CN117879408A - 一种直线电机的自适应智能控制方法及相关设备 - Google Patents

Abstract

本发明涉及电机控制技术领域，提供一种直线电机的自适应智能控制方法及相关设备，包括获取直线电机所处环境的参数数据；根据参数数据计算出反馈信号；将反馈信号输入到基于神经网络的自适应PI速度控制器中，将反馈信号作为神经网络的输入层，将神经网络的隐藏层输出，作为控制信号；根据控制信号调节自适应PI速度控制器内PWM信号的占空比和频率，将调节后的信号发送至直线电机的驱动电路上。通过自适应PI速度控制器根据直线电机的实际的参数数据，输出合适的控制信号，从而调节直线电机的电压和电流，使直线电机达到期望的转速和推力，提高了直线电机的转速和推力的精度和稳定性，且增强直线电机的鲁棒性和抗干扰能力。

Description

一种直线电机的自适应智能控制方法及相关设备

技术领域

本申请涉及电机控制技术领域，尤其是涉及一种直线电机的自适应智能控制方法及相关设备。

背景技术

直线电机是一种将电能直接转换为直线运动的电机，具有结构简单、响应快、精度高、效率高等优点，广泛应用于工业自动化、机器人、医疗器械等领域。然而，直线电机的控制过程中也存在一些问题，如环境参数的变化、负载的变化、摩擦力的变化等，会影响直线电机的转速和推力的稳定性和精确性，降低直线电机的性能和寿命。

相关技术手段中，有传统的PID控制和解耦控制，现代控制方法如非线性控制、自适应控制、滑模变结构控制、智能控制如模糊控制、人工智能(如人工神经网络系统)控制等，这些控制方法都是基于不同的数学模型、算法和反馈机制，来实现对直线电机的速度、位置、力矩等参数的调节和优化。

针对上述技术方案，虽然通过不同的控制方法，能实现提高直线电机的运动精度、动态响应、鲁棒性、抗干扰能力等的效果，但直线电机的控制过程中也存在一些问题，如环境参数的变化、负载的变化等，会影响直线电机的转速和推力的稳定性和精确性，降低直线电机的性能和寿命。

发明内容

为了改善直线电机存在着环境参数的变化、负载的变化等，影响直线电机的转速和推力的稳定性和精确性，降低直线电机的性能和寿命的问题，本申请提供一种直线电机的自适应智能控制方法及相关设备。

本发明提供了一种直线电机的自适应智能控制方法，包括以下步骤：获取直线电机在所处环境的参数数据；根据所述参数数据计算出反馈信号；其中，所述反馈信号反映所述直线电机的实际转速和推力；将所述反馈信号输入到基于神经网络的自适应PI速度控制器中，所述自适应PI速度控制器将所述反馈信号转换为所述神经网络能够处理的数据格式，并将所述反馈信号作为所述神经网络的输入层，将所述神经网络的隐藏层输出，作为控制信号；根据所述控制信号调节所述自适应PI速度控制器内PWM信号的占空比和频率，将调节后的所述PWM信号发送至所述直线电机的驱动电路上，以驱动所述直线电机达到期望的转速和推力。

作为优选方案，所述获取直线电机在所处环境的参数数据的步骤，包括：根据传感器获取直线电机在所处环境的参数数据，将所述参数数据通过模数转换器转换为数字信号，通过数据总线将所述数字信号传输到运动控制卡，并存储在存储器内。

作为优选方案，所述根据所述参数数据计算出反馈信号的步骤，包括：根据以下公式计算反馈信号：/>；/>；；其中，/>表示速度误差，/>表示期盼速度，/>表示实际速度，/>表示速度误差变化率，/>表示期望速度变化率，表示实际速度变化率，/>以及/>表示预设的参数，/>表示状态误差反馈控制率。

作为优选方案，所述基于神经网络的自适应PI速度控制器包括：一组权重矩阵和偏置向量，所述权重矩阵和所述偏置向量是所述神经网络的可调节参数，用于存储所述神经网络的知识和经验；一组激活函数，所述激活函数是所述神经网络的非线性变换函数，用于增强所述神经网络的表达能力；一组损失函数，所述损失函数是所述神经网络的优化目标函数，用于衡量所述神经网络的输出与期望值之间的差距；一组优化算法，所述优化算法是所述神经网络的学习规则，用于根据损失函数的梯度信息，更新所述权重矩阵和所述偏置向量，以提高所述神经网络的性能。

