一种基于摩擦补偿的自适应神经网络控制方法及其装置制造方法及图纸

本发明专利技术公开了一种基于摩擦补偿的自适应神经网络控制方法及其装置，包括了以下步骤：建立电机位置伺服系统模型；设计基于摩擦补偿的自适应神经网络控制器；根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。本发明专利技术利用连续摩擦模型来对电机伺服系统中的摩擦特性进行建模，并结合神经网络的自学习能力和参数估计器的估计能力，对电机伺服系统中的摩擦特性和其他非线性干扰，作了很好的补偿，大大提高了系统的稳定跟踪精度。

An Adaptive Neural Network Control Method Based on Friction Compensation and Its Device

The invention discloses an adaptive neural network control method based on friction compensation and its device, which includes the following steps: establishing a motor position servo system model; designing an adaptive neural network controller based on friction compensation; and using Lyapunov stability theory to carry out the motor servo system according to the designed adaptive neural network controller based on friction compensation. The stability is proved and the global asymptotic stability of the system is obtained by using Barbalat lemma. The friction characteristic in the motor servo system is modeled by using the continuous friction model. Combining the self-learning ability of the neural network and the estimation ability of the parameter estimator, the friction characteristic and other non-linear disturbances in the motor servo system are well compensated, and the stable tracking accuracy of the system is greatly improved.

【技术实现步骤摘要】
一种基于摩擦补偿的自适应神经网络控制方法及其装置
本专利技术涉及电机伺服系统控制领域，特别是一种基于摩擦补偿的自适应神经网络控制方法及其装置。
技术介绍
摩擦是存在于所有机械结构相对运动中的一种复杂现象，它依赖于接触表面的物理性质、相对速度和润滑条件等。在实际应用中，摩擦不仅严重影响伺服系统的控制精度，而且还导致不希望的粘滑运动或极限环振荡发生。目前，许多技术已被研究用来解决摩擦在电机伺服系统中的影响。比如PID控制，其结构简单，不依赖于系统的数学模型，且工程实用性强，但是其对于非线性摩擦、强扰动的系统控制效果不佳。随着控制理论的不断发展，各种先进的控制技术被用来补偿摩擦，如自适应控制、鲁棒控制、误差符号积分鲁棒控制等，在这些控制策略中，基于摩擦模型的自适应补偿技术被认为是一个有效的摩擦补偿解决方案，并出现在越来越多的工业应用中。其控制目标是开发一种摩擦补偿器，在保持稳定的同时消除系统中的大部分摩擦力。为了设计一个高精度的基于模型的自适应补偿器，就需要一个完善的摩擦模型以及优越的辨识方案。然而，摩擦模型是高度非线性和复杂的模型，建立精确的摩擦模型并不容易，而且即使得到了较完善的摩擦模型，也会因其复杂的表达式使得系统分析和基于模型的补偿难以实现。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于摩擦补偿的自适应神经网络控制方法及其装置，利用连续摩擦模型来对电机伺服系统中的摩擦特性进行建模，并结合神经网络的自学习能力和参数估计器的估计能力，对电机伺服系统中的摩擦特性和其他非线性干扰，作了很好的补偿，大大提高了系统的稳定跟踪精度。本专利技术解决其问题所采用的技术方案是：本专利技术的第一方面，提供了一种基于摩擦补偿的自适应神经网络控制方法，包括以下步骤：建立电机位置伺服系统模型；设计基于摩擦补偿的自适应神经网络控制器；根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。进一步地，所述步骤建立电机位置伺服系统模型，具体如下：电机惯性负载的动力学模型方程为：式中：θr表示角位移，J表示惯性负载，Kω为速度环比例系数，Kt为电磁转矩系数，Kj为减速器的减速比，Kv为速度环的反馈系数，TL为电机内部扰动，F为摩擦力矩；所述摩擦力矩F用连续可微的摩擦模型表示为：F＝c1(tanh(c2x2)-tanh(c3x2))+c4tanh(c5x2)+c6x2(2)式中：c1,c4,c6为表征摩擦特性的权重因子，c2,c3,c5为表征不同摩擦部分的形状因子；把(1)式写成状态空间形式，如下：其中：θ＝[θ1θ2θ3θ4θ5]T为系统的未知参数，且θ1＝J/KwKtKj，θ2＝c1/KwKtKj，θ3＝c4/KwKtKj，θ4＝Kv/Kj+c6/KwKtKj，θ5＝TL/KwKt，f1(x2)＝tanh(c2x2)-tanh(c3x2)，f2(x2)＝tanh(c5x2)，d为其它未建模干扰项；为了方便控制器的设计，假设系统对的参数是有界且已知的，同时有界且一阶可微，即：进一步地，所述步骤设计基于摩擦补偿的自适应神经网络控制器，具体包括以下步骤：首先定义如下误差变量：其中：e1＝x1-x1d是输出跟踪误差，x1d是系统期望的位置指令且该指令二阶连续可微，x2eq为虚拟控制的期望值，从式(6)中，通过让e2收敛到零，从而促使e1收敛于零；将式(6)代入式(3)中可以得到e2的导数为：要使得趋近于0，则可将系统的控制量u设计为：其中k2＞0为控制器的设计参数，us为非线性鲁棒反馈项，为θ的估计，是d的估计值；设计一个带有不连续映射的参数自适应律为：其中：式中Γ1是一个正的对角矩阵，它表示参数的自适应增益；τ1为参数自适应函数，上述的投影映射具有以下特性：(P1)(P2)采用RBF神经网络去在线训练估计外部扰动f，网络算法为：d＝W*Th(x)+εapprox(13)式中，W*为神经网络的理想权值，h(x)为网络的高斯基函数输出，εapprox为神经网络的逼近误差，且满足：εapprox≤εN；网络输入都取X＝[x1,x2]T，则网络输出为：其中是d的估计，为W*的估计；设计一个带有不连续映射类型的权值自适应律为：式中与形式相同；Γ2表示权值自适应正对角矩阵，τ2为权值自适应函数，上述的投影映射具有和不连续的参数映射相同的特性；定义是估计误差，得到：其中是d的观测误差；将方程(8)和(16)带入到(7)中，e2的导数表示为：式中是参数自适应回归量；非线性鲁棒反馈项us的设计满足两个条件用于处理神经网络的逼近误差，具体如下：e2·us≤0(19)式中εs是一个正实数；因此，非线性鲁棒反馈项us可以设计为：式中hs是所有误差的上限，且是满足下列条件的任何光滑函数：其中进一步地，所述步骤根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果，具体包括以下步骤：根据不连续映射参数自适应律(9)和权值自适应律(15)，并设计τ2＝-h(x)e2(26)则设计的自适应鲁棒控制器(8)具有如下性质：当有限时间后系统只存在参数不确定性，能够实现渐进输出跟踪；即当t→∞时，e→0，其中e＝[e1,e2]T；定义李雅普诺夫函数如下：运用李雅普诺夫稳定性理论进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。本专利技术的第二方面，提供了一种基于摩擦补偿的自适应神经网络控制装置，包括以下装置：模型建立装置，用于建立电机位置伺服系统模型；控制器设计装置，用于设计基于摩擦补偿的自适应神经网络控制器；验证装置，用于根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。本专利技术的第三方面，提供了一种基于摩擦补偿的自适应神经网络控制设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的一种基于摩擦补偿的自适应神经网络控制方法。本专利技术的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的一种基于摩擦补偿的自适应神经网络控制方法。本专利技术的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的一种基于摩擦补偿的自适应神经网络控制方法。上述技术方案中的一个技术方案具有如下优点或有益效果：根据本专利技术提供的一种基于摩擦补偿的自适应神经网络控制方法及其装置，包括了以下步骤：建立电机位置伺服系统模型；设计基于摩擦补偿的自适应神经网络控制器；根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。本专利技术利用连续摩擦模型来对电机伺服系统中的摩擦特本文档来自技高网...

