CN116317733B - 一种位置控制型直流有刷电机控制方法 - Google Patents
一种位置控制型直流有刷电机控制方法 Download PDFInfo
- Publication number
- CN116317733B CN116317733B CN202310569080.1A CN202310569080A CN116317733B CN 116317733 B CN116317733 B CN 116317733B CN 202310569080 A CN202310569080 A CN 202310569080A CN 116317733 B CN116317733 B CN 116317733B
- Authority
- CN
- China
- Prior art keywords
- motor control
- parameters
- model
- neural network
- pid controller
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- H02P7/00—Arrangements for regulating or controlling the speed or torque of electric DC motors
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种位置控制型直流有刷电机控制方法,涉及驱动电机技术领域。所述方法包括步骤:S1、构建基于双环PID模型的电机控制模型;S2、训练神经网络模型,并设定电机控制模型的参数;S3、将神经网络模型与电机控制模型连接,在电机运行过程中采集电机控制模型的运行参数,使神经网络模型实时电机控制模型的参数;所述电机控制模型的参数包括角度PID控制器和速度PID控制器的PID参数以及前馈权重。本发明通过神经网络调整PID参数和前馈权重,能有效提高模型的响应速度,减小稳态误差,并且具备较高的调节效率,从而节省调参过程消耗的人工成本。
Description
技术领域
本发明涉及驱动电机技术领域,具体是一种位置控制型直流有刷电机控制方法。
背景技术
直流有刷电机是应用广泛的驱动电机,其具有启动快、响应快的优点,因此被广泛应用于机器人、汽车、摩托车等领域。对于直流有刷电机的控制,PID控制器是一种经典的控制手段,具有调节范围广,响应速度快,容易实现的特点。PID控制器是一种根据偏差信号输出控制信号的控制器,其由比例(P)、积分(I)和微分(D)三种控制元素组成。在直流有刷电机的控制中,PID控制器常常用于控制电机的电流、转速和位置等参数。在PID控制的基础上,通过调整PID控制器的参数,可以实现匹配控制、跟踪控制和稳态控制等多种控制目标。
然而,在电机工作过程中,PID控制器参数的选取需要根据直流有刷电机的特性和实际使用需求制定,这就需要对电机的性能和特征有一个较为深入的了解,否则选取的参数可能不合理,导致控制效果不佳,无法实现电机预期的控制目标。并且,PID控制器调参需要人工参与,调整过程漫长且存在随意性,价格昂贵的实验设备和专业人才的配合也会增加开发成本。
发明内容
为解决现有技术存在的问题,本发明采用以下技术方案:
一种位置控制型直流有刷电机控制方法,包括步骤:
S1、构建基于双环PID模型的电机控制模型;所述电机控制模型包括角度PID控制器、速度PID控制器、测量单元、前馈调节单元、参数整定单元和执行单元;
S2、训练神经网络模型,并设定电机控制模型的参数;
S3、将神经网络模型与电机控制模型连接,在电机运行过程中采集电机控制模型的运行参数,使神经网络模型实时电机控制模型的参数;所述电机控制模型的参数包括角度PID控制器和速度PID控制器的PID参数以及前馈权重;
其中,所述训练神经网络模型,并设定电机控制模型的参数,具体包括:
S21、在多种工作状态下,采集电机控制模型的运行参数,设计损失函数并通过优化算法训练神经网络模型;其中运行参数至少包括目标角度、当前角度和当前速度;
S22、设定当前工作状态和目标角度,计算得到电机控制模型的参数;
所述将神经网络模型与电机控制模型连接,具体包括:
S31、将神经网络模型与测量单元连接,获取电机控制模型的运行参数;
S32、将神经网络模型与参数整定单元连接,使参数整定单元获取神经网络模型的输出数据。
作为本发明的优选方案,所述测量单元用于读取角度数据和速度数据并传输至角度PID控制器和速度PID控制器;角度PID控制器用于根据目标角度和角度数据生成速度期望值并输入速度PID控制器;速度PID控制器根据速度期望值和速度数据生成加速度期望值传输至执行单元。
作为本发明的优选方案,所述前馈调节单元配置为控制前馈权重,并根据前馈权重将角度PID控制器的输出直接输入执行单元;参数整定单元用于调整角度PID控制器和速度PID控制器的PID参数以及前馈调节单元的前馈权重。
