基于广义回归神经网络辨识器的超声波电机位置与速度控制系统技术方案

本发明专利技术涉及一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，包括基座和设于基座上的超声波电机，所述超声波电机的一侧输出轴与光电编码器相连，另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与转矩传感器的信号输出端分别接至一控制系统；其中控制系统由基于广义回归神经网络的辨识器和电机组成，辨识器完成对超声波电机在不同控制变量、飞轮惯性负载下输入输出特性的辨识，控制器根据辨识结果实现对超声波电机的速度/位置控制输出，以确定不同负载、不同控制变量下的控制特性。本发明专利技术的装置及其控制系统不仅控制准确度高，而且结构简单、紧凑，使用效果好。

【技术实现步骤摘要】
基于广义回归神经网络辨识器的超声波电机位置与速度控制系统
本专利技术涉及电机控制器领域，特别是一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统。
技术介绍
现有的超声波电机位置与速度控制系统，大都使用积分微分控制器，主要着眼于控制器的计算响应特性比电机本体的响应快。由于超声波电机的响应为毫秒级且非线性控制特性比较严重，神经网络对已有的控制参数具有记忆能力，使得神经网络可以对电机的非线性可以进行预测和补偿，因此电机的位置与速度控制可以获得较好的动态特性。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，该装置及其控制系统不仅控制准确度高，而且结构简单、紧凑，使用效果好。本专利技术采用以下方案实现：一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，包括基座和设于基座上的超声波电机，所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连；所述光电编码器的信号输出端与所述力矩传感器的信号输出端分别接至一控制系统。进一步地，所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路与驱动芯片电路；所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连，用以驱动所述驱动芯片电路；所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接；所述广义回归神经网络辨识器设置于所述控制芯片电路中。进一步地，所述联轴器为弹性联轴器。进一步地，所述超声波电机、光电编码器、转矩传感器分别经超声波电机固定支架、光电编码器固定支架、转矩传感器固定支架固定于所述基座上。进一步地，所述控制系统包括所述广义回归神经网络辨识器；所述广义回归神经网络辨识器是由四层网络组成，所述四层网络包括输入层、模式层、求和层以及输出层；所述输入层共有2个节点，输入层X(k)可以表示为X(k)＝[x1(k)x2(k)]T(1)其中x1(k)＝f(k),x2(k)＝φ(k)，f(k)为k时刻电机驱动信号的频率，φ(k)为k时刻电机二相驱动信号的相位差；所述模式层使用非线性函数将所述输入层的数据变成模式空间的数据；取多变量的高斯函数作为非线性函数，所述高斯函数为其中是系统的平均向量，δj为高斯函数的标准差；对于函数估计来说，δj较小时广义回归神经网络有更好的性能；所述求和层的求和过程分为二个，一个是另一个是其中wj(k)为模式层节点和求和层节点的连接权重，m是模式层节点的个数。所述输出层有1个节点，其输出信号y(k)与输入X(k)之间的关系为估计器的输入为驱动频率f和相位差φ，输出是估计力矩通过线性系统估计变换后得到角速度的估计值由公式(3)可推得，与输入之间的关系为综合公式(4)，可表示为其中m是广义回归神经网络隐含层节点的个数，n是系统的阶数；公式(5)可以写为矩阵形式其中，Wn＝[a1,a2,…,an,bow1,bow2,…,bowm,b1,…,bn1]为隐含层权重向量，输出向量Xn为若选取适当的平均向量和标准差δj，公式(2)则可以由计算得到；在对所述广义回归神经网络进行训练时，选取估计误差函数为其中eω(k)的估计误差ω(k)表示所述光电编码器或转矩传感器的信号输出，表示所述广义回归神经网络辨识器的输出。辨识系统连接权重系数更新按照梯度最快下降算法进行调整，可以表示为其中η(k)是网络的学习速率。与现有技术相比，本专利技术是使用基于广义回归神经网络辨识器实施超声波电机位置与速度控制，由于广义回归神经网络在进行系统辨识时计算量较小，因此可以在很短时间内完成对系统的辨识和计算，而且可以对电机的非线性部分可以进行比较准确的辨识，提高了控制的准确性，可以获得较好的动态特性。此外，该装置设计合理，结构简单、紧凑，制造成本低，具有很强的实用性和广阔的应用前景。附图说明图1是本专利技术实施例的结构示意图。图2是本专利技术实施例的控制电路原理图。图3是本专利技术实施例的基于广义回归神经网络的系统辨识框图。图中，1-光电编码器，2-光电编码器固定支架，3-超声波电机输出轴，4-超声波电机，5-超声波电机固定支架，6-超声波电机输出轴，7-飞轮惯性负载，8-飞轮惯性负载输出轴，9-弹性联轴器，10-转矩传感器，11-转矩传感器固定支架，12-基座，13-控制芯片电路，14-驱动芯片电路，15、16、17-光电编码器输出的A、B、Z相信号，18、19、20、21-驱动芯片电路产生的驱动频率调节信号，22-驱动芯片电路产生的驱动半桥电路调节信号，23、24、25、26、27、28-控制芯片电路产生的驱动芯片电路的信号，29-超声波电机驱动控制电路。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。本实施例提供一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，如图1所示，包括基座12和设于基座12上的超声波电机4，所述超声波电机4一侧输出轴3与光电编码器1相连接，另一侧输出轴6与飞轮惯性负载7相连接，所述飞轮惯性负载7的输出轴8经弹性联轴器9与转矩传感器10相连接，所述光电编码器1的信号输出端、所述转矩传感器10的信号输出端分别接至一控制系统。所述超声波电机4、光电编码器1、转矩传感器10分别经超声波电机固定支架5、光电编码器固定支架2、转矩传感器固定支架11固定于所述基座12上。所述联轴器为弹性联轴器。在本实施例中，如图2所示，所述控制系统包括超声波电机驱动控制电路29，所述超声波电机驱动控制电路29包括控制芯片电路13和驱动芯片电路14；所述光电编码器1的信号输出端与所述控制芯片电路13的相应输入端相连接，所述光电编码器输出的A、B、Z相信号分别为15、16、17；所述控制芯片电路13的输出端与所述驱动芯片电路14的相应输入端相连接，用以驱动所述驱动芯片电路14，所述控制芯片电路产生的驱动芯片电路的信号分别为23-28；所述驱动芯片电路14的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机4的相应输入端相连接。所述驱动芯片电路14产生驱动频率调节信号18-21和驱动半桥电路调节信号22，对超声波电机输出A、B两相PWM的频率、相位及通断进行控制。通过开通及关断PWM波的输出来控制超声波电机的启动和停止运行；通过调节输出的PWM波的频率及两相的相位差来调节电机的最佳运行状态。在本实施例中，所述控制系统包括所述广义回归神经网络辨识器；广义回归神经网络辨识器完成对超声波电机在不同控制变量和不同飞轮惯性负载下输入输出特性的辨识，然后根据辨识结果实现对超声波电机在不同控制变量和不同飞轮惯性负载下的速度/位置控制输出，以确定不同负载、不同控制变量下的控制动态特性。如上所述，在本实施例中，所述控制系统的硬件电路包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述广义回归神经网络辨识器设于所述控制芯片电路中。在本实施例中，所述广义回归神经网络辨识器是由四层网络组成，所述四层网络包括输入层、模式层、求和层以及输出层；所述输入层共有本文档来自技高网...

