KR20030075446A

KR20030075446A - Precision speed and position control method of actuator system

Info

Publication number: KR20030075446A
Application number: KR1020020014680A
Authority: KR
Inventors: 고종선; 이용재
Original assignee: 고종선
Priority date: 2002-03-19
Filing date: 2002-03-19
Publication date: 2003-09-26
Also published as: KR100458920B1

Abstract

PURPOSE: A method for controlling accurately a speed and a position of an actuator system is provided to perform a control operation regardless of the variation of disturbance and parameter by improving a structure of an actuator. CONSTITUTION: A compensating method using a disturbance observer is performed by using a deadbit disturbance observer. An MA(Moving Average) process is performed by a rear end filter in order to compensate a defect of the deadbit disturbance observer. An influence due to the noise is reduced by the MA process. An equivalent system is used as a reference system in order to reduce a disturbance estimation error due to a difference between a parameter of the disturbance observer and a parameter of a practical system. The equivalent system is formed with the practical system and a parameter compensator. A load is predicted and compensated by learning the disturbance observer by means of a neural network. The disturbance observer and the parameter compensator are connected to the neural network in order to observe and compensate the load and the disturbance.

Description

Precision speed and position control method of actuator system

본 발명은 Actuator System의 정밀 속도 혹은 위치 제어 방법에 관한 것으로, 일반적으로 제어방식에서 구현이 간단한 PI제어기가 많이 사용되고 있으나, 추적제어(Tracking Controller)에서 고성능을 얻기가 어렵다. 이러한 문제를 해결하기 위해 출력 오차를 사용한 상태 변수를 추가 궤환 함으로써 추적 제어기를 구현함이 잘 알려져 있다. 이 방법은 PI 제어기에서 Trial-and-Error 방법을사용하는 것보다 최적 제어 이론을 사용하여 이득을 구하므로 더 효과적이다.The present invention relates to a method for precise speed or position control of an actuator system. In general, a PI controller that is simple to implement in a control system is used, but it is difficult to obtain high performance in a tracking controller. In order to solve this problem, it is well known to implement a tracking controller by additional feedback of a state variable using an output error. This method is more effective than using the Trial-and-Error method in the PI controller because the gain is obtained using the optimal control theory.

한편, 실제값을 알 수 없고, 찾아내기 어려운 입력에 대해서 관측기가 발명되어졌다. 외란 관측기와 퍼지 논리 제어기 또한 고정 이득을 사용한 제어기에서 사용된다. 그러나 좀 더 정밀한 속도나 위치 제어를 위해서는 관측기의 파라미터와 실제 시스템의 파라미터의 차이가 발생하는 문제를 해결해야 한다. 파라미터 문제에서 벗어나는 노력으로 VSS와 Fuzzy Logic을 이용하는 방법도 연구되었으나, 고 강성 제어에 치중하다보니 약간 미세한 떨림을 완전히 없애는 데는 한계가 있다. 현재 자동화 기기, 로봇의 모터 제어기 및 가전 제품의 속도 및 위치 결정기의 해결 과제는 외란과 파라미터의 변화에 강인한 제어기를 사용하는 것이다.On the other hand, observers have been invented for inputs whose actual values are unknown and difficult to find. Disturbance observers and fuzzy logic controllers are also used in controllers with fixed gains. However, for more precise speed or position control, the difference between the parameters of the observer and the actual system must be solved. Efforts to escape from the parameter problem have been studied using VSS and Fuzzy Logic. However, the focus on high stiffness control has limitations in completely eliminating slight vibrations. Currently, the challenge of the speed and positioner of the automation device, the motor controller of the robot and the home appliance is to use a controller that is robust against disturbances and parameter changes.

본 발명에서는 외란과 파라미터 변화에 무관하게 간단히 부착할 수 있는 Actuator 개선을 하고자 한다. 따라서 기존 제어기에도 간단히 프로그램을 이식하여 사용 가능하게 하였다.In the present invention, it is intended to improve the actuator that can be easily attached regardless of disturbance and parameter changes. Therefore, the program can be easily ported to existing controllers.

