CN117614334A - 一种基于智能模型的伺服电机转动惯量控制系统及方法 - Google Patents
一种基于智能模型的伺服电机转动惯量控制系统及方法 Download PDFInfo
- Publication number
- CN117614334A CN117614334A CN202410064488.8A CN202410064488A CN117614334A CN 117614334 A CN117614334 A CN 117614334A CN 202410064488 A CN202410064488 A CN 202410064488A CN 117614334 A CN117614334 A CN 117614334A
- Authority
- CN
- China
- Prior art keywords
- motor
- inertia
- data
- moment
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 54
- 230000009897 systematic effect Effects 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010223 real-time analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 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
- 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
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- 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
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/20—Estimation of torque
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明属于伺服电机控制技术领域,本发明公开了一种基于智能模型的伺服电机转动惯量控制系统及方法;采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;计算m组历史电机工作数据对应的分析数据;将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;基于训练数据,训练出预测电机转动惯量的惯量预测模型;获取实时训练数据,将实时训练数据输入惯量预测模型,获取实时电机转动惯量;判断标记为低风险误差或高风险误差;若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号;确保伺服电机在不同工况下实现更精准的运动控制。
Description
技术领域
本发明涉及伺服电机控制技术领域,更具体地说,本发明涉及一种基于智能模型的伺服电机转动惯量控制系统及方法。
背景技术
伺服电机控制系统是现代自动化和机电系统中的关键组成部分,用于控制伺服电机的运动、位置和速度;伺服电机主要是靠接收脉冲信号使其转轴转动,带动物体的位置、方位或状态等被控量随输入目标的任意变化而变化,再配合编码器实现对脉冲的计数反馈,实现精准的定位;因其高精度、高效率和高响应性而备受青睐,被广泛应用于工业自动化、机器人、数控机床、医疗设备、航空航天等领域;
传统的伺服电机制作完成后,自身的转动惯量均为恒定,然而负载的转动惯量可能会随工况发生变化,使得传统伺服电机会出现转动惯量不匹配现象,导致性能下降或短时出现较大的位置偏差等问题;当然也存在部分智能化的伺服电机转动惯量控制方法或系统,例如授权公告号为CN114157096B的专利公开了一种伺服电机及其惯量控制方法,包括驱动装置、配重控制装置、惯量盘、摩擦盘、轴承以及电机转轴;使得伺服电机在负载惯量变化时可对应调节自身惯量,提高系统的性能;再例如申请公开号为CN115441796A的专利公开了基于负载转矩-转动惯量自学习模型的速度控制方法,自学习建立负载转矩-转动惯量关系;根据负载转矩的值,获得对应的转动惯量的值;根据转动惯量的值,调整控制器的参数,以控制马达的运转,有助于更精准地对电机进行速度控制,提升电机的控制性能;
但结合现有技术和上述技术,获取电机转动惯量时并未考虑电机和负载的多种因素,导致获取的电机转动惯量不精确,应用范围受限;并且并未说明电机转动惯量的控制逻辑,无法准确对电机转动惯量进行自动调节,存在电机转动惯量与负载转动惯量不相匹配的问题;
鉴于此,本发明提出一种基于智能模型的伺服电机转动惯量控制系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:一种基于智能模型的伺服电机转动惯量控制方法,包括:
采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;
计算m组历史电机工作数据对应的分析数据;
将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;
基于训练数据,训练出预测电机转动惯量的惯量预测模型;
在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量。
