一种基于自校正小波神经网络的连续回转马达控制方法技术

本发明专利技术公开了一种基于自校正小波神经网络的连续回转马达控制方法，该控制方法包括小波神经网络控制器和径向基神经网络辨识器的设计：利用小波基函数作为神经网络的激活函数，采用Adam优化算法对小波基函数中的尺度因子和位移因子进行梯度寻优更新，利用RBF神经网络进行自校正控制得到系统的预测输出并进行反馈，并由小波神经网络控制器进行调节。本发明专利技术能够有效提高连续回转马达的低速稳定性和跟踪精度，极大程度拓展了系统的频响，实现了伺服系统的精度控制。

【技术实现步骤摘要】
一种基于自校正小波神经网络的连续回转马达控制方法
本专利技术涉及智能控制技术，尤其涉及一种基于自校正小波神经网络的连续回转马达控制方法。
技术介绍
目前，连续回转马达作为评价航空航天制导系统性能的重要设备，广泛应用于航空航天飞行器中；对连续回转马达电液伺服系统的精确控制，要求其能够准确复现航空航天飞行器在空中飞行时姿态角及其角速度的变化。连续回转马达电液伺服系统中存在许多非线性不确定性因素、参数时变性问题，严重影响连续回转马达的性能；但目前针对连续回转马达电液伺服系统的控制仍停留在传统PID控制上，对于控制精度和频率响应的改善没有明显提高；同时，PID控制是基于实验数据的离线辨识，通过调节三个控制参数进行系统控制，与神经网络强大的自学习能力相比，PID控制耗费更多运算时间，人为因素对控制过程的干扰也很难避免。
技术实现思路
本专利技术提出一种基于自校正小波神经网络的连续回转马达控制方法，该控制方法利用小波基函数作为神经网络的激活函数，采用Adam优化算法对小波基函数中的尺度因子和位移因子进行梯度寻优更新，利用RBF神经网络进行自校正控制得到系统的预测输出并进行反馈，并由小波神经网络控制器进行调节；通过该方法对连续回转马达伺服系统进行控制，在跟踪控制上对斜坡信号和正弦信号均具有较高的鲁棒性和抗干扰能力，有效地提高了连续回转马达电液伺服系统的低速性和稳定性，并提高了跟踪精度，极大程度的拓展了系统频响，实现了伺服系统的精度控制。本专利技术采用了如下的技术方案及实现步骤：(1)利用RBF神经网络进行系统辨识的具体步骤：步骤一：对RBF神经网络的相关参数进行初始化，如权值、中心宽度、阈值、学习速率和动量因子，分别设置各个参数：时间计数器k＝1，时间间隔为2ms，迭代次数p＝1，最大迭代次数P＝N，N为常数，E＝0。步骤二：导入实验数据，由以下公式分别计算输入层、隐含层、输出层的输出；f1(i)＝xi,i＝1,2(1)其中，连续回转马达的电液伺服系统实时输入为x；X为一个二维向量，包含系统的实际输入和输出信号；cij为隶属函数的中心宽度，表示输入层的第i个输入单元对隐含层的第j个神经元的中心宽度值；bj为隐含层的第j个神经元隶属函数的阈值；其中X-cij的2范数用||X-cij||2表示，即输入向量X与中心宽度cij两个向量之间的欧氏距离；zj是隐含层节点与输出层节点之间的连接权值。步骤三：根据如下公式计算辨识系统的性能指标E；其中，系统实时输出为y；电液伺服系统经过RBF神经网络辨识后得到的预测输出ym。步骤四：判断迭代次数p，是否满足p≤N，如满足则返回②继续迭代计算，直至满足截至条件。步骤五：根据更新网络的中心宽度、阈值、权值；vj(k+1)＝vj(k)+ηe(k)·f3(j)+α(vj(k)-vj(k-1))(5)其中，η为学习速率；α为动量因子，且η∈(0,1),α∈(0,1)。步骤六：判断性能指标E是否满足停止要求，若满足则输出辨识网络，否则返回步骤二继续迭代计算。(2)自校正小波神经网络控制器的实现步骤：步骤一：对小波神经网络中的尺度因子、位移因子、权值、学习速率进行初始化，并设置迭代参数k＝1、p＝1、J＝0、P＝N，其中k为当前时刻值，J为系统性能指标，p为迭代次数，P为最大迭代次数,N为常数；步骤二：导入实验数据，将隐含层和输出层的神经网络输出值通过以下公式计算得出；其中，c，s为常数；nettj为隐含层的自变量；隐含层与输出层的权值γj。