【技术保护点】
1.一种基于摩擦补偿的自适应神经网络控制方法，其特征在于，包括以下步骤：建立电机位置伺服系统模型；设计基于摩擦补偿的自适应神经网络控制器；根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。

【技术特征摘要】
1.一种基于摩擦补偿的自适应神经网络控制方法，其特征在于，包括以下步骤：建立电机位置伺服系统模型；设计基于摩擦补偿的自适应神经网络控制器；根据设计的基于摩擦补偿的自适应神经网络控制器，利用李雅普诺夫稳定性理论对电机伺服系统进行稳定性证明，并运用Barbalat引理得到系统的全局渐进稳定的结果。2.根据权利要求1所述的一种基于摩擦补偿的自适应神经网络控制方法，其特征在于，所述步骤建立电机位置伺服系统模型，具体如下：电机惯性负载的动力学模型方程为：式中：θr表示角位移，J表示惯性负载，Kω为速度环比例系数，Kt为电磁转矩系数，Kj为减速器的减速比，Kv为速度环的反馈系数，TL为电机内部扰动，F为摩擦力矩；所述摩擦力矩F用连续可微的摩擦模型表示为：F＝c1(tanh(c2x2)-tanh(c3x2))+c4tanh(c5x2)+c6x2(2)式中：c1,c4,c6为表征摩擦特性的权重因子，c2,c3,c5为表征不同摩擦部分的形状因子；把(1)式写成状态空间形式，如下：其中：θ＝[θ1θ2θ3θ4θ5]T为系统的未知参数，且θ1＝J/KwKtKj，θ2＝c1/KwKtKj，θ3＝c4/KwKtKj，θ4＝Kv/Kj+c6/KwKtKj，θ5＝TL/KwKt，f1(x2)＝tanh(c2x2)-tanh(c3x2)，f2(x2)＝tanh(c5x2)，d为未建模干扰项；为了方便控制器的设计，假设系统对的参数是有界且已知的，同时有界且一阶可微，即：3.根据权利要求2所述的一种基于摩擦补偿的自适应神经网络控制方法，其特征在于：所述步骤设计基于摩擦补偿的自适应神经网络控制器，具体包括以下步骤：首先定义如下误差变量：其中：e1＝x1-x1d是输出跟踪误差，x1d是系统期望的位置指令且二阶连续可微，x2eq为虚拟控制的期望值，从式(6)中，通过让e2收敛到零，从而促使e1收敛于零；将式(6)代入式(3)中得到e2的导数为：要使得趋近于0，则将系统的控制量u设计为：其中k2＞0为控制器的设计参数，us为非线性鲁棒反馈项，为θ的估计，是d的估计值；设计一个带有不连续映射的参数自适应律为：其中：式中Γ1是一个正的对角矩阵，它表示参数的自适应增益；τ1为参数自适应函数，投影映射具有以下特性：(P1)(P2)采用RBF神经网络去在线训练估计外部扰动f，网络算法为：d＝W*Th(x)+εapprox(13)式中，W*为神经网络的理想权值，h(x)为网络的高斯基函数输出，εapprox为神经网络的逼近误差，且满足：εapprox≤εN；网络输入都取X＝[x1,x2]T...

【专利技术属性】
技术研发人员：刘雷，石晶林，胡金龙，
申请(专利权)人：中科院计算技术研究所南京移动通信与计算创新研究院，
类型：发明
国别省市：江苏,32