进一步地,运行数据包括速度值、角度值以及加速度值;速度值为电机转动的线速度,角度值为电机转动的角度。加速度值为电机转动的加速度;电气数据包括电流值与电压值,电流值为电机的输入电流,电压值为电机的输入电压;负载数据包括负载质量值、负载尺寸值以及负载形状。
进一步地,分析数据包括功率值和负载转动惯量;
m组历史电机工作数据对应功率值的计算方法包括:
;
式中,为功率值,/>为电流值,/>为电压值,/>为第/>组历史电机工作数据,;
功率值为电机转动产生的功率。
进一步地,m组历史电机工作数据对应负载转动惯量的计算方法包括:
根据不同历史电机工作数据中的负载形状,判断负载形状为轴对称形状或非轴对称形状,计算不同负载形状对应负载转动惯量;
若负载形状为轴对称形状,则对应负载转动惯量的计算方法如下:
;
式中,为负载转动惯量,/>为负载质量值,/>为负载尺寸值,/>为预设系数;
若负载形状为非轴对称形状,则对应负载转动惯量的获取方法包括:
预先使用有限元分析软件对负载进行建模,将负载模型进行网格划分,对负载模型定义质量分布,对负载模型施加旋转力矩,求解负载模型,获取负载的转动惯量。
进一步地,m组训练数据对应的电机转动惯量采集过程包括:
将训练数据相同的电机多次处于工作状态,依次采集对应的扭矩和加速度值,依次计算对应的电机转动惯量,将多个电机转动惯量的均值作为该组训练数据对应的电机转动惯量;所述扭矩为电机轴上的扭矩;
电机转动惯量的计算包括:
;
式中,为电机转动惯量,/>为扭矩,/>为加速度值;
按照上述过程依次获取m组训练数据对应的电机转动惯量。
进一步地,惯量预测模型的训练过程包括:
将训练数据作为惯量预测模型的输入,所述惯量预测模型以每组训练数据的预测电机转动惯量为输出,以该组训练数据对应的实际电机转动惯量为预测目标,以最小化所有训练数据的预测误差之和作为训练目标;对惯量预测模型进行训练,直至预测误差之和达到收敛时停止训练;所述惯量预测模型是深度神经网络模型或深度信念网络模型中的任一个。
进一步地,判断标记为低风险误差或高风险误差的方法包括:
将实时电机转动惯量减去当前电机转动惯量获取差值,将差值作为系统误差,将系统误差与误差阈值进行对比;
若系统误差小于误差阈值,则将该系统误差标记为低风险误差;
若系统误差大于或等于误差阈值,则将该系统误差标记为高风险误差。
进一步地,结合PID控制器和模糊控制器计算转动惯量控制信号的方法包括:
将系统误差作为模糊控制器的输入,将PID参数控制信号作为输出;
根据PID参数的变化量与系统误差的关系设计模糊控制规则,PID参数包括比例增益、积分增益与微分增益,模糊控制规则以IF-THEN形式表示;
将系统误差通过模糊化技术转换成模糊集;
根据模糊化后的系统误差和模糊控制规则,获得模糊输出;
使用去模糊化技术将模糊输出转换为PID参数控制信号;
PID控制器计算转动惯量控制信号,根据PID参数控制信号对PID参数进行调节;
;
式中,为转动惯量控制信号,/>为系统误差,/>为比例增益,/>为积分增益,/>为微分增益,/>为当前时刻。
进一步地,所述基于智能模型的伺服电机转动惯量控制方法,还包括:收集n次电机工作过程中获取的系统误差,判断是否生成电机更换指令,根据电机更换指令,计算对应的电机转动惯量均值;
判断是否生成电机更换指令的方法包括:
收集n次电机工作过程中获取的系统误差;
若n个系统误差均大于0或均小于0,则生成电机更换指令;
若n个系统误差不为均大于0或均小于0,则不生成电机更换指令。
进一步地,电机转动惯量均值的计算方法包括:
;
式中,为电机转动惯量均值,/>为第/>个电机转动惯量,/>。
一种基于智能模型的伺服电机转动惯量控制系统,实施所述一种基于智能模型的伺服电机转动惯量控制方法,包括:
第一数据采集模块,采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;
数据处理模块,计算m组历史电机工作数据对应的分析数据,分析数据包括功率值和负载转动惯量;
第二数据采集模块,将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;
模型训练模块,基于训练数据,训练出预测电机转动惯量的惯量预测模型;
误差判断模块,在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
转动惯量调节模块,若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实施所述一种基于智能模型的伺服电机转动惯量控制方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实施所述一种基于智能模型的伺服电机转动惯量控制方法。
本发明一种基于智能模型的伺服电机转动惯量控制系统及方法的技术效果和优点:
1.在电机工作过程中实时检测多项数据,通过公式计算和神经网络模型获取对应的电机转动惯量,实现对电机转动惯量的高精度预测和控制,有助于确保伺服电机在不同工况下实现更精准的运动控制,提高伺服电机的性能和稳定性;同时能够结合PID控制器和模糊控制器,根据实时电机转动惯量的变化进行自动调整,以保持系统的稳定性和响应速度,较好地解决电机转动惯量不匹配问题。
2.通过对电机工作过程中的多个系统误差进行分析,判断是否生成电机更换指令,若生成电机更换指令,则计算对应的电机转动惯量均值,使得工作人员能够及时对电机进行更换,提高系统的稳定性和性能,减少系统响应时间,提高效率。
附图说明
图1为本发明实施例1的一种基于智能模型的伺服电机转动惯量控制系统示意图;
图2为本发明实施例1的转动惯量控制信号获取方法示意图;
图3为本发明实施例2的一种基于智能模型的伺服电机转动惯量控制系统示意图;