作为本发明的优选方案,所述运行参数包括目标角度、当前角度和当前速度。
作为本发明的优选方案,所述神经网络模型采用GRU模型,表示为:
rt=σ(Wrxt+Urht-1+br)
zt=σ(Wzxt+Uzht-1+bz)
ht′= tanh(Whxt+Uh(rt⊙ht-1)+bh)
ht= (1-zt)⊙ht-1+zt⊙ht′
其中,xt表示t时刻的输入信息,ht-1表示t的前一时刻的隐藏状态,rt表示重置门的输出,zt表示更新门的输出,ht′为候选隐藏状态,ht为t时刻的隐藏状态,σ为sigmoid函数,⊙表示哈达玛积,Wr、Wz、Wh分别为重置门、更新门和候选隐藏状态的输入权重矩阵,Ur、Uz、Uh分别为重置门、更新门和候选隐藏状态的循环权重矩阵,br、bz、bh分别为重置门、更新门和候选隐藏状态的偏置向量,tanh()为双曲正切函数。
作为本发明的优选方案,所述损失函数表示为:
其中,表示第i个电机控制模型的输出数据样本,/>表示第i个神经网络模型的预测数据样本,n表示样本总数。
作为本发明的优选方案,所述通过优化算法训练神经网络模型,具体包括:
S221、初始化Adam优化器的超参数,将初始梯度与动量参数、二次动量参数均设为0;
S222、计算损失函数关于参数的梯度;
S223、根据Adam算法,计算动量参数、二次动量参数的更新值,以及每个参数的学习率调整因子;
S224、使用学习率调整因子,在梯度负方向上调整参数值,使得损失函数不断下降;
S225、重复步骤S222至S224,直至损失函数的值不再变化或达到预设的最大迭代次数。
作为本发明的优选方案,所述在多种工作状态下,采集电机控制模型的运行参数,具体为:设定不同的外部负载、控制电压、工作温度和环境震动强度作为电机不同的工作状态,分别获取不同的工作状态下电机控制模型的运行参数。
作为本发明的优选方案,所述角度PID控制器和所述速度PID控制器采用的算法表示为:
其中,u(K)为输出控制量,err(K)为第K个采样时刻的控制误差,Kp为比例增益参数,Kd为微分增益参数,K为当前采样序号,IK为第K个采样时刻的积分项;
所述第K个采样时刻的积分项表示为:
其中,IK-1为第K-1个采样时刻的积分项,Ki为积分增益参数,Sat()为限幅函数,μ表示积分增益限幅系数,errmax表示单次积分增量的控制误差最大值。
作为本发明的优选方案,所述测量单元包括增量式编码器和STM32定时器,所述步骤S2之前,还包括:设置STM32定时器为双相计数模式。
与现有技术相比,本发明具有如下有益效果:
本发明通过神经网络调整PID参数和前馈权重,能有效提高模型的响应速度,减小稳态误差,并且具备较高的调节效率,从而节省调参过程消耗的人工成本;
本发明的神经网络模型对电机控制模型的动态响应进行学习和调整,以适应更广泛的应用场景,并且对于参数误差、测量误差等干扰能够有较好的适应能力,从而保证电机控制的稳定性与鲁棒性;
本发明通过对积分项的整体取值以及单次积分增量进行限制,可以确保系统积分项不会过度超调,也不会出现过大的震荡,从而达到更加稳定的控制效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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他的附图。
图1为本发明实施例的位置控制型直流有刷电机控制方法的流程示意图;
图2为本发明实施例的步骤S2的流程示意图;
图3为本发明实施例的神经网络模型与电机控制模型连接时的结构示意图。
具体实施方式
下面将结合实施例对本发明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,都属于本发明保护的范围。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1至图2,本发明提供了一种位置控制型直流有刷电机控制方法,包括步骤:
S1、构建基于双环PID模型的电机控制模型。电机控制模型包括角度PID控制器、速度PID控制器、测量单元、前馈调节单元、参数整定单元和执行单元。
S2、训练神经网络模型,并设定电机控制模型的参数。
S3、将神经网络模型与电机控制模型连接,在电机运行过程中采集电机控制模型的运行参数,使神经网络模型在线学习,实时电机控制模型的参数;电机控制模型的参数包括角度PID控制器和速度PID控制器的PID参数以及前馈权重。
其中,步骤S2具体包括:
S21、在多种工作状态下,采集电机控制模型的运行参数,设计损失函数并通过优化算法训练神经网络模型;其中运行参数至少包括目标角度、当前角度和当前速度;
S22、设定当前工作状态和目标角度,并根据所述映射关系计算得到电机控制模型的参数。
其中,步骤S3的将神经网络模型与电机控制模型连接,具体包括:
S31、将神经网络模型与测量单元连接,获取电机控制模型的运行参数;
S32、将神经网络模型与参数整定单元连接,使参数整定单元获取神经网络模型的输出数据。