본 발명은 위와 같은 문제점에서 Actuator System의 초정밀 제어에 있어서 필요한 새로운 제어 알고리즘이다. 전체 제어 시스템은 상태 궤환에 의한 디지털 제어기를 응용하고, 각 이득은 LQC 이론에 의거하여 최적의 이득을 계산한다. 초정밀 제어에서는 조그만 외적인 힘이나 저항 등의 변화는 속도 제어에 직접 영향을 준다. 잘 알려진 데드비트 외란 관측기를 이용하여 외란을 보상하고 관측기의 파라미터와 실제 파라미터의 차이로 발생하는 외란 추정 오차를 줄이고자 실제 시스템과 파라미터 보상기로 구성된 등가 시스템이 지표 시스템이 되도록 하는 구성에서외란 관측기 및 전체 시스템을 학습하여 외부 외란에 맞는 등가 전류를 계산하여 보상하는 역전파 신경망을 포함하도록 하여 외란과 파라미터 변화에 강인하도록 제어기를 구성한다. 이 위치 제어기의 성능이 그 제어 시스템의 기본 Spec을 좌우한다. 그래서 추가된 상태 궤환을 응용한 디지털 제어기를 구성하고, 벡터 공간에서 이득을 구하는 간략한 체계, 또한 벡터 제어된 Actuator에 적용한다. 이에 정확한 위치제어나 속도제어에 있어서 정상상태는 물론 과도상태에서도 외란과 파라미터 변화에 강인한 제어기를 구성한다.The present invention is a novel control algorithm required for ultra-precision control of the actuator system in the above problems. The entire control system applies a digital controller with state feedback, and each gain calculates the optimum gain based on the LQC theory. In ultra-precision control, small external forces or resistance changes directly affect the speed control. Disturbance Observer in a configuration that uses the well-known Deadbit Disturbance Observer to compensate the disturbance and reduce the disturbance estimation error caused by the difference between the observer's parameters and the actual parameters. The controller is configured to be robust against disturbances and parameter changes by learning the whole system to include backpropagation neural networks that calculate and compensate equivalent currents for external disturbances. The performance of this position controller determines the basic spec of the control system. Therefore, we construct a digital controller using the added state feedback, and apply it to the simplified system that obtains the gain in the vector space, as well as the vector controlled actuator. Thus, in accurate position control or speed control, a controller that is robust against disturbance and parameter change is constructed in a steady state as well as in a transient state.

도 1은 발명품의 구성을 나타내는 것으로 일반적인 구조1 is a general structure showing the configuration of the invention

도 2는 본 발명에서 사용하는 신경망의 구조2 is a structure of a neural network used in the present invention

도 3은 추가된 상태 궤환과 외란 관측기, 신경망, 파라미터 보상기를 이용한 본 발명의 알고리즘의 구성Figure 3 is a configuration of the algorithm of the present invention using the added state feedback and disturbance observer, neural network, parameter compensator

도 4는 본 발명을 실제 구현하기 위해서 사용한 전체 시스템 구성도4 is an overall system configuration used to actually implement the present invention

도 5는 일반적인 상태궤환을 사용한 실험 결과5 is a test result using the general state feedback

도 6은 발명한 시스템을 사용한 실험 결과6 is an experimental result using the invention system

도 1은 발명품의 구성을 나타내는 것으로 일반적인 구조이다. 제 ①항은 명령 값으로 Computer나 외부 입력장치에서 들어온다. ②는 그 명령을 수행하는 제어기로써 본 발명품의 새로운 방법이 알고리즘으로 들어있다. ②의 출력은 전압 혹은 전류이다. ③은 ④의 모터를 돌리는 장치로 전류형 혹은 전압형이 있다. ⑤는 위치 혹은 속도 등을 감지하여 ②의 제어보드에 전달하는 역할을 한다. 이 ②의 내부에 제안된 도 3의 도식의 방법이 사용된다.1 shows the structure of the invention and is a general structure. Paragraph ① is a command value from a computer or an external input device. ② is a controller that executes the command, and a new method of the present invention is included in the algorithm. ② output is either voltage or current. ③ is a device for turning the motor of ④, either current or voltage. ⑤ detects position or speed and delivers it to the control board of ②. The method of the scheme of FIG. 3 proposed inside of this ② is used.