图4为本发明实施例3的一种基于智能模型的伺服电机转动惯量控制方法示意图;
图5为本发明实施例4的电子设备结构示意图。
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。
实施例1
请参阅图1所示,本实施例所述一种基于智能模型的伺服电机转动惯量控制系统,包括第一数据采集模块、数据处理模块、第二数据采集模块、模型训练模块、误差判断模块以及转动惯量调节模块;各个模块通过有线和/或无线的方式进行连接,实现模块间的数据传输;
第一数据采集模块,采集m组历史电机工作数据,m为大于1的整数,历史电机工作数据包括运行数据、电气数据以及负载数据;
运行数据包括速度值、角度值以及加速度值;速度值为电机转动的线速度,速度值由安装在电机轴端的速度传感器获取,速度值越大,电机转动惯量越大,反之则相反;角度值为电机转动的角度,角度值由安装在电机轴端的姿态传感器获取,角度值越大,说明电机需要克服越大的转动惯量才能完成角度的变化,即电机转动惯量越大,反之则相反;加速度值为电机转动的加速度,加速度值由安装在电机轴端的加速度传感器获取,根据牛顿第二定律,转动惯量与加速度值成正比,即加速度值越大,对应的电机转动惯量越大,反之则相反;
电气数据包括电流值与电压值,电流值为电机的输入电流,由安装在电机输入端的电流传感器获取,电流值增大,电机的转矩随之增大,转动惯量可以表示为电机输出转矩的抵抗程度,因此电机转动惯量也增大,反之则相反;电压值为电机的输入电压,由安装在电机输入端的电压传感器获取,电压值增大,电机的转速随之增大,电机转动惯量也可以表示为电机转速变化的惯性,因此电机转动惯量也随之增大,反之则相反;
负载数据包括负载质量值、负载尺寸值以及负载形状;使用质量传感器在负载与电机连接前获取负载质量值,负载质量值越大,电机转动惯量越大,原因在于电机需要克服更大的惯性力才能改变电机的转动状态;负载尺寸值和负载形状由图像传感器获取负载图像,再对负载图像进行处理分析获取,负载尺寸值和负载形状会影响负载的转动惯量,负载转动惯量越大,对应的电机转动惯量也越大,反之则相反;
数据处理模块,计算m组历史电机工作数据对应的分析数据,分析数据包括功率值和负载转动惯量;
m组历史电机工作数据对应功率值的计算方法包括:
;
式中,为功率值,/>为电流值,/>为电压值,/>为第/>组历史电机工作数据,;
功率值为电机转动产生的功率,由于电流值与电压值增大,电机转动惯量均会随之增大,因此功率值增大,电机转动惯量也会随之增大;
m组历史电机工作数据对应负载转动惯量的计算方法包括:
根据不同历史电机工作数据中的负载形状,判断负载形状为轴对称形状或非轴对称形状,计算不同负载形状对应负载转动惯量;轴对称形状为具有旋转对称性的形状,具体的,轴对称形状是沿着一个或多个轴线旋转一定角度后能够完全重合的形状,轴对称形状例如球体、圆柱体以及圆环等;非轴对称形状为没有旋转对称性的形状,具体的,非轴对称形状中无法找到一个轴,使得将物体绕该轴旋转后可以使其完全重合,非轴对称形状例如不规则多边形等;
若负载形状为轴对称形状,则对应负载转动惯量的计算方法如下:
;
式中,为负载转动惯量,/>为负载质量值,/>为负载尺寸值,/>为预设系数;
需要说明的是,由工作人员根据不同的负载形状预先设置,对负载形状为轴对称形状的负载,根据负载具体的负载形状设置不同的/>,示例性的,负载形状为球体的负载对应/>为/>,负载形状为圆柱体的负载对应/>为/>;
若负载形状为非轴对称形状,则对应负载转动惯量的获取方法包括:
预先对负载进行有限元分析,获取负载对应的转动惯量;使用有限元分析软件负载进行建模,将负载模型进行网格划分,对负载模型定义质量分布,对负载模型施加旋转力矩,求解负载模型,从而获取负载的转动惯量;
预先对负载形状为非轴对称形状的负载进行有限元分析的原因在于,由于负载形状为非轴对称形状,需要使用积分算法计算对应的负载转动惯量,积分算法中需要将负载分为多个微小体积元素,获取每个微小体积元素上的质量和每个微小体积元素到旋转轴的距离,而在电机的转动惯量控制系统中,无法进行准确获取,因此需要使用有限元分析预先获取负载对应的负载转动惯量;
第二数据采集模块,将分析数据和运行数据作为训练数据,采集m组训练数据对应的电机转动惯量;
m组训练数据对应的电机转动惯量采集过程包括:
在实验环境下,将训练数据相同的电机多次处于工作状态,依次采集对应的扭矩和加速度值,依次计算对应的电机转动惯量,将多个电机转动惯量的均值作为该组训练数据对应的电机转动惯量;
扭矩为电机轴上的扭矩,由安装在电机轴端的距离传感器获取;
电机转动惯量的计算包括:
;
式中,为电机转动惯量,/>为扭矩,/>为加速度值;
按照上述过程依次获取m组训练数据对应的电机转动惯量;
电机工作过程中的电机转动惯量需要与负载转动惯量相匹配,然而由于工况发生变化,负载的转动惯量会随之发生变化,此时若不改变电机转动惯量,就会出现电机转动惯量与负载转动惯量不匹配,导致电机控制系统不稳定、工作效率降低、电机过度负荷造成损坏以及运动控制精度下降等问题,因此需要根据训练数据,获取对应的电机转动惯量,以确保将电机的转动惯量调节至与训练数据相匹配;
模型训练模块,基于训练数据,训练出预测电机转动惯量的惯量预测模型;
惯量预测模型的具体训练过程包括:
将训练数据作为惯量预测模型的输入,所述惯量预测模型以每组训练数据的预测电机转动惯量为输出,以该组训练数据对应的实际电机转动惯量为预测目标,以最小化所有训练数据的预测误差之和作为训练目标;其中,预测误差的计算公式为,其中为预测误差,/>为训练数据的编号,/>为第/>组训练数据对应的预测电机转动惯量,/>为第/>组训练数据对应的实际电机转动惯量;对惯量预测模型进行训练,直至预测误差之和达到收敛时停止训练;