具体的,神经网络模型与电机控制模型连接时的结构如图3所示。电机控制模型中的角度PID控制器、速度PID控制器和执行单元依次连接。测量单元用于读取角度数据和速度数据并传输至角度PID控制器和速度PID控制器。角度PID控制器用于根据目标角度和角度数据生成速度期望值并输入速度PID控制器。速度PID控制器根据速度期望值和速度数据生成加速度期望值传输至执行单元。前馈调节单元配置为控制前馈权重,并根据前馈权重将角度PID控制器的输出即速度期望值直接输入执行单元。参数整定单元用于调整角度PID控制器和速度PID控制器的PID参数以及前馈调节单元的前馈权重。
本发明提供的直流有刷电机控制方法不需要事先对电机控制模型进行精确的物理模型建立,而是直接使用神经网络模型对电机控制模型的动态响应进行学习和调整,以适应更广泛的应用场景,并且对于参数误差、测量误差等干扰能够有较好的适应能力,从而保证电机控制的稳定性与鲁棒性。
需要说明的是,神经网络用于整定双环PID的PID参数之外,还用于整定前馈权重。在双环PID的控制过程中,由于速度PID控制器的积分器滞后明显,本发明引入前馈机制,通过前馈调节单元控制前馈权重使角度PID控制器的输出直接影响执行单元的输入,从而提高模型的响应速度,减小稳态误差。与传统的对传递函数进行根轨迹分析和幅相特性分析相比,神经网络可以通过学习数据自适应地调整前馈权重,提高了调节的效率。
作为本发明的优选实施例,为使神经网络模型更好地处理序列数据的依赖关系且具备良好的预测性,神经网络模型采用GRU模型。GRU具有门控机制,可以更好地处理序列数据的长期依赖关系。相比于传统RNN,GRU模型具有更少的参数,更易于优化,且在一定程度上具有较好的预测性。GRU模型可表示为:
rt=σ(Wrxt+Urht-1+br)
zt=σ(Wzxt+Uzht-1+bz)
ht′= tanh(Whxt+Uh(rt⊙ht-1)+bh)
ht= (1-zt)⊙ht-1+zt⊙ht′
其中,xt表示t时刻的输入信息即运行参数,ht-1表示t的前一时刻的隐藏状态,rt表示重置门的输出,zt表示更新门的输出,ht′为候选隐藏状态,ht为t时刻的隐藏状态,σ为sigmoid函数,⊙表示哈达玛积,Wr、Wz、Wh分别为重置门、更新门和候选隐藏状态的输入权重矩阵,Ur、Uz、Uh分别为重置门、更新门和候选隐藏状态的循环权重矩阵,br、bz、bh分别为重置门、更新门和候选隐藏状态的偏置向量,tanh()为双曲正切函数。
GRU模型通过运行参数和t的前一时刻的隐藏状态得到t时刻的输出yt,依此,参数整定单元根据输出yt对角度PID控制器和速度PID控制器的PID参数以及前馈权重分别赋值。
在一实施例中,损失函数采用均方误差,表示为
其中,表示第i个电机控制模型的输出数据样本,/>表示第i个神经网络模型的预测数据样本,n表示样本总数。MSE的值越小,表示模型预测的结果与真实值越接近,模型的拟合效果越好。可以使用MSE作为损失函数来训练模型并调整模型参数,以最小化误差和提高模型的预测能力。
基于上述实施例,所述优化算法为梯度下降法。梯度下降法通过求解损失函数的梯度确定在函数空间中下降最快的方向,在该方向上逐步调整参数值,从而最小化损失函数。进一步地,步骤S22中的通过优化算法迭代调整得到电机控制模型的参数,具体包括:
S221、初始化Adam优化器的超参数,将初始梯度与动量参数、二次动量参数均设为0;
S222、计算损失函数关于参数的梯度;
S223、根据Adam算法,计算动量参数、二次动量参数的更新值,以及每个参数的学习率调整因子;
S224、使用学习率调整因子,在梯度负方向上调整参数值,使得损失函数不断下降;
S225、重复步骤S222至S224,直至损失函数的值不再变化或达到预设的最大迭代次数。
在一实施例中,步骤S21中的在多种工作状态下,采集电机控制模型的运行参数,具体为:设定不同的外部负载、控制电压、工作温度和环境震动强度作为电机的工作状态,分别获取不同工作状态下电机控制模型的运行参数。本实施例将对电机控制精度影响较大的外部负载、控制电压、工作温度和环境震动强度等参数结合作为工作参数,使训练样本具备充足的代表性和多样性,保证神经网络模型具有良好的准确性和泛化能力。
进一步地,为避免角度PID控制器和速度PID控制器因积分累积出现过大超调或出现较大震荡,步骤S3还包括:通过参数整定单元对角度PID控制器和速度PID控制器的PID参数进行积分限幅和积分分离。本发明通过积分分离技术,在PID控制算法中将积分项与比例项和微分项分离处理,从而避免过度积分和系统启动不稳定的现象。而积分限幅是指在PID控制算法中对积分项进行限制,避免产生积分饱和的现象。积分饱和是指积分项的值超过限制范围后产生的偏差无法消除的现象。一旦出现积分饱和现象,控制信号甚至会越来越大,导致系统失控。通过积分限幅,在PID控制算法中对积分项进行限制,可以确保积分项的值不会超过限制范围,从而避免产生积分饱和的现象。