【技术保护点】
一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，包括基座和设于基座上的超声波电机，其特征在于：所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与所述转矩传感器的信号输出端分别接至一控制系统。

【技术特征摘要】
1.一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，包括基座和设于基座上的超声波电机，其特征在于：所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与所述转矩传感器的信号输出端分别接至一控制系统；所述控制系统包括所述广义回归神经网络辨识器；所述广义回归神经网络辨识器是由四层网络组成，所述四层网络包括输入层、模式层、求和层以及输出层；所述输入层共有2个节点，输入层X(k)表示为X(k)＝[x1(k)x2(k)]T(1)其中x1(k)＝f(k),x2(k)＝φ(k)，f(k)为k时刻电机驱动信号的频率，φ(k)为k时刻电机二相驱动信号的相位差；所述模式层使用非线性函数将所述输入层的数据变成模式空间的数据；取多变量的高斯函数作为非线性函数，所述高斯函数为其中是系统的平均向量，δj为高斯函数的标准差；所述求和层的求和过程分为二个，一个是另一个是其中wj(k)为模式层节点和求和层节点的连接权重，m是模式层节点的个数；所述输出层有1个节点，其输出信号y(k)与输入X(k)之间的关系为估计器的输入为驱动频率f和相位差φ，输出是估计力矩T，通过线性系统估计变换后得到角速度的估计值ω；由公式(3)可推得，T与输入之间的关系为综合公式(4)，可表示为其中m是广义回归神经网络隐含层节点的个数，n是系统的阶数；公式(5)可以写为矩阵形式其中，Wn...

【专利技术属性】
技术研发人员：傅平，程敏，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建;35