上述惯量预测模型是深度神经网络模型或深度信念网络模型中的任一个;
误差判断模块,在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
判断标记为低风险误差或高风险误差的方法包括:
将实时电机转动惯量减去当前电机转动惯量获取差值,将差值作为系统误差,将系统误差与误差阈值进行对比;
若系统误差小于误差阈值,则将该系统误差标记为低风险误差,说明此时系统误差极小,不会对电机工作产生影响,无需对当前电机转动惯量进行调节;
若系统误差大于或等于误差阈值,则将该系统误差标记为高风险误差,说明此时系统误差较大,需要对当前电机转动惯量进行调节,以确保对电机的高精度控制;
需要说明的是,误差阈值为工作人员预先设置,工作人员依次将不同系统误差的电机处于工作状态,依次记录电机的功率值,再将电机转动惯量相同但不存在系统误差的电机依次处于工作状态,依次记录电机的功率值,两次过程中电机的转动惯量一一对应,将两次功率值进行对比,收集两次功率值接近的电机对应系统误差,将收集到多个系统误差的均值作为误差阈值;示例性的,第一次将电机转动惯量为0.01、0.05和0.1的电机处于工作状态,且均具有系统误差,第二次再将电机转动惯量为0.01、0.05和0.1的电机处于工作状态,但不具有系统误差,分别将两次记录的功率值进行对比,若电机转动惯量为0.05和0.1的电机两次记录的功率值接近,且对应的系统误差分别为0.01和0.02,此时将0.01和0.02的均值0.015作为误差阈值;
转动惯量调节模块,若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量;
请参阅图2所示,结合PID控制器和模糊控制器计算转动惯量控制信号的方法包括:
将系统误差作为模糊控制器的输入,将PID参数控制信号作为输出;
根据PID参数的变化量与系统误差的关系设计模糊控制规则,PID参数包括比例增益、积分增益与微分增益,模糊控制规则以IF-THEN形式表示,例如:IF系统误差增大THENPID参数增大;
将系统误差通过模糊化技术转换成模糊集;
根据模糊化后的系统误差和模糊控制规则,获得模糊输出;
使用去模糊化技术将模糊输出转换为PID参数控制信号;
PID控制器计算转动惯量控制信号,根据PID参数控制信号对PID参数进行调节;
;
式中,为转动惯量控制信号,/>为系统误差,/>为比例增益,/>为积分增益,/>为微分增益,/>为当前时刻;
当前时刻的获取方法包括:在机器内部安装时间传感器,当电机开始工作时,时间传感器也开始采集时间,当PID控制器计算转动惯量控制信号时,从时间传感器中获取当前时刻/>,当电机停止工作时,时间传感器也停止采集时间;
本实施例在电机工作过程中实时检测多项数据,通过公式计算和神经网络模型获取对应的电机转动惯量,实现对电机转动惯量的高精度预测和控制,有助于确保伺服电机在不同工况下实现更精准的运动控制,提高伺服电机的性能和稳定性;同时能够结合PID控制器和模糊控制器,根据实时电机转动惯量的变化进行自动调整,以保持系统的稳定性和响应速度,较好地解决电机转动惯量不匹配问题。
实施例2
请参阅图3所示,本实施例在实施例1的基础上进一步改进设计,在多次电机工作过程中,若所需电机转动惯量持续大于或持续小于电机自身的转动惯量,则需要每次均对电机转动惯量进行较大的调节,会造成系统稳定性下降,同时增大系统响应时间;因此本实施例提供了一种基于智能模型的伺服电机转动惯量控制系统,还包括电机更换模块,根据多次电机工作过程中获取的系统误差,判断是否生成电机更换指令,根据电机更换指令,计算对应的电机转动惯量均值,提醒工作人员对电机进行更换;
电机更换模块,收集n次电机工作过程中获取的系统误差,判断是否生成电机更换指令,根据电机更换指令,计算对应的电机转动惯量均值,将电机更换指令和对应的转动惯量均值发送至伺服电机转动惯量控制系统的中控屏幕上,提醒工作人员对电机进行更换;
判断是否生成电机更换指令的方法包括:
收集n次电机工作过程中获取的系统误差;
若n个系统误差均大于0或均小于0,则生成电机更换指令;说明此时电机的固有转动惯量与多个负载转动惯量均不匹配,且不匹配程度较高,需要对电机进行更换,提高电机的固有转动惯量与多个负载转动惯量的匹配程度,减少电机转动惯量的调节量;
若n个系统误差不为均大于0或均小于0,则不生成电机更换指令;说明此时电机的固有转动惯量与多个负载转动惯量的匹配程度较高,不需要更换电机;
电机转动惯量均值的计算方法包括:
;
式中,为电机转动惯量均值,/>为第/>个电机转动惯量,/>;
本实施例通过对电机工作过程中的多个系统误差进行分析,判断是否生成电机更换指令,若生成电机更换指令,则计算对应的电机转动惯量均值,使得工作人员能够及时对电机进行更换,提高系统的稳定性和性能,减少系统响应时间,提高效率。
实施例3
请参阅图4所示,本实施例未详细叙述部分见实施例1、2描述内容,提供一种基于智能模型的伺服电机转动惯量控制方法,包括:
采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;
计算m组历史电机工作数据对应的分析数据;
将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;
基于训练数据,训练出预测电机转动惯量的惯量预测模型;
在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量。