作为优选方案，所述神经网络中的权重矩阵、偏置向量、激活函数具体用于：将所述神经网络输入层的权重矩阵、所述神经网络隐藏层的权重矩阵分别对应为；将所述神经网络输入层的偏置向量、所述神经网络隐藏层的偏置向量设为/>；将所述神经网络输入层的激活函数、所述神经网络隐藏层的激活函数设为/>；输入所述反馈信号，通过公式计算：/>其中，/>表示所述神经网络的输入层的计算结果，并作为所述神经网络的隐藏层的输入；通过公式计算：/>其中，表示所述神经网络的隐藏层的输出结果，并作为控制信号。

作为优选方案，所述神经网络的损失函数包括输入层的损失函数和隐藏层的损失函数：计算所述输入层的损失函数和所述隐藏层的损失函数，通过公式计算：其中，/>表示期望速度，/>表示所述输入层的损失函数；通过公式计算：/>其中，u表示PWM信号，/>表示期望PWM信号，/>表示所述隐藏层的损失函数。

作为优选方案，所述神经网络的优化算法根据所述输入层的损失函数的梯度信息进行计算，通过公式计算：更新所述输入层的权重矩阵和偏置向量；其中，/>表示所述输入层更新后的权重矩阵，/>表示所述输入层更新后的偏置向量，/>表示所述输入层的神经网络的学习率，/>表示所述神经网络的损失函数对所述输入层的权重矩阵的偏导数，/>表示所述神经网络的损失函数对所述输入层的偏置向量的偏导数；根据所述隐藏层的损失函数的梯度信息，通过公式计算：更新所述隐藏层的权重矩阵和偏置向量；其中，表示所述隐藏层更新后的权重矩阵，/>表示所述隐藏层更新后的偏置向量，/>表示所述隐藏层的神经网络的学习率，/>表示所述神经网络的损失函数对所述隐藏层的权重矩阵的偏导数，/>表示所述神经网络的损失函数对所述隐藏层的偏置向量的偏导数。

作为优选方案，所述根据所述控制信号调节PWM信号的占空比和频率的步骤，包括：根据以下公式调节PWM信号的占空比和频率：其中，D表示占空比，表示控制信号，/>表示直线电机的最大电压，/>表示频率，T表示周期。

本申请还提供了一种电机设备，包括存储器和处理器，所述存储器存储有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权利要求上述任一项所述的一种直线电机的自适应智能控制方法。

与现有技术相比，本申请具有以下有益效果：稳定性好，精确性高。通过将反映直线电机的实际转速和推力的反馈信号输入至基于神经网络的自适应PI速度控制器中，输出控制信号，从而调节直线电机的电压和电流，使直线电机及时达到期望的转速和推力，提高了直线电机的转速和推力的精度和稳定性，满足了高速、高精度、高效率的加工要求的同时，利用神经网络的学习和优化能力，实现了对直线电机的非线性、时变、不确定因素的补偿和抑制，增强了直线电机的鲁棒性和抗干扰能力，延长了直线电机的使用寿命，改善直线电机存在着环境参数的变化、负载的变化等，影响直线电机的转速和推力的稳定性和精确性，降低直线电机的性能和寿命的问题。

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性的前提下，还可以根据这些附图获得其它的附图。

本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1是本发明实施例提供的直线电机的自适应智能控制方法的流程示意图；

图2是本发明实施例提供的电机设备的结构示意性框图。

附图标记说明：

10、电机设备；11、存储器；12、处理器。

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。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的或多个的任何组合以及所有可能组合，并且包括这些组合。

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例1

如图1所示，本申请实施例提供的一种直线电机的自适应智能控制方法包括步骤S100至步骤S400。

步骤S100：获取直线电机在所处环境的参数数据。

在该步骤中：通过传感器或其他测量设备，通过电压传感器测量直线电机的端电压参数、电流传感器测量直线电机的电流参数、温度传感器测量直线电机的温度参数、负载传感器测量直线电机的负载参数以及位置传感器测量直线电机的位置参数，将检测到参数数据传输到自适应PI速度控制器中进行处理和分析。

步骤S200：根据参数数据计算出反馈信号；其中，反馈信号反映直线电机的实际转速和推力。

在该步骤中：通过自适应PI速度控制器内部的算法，将参数数据作为输入计算出反馈信号，其中，反馈信号包括实际转速信号和实际推力信号，分别表示直线电机的实际运动状态和实际负载情况。