步骤三：将性能指标J的值通过以下公式计算得出；其中，r(k)为系统的参考输入值，y(k)为系统实际输出值。步骤四：判断迭代次数p，是否满足p≤N，如满足则返回步骤二继续迭代计算，直至满足迭代次数要求。步骤五：将网络的权值、尺度因子、位移因子通过以下公式进行更新；其中,λ＝0.001称为步长因子,ε＝10e-8防止算法中分母为0。步骤六：继而判断性能指标J是否满足停止条件，若满足则输出小波神经网络控制输出值，否则k＝k+1，返回步骤二继续迭代计算。本专利技术的创造性主要体现在：(1)本专利技术针对连续回转马达电液伺服系统存在高度非线性和不确定因素，根据神经网络具有很强的自适应和自学习能力，设计了RBF神经网络辨识器和自校正小波神经网络控制器，实现了系统的在线控制，有效的提高系统的跟踪精度和响应频率；(2)本专利技术设计的RBF神经网络辨识算法和自校正小波神经网络控制算法，相较于PID控制节省运算时间和人工经验问题，减少人为因素对控制过程的干扰。附图说明：图1是连续回转马达自校正控制系统的结构图。图2是RBF神经网络辨识器结构图。图3是小波神经网络控制结构图。图4是斜坡输入信号的相应特性曲线图。图5是正弦输入信号的相应特性曲线图。具体实施方式：结合附图，对本专利技术的控制方法进行详细描述。如图1所示，一种自校正小波神经网络控制器主要由小波神经网络控制器和径向基神经网络辨识器组成；通过RBF神经网络辨识器，由k时刻给定输入rk和系统实际输出yk得到k+1时刻的输出yk+1；再将系统k时刻给定的输入rk、系统k时刻和k+1时刻的实际输出yk，yk+1以及两者计算得到的预测误差ek作为小波神经网络控制器的输入，得到uk作为系统控制输入到电液伺服系统中，最终得到自校正小波神经网络控制下的系统输出。如图2所示，RBF神经网络辨识器为三层前馈紧致型神经网络，其中的输入层有两个神经元：分别为连续回转马达的电液伺服系统实时输入x和系统实时输出y；其中的隐含层有三个神经元：选择高斯函数作为隐含层的隶属函数；其中的输出层有一个神经元：为电液伺服系统经过RBF神经网络辨识后得到的预测输出ym。RBF神经网络进行系统辨识的具体步骤如下：步骤一：对RBF神经网络的相关参数进行初始化，如权值、中心宽度、阈值、学习速率和动量因子，分别设置各个参数：时间计数器k＝1，时间间隔为2ms，迭代次数p＝1，最大迭代次数P＝N，N为常数，E＝0。步骤二：导入实验数据，由以下公式分别计算输入层、隐含层、输出层的输出；f1(i)＝xi,i＝1,2(1)其中，连续回转马达的电液伺服系统实时输入为x；X为一个二维向量，包含系统的实际输入和输出信号；cij为隶属函数的中心宽度，表示输入层的第i个输入单元对隐含层的第j个神经元的中心宽度值；bj为隐含层的第j个神经元隶属函数的阈值；其中X-cij的2范数用||X-cij||2表示，即输入向量X与中心宽度cij两个向量之间的欧氏距离；zj是隐含层节点与输出层节点之间的连接权值。步骤三：根据如下公式计算辨识系统的性能指标E；其中，系统实时输出为y；电液伺服系统经过RBF神经网络辨识后得到的预测输出ym。步骤四：判断迭代次数p，是否满足p≤N，如满足则返回步骤二继续迭代计算，直至满足截至条件。步骤五：根据更新网络的中心宽度、阈值、权值；vj(k+1)＝vj(k)+ηe(k)·f3(j)+α(vj(k)-vj(k-1))(5)其中，η为学习速率；α为动量因子，且η∈(0,1),α∈(0,1)。步骤六：判断性能指标E是否满足停止要求，若满足则输出辨识网络，否则返回步骤二继续迭代计算。如图3所示，小波神经网络控制器的输入层有四个神经元：分别为连续回转马达的电液伺服系统参考输入值r(k)、系统的本文档来自技高网...