进一步地,运行数据包括速度值、角度值以及加速度值;速度值为电机转动的线速度,角度值为电机转动的角度。加速度值为电机转动的加速度;电气数据包括电流值与电压值,电流值为电机的输入电流,电压值为电机的输入电压;负载数据包括负载质量值、负载尺寸值以及负载形状。
进一步地,分析数据包括功率值和负载转动惯量;
m组历史电机工作数据对应功率值的计算方法包括:
;
式中,为功率值,/>为电流值,/>为电压值,/>为第/>组历史电机工作数据,;
功率值为电机转动产生的功率。
进一步地,m组历史电机工作数据对应负载转动惯量的计算方法包括:
根据不同历史电机工作数据中的负载形状,判断负载形状为轴对称形状或非轴对称形状,计算不同负载形状对应负载转动惯量;
若负载形状为轴对称形状,则对应负载转动惯量的计算方法如下:
;
式中,为负载转动惯量,/>为负载质量值,/>为负载尺寸值,/>为预设系数;
若负载形状为非轴对称形状,则对应负载转动惯量的获取方法包括:
预先使用有限元分析软件对负载进行建模,将负载模型进行网格划分,对负载模型定义质量分布,对负载模型施加旋转力矩,求解负载模型,获取负载的转动惯量。
进一步地,m组训练数据对应的电机转动惯量采集过程包括:
将训练数据相同的电机多次处于工作状态,依次采集对应的扭矩和加速度值,依次计算对应的电机转动惯量,将多个电机转动惯量的均值作为该组训练数据对应的电机转动惯量;所述扭矩为电机轴上的扭矩;
电机转动惯量的计算包括:
;
式中,为电机转动惯量,/>为扭矩,/>为加速度值;
按照上述过程依次获取m组训练数据对应的电机转动惯量。
进一步地,惯量预测模型的训练过程包括:
将训练数据作为惯量预测模型的输入,所述惯量预测模型以每组训练数据的预测电机转动惯量为输出,以该组训练数据对应的实际电机转动惯量为预测目标,以最小化所有训练数据的预测误差之和作为训练目标;对惯量预测模型进行训练,直至预测误差之和达到收敛时停止训练;所述惯量预测模型是深度神经网络模型或深度信念网络模型中的任一个。
进一步地,判断标记为低风险误差或高风险误差的方法包括:
将实时电机转动惯量减去当前电机转动惯量获取差值,将差值作为系统误差,将系统误差与误差阈值进行对比;
若系统误差小于误差阈值,则将该系统误差标记为低风险误差;
若系统误差大于或等于误差阈值,则将该系统误差标记为高风险误差。
进一步地,结合PID控制器和模糊控制器计算转动惯量控制信号的方法包括:
将系统误差作为模糊控制器的输入,将PID参数控制信号作为输出;
根据PID参数的变化量与系统误差的关系设计模糊控制规则,PID参数包括比例增益、积分增益与微分增益,模糊控制规则以IF-THEN形式表示;
将系统误差通过模糊化技术转换成模糊集;
根据模糊化后的系统误差和模糊控制规则,获得模糊输出;
使用去模糊化技术将模糊输出转换为PID参数控制信号;
PID控制器计算转动惯量控制信号,根据PID参数控制信号对PID参数进行调节;
;
式中,为转动惯量控制信号,/>为系统误差,/>为比例增益,/>为积分增益,/>为微分增益,/>为当前时刻。
进一步地,所述基于智能模型的伺服电机转动惯量控制方法,还包括:收集n次电机工作过程中获取的系统误差,判断是否生成电机更换指令,根据电机更换指令,计算对应的电机转动惯量均值;
判断是否生成电机更换指令的方法包括:
收集n次电机工作过程中获取的系统误差;
若n个系统误差均大于0或均小于0,则生成电机更换指令;
若n个系统误差不为均大于0或均小于0,则不生成电机更换指令。
进一步地,电机转动惯量均值的计算方法包括:
;
式中,为电机转动惯量均值,/>为第/>个电机转动惯量,/>。
实施例4
请参阅图5所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述一种基于智能模型的伺服电机转动惯量控制方法。
由于本实施例所介绍的电子设备为实施本申请实施例中一种基于智能模型的伺服电机转动惯量控制方法所采用的电子设备,故而基于本申请实施例中所介绍的一种基于智能模型的伺服电机转动惯量控制方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种基于智能模型的伺服电机转动惯量控制方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例5
本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述一种基于智能模型的伺服电机转动惯量控制方法。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,包括:
采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;
计算m组历史电机工作数据对应的分析数据;
将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;
基于训练数据,训练出预测电机转动惯量的惯量预测模型;
在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量。
2.根据权利要求1所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,运行数据包括速度值、角度值以及加速度值;速度值为电机转动的线速度,角度值为电机转动的角度;加速度值为电机转动的加速度;电气数据包括电流值与电压值,电流值为电机的输入电流,电压值为电机的输入电压;负载数据包括负载质量值、负载尺寸值以及负载形状。
3.根据权利要求2所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,分析数据包括功率值和负载转动惯量;