步骤S300：将反馈信号输入到基于神经网络的自适应PI速度控制器中，自适应PI速度控制器将反馈信号转换为神经网络能够处理的数据格式，并将反馈信号作为神经网络的输入层，将神经网络的隐藏层输出，作为控制信号。

在该步骤中：将反馈信号作为神经网络的输入后，通过神经网络的学习和优化，最后输出控制信号，其中，控制信号包括PWM信号的占空比和频率，分别用于控制直线电机的电压和电流；实现通过神经网络的输出影响直线电机的电压和电流，从而影响直线电机的转速和推力，形成一个闭环控制系统。

步骤S400：根据控制信号调节自适应PI速度控制器内PWM信号的占空比和频率，将调节后的PWM信号发送至直线电机的驱动电路上，以驱动直线电机达到期望的转速和推力。

在该步骤中：通过自适应PI速度控制器将控制信号转换为PWM信号，并将其发送到直线电机内部的驱动电路，通过调节PWM信号的占空比和频率，进而改变直线电机的电压和电流，实现让驱动直线电机达到期望的转速和推力的效果。

具体地，通过获取直线电机的工作参数数据，计算出反馈信号，反映直线电机的实际运动状态和负载情况；将反馈信号输入到神经网络的自适应PI速度控制器中，输出合适的控制信号；根据控制信号调节PWM信号的占空比和频率，发送到直线电机的驱动电路上，以驱动直线电机达到期望的转速和推力，提高了直线电机的转速和推力的精度和稳定性，满足了高速、高精度、高效率的加工要求；同时，利用神经网络的学习和优化能力，实现了对直线电机的非线性、时变、不确定因素的补偿和抑制，增强了直线电机的鲁棒性和抗干扰能力，延长了直线电机的使用寿命，改善了直线电机存在着环境参数的变化、负载的变化等，影响直线电机的转速和推力的稳定性和精确性，降低直线电机的性能和寿命的问题。

实施例2

在步骤S100中，根据传感器获取直线电机在所处环境的参数数据，将参数数据通过模数转换器转换为数字信号，通过数据总线将数字信号传输到运动控制卡，并存储在存储器内。

在该步骤中：通过电压传感器、电流传感器、温度传感器、负载传感器以及位置传感器获取直线电机在所处环境的参数数据，实现了对直线电机的状态监测和数据采集，为后续的控制算法提供了输入信息。

在步骤S200中，根据以下公式计算反馈信号：

；

；

；

其中，表示速度误差，/>表示期盼速度，/>表示实际速度，/>表示速度误差变化率，/>表示期望速度变化率，/>表示实际速度变化率，/>以及表示预设的参数，/>表示状态误差反馈控制率。

通过公式计算出反馈信号，实现对直线电机的速度控制，使其能够跟踪期望速度，并消除速度误差；具体地，当电机的实际速度小于期望速度时，反馈信号为正值，表示电机需要加速。此时，通过公式计算出反馈信号，并将其作为电流自适应PI速度控制器的输入，电流自适应PI速度控制器会增大电机的输入电流，从而增大电机的输出力，使电机的速度增加，直到实际速度等于期望速度，反馈信号为零，速度误差消除。

当电机的实际速度大于期望速度时，反馈信号为负值，表示电机需要减速。此时，通过公式计算出反馈信号，并将其作为电流自适应PI速度控制器的输入，电流自适应PI速度控制器会减小电机的输入电流，从而减小电机的输出力，使电机的速度减小，直到实际速度等于期望速度，反馈信号为零，速度误差消除。

在步骤S300中，基于神经网络的自适应PI速度控制器包括：一组权重矩阵和偏置向量、一组激活函数、一组损失函数以及一组优化算法。

其中，权重矩阵和偏置向量是神经网络的可调节参数，用于存储神经网络的知识和经验。

激活函数是神经网络的非线性变换函数，用于增强神经网络的表达能力和；

损失函数是神经网络的优化目标函数，用于衡量神经网络的输出与期望值之间的差距；

优化算法是神经网络的学习规则，用于根据损失函数的梯度信息，更新权重矩阵和偏置向量，以提高神经网络的性能。

通过权重矩阵、偏置向量、激活函数、损失函数以及优化算法，实现对直线电机的自适应控制，使其能够根据不同的工作环境和条件，自动调整控制参数，提高控制精度和稳定性。

而神经网络中的权重矩阵、偏置向量、激活函数具体用于：计算神经网络的输入层和神经网络的隐藏层；首先，将神经网络的输入层权重矩阵、神经网络的隐藏层权重矩阵分别对应为；将神经网络的输入层偏置向量、神经网络的隐藏层偏置向量设为/>；将神经网络的输入层激活函数、神经网络的隐藏层激活函数设为/>；输入反馈信号，通过公式计算：