作为优选实施例,角度PID控制器和速度PID控制器的PID参数包括角度PID控制器和速度PID控制器中的比例增益参数、积分增益参数和微分增益参数,角度PID控制器和速度PID控制器采用的算法表示为:
其中,u(K)为输出控制量,err(K)为第K个采样时刻的控制误差,Kp和Kd分别为比例增益参数和微分增益参数,K为当前采样序号,IK为第K个采样时刻的积分项。
具体的,所述第K个采样时刻的积分项表示为:
其中,IK为第K个采样时刻的积分项,IK-1为第K-1个采样时刻的积分项,K为当前采样序号,Ki为积分增益参数,Sat()为限幅函数,err(K)为第K个采样时刻的控制误差,μ表示积分增益限幅系数,errmax表示单次积分增量的控制误差最大值。进一步地,限幅函数Sat()表示为:
其中,为预设的积分项最大值。需要说明的是,角度PID控制器和速度PID控制器中的单次积分增量的控制误差最大值/>、预设的积分项最大值/>根据实际情况选择不同的值。依此,本发明对积分项的整体取值以及单次积分增量均进行限制,可以确保系统积分项不会太大,还可以保证积分项不会出现过大的震荡,从而达到更加稳定的控制效果。
在一实施例中,测量单元至少包括增量式编码器和STM32定时器,执行单元至少包括STM32的PWM输出模块和电机。其中,增量式编码器通过光电检测光栅圆盘的刻线测量旋转物体的转角和转速,其测量精度高,测量范围大且速度较快,适用于高精度、高可靠性要求的转角和转速测量的本发明的电机控制系统。
基于上述实施例,步骤S2之前,还包括:设置STM32定时器为双相计数模式。在双相计数模式下,定时器会同时启用两个输入捕获通道。这两个通道均用于捕获外部信号的上升沿或下降沿,从而将信号转换为数字脉冲信号。当外部信号的上升沿或下降沿到达时,定时器会记录当前时间。当两个通道均记录到时间后,定时器会计算两个信号的时间差,从而得到外部信号的周期或脉宽信息。依此,双相计数模式可以实现高精度的时间测量和频率计数。
在本申请所提供的几个实施例中,应该理解到,所揭露的单元和方法,可以通过其它的方式实现。例如,以上所描述的单元实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个单元,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (7)
1.一种位置控制型直流有刷电机控制方法,其特征在于:包括步骤:
S1、构建基于双环PID模型的电机控制模型;所述电机控制模型包括角度PID控制器、速度PID控制器、测量单元、前馈调节单元、参数整定单元和执行单元;所述测量单元用于读取角度数据和速度数据并传输至角度PID控制器和速度PID控制器;角度PID控制器用于根据目标角度和角度数据生成速度期望值并输入速度PID控制器;速度PID控制器根据速度期望值和速度数据生成加速度期望值传输至执行单元;所述前馈调节单元配置为控制前馈权重,并根据前馈权重将角度PID控制器的输出直接输入执行单元;参数整定单元用于调整角度PID控制器和速度PID控制器的PID参数以及前馈调节单元的前馈权重;
S2、训练神经网络模型,并设定电机控制模型的参数;
S3、将神经网络模型与电机控制模型连接,在电机运行过程中采集电机控制模型的运行参数,使神经网络模型实时电机控制模型的参数;所述电机控制模型的参数包括角度PID控制器和速度PID控制器的PID参数以及前馈权重;
其中,所述训练神经网络模型,并设定电机控制模型的参数,具体包括:
S21、在多种工作状态下,采集电机控制模型的运行参数,设计损失函数并通过优化算法训练神经网络模型;其中运行参数至少包括目标角度、当前角度和当前速度;
S22、设定当前工作状态和目标角度,计算得到电机控制模型的参数;
所述将神经网络模型与电机控制模型连接,具体包括:
S31、将神经网络模型与测量单元连接,获取电机控制模型的运行参数;
S32、将神经网络模型与参数整定单元连接,使参数整定单元获取神经网络模型的输出数据。
2.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述神经网络模型采用GRU模型,表示为:
rt =σ(Wrxt+Urht-1+br)
zt =σ(Wzxt+Uzht-1+bz)
ht′= tanh(Whxt+Uh(rt⊙ht-1)+bh)
ht = (1-zt)⊙ht-1+zt⊙ht′
其中,xt表示t时刻的输入信息,ht-1 表示t的前一时刻的隐藏状态,rt表示重置门的输出,zt表示更新门的输出,ht′为候选隐藏状态,ht为t时刻的隐藏状态,σ为sigmoid函数,⊙表示哈达玛积,Wr、Wz、Wh分别为重置门、更新门和候选隐藏状态的输入权重矩阵,Ur、Uz、Uh分别为重置门、更新门和候选隐藏状态的循环权重矩阵,br、bz、bh分别为重置门、更新门和候选隐藏状态的偏置向量,tanh()为双曲正切函数。