m组历史电机工作数据对应功率值的计算方法包括:
;
式中,为功率值,/>为电流值,/>为电压值,/>为第/>组历史电机工作数据,/>;
功率值为电机转动产生的功率。
4.根据权利要求3所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,m组历史电机工作数据对应负载转动惯量的计算方法包括:
根据不同历史电机工作数据中的负载形状,判断负载形状为轴对称形状或非轴对称形状,计算不同负载形状对应负载转动惯量;
若负载形状为轴对称形状,则对应负载转动惯量的计算方法如下:
;
式中,为负载转动惯量,/>为负载质量值,/>为负载尺寸值,/>为预设系数;
若负载形状为非轴对称形状,则对应负载转动惯量的获取方法包括:
预先使用有限元分析软件对负载进行建模,将负载模型进行网格划分,对负载模型定义质量分布,对负载模型施加旋转力矩,求解负载模型,获取负载的转动惯量。
5.根据权利要求4所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,m组训练数据对应的电机转动惯量采集过程包括:
将训练数据相同的电机多次处于工作状态,依次采集对应的扭矩和加速度值,依次计算对应的电机转动惯量,将多个电机转动惯量的均值作为该组训练数据对应的电机转动惯量;所述扭矩为电机轴上的扭矩;
电机转动惯量的计算包括:
;
式中,为电机转动惯量,/>为扭矩,/>为加速度值;
按照上述过程依次获取m组训练数据对应的电机转动惯量。
6.根据权利要求5所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,惯量预测模型的训练过程包括:
将训练数据作为惯量预测模型的输入,所述惯量预测模型以每组训练数据的预测电机转动惯量为输出,以该组训练数据对应的实际电机转动惯量为预测目标,以最小化所有训练数据的预测误差之和作为训练目标;对惯量预测模型进行训练,直至预测误差之和达到收敛时停止训练;所述惯量预测模型是深度神经网络模型或深度信念网络模型中的任一个。
7.根据权利要求6所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,判断标记为低风险误差或高风险误差的方法包括:
将实时电机转动惯量减去当前电机转动惯量获取差值,将差值作为系统误差,将系统误差与误差阈值进行对比;
若系统误差小于误差阈值,则将该系统误差标记为低风险误差;
若系统误差大于或等于误差阈值,则将该系统误差标记为高风险误差。
8.根据权利要求7所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,结合PID控制器和模糊控制器计算转动惯量控制信号的方法包括:
将系统误差作为模糊控制器的输入,将PID参数控制信号作为输出;
根据PID参数的变化量与系统误差的关系设计模糊控制规则,PID参数包括比例增益、积分增益与微分增益,模糊控制规则以IF-THEN形式表示;
将系统误差通过模糊化技术转换成模糊集;
根据模糊化后的系统误差和模糊控制规则,获得模糊输出;
使用去模糊化技术将模糊输出转换为PID参数控制信号;
PID控制器计算转动惯量控制信号,根据PID参数控制信号对PID参数进行调节;
;
式中,为转动惯量控制信号,/>为系统误差,/>为比例增益,/>为积分增益,为微分增益,/>为当前时刻。
9.根据权利要求8所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,还包括:收集n次电机工作过程中获取的系统误差,判断是否生成电机更换指令,根据电机更换指令,计算对应的电机转动惯量均值;
判断是否生成电机更换指令的方法包括:
收集n次电机工作过程中获取的系统误差;
若n个系统误差均大于0或均小于0,则生成电机更换指令;
若n个系统误差不为均大于0或均小于0,则不生成电机更换指令。
10.根据权利要求9所述的一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,电机转动惯量均值的计算方法包括:
;
式中,为电机转动惯量均值,/>为第/>个电机转动惯量,/>。
11.一种基于智能模型的伺服电机转动惯量控制系统,实施权利要求1-10任一项所述一种基于智能模型的伺服电机转动惯量控制方法,其特征在于,包括:
第一数据采集模块,采集m组历史电机工作数据,历史电机工作数据包括运行数据、电气数据以及负载数据;
数据处理模块,计算m组历史电机工作数据对应的分析数据,分析数据包括功率值和负载转动惯量;
第二数据采集模块,将分析数据和运行数据作为训练数据,采集m组训练数据对应的转动惯量;
模型训练模块,基于训练数据,训练出预测电机转动惯量的惯量预测模型;
误差判断模块,在电机工作过程中,实时采集电机工作数据,计算实时电机工作数据对应的实时分析数据,获取实时训练数据,将实时训练数据输入惯量预测模型,获取对应的实时电机转动惯量;对实时电机转动惯量进行分析,判断标记为低风险误差或高风险误差;
转动惯量调节模块,若标记为高风险误差,结合PID控制器和模糊控制器计算转动惯量控制信号,电机驱动器根据转动惯量控制信号调节电机的转动惯量。