；

其中，表示神经网络的输入层的计算结果，并作为神经网络的隐藏层的输入；通过公式计算：

；

其中，表示神经网络的隐藏层的输出结果，并作为控制信号。

通过公式计算出神经网络的输入层的计算结果和神经网络的隐藏层的输出结果，也就是输入层的神经元的激活值；将神经网络的输入层的计算结果，并作为神经网络的隐藏层的输入，也就是将输入层的神经元的激活值作为隐藏层的神经元的输入信号，再将神经网络的隐藏层的输出结果，并作为控制信号，用于控制直线电机。

其中，神经网络的损失函数包括输入层的损失函数和隐藏层的损失函数：

计算输入层的损失函数和隐藏层的损失函数，通过公式计算：

；

其中，表示期望速度，/>表示输入层的损失函数；

通过公式计算：

；

其中，u表示PWM信号，表示期望PWM信号，/>表示隐藏层的损失函数。

通过公式计算出输入层的损失函数和隐藏层的损失函数，评估神经网络的输出与期望值之间的误差，以及神经网络的控制性能。

神经网络的优化算法根据输入层的损失函数的梯度信息进行计算，根据公式计算：

；

更新输入层的权重矩阵和偏置向量；其中，表示输入层更新后的权重矩阵，/>表示输入层更新后的偏置向量，/>表示输入层的神经网络的学习率，/>表示神经网络的损失函数对输入层的权重矩阵的偏导数；/>表示神经网络的损失函数对输入层的偏置向量的偏导数；根据隐藏层的损失函数的梯度信息，通过公式计算：

；

更新隐藏层的权重矩阵和偏置向量；其中，表示隐藏层更新后的权重矩阵，/>表示隐藏层更新后的偏置向量，/>表示隐藏层的神经网络的学习率，/>表示神经网络的损失函数对隐藏层的权重矩阵的偏导数，/>表示神经网络的损失函数对隐藏层的偏置向量的偏导数。

通过公式计算更新输入层和隐藏层的权重矩阵和偏置向量，让神经网络具备参数调整和学习过程，提高神经网络的自适应能力。

在步骤S400中，根据以下公式调节PWM信号的占空比和频率：

；

其中，D表示占空比，表示控制信号，/>表示直线电机的最大电压，f表示频率，T表示周期。

通过公式计算，调节自适应PI速度控制器的PWM信号的占空比和频率，将调节后的PWM信号的发送至直线电机的驱动电路上，使直线电机能够根据控制信号的大小，改变直线电机的电压和电流，从而驱动直线电机达到期望的转速和推力。

实施例3

参照图2，本申请还包括一种电机设备10，包括存储器11和处理器12，存储器11存储有可在处理器12上运行的计算机程序，处理器12执行计算机程序时实现实施例1和实施例2的一种直线电机的自适应智能控制方法。

在该实施例中，电机设备10还包括传感器和执行器，其中，传感器用于采集直线电机的位置、速度、电流等参数数据，并将其作为反馈信号传输到处理器中，执行器用于根据处理器输出的控制信号驱动直线电机运行。

需要说明的是，所属技术领域的技术人员可以清楚了解到，为了描述的方便和简洁，上述描述的装置和各个模块的具体工作过程，可以参考前述直线电机的自适应智能控制方法实施例中的对应过程，在此不再赘述。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种直线电机的自适应智能控制方法，其特征在于，包括：

获取直线电机在所处环境的参数数据；

根据所述参数数据计算出反馈信号；其中，所述反馈信号反映所述直线电机的实际转速和推力；

将所述反馈信号输入到基于神经网络的自适应PI速度控制器中，所述自适应PI速度控制器将所述反馈信号转换为所述神经网络能够处理的数据格式，并将所述反馈信号作为所述神经网络的输入层，将所述神经网络的隐藏层输出，作为控制信号；