도 2는 추가된 상태 궤환을 기초로 많이 쓰이는 역전파 신경망을 사용한 제어기의 구성도이다. 이 구성도는 제안된 발명에 일부분에 쓰인다. 본 신경망 보상기는 외부의 영향을 온라인으로 학습하여 외부 외란에 맞는 등가 전류를 계산하여 정궤환 보상한다. 그림에서 i는 입력층이고, j는 은닉층, k는 출력층을 나타내고 있다.ω _ji 와ω _kj 는 각 층사이의 연결강도를 나타낸다. 본 신경망 보상기는 속도ω, 속도 목표ω _r , 외란 관측기의 출력인 등가 전류i _qc ₂, 속도와 속도 목표의 차ω-ω _r 를 신경망의 입력으로 선택하였고 역전파 알고리즘에서 학습해 나온 출력 O _k 과 원하는 출력i _qc ₂의 차를 계산하여 오차를 줄이는 방향으로 출력층에서 은닉층으로 역전파하여 학습한다.2 is a block diagram of a controller using a backpropagation neural network that is widely used based on the added state feedback. This schematic diagram is used in part in the proposed invention. The neural network compensator compensates positive feedback by calculating the equivalent current for external disturbance by learning the external influence online. In the figure, i is the input layer, j is the hidden layer, and k is the output layer. ω _ji and ω _kj represent the connection strength between each layer. The neural network compensator selects velocity ω , velocity target ω _r , equivalent current i _qc ₂ , which is the output of disturbance observer, and difference ω - ω _r between velocity and velocity target as input of neural network, and outputs O _k learned from backpropagation algorithm. Calculate the difference between and the desired output i _qc ₂ and learn by back propagating from the output layer to the hidden layer in the direction of reducing the error.

도 3은 본 발명의 알고리즘을 나타내는 구성도로써 추가된 상태 궤환 제어기, 외란 관측기와 파라미터 보상기로 이루어진 시스템을 신경망으로 학습할 수 있도록 한 것이다. 알고리즘의 구성은 ① 추가된 상태 궤환 제어기, ② 데드비트 외란 관측기, ③ MA 필터, ④ 신경망, ⑤ 파라미터 보상기로 이루어져 있다. ①의 출력은 ④의 출력i _nn과 더하여 ⑤의 제어기에 넣는다. ②에는 ⑤의 출력속도 혹은 위치가 연결되고 ⑤의 입력i _qc 또 입력으로 연결된다. ③에는 ②의 출력이 입력으로 연결된다. 이 ③의 출력은 상수배를 통하여 ④에 연결되고 이 값으로 신경망의 gain을 보정한다. ①에 의해서 추적 제어 문제를 해결하고, ②를 사용하여 응답속도를 빠르게 하였으며, ③을 이용하여 ②의 단점인 잡음에 대한 영향을 감소시켰다. 이 ③에 의해 잡음이 제거되는 효과도 ④의 학습 대상으로 포함하였다. 역전파 알고리즘을 사용한 ④에서는 ②와 ③을 통한 출력iqc ₂및 전체 시스템을 학습하여inn을 출력한다. ⑤는 ①의 출력iqc ₁과inn을 더한iqc를 입력으로 파라미터 추정에 의해 보상기의 이득을 조절하도록 함으로서, 외란이 없는 등가 지표시스템의 응답 특성을 추정하여 실제 시스템이 nominal 값에서 동작하도록 해준다. 제어대상에 해당하는 Actual Plant를 제외한 모두는 도 1의 ②의 내부에 program으로 구성한다.FIG. 3 is a schematic diagram illustrating an algorithm of the present invention to enable a neural network to learn a system including a state feedback controller, a disturbance observer, and a parameter compensator. The algorithm consists of ① state feedback controller, ② deadbeat disturbance observer, ③ MA filter, ④ neural network, and ⑤ parameter compensator. The output of ① is added to the controller of ⑤ in addition to the output i _nn of ④. The output speed or position of ⑤ is connected to ②, and the input i _{qc of} ⑤ is also connected to the input. ③ has output of ② This input is connected. The output of ③ is connected to ④ through the constant multiple, and this value is used to correct the gain of the neural network. The problem of tracking control is solved by ①, the response speed is increased by using ②, and the influence on noise, which is a disadvantage of ②, is reduced by using ③. The effect of removing noise by this ③ is also included as a learning target of ④. ④ using the backpropagation algorithm learns the output iqc ₂ and the whole system through ② and ③ and outputs inn . ⑤ adjusts the compensator's gain by parameter estimation by inputting iqc plus inn output iqc ₁ , so that the real system operates at nominal value by estimating the response characteristics of the equivalent indicator system without disturbance. All except the actual plant corresponding to the control object is configured as a program inside ② of FIG.