12.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任一项所述的一种基于智能模型的伺服电机转动惯量控制方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至10任一项所述的一种基于智能模型的伺服电机转动惯量控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064488.8A CN117614334B (zh) | 2024-01-17 | 2024-01-17 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064488.8A CN117614334B (zh) | 2024-01-17 | 2024-01-17 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117614334A true CN117614334A (zh) | 2024-02-27 |
CN117614334B CN117614334B (zh) | 2024-03-26 |
Family
ID=89958131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064488.8A Active CN117614334B (zh) | 2024-01-17 | 2024-01-17 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117614334B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10285969A (ja) * | 1997-02-03 | 1998-10-23 | Yaskawa Electric Corp | 負荷イナーシャ推定システム、負荷イナーシャ推定プログラムを記録した媒体及びロボットの動作プログラムを記録した媒体 |
US20020079857A1 (en) * | 1999-04-05 | 2002-06-27 | Shinji Ishii | Robot, servo circuit, actuator, robot control method, and actuator driving method |
JP2003274684A (ja) * | 2002-03-12 | 2003-09-26 | Yaskawa Electric Corp | サーボ制御装置 |
JP2006034003A (ja) * | 2004-07-16 | 2006-02-02 | Yaskawa Electric Corp | サーボ制御装置およびその負荷イナーシャ算出方法 |
CN111010063A (zh) * | 2019-12-30 | 2020-04-14 | 南京埃斯顿自动化股份有限公司 | 一种永磁同步电机的单环模型预测与参考信号前馈的复合控制方法 |
CN112596389A (zh) * | 2020-12-18 | 2021-04-02 | 杭州电子科技大学 | 基于闭环交叉耦合迭代学习的水晶研磨控制方法与系统 |
CN113361865A (zh) * | 2021-05-17 | 2021-09-07 | 浙江大学 | 针对电力系统中深度学习惯量预测模型的脆弱性评估方法 |
CN114995136A (zh) * | 2022-05-28 | 2022-09-02 | 聚时科技(上海)有限公司 | 一种基于单轴伺服系统的惯量时变振动抑制算法 |
CN115422698A (zh) * | 2022-05-27 | 2022-12-02 | 武汉久同智能科技有限公司 | 一种伺服驱动变周期在线惯量辨识方法 |
CN116614030A (zh) * | 2023-05-17 | 2023-08-18 | 南京航空航天大学 | 基于gpc和fcs-mpc的永磁伺服电机复合模型预测控制方法 |
CN116805849A (zh) * | 2023-05-30 | 2023-09-26 | 北京理工大学 | 一种永磁同步电机的连续集模型预测控制方法 |
CN117032172A (zh) * | 2023-08-16 | 2023-11-10 | 浙江理工大学 | 一种基于数模联动的故障诊断方法及系统 |
-
2024
- 2024-01-17 CN CN202410064488.8A patent/CN117614334B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10285969A (ja) * | 1997-02-03 | 1998-10-23 | Yaskawa Electric Corp | 負荷イナーシャ推定システム、負荷イナーシャ推定プログラムを記録した媒体及びロボットの動作プログラムを記録した媒体 |
US20020079857A1 (en) * | 1999-04-05 | 2002-06-27 | Shinji Ishii | Robot, servo circuit, actuator, robot control method, and actuator driving method |
JP2003274684A (ja) * | 2002-03-12 | 2003-09-26 | Yaskawa Electric Corp | サーボ制御装置 |
JP2006034003A (ja) * | 2004-07-16 | 2006-02-02 | Yaskawa Electric Corp | サーボ制御装置およびその負荷イナーシャ算出方法 |
CN111010063A (zh) * | 2019-12-30 | 2020-04-14 | 南京埃斯顿自动化股份有限公司 | 一种永磁同步电机的单环模型预测与参考信号前馈的复合控制方法 |