根据所述控制信号调节所述自适应PI速度控制器内PWM信号的占空比和频率，将调节后的所述PWM信号发送至所述直线电机的驱动电路上，以驱动所述直线电机达到期望的转速和推力。

2.根据权利要求1所述的一种直线电机的自适应智能控制方法，其特征在于，所述获取直线电机在所处环境的参数数据的步骤，包括：

根据传感器获取直线电机在所处环境的参数数据，将所述参数数据通过模数转换器转换为数字信号，通过数据总线将所述数字信号传输到运动控制卡，并存储在所述运动控制卡的存储器内。

3.根据权利要求1所述的一种直线电机的自适应智能控制方法，其特征在于，所述根据所述参数数据计算出反馈信号的步骤，包括：

根据以下公式计算所述反馈信号：

；

；

；

其中，表示速度误差，/>表示期盼速度，/>表示实际速度，/>表示速度误差变化率，/>表示期望速度变化率，/>表示实际速度变化率，/>以及表示预设的参数，/>表示状态误差反馈控制率。

4.根据权利要求3所述的一种直线电机的自适应智能控制方法，其特征在于，所述基于神经网络的自适应PI速度控制器包括：

一组权重矩阵和偏置向量，所述权重矩阵和所述偏置向量是所述神经网络的可调节参数，用于存储所述神经网络的知识和经验；

一组激活函数，所述激活函数是所述神经网络的非线性变换函数，用于增强所述神经网络的表达能力；

一组损失函数，所述损失函数是所述神经网络的优化目标函数，用于衡量所述神经网络的输出与期望值之间的差距；

一组优化算法，所述优化算法是所述神经网络的学习规则，用于根据损失函数的梯度信息，更新所述权重矩阵和所述偏置向量，以提高所述神经网络的性能。

5.根据权利要求4所述的一种直线电机的自适应智能控制方法，其特征在于，所述神经网络中的权重矩阵、偏置向量、激活函数具体用于：

将所述神经网络输入层的权重矩阵、所述神经网络隐藏层的权重矩阵分别对应为；

将所述神经网络输入层的偏置向量、所述神经网络隐藏层的偏置向量设为；

将所述神经网络输入层的激活函数、所述神经网络隐藏层的激活函数设为；

输入所述反馈信号，通过公式计算：

；

其中，表示所述神经网络的输入层的计算结果，并作为所述神经网络的隐藏层的输入；

通过公式计算：

；

其中，表示所述神经网络的隐藏层的输出结果，并作为控制信号。

6.根据权利要求5所述的一种直线电机的自适应智能控制方法，其特征在于，所述神经网络的损失函数包括输入层的损失函数和隐藏层的损失函数：

计算所述输入层的损失函数和所述隐藏层的损失函数，通过公式计算：

；

其中，表示期望速度，/>表示所述输入层的损失函数；

通过公式计算：

；

其中，表示PWM信号，/>表示期望PWM信号，/>表示所述隐藏层的损失函数。

7.根据权利要求6所述的一种直线电机的自适应智能控制方法，其特征在于，所述神经网络的优化算法根据所述输入层的损失函数的梯度信息进行计算，通过公式计算：

；

更新所述输入层的权重矩阵和偏置向量；其中，表示所述输入层更新后的权重矩阵，表示所述输入层更新后的偏置向量，/>表示所述输入层的神经网络的学习率，/>表示所述神经网络的损失函数对所述输入层的权重矩阵的偏导数，/>表示所述神经网络的损失函数对所述输入层的偏置向量的偏导数；

根据所述隐藏层的损失函数的梯度信息，通过公式计算：

；

更新所述隐藏层的权重矩阵和偏置向量；其中，表示所述隐藏层更新后的权重矩阵，/>表示所述隐藏层更新后的偏置向量，/>表示所述隐藏层的神经网络的学习率，/>表示所述神经网络的损失函数对所述隐藏层的权重矩阵的偏导数，/>表示所述神经网络的损失函数对隐藏层的所述偏置向量的偏导数。

8.根据权利要求6所述的一种直线电机的自适应智能控制方法，其特征在于，所述根据所述控制信号调节PWM信号的占空比和频率的步骤，包括：

根据以下公式调节PWM信号的占空比和频率：

；

其中，表示占空比，/>表示控制信号，/>表示直线电机的最大电压，/>表示频率，/>表示周期。

9.一种电机设备，其特征在于，包括存储器和处理器，所述存储器存储有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8任一项所述的一种直线电机的自适应智能控制方法。