도 4는 본 발명을 실제 구현하기 위해서 사용한 시스템의 구성도로서 속도 제어를 실현하였는데, 영구자석 동기 전동기를 사용하였고, 주 컴퓨터는 586급 이상으로 DSP 보드를 이용하여 제어한다. 점선으로 표시된 부분이 도 3에 해당된다.4 is a configuration diagram of a system used to actually implement the present invention, the speed control is realized, a permanent magnet synchronous motor is used, the main computer is controlled by using a DSP board in class 586 or higher. The part indicated by a dotted line corresponds to FIG. 3.

도 5는 실제 시스템을 구성하여 실험한 결과로 막대 부하와 관성 부하의 경우에 일반적인 추가된 상태궤환 시스템을 사용한 실험 결과이고,FIG. 5 shows the results of experiments using a state feedback system that is generally used in the case of rod loads and inertial loads.

도 6은 막대로 이루어진 부하와 정격에 가까운 모터 이너셔의 40배정도의 관성 부하의 경우에 발명한 방법을 사용한 실험 결과이다.6 is an experimental result using the method of the invention in the case of an inertial load of about 40 times the load of the rod and the motor inertia close to the rating.

도 7,8은 위치제어를 한것에 대해 기존 기술과 차이를 보이고 있다.7, 8 shows a difference from the existing technology with respect to the position control.

이상에서 상술한 바와 같이 본 발명은, 정밀 속도 및 위치 제어가 가능하여 X-Y Table을 사용하는 자동화 기기 및 로봇의 위치, 속도 제어의 알고리즘에 간단히 적용하면 생산성이 높아질 것으로 사료된다. 국내에서 생산하는 자동 제어기기의 신뢰성 향상 및 기계의 성능 제고에도 기여할 것이다. 또 이 제어 기기는 Nano 정밀 광부품 조립기, 소형 Actuator, 무기 시스템, HDD, CD-ROM Driver 류의 Seek Time 감소에도 기여할 것이다. 기존 직접 구동형 로봇의 초정밀 제어, 초정밀 가공기의 CNC Machine 등 산업용 자동화 기기 및 소형 가전기기 등에도 쓰일 수 있다. 특히 전기 자동차의 Fault Tolerance 분야에도 쓰일 것이다.As described above, the present invention can be precisely applied to the algorithm of the position control and the speed control of the robot and the automation device using the X-Y table. It will also contribute to improving the reliability of automatic control devices produced in Korea and improving the performance of machines. The control device will also contribute to the reduction of Seek Time in Nano precision optical assembly, small actuators, weapon systems, HDDs and CD-ROM drivers. It can be used in industrial automation devices such as ultra-precision control of existing direct-drive robots and CNC machines of ultra-precision machines and small home appliances. In particular, it will be used in the field of fault tolerance of electric vehicles.

Claims

A method for learning disturbance observers by neural networks in general position, speed, etc. signals and actuator control and predicting and compensating loads as a result.

A method of monitoring and compensating load and disturbance by connecting an existing disturbance observer and a parameter compensator to a neural network in a control system for reducing the influence of disturbance.