【技术保护点】
1.一种基于自校正小波神经网络的连续回转马达控制方法，其特征在于：包括一个RBF神经网络辨识器和一个小波神经网络控制器；所述的RBF神经网络辨识器为三层前馈紧致型神经网络，其中的输入层有两个神经元：分别为连续回转马达的电液伺服系统实时输入x和系统实时输出y；其中的隐含层有三个神经元：选择高斯函数作为隐含层的隶属函数；其中的输出层有一个神经元：为电液伺服系统经过RBF神经网络辨识后得到的预测输出ym；所述的小波神经网络控制器输入层有四个神经元：分别为连续回转马达的电液伺服系统参考输入值r(k)、系统的实际输出y(k)、系统的实时误差值e(k)和RBF神经网络预测输出ym(k+1)；隐含层有三个神经元，分别代表不同位移因子和尺度因子的小波基函数；输出层只有一个神经元，为系统控制输入u(k)。

【技术特征摘要】
1.一种基于自校正小波神经网络的连续回转马达控制方法，其特征在于：包括一个RBF神经网络辨识器和一个小波神经网络控制器；所述的RBF神经网络辨识器为三层前馈紧致型神经网络，其中的输入层有两个神经元：分别为连续回转马达的电液伺服系统实时输入x和系统实时输出y；其中的隐含层有三个神经元：选择高斯函数作为隐含层的隶属函数；其中的输出层有一个神经元：为电液伺服系统经过RBF神经网络辨识后得到的预测输出ym；所述的小波神经网络控制器输入层有四个神经元：分别为连续回转马达的电液伺服系统参考输入值r(k)、系统的实际输出y(k)、系统的实时误差值e(k)和RBF神经网络预测输出ym(k+1)；隐含层有三个神经元，分别代表不同位移因子和尺度因子的小波基函数；输出层只有一个神经元，为系统控制输入u(k)。2.根据权利要求1所述的一种基于自校正小波神经网络的连续回转马达控制方法，其特征在于：(1)输入层各节点的输出值为：f1(i)＝xi,i＝1,2(1)(2)隐含层的隶属函数第j个隐含层单元的输出值为：其中，X为一个二维向量，包含系统的实际输入和输出信号；cij为隶属函数的中心宽度，表示输入层的第i个输入单元对隐含层的第j个神经元的中心宽度值；bj为隐含层的第j个神经元隶属函数的阈值；其中X-cij的2范数用||X-cij||2表示，即输入向量X与中心宽度cij两个向量之间的欧氏距离；(3)输出层节点的输出为：其中，zj是隐含层节点与输出层节点之间的连接权值；(4)神经网络的损失函数为：其中，y为连续回转马达的电液伺服系统实际输出，ym为RBF神经网络辨识器得到的输出值；(5)权值函数vj的更新公式为：vj(k+1)＝vj(k)+ηe(k)·f3(j)+α(vj(k)-vj(k-1))(5)(6)中心宽度cij的更新公式为：(7)阈值hj的更新公式为：其中，η为学习速率；α为动量因子，且η∈(0,1),α∈(0,1)。具体辨识步骤如下：步骤一：对RBF神经网络的相关参数进行初始化，如权值、中心宽度、阈值、学习速率和动量因子，分别设置各个参数：时间计数器k＝1，时间间隔为2ms，迭代次数p＝1，最大迭代次数P＝N，N为常数，E＝0；步骤二：导入实验数据，由公式(1)、(2)、(3)计算各层输出；步骤三：根据公式(4)计算辨识系统的性能指标E；步骤四：判断迭代次数P，是否满足P≤N，如满足则返回步骤二继续迭代计算，直至满...

【专利技术属性】
技术研发人员：王晓晶，孙宇微，沈志琦，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23