3.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述损失函数表示为:
;
其中,Yio表示第i个电机控制模型的输出数据样本,Yif表示第i个神经网络模型的预测数据样本,n表示样本总数。
4.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述通过优化算法训练神经网络模型,具体包括:
S221、初始化Adam优化器的超参数,将初始梯度与动量参数、二次动量参数均设为0;
S222、计算损失函数关于参数的梯度;
S223、根据Adam算法,计算动量参数、二次动量参数的更新值,以及每个参数的学习率调整因子;
S224、使用学习率调整因子,在梯度负方向上调整参数值,使得损失函数不断下降;
S225、重复步骤S222至S224,直至损失函数的值不再变化或达到预设的最大迭代次数。
5.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述在多种工作状态下,采集电机控制模型的运行参数,具体为:设定不同的外部负载、控制电压、工作温度和环境震动强度作为电机不同的工作状态,分别获取不同的工作状态下电机控制模型的运行参数。
6.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述角度PID控制器和所述速度PID控制器采用的算法表示为:
;
其中,u(K)为输出控制量,err(K)为第K个采样时刻的控制误差,Kp为比例增益参数,Kd为微分增益参数,K为当前采样序号,Ik为第K个采样时刻的积分项,
所述第K个采样时刻的积分项表示为:
;
其中,IK-1为第K-1个采样时刻的积分项,Ki为积分增益参数,Sat()为限幅函数,μ表示积分增益限幅系数,errmax表示单次积分增量的控制误差最大值。
7.根据权利要求1所述的位置控制型直流有刷电机控制方法,其特征在于:所述测量单元包括增量式编码器和STM32定时器;所述步骤S2之前,还包括:设置STM32定时器为双相计数模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569080.1A CN116317733B (zh) | 2023-05-19 | 2023-05-19 | 一种位置控制型直流有刷电机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569080.1A CN116317733B (zh) | 2023-05-19 | 2023-05-19 | 一种位置控制型直流有刷电机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116317733A CN116317733A (zh) | 2023-06-23 |
CN116317733B true CN116317733B (zh) | 2023-08-01 |
Family
ID=86796393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310569080.1A Active CN116317733B (zh) | 2023-05-19 | 2023-05-19 | 一种位置控制型直流有刷电机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116317733B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117879411B (zh) * | 2024-03-11 | 2024-05-31 | 深圳市昱森机电有限公司 | 直流有刷电机的控制方法、装置、设备及存储介质 |
CN118282255A (zh) * | 2024-03-29 | 2024-07-02 | 深圳熙斯特新能源技术有限公司 | 电机速度控制方法、装置、介质及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904708A (zh) * | 2021-01-15 | 2021-06-04 | 江苏大学 | 一种双三相永磁同步电机位置伺服前馈反馈复合控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020022903A1 (en) * | 2000-08-14 | 2002-02-21 | Krah Jens Onno | Frequency domain auto-tune for an internal motor controller |
JP3658339B2 (ja) * | 2001-05-17 | 2005-06-08 | キヤノン株式会社 | モータの制御のための方法及び装置 |
CN100347946C (zh) * | 2005-02-08 | 2007-11-07 | 赵宝业 | 直流电机的伺服驱动器 |
