基于模糊神经网络的超声电机转速控制制造技术

本发明专利技术公开一种基于蚁群‑粒子群混合算法优化模糊神经网络的超声电机速度控制模型。将蚁群算法和粒子群算法组成主从递阶结构优化模糊神经网络，应用蚁群算法的全局搜索和粒子群算法的局部搜索功能，优化模糊神经网络控制器的结构参数，并且将该控制器引入超声电机的转速控制系统，实现超声电机速度控制的自适应和智能化。仿真分析与实验结果表明，采用本发明专利技术的基于蚁群‑粒子群混合算法优化的模糊神经网络的速度控制策略，能实现系统对超声电机速度的自适应跟踪，速度脉动小，调节精度高，动态性能好，抗干扰能力和鲁棒性强。

Speed control of ultrasonic motor based on Fuzzy Neural Network

【技术实现步骤摘要】
基于模糊神经网络的超声电机转速控制
本专利技术涉及一种超声电机速度控制，具体涉及一种基于蚁群一粒子群混合算法优化模糊神经网络的超声电机速度控制方法，属于计算机应用与自动控制领域。
技术介绍
超声电机(USM)是20世纪末发展起来的一种微小型驱动电机。与传统的电磁电机相比，超声电机结构紧凑、体积小、重量轻、微位移、低转速、大转矩、运行无噪声、不受电磁干扰、耐低温等特性，可谓是一种较为理想的伺服驱动执行器件，已广泛应用于航空航天、医疗器械、精密微动机构、办公自动化、机器人工业、高档汽车、军事及工业控制等领域。因超声电机自身参数的高度非线性、时变性，特别是电机工作过程中伴随严重的磨擦过程，运行特性呈现很多非线性和不确定因素，而且USM受温度和外加负载的影响较大，所以难以建立其精确的数学模型，很难通过传统控制方法实现高精度的速度伺服控制。目前很多学者和科技人员为解决超声电机的驱动问题，做了许多探索和实验，如应用PID控制、模糊控制、神经网络等优化控制USM。然而采取以上方法时，仍然不能有效解决超声电机转速波动较大及运行不稳定性的问题，从而不能保证超声电机精确的转速跟踪和优良的动态控制性能。为此，需要采取性能更优的控制器用于超声电机的转速控制系统，以便增强USM控制系统转速跟踪与响应能力，提高系统的控制精度高及抗干扰能力。
技术实现思路
为克服上述现有方法存在的问题与不足，增强控制系统的鲁棒性和抗扰动能力，精准地实现超声电机的转速控制，本专利技术提出一种基于蚁群-粒子群混合算法优化模糊神经网络的超声电机转速控制方法。即将蚁群算法和粒子群算法组成递阶结构优化模糊神经网络，应用蚁群算法的全局搜索和粒子群算法的局部搜索功能，优化模糊神经网络控制器的结构参数，并且将该控制器引入超声电机的转速控制系统。本专利技术的技术方案是：基于蚁群-粒子群混合算法优化模糊神经网络的超声电机转速控制，由速度参考模型设定电机的转速跟踪目标，可以是恒定转速、阶跃转速等。在系统转速控制内环中引入电机定子振动信号检测单元，以增强USM速度跟踪准确度，提高USM的速度响应快速性。控制原理结构中的模糊神经网络(即FNN)控制器的功能是控制超声电机的转速，其输入量分别为转速误差e和误差e的变化率Δe，e由系统结构中参考模型的给定转速信号n*与USM转速检测部件实际转速量n比较计算得出，即e＝n*-n。模糊神经网络控制器结构参数通过蚁群——粒子群算法在线优化求取，以保证超声电机控制系统的实际输出转速n能及时准确跟踪参考模型的转速输出n*，即e→0。对模糊神经网络控制器结构参数的优化过程，就是通过学习训练不断调整和更新高斯隶属度函数参数mij和δij、连接权值ωjk和ωko过程。蚁群算法全局搜索能力强，但比较容易产生停滞现象，搜索时间较长，而粒子群算法具有较快的寻优求解速度，将全局搜索的蚁群算法作为主级，将局部搜索的粒子群算法作为从级，组成主从递阶结构对模糊神经网络参数进行训练优化，提高模糊神经网络的泛化能力和快速全局收敛性。蚁群算法将网络需要训练的参数在取值范围内求得有限个离散值；粒子群算法搜索寻优实际上是粒子速度和位置的改变过程，所以模糊神经网络中的高斯隶属函数均值、标准差和权重应该与粒子的位置相对应。具体优化步骤为：第1步：初始化。蚁群初始化主要设定时间、迭代次数NC、最大迭代次数NCmax、蚂蚁数目S、初始信息素ρ等，且让全部蚂蚁放置在蚁巢；粒子群初始化包括设置粒子数h、粒子初始位置、速度、惯性因子ωmax和ωmin、加速因子C1和C2、最大迭代次数Mp等。第2步：启动全部蚂蚁，每只蚂蚁K(K＝1，2……S)从集合IPi开始，按次序从IPi中选取元素，直至蚁群中所有蚂蚁均搜寻到食物源。第3步：将每只蚂蚁选取值作为FNN结构参数训练样本，然后按照下式求取网络输出平均相对误差，记录目前FNN结构参数最好解。且根据蚁群算法对全部集合中各元素信息素更新调整。上式中，ek定义为模糊神经网络期望输出与实际值的平均相对误差，yi表示FNN的实际输出值，Oi代表FNN期望输出值，S为蚂蚁样本数量，因此，当网络训练输出误差ek减小时，相应信息素浓度就增大。第4步：采用粒子群算法改进第3步中求得的最优解。及时更新粒子的运行速度与所处位置。假如当前找到的粒子最好位置Pbest不能优于粒子当前位置Pnow，那么令Pbest＝Pnow；假如当前搜出的全局最好位置Gbest不能优于粒子当前位置Pnow，那么令Gbest＝Pnow。如果没有达到粒子群最大迭代次数，继续对粒子当前位置与最优位置Pbest及Gbest进行比较执行。第5步：循环次数增1。若目前最优解得到改进，更新信息素浓度。第6步：如果进化满足最大迭代次数，便停止迭代过程，同时得出模糊神经网络结构参数最优解，否则将跳至第2步循环执行。本专利技术的有益效果归纳如下：本专利技术针对超声电机运行时具有的高度非线性、时变性及强耦合性，为有效破解超声电机建模困难、电机运行中易受负载扰动影响等问题，提出蚁群算法和粒子群算法相融合优化模糊神经网络参数的超声电机转速控制方案。蚁群-粒子群算法能发挥蚁群算法和粒子群算法各自优势，并弥补其不足，不仅保持蚁群算法较强的全局搜索寻优性能，而且又具备粒子群算法较好的局部快速搜索能力，该算法在应用中显示出很好的参数寻优能力。相比传统的BP算法训练模糊神经网络控制方法，该系统能实现对超声电机速度的自适应跟踪，速度脉动较小，调节精度高，动态性能较好，抗干扰能力强。附图说明图1为超声电机转速控制系统原理示意图图2为模糊神经网络结构模型图3为蚁群-粒子群算法优化模糊神经网络的USM控制速度曲线图4为传统BP训练模糊神经网络的USM控制速度曲线图5为蚁群-粒子群算法优化模糊神经网络突加负载时USM速度响应曲线图6为传统BP训练模糊神经网络突加负载时USM速度响应曲线图7为超声电机速度控制实验原理图图8为超声电机速度控制实验平台截图图9为超声电机恒转速跟踪实验曲线图10为超声电机阶跃转速跟踪实验曲线具体实施方式以下结合附图和实施例对本专利技术做进一步详细阐释，主要从超声电机转速控制系统、模糊神经网络控制器、模糊神经网络控制器结构参数的优化、仿真分析以及实验验证等五个方面对本专利技术加以介绍。1.超声电机转速控制系统图1为超声电机转速控制系统原理示意图。由速度参考模型设定电机的转速跟踪目标，可以是恒定转速、阶跃转速等。在系统转速控制内环中引入电机定子振动信号检测单元，以增强USM速度跟踪准确度，提高USM的速度响应快速性。控制原理结构中的模糊神经网络(即FNN)控制器的功能是控制超声电机的转速，其输入量分别为转速误差e和误差e的变化率Δe，e由系统结构中参考模型的给定转速信号n*与USM转速检测部件实际转速量n比较计算得出，即e＝n*-n。模糊神经网络控制器结构参数通过蚁群-粒子群算法在线优化求取，以保证超声电机控制系统的实际输出转速n能及时准确跟踪参考模型的转速输出n*，即e→0。2模糊神经网络(FNN)控制器USM参考模型自适应转速控制系统中模糊神经网络控制器结构如图2所示。控制器由输入层(i层)、隶属函数层(j层)、规则层(k层)、输出层(O层)共4层前向神经网络组成。在FNN输入层中，转速误差e及其变化率Δe由输入层本文档来自技高网...

