DSP控制器通过驱动模块连接音圈电机，音圈电机连接光电编码器，光电编码器连接DSP控制器，光电编码器记录音圈电机位置信息；
所述音圈电机连接电流采样模块，电流采样模块连接DSP控制器，电流采样模块对音圈电机的电流信号进行采样；
所述DSP控制器连接驱动器，驱动器连接音圈电机；
所述DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，数学模型利用音圈电机的电路进行建模。
2.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述光电编码器连接正交编码脉冲电路(QEP)，正交编码脉冲电路连接DSP控制器；所述光电编码器用于获取音圈电机的位移，正交编码脉冲电路用于获取电机转速；所述光电编码器与正交编码脉冲电路将获取的位移信息与速率信息传输给DSP控制器。
3.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述电流采样模块采用电流传感器，电流传感器连接A/D转换器，A/D转换器连接DSP控制器；所述A/D转换器将电流传感器获取的电流信息转化为模拟信号传输给DSP控制器。
4.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述电源模块连接电平转换模块，电平转换模块连接DSP控制器；所述电平转换模块将电源模块的交流电转换成直流电。
5.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述数学模型采用的神经网络为BP神经网络，数学模型利用音圈电机的电路进行建模；
所述数学模型获取音圈电机最优的控制数据，掌握音圈电机各变量之间的关系。
6.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述数学模型构建步骤如下：
当音圈电机处于动态的运动情况时，它的电压平衡方程式可以表示为：
式中，ua为电枢端电压，ea为运动反电势，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度；
音圈电机的运动平衡方程可以表示为：
式中，Te为电磁转矩，Tl为负载转矩，kt为力矩系数；J为动子转动惯量；k为粘性阻尼系数；
运动中的旋转型音圈电机满足公式：
式中，θ为动子的位置；
将公式(1)、公式(2)和公式(3)进一步变形可得：
式中，ua为电枢端电压，kt为力矩系数，ia为电枢电流，Ra为电枢电阻，La为电枢电感，ka为电势系数，ω为动子的运动速度；Tl为负载转矩；
将公式(1)、公式(2)和公式(3)联立得到音圈电机的数学模型。
7.根据权利要求6所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述数学模型通过在数学上考虑音圈电机的优化目标和具体的约束条件，优化目标在数学上通过最小化参考位置与实际位置之间的误差来表示：
式中，x1为实际位置θ，
为参考位置θ*，obj为通过优化来最小化的目标值，用于表示位置控制跟踪的质量；m为最大离散指数；
为了形成具有较少计算量的优化问题，将公式(4)中的对象模型简化为公式(6)：
公式(6)中参数的具体变量为：
对公式(6)的状态方程进一步离散化：
式中，h为离散采样的时间步长(s)；
为了优化逆变器的输出电压，H桥逆变器PWM的斩波输出受到直流电压的限制，表示为：
-uDC＜u[i]＜uDC (9)
将相应变量的初始值设为零，针对音圈电机优化问题的整体表达式可用公式(10)表示：
通过优化问题的公式以及给定一个特定的外部条件，即所需的参考位置轨迹
和负载转矩Tl，得到ua的最优控制序列以及x1，x2和x3的变化情况。
8.根据权利要求1-7任意一项所述的一种基于深度学习的音圈电机位置伺服控制系统的数学模型训练方法，其特征在于：该方法包括如下操作：
步骤(1):首先通过人工标注的方式，采集不低于6000份的数据，数据内包括：上个时刻的电压
输入量x2位置参考θ*和位置θ之间的差值△θ、输入量x3为动子速度ω输入量x4为电枢电流ia，以及这个时刻所需要的的控制电压ua，将该数据以5:1的比例进行拆分，从中取出1/6的数据作为测试集，剩余的作为训练集；
步骤(2):根据搭建的神经网络，对网络中的参数进行随机初始化，给各个参数随机赋值(-1,1)之间的一个参数；
步骤(3):将训练集的样本进行标准化，送入神经网络，得到对应的网络输出，网络训练32轮，即所有数据都需要参与网络训练32次，测试集不参与训练；
步骤(4):将网络得到的输出ua和数据集中标注好的期望ua进行比较，使用均方差作为损失函数，计算得到结果和期望结果的误差，并利用误差反向传播法，计算网络中每个参数造成的误差值；
步骤(5):将网络中所有的参数根据误差进行修正；
步骤(6):循环步骤(2)，步骤(3)，步骤(4)，步骤(5)，将训练集中的所有数据训练32次；
步骤(7):将训练好的网络用测试集进行测试，评价神经网络拟合的性能是否达标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211621843.4A CN115963752A (zh) | 2022-12-16 | 2022-12-16 | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211621843.4A CN115963752A (zh) | 2022-12-16 | 2022-12-16 | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115963752A true CN115963752A (zh) | 2023-04-14 |
Family