JP4507110B2 (ja) * | 2005-11-18 | 2010-07-21 | 株式会社安川電機 | ディジタルサーボ制御装置 |
CN102497153B (zh) * | 2011-12-12 | 2014-01-08 | 东北大学 | 永磁同步电机功率角恒定自适应控制方法 |
CN108429495A (zh) * | 2018-05-23 | 2018-08-21 | 苏州工业职业技术学院 | 四绕组永磁直流力矩电机控制系统 |
CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
-
2023
- 2023-05-19 CN CN202310569080.1A patent/CN116317733B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904708A (zh) * | 2021-01-15 | 2021-06-04 | 江苏大学 | 一种双三相永磁同步电机位置伺服前馈反馈复合控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116317733A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116317733B (zh) | 一种位置控制型直流有刷电机控制方法 | |
EP1956447B1 (en) | Apparatus and method for proportional-integral-derivative control | |
CN109787251B (zh) | 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
Du et al. | PID controller parameter optimized by reformative artificial bee colony algorithm | |
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 | |
Velagic et al. | Identification and control of 2DOF nonlinear helicopter model using intelligent methods | |
CN114844403A (zh) | 一种基于改进粒子群算法的电机驱动器pid参数自整定方法 | |
CN110765706A (zh) | 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法 | |
CN109240085B (zh) | 非高斯系统动态数据校正与系统控制性能优化方法 | |
She et al. | A new approach to the estimation and rejection of disturbances in servo systems | |
CN104038055A (zh) | 基于fpga的dc/dc转换器预测控制装置及方法 | |
CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 | |
CN105283814A (zh) | 自动调谐 | |
CN111427261A (zh) | 一种基于猫群算法的pid参数整定方法 | |
CN116451078A (zh) | 预测模型训练方法、负荷预测方法、系统、设备和介质 | |
CN116009399A (zh) | 压电作动器控制系统自适应差分进化麻雀搜索辨识方法 | |
CN106533285B (zh) | 基于Kriging模型的永磁直流电机转速控制方法 | |
CN113641193A (zh) | 一种非最小相位系统精确跟踪控制方法 | |
CN115167111A (zh) | 基于改进型分数阶pid的伺服电机控制方法及系统 | |
CN115016248A (zh) | 一种基于pso算法优化rbf神经网络的电机pid控制方法 | |
Lednický et al. | Neural network modeling in optimisation of continuous fermentation processes | |
CN113780543A (zh) | 一种神经网络pid闭环控制的fpga实现方法 | |
CN111797987A (zh) | 一种动态机器学习方法 | |
CN111638383B (zh) | 一种动量轮低转速下融合控制电压的高精度转速测量方法 |
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 |