【技术保护点】
基于模糊神经网络的超声电机转速控制，其特征在于，控制系统由速度参考模型设定超声电机的转速跟踪目标，设计基于模糊神经网络的速度控制器；所述的模糊神经网络速度控制器结构参数采用蚁群‑粒子群混合算法在线优化。

【技术特征摘要】
1.基于模糊神经网络的超声电机转速控制，其特征在于，控制系统由速度参考模型设定超声电机的转速跟踪目标，设计基于模糊神经网络的速度控制器；所述的模糊神经网络速度控制器结构参数采用蚁群-粒子群混合算法在线优化。2.根据权利要求1所述的蚁群-粒子群混合算法在线优化模糊神经网络，其特征在于，所述的蚁群-粒子群混合算法主要优化过程如下：第1步：初始化，蚁群初始化主要设定时间、迭代次数NC、最大迭代次数NCmax、蚂蚁数目S、初始信息素ρ等，且让全部蚂蚁放置在蚁巢；粒子群初始化包括设置粒子数h、粒子初始位置、速度、惯性因子ωmax和ωmin、加速因子C1和C2、最大迭代次数Mp等；第2步：启动全部蚂蚁，每只蚂蚁K(K＝1，2......S)从集合IPi开始，按次序从IPi中选取元素，直至蚁群中所有蚂蚁均搜寻到食物源；第3步：将每只蚂蚁选取值作为FNN结构参数训练样本，然后按照下式求取网络输出平均相对误差，记录目前FN...

【专利技术属性】
技术研发人员：乔维德，
申请(专利权)人：无锡开放大学，
类型：发明
国别省市：江苏,32