基于多层神经网络的电机位置伺服系统摩擦补偿控制方法技术方案

本发明专利技术公开了一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法，属于机电伺服控制领域；该摩擦补偿控制方法结合了神经网络和自适应鲁棒控制的思想，设计基于多层神经网络观测器的自适应鲁棒控制器，通过多层神经网络补偿非线性摩擦中的复杂不确定项，同时设计自适应鲁棒控制器以估计系统中不确定的参数，以及补偿外部扰动和神经网络的逼近误差。本发明专利技术所设计的控制方法，能有效解决电机伺服系统非线性摩擦问题，并能保证电机伺服系统优良的跟踪性能。

【技术实现步骤摘要】
基于多层神经网络的电机位置伺服系统摩擦补偿控制方法
本专利技术涉及一种摩擦补偿控制方法，具体涉及一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法。
技术介绍
随着现代科技的飞速发展，设备对伺服控制系统的性能要求越来越高，如机器人、数控机床和发射平台等。但是设计一个高性能的控制器并不容易，因为参数的不确定性和摩擦非线性、外界扰动等不确定性的非线性总是存在于伺服系统中，严重影响伺服系统的性能。在影响低速性能的众多因素中，摩擦非线性最为主要，使系统容易造成波形畸变现象和爬行现象。因此，如何实现高精度跟踪控制，减小摩擦对伺服系统的影响一直是国内外学者研究的热点。针对伺服系统的非线性摩擦问题，许多方法相继被提出。而在这些方法中，基于模型的摩擦补偿方法被广泛使用。然而，准确摩擦模型的建立是实现摩擦补偿的关键。在以往的研究中，简化的摩擦模型有可能会导致基于它设计的控制器由于补偿不精确而恶化系统的控制性能，造成自激极限环震荡，甚至导致系统失稳。对于能够比较全面的描述摩擦力现象的动态模型，这类摩擦模型参数多、结构复杂，设计高性能的控制器存在一定难度。
技术实现思路
本专利技术的目的在于提供一种基于多本文档来自技高网...

【技术保护点】
一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法，其特征在于，包括以下步骤：步骤1，建立电机位置伺服系统的数学模型；步骤2，设计基于多层神经网络观测器的摩擦补偿控制器；步骤3，对基于多层神经网络观测器的摩擦补偿控制器进行稳定性测试。

【技术特征摘要】
1.一种基于多层神经网络的电机位置伺服系统摩擦补偿控制方法，其特征在于，包括以下步骤：步骤1，建立电机位置伺服系统的数学模型；步骤2，设计基于多层神经网络观测器的摩擦补偿控制器；步骤3，对基于多层神经网络观测器的摩擦补偿控制器进行稳定性测试。2.根据权利要求1所述的基于多层神经网络的电机位置伺服系统摩擦补偿控制方法，其特征在于，步骤1建立基于LuGre模型的电机位置伺服系统的数学模型，具体如下：式中x表示角位移，J表示等效到电机轴上的转动惯量，U是系统控制输入，TL是负载扭矩，代表外部干扰，F是摩擦扭矩，且采用LuGre摩擦模型表示如下：其中，σ0表示鬃毛刚度系数，σ1表示鬃毛阻尼系数，σ2表示粘性摩擦系数。为相对角速度，z表示鬃毛的平均变形量，且状态z是不可测量的；非线性函数表示不同的摩擦效应，Fc表示Coulomb摩擦力矩，Fs表示最大静摩擦力矩，表示Stribeck速度；综上，伺服系统的动态方程为：把(5)式写成状态空间形式，如下：其中x＝[x1,x2]T表示位置和速度的状态向量；参数集θ＝[θ1θ2θ3]T，θ1＝J,θ2＝σ1+σ2,θ3＝TL；Nz(x1,x2,z)＝σ0z-σ1α(x2)|x2|z表示摩擦模型中不确定项；由于|z(t)|≤fs，可以得到Nz(x1,x2,z)是有界的，即：|Nz(x1,x2,z)|＝|σ0-σ1α(x2)|x2|||z(t)|≤(σ0+σ1α(x2)|x2|)fs(7)假设1：参数θ满足：其中θmin＝[θ1min,...,θ3min]T,θmax＝[θ1max,...,θ3max]T它们都是已知的；假设2：是有界的且一阶可微的，即其中δd已知。3.根据权利要求1所述的基于多层神经网络的电机位置伺服系统摩擦补偿控制方法，其特征在于，步骤2具体如下：步骤2-1、设计多层神经网络观测器采用多层神经网络观测器去估计复杂不确定的有界函数Nz(x1,x2,z)，其网络算法为：其中，σ(·)为神经元激活函数，W*和V*为神经网络的理想权值矩阵，εapprox为逼近误差，分别满足如下条件：εapprox≤εN(11)网络输入取X＝[x1,x2]T，则网络输出为：其中为N的估计，为W*的估计，为V*的估计；设计不连续映射类型的权值自适应律为：

【专利技术属性】
技术研发人员：胡健，王元刚，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32