ID=87362798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211621843.4A Withdrawn CN115963752A (zh) | 2022-12-16 | 2022-12-16 | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115963752A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116871748A (zh) * | 2023-06-28 | 2023-10-13 | 宁波尚进自动化科技有限公司 | 力控系统温度补偿装置及方法 |
| CN117331339A (zh) * | 2023-12-01 | 2024-01-02 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
-
2022
- 2022-12-16 CN CN202211621843.4A patent/CN115963752A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116871748A (zh) * | 2023-06-28 | 2023-10-13 | 宁波尚进自动化科技有限公司 | 力控系统温度补偿装置及方法 |
| CN116871748B (zh) * | 2023-06-28 | 2024-03-26 | 宁波尚进自动化科技有限公司 | 力控系统温度补偿装置及方法 |
| CN117331339A (zh) * | 2023-12-01 | 2024-01-02 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
| CN117331339B (zh) * | 2023-12-01 | 2024-02-06 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115963752A (zh) | 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法 | |
| US10148211B2 (en) | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus | |
| JP6774637B2 (ja) | 制御装置及び制御方法 | |
| CN114185264B (zh) | 一种基于物理信息神经网络的pid控制器参数整定方法 | |
| CN107919813A (zh) | 基于模糊神经网络的超声电机转速控制 | |
| 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 | |
| CN109190270A (zh) | 一种基于apso-bp的双配重盘自动平衡控制方法 | |
| CN112000001A (zh) | 一种基于改进贝叶斯模型的pid参数整定优化方法 | |
| Yang et al. | A CMAC-PD compound torque controller with fast learning capacity and improved output smoothness for electric load simulator | |
| CN110802589A (zh) | 一种工业机器人单关节伺服控制的迟滞补偿方法 | |
| CN112462611A (zh) | 一种精密机电系统滑动摩擦建模方法 | |
| Maddi et al. | Optimization of pid controller gain using evolutionary algorithm and swarm intelligence | |
| CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
| CN117318553B (zh) | 基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法 | |
| Oliveira et al. | An introduction to models based on Laguerre, Kautz and other related orthonormal functions–Part II: non-linear models | |
| CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法 | |
| Fatah | PSO-based tunning of PID controller for speed control of DC motor | |
| CN114077196A (zh) | 一种基于改进Prandtl-Ishlinskii模型的压电驱动器复合控制方法 | |
| Kaminski et al. | Neural speed controller based on two state variables applied for a drive with elastic connection | |
| Kaur et al. | Novel approach to optimal preview control of DC motor using evolutionary algorithms | |
| CN112327958A (zh) | 一种基于数据驱动的发酵过程pH值控制方法 | |
| CN117792190B (zh) | 一种高精度电机驱动方法 | |
| CN112684706B (zh) | 一种直驱龙门运动平台的控制方法 | |
| Shafiq et al. | Real-time adaptive tracking of DC motor speed using U-model based IMC | |
| Sepeeh et al. | Motor Speed Control Based on Enhanced Indirect-Field-Oriented Control Using Convolutional Neural Network |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230414 |