CN112596389A (zh) * | 2020-12-18 | 2021-04-02 | 杭州电子科技大学 | 基于闭环交叉耦合迭代学习的水晶研磨控制方法与系统 |
CN113361865A (zh) * | 2021-05-17 | 2021-09-07 | 浙江大学 | 针对电力系统中深度学习惯量预测模型的脆弱性评估方法 |
CN115422698A (zh) * | 2022-05-27 | 2022-12-02 | 武汉久同智能科技有限公司 | 一种伺服驱动变周期在线惯量辨识方法 |
CN114995136A (zh) * | 2022-05-28 | 2022-09-02 | 聚时科技(上海)有限公司 | 一种基于单轴伺服系统的惯量时变振动抑制算法 |
CN116614030A (zh) * | 2023-05-17 | 2023-08-18 | 南京航空航天大学 | 基于gpc和fcs-mpc的永磁伺服电机复合模型预测控制方法 |
CN116805849A (zh) * | 2023-05-30 | 2023-09-26 | 北京理工大学 | 一种永磁同步电机的连续集模型预测控制方法 |
CN117032172A (zh) * | 2023-08-16 | 2023-11-10 | 浙江理工大学 | 一种基于数模联动的故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
赵希梅等: "PMSM伺服系统的转动惯量辨识和控制器参数优化", 组合机床与自动化加工技术, no. 07, 20 July 2009 (2009-07-20) * |
郭庆鼎等: "自动识别永磁交流伺服系统的负载惯量和优化控制器参数", 伺服控制, no. 06, 15 June 2008 (2008-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117614334B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11614728B2 (en) | Machine tool management system that obtains a next maintenance period from a maintenance period model and a refinement algorithm | |
CN107671861B (zh) | 一种改进的scara机器人动力学参数辨识方法 | |
CN104639003B (zh) | 一种交流伺服系统的转动惯量辨识方法 | |
CN108189036B (zh) | 力矩控制方法、装置、机器人及存储介质 | |
CN110832422B (zh) | 机器学习装置、校正参数调整装置及机器学习方法 | |
Duchaine et al. | Computationally efficient predictive robot control | |
Rigatos | Particle filtering for state estimation in nonlinear industrial systems | |
CN111788040A (zh) | 机器人的动力学参数辨识方法、机器人和存储装置 | |
CN110083160B (zh) | 一种基于深度学习的机器人轨迹规划方法 | |
EP0130570A2 (en) | Method and apparatus for controlling a robot hand along a predetermined path | |
CN106020124A (zh) | 伺服马达控制装置以及碰撞检测方法 | |
CN111716360B (zh) | 一种基于模糊逻辑的柔性关节机械臂采样控制方法及装置 | |
CN108177145A (zh) | 一种无偏最优的工业机械臂绝对定位精度标定方法 | |
CN104423303A (zh) | 最优化的运动控制部件和能量效率的估量和调节方法 | |
CN114043480A (zh) | 一种基于模糊控制的自适应阻抗控制算法 | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN117614334B (zh) | 一种基于智能模型的伺服电机转动惯量控制系统及方法 | |
CN113156822B (zh) | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 | |
CN113664869A (zh) | 机械臂、机械臂控制方法及系统 | |
Liu et al. | Velocity estimation of robot manipulators: An experimental comparison | |
CN116252039B (zh) | 一种惯性摩擦焊机智能控制方法和系统 | |
CN109632304B (zh) | 四点接触球轴承跑合装置及控制方法 | |
CN111872933A (zh) | 一种基于改进二次型迭代学习控制的scara机器人轨迹跟踪控制方法 | |
Hu et al. | Position control of robots by nonlinearity estimation and compensation: Theory and experiments | |
CN114454150A (zh) | 一种基于复合学习的臂式机器人控制方法及机器人系统 |
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 |