适用于重复性伺服系统的RBF自适应神经网络重复控制器技术方案

一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪。本发明专利技术提供一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，本发明专利技术针对重复性伺服系统的周期运行特性，一方面利用RBF神经网络逼近未知参数的系统模型，另一方面引入重复控制方法以消除重复操作过程中常见的周期性干扰。

RBF adaptive neural network repetitive controller for repetitive servo system

【技术实现步骤摘要】
适用于重复性伺服系统的RBF自适应神经网络重复控制器
本专利技术涉及重复控制技术，尤其适用于周期参考信号下的电机参数未知的伺服系统，也适用于工业场合中其它周期性运行过程。
技术介绍
在工业生产现场，存在许多重复运行的行为。比如工业机器人在执行焊接、搬运、码垛、铣切和喷漆等任务时，需要按照预设指令自动、重复执行工作。自动弧焊机器人在执行焊接操作时，通过焊缝轨迹跟踪技术，沿着焊缝运行同时焊条长度与质量逐渐减小，完成一次操作后又回到起点重复运行。码垛机器人则兼具反复搬运和码垛的功能，重复定位精度要求高，且需要在运行过程中按照设定的垛型调整目标位置的摆放高度和方向。在这些应用场合中，工业机器人本身的运动部件——伺服电机，也明显存在重复性、周期性的运行特征。为方便表述，本专利技术将这种在有限区间内重复运行、间歇操行的伺服系统称为重复性伺服系统。在工程应用中，几乎所有的伺服系统都存在着非线性和不确定性。比如建模的偏差、模型参数的摄动、系统干扰和未建模特性等等。特别是对于一些大功率、强干扰或者要求精确控制的电机伺服系统，这种客观情况造成实际复杂系统与理论数学模型的偏差，为控制器设计带来困难。如何克服系统的非线性和不确定性，取得良好的控制性能是伺服系统设计的一个挑战。人工神经网络模拟大脑的信息处理机制，具有学习和构建非线性复杂关系的能力。利用其非线性映射能力，用于无模型系统的控制器设计，有助于提高控制系统学习和适应不确定动态特性的性能。David等人的研究工作表明，相比BP(backpropagation)神经网络，径向基函数(radicalbasisfunction,RBF)神经网络能够实现输入到输出的非线性映射，具有更好的函数逼近能力(DavidDanielSbarbaro.AnAdaptiveSliding-ModeControllerforDiscreteNonlinearSystems.IEEETransactionsonIndustrialElectronics,2000,47(3):574-583.)。已有工作主要考虑利用神经网络逼近未知参数的电机模型，简化控制系统结构。比如HichamChaoui等人提出一种无需电流环的永磁同步电机速度调速策略，以RBF神经网络逼近电机d轴电压，在部分电机参数未知的情况下实现了电机的速度跟踪控制(HichamChaoui,MehdyKhayamy,andOkezieOkoye.AdaptiveRBFNetworkBasedDirectVoltageControlforInteriorPMSMBasedVehicles.IEEETransactionsonVehicularTechnology,2018,67(7):5740-5749.)。上述工作针对电机和控制系统本身解决问题，并没有考虑重复性伺服系统中电机运行过程的周期性。
技术实现思路
为了解决复杂工况中，重复性伺服系统中常见的周期性干扰和未知模型情况下的控制器设计问题，本专利技术提供一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，本专利技术针对重复性伺服系统的周期运行特性，一方面利用RBF神经网络逼近未知参数的系统模型，另一方面引入重复控制方法以消除重复操作过程中常见的周期性干扰。本专利技术解决其技术问题所采用的技术方案是：一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪；针对伺服电机系统，以输入输出差分方程描述其数学模型yk+1＝f(yk)+uk+wk(1)其中yk为电机输出位置信号，f(yk)为未知参数的电机模型，uk为输入的控制量，wk为包含各种来源的有界集总扰动，给定的参考信号rk具有周期特性，即满足rk＝rk-N(2)其中N为rk在一周期内的采样点数，rk-N表示对应k时刻前一周期的参考信号值，令ek＝yk-rk，取uk＝rk+1-f(yk)+slaw(ek)(3)其中函数slaw(ek)由关于误差的吸引律定义，根据指数吸引律已被证明的收敛发性能，将式(3)代入式(1)得到渐近收敛的跟踪误差动态方程ek+1＝slaw(ek)+wk(4)然而，因为f(yk)未知，根据式(3)无法计算得到控制量；采用一种通过RBF神经网络逼近f(yk)，并具有周期扰动抑制能力的重复控制器其中0＜ρ＜1，ε＞0，为对于未知系统结构f(yk)的估计，由RBF神经网络实现，其中神经网络隐含层神经元数为l，yk为网络输入，其输出其中为神经网络权值向量，h(yk)为径向基函数向量，和h(yk)均为l维向量，采用多面函数作为径向基佬函数，取隐含层神经元的径向基函数中心点坐标向量c＝[c1c2…cl]T，径向基函数宽度b＝[b1b2…bl]T，那么第j个神经元的多面基函数h(yk)表示为其中j＝1,2,…,l；为设计稳定化控制器，引入虚拟量其中β＞0，γ＞0，λ＞0，初始误差e0通过电机输出轴测量，设计权值更新律记神经网络对系统结构函数的逼近误差为那么对于任意小的正数εu＞0，存在最优权值向量Θ*使得最优逼近误差因此其中RBF重复控制器(5)中的slaw(ek)由指数吸引律实现，其表达式为ek+1＝(1-ρ)ek-εsgn(ek)(11)其中0＜ρ＜1，ε＞0，那么以指数吸引律实现的重复控制器为但是当跟踪误差接近原点时，其中的等速项εsgn(ek)在符号函数作用下，易使系统输出沿参考信号上下切换，表现为跟踪误差的稳幅抖振，为消除这种由控制器本身带来的抖振，提出一种改进的离散误差吸引律ek+1＝(1-ρ)ek-εln(ek|+1)sgn(ek)(13)其中0＜ρ＜1，ε＞0，且ρ+ε＜1，ln(·)表示自然对数函数，以改进吸引律实现的RBF控制器为以改进吸引律实现的RBF重复控制器为进一步，伺服系统的收敛性分析过程为：将式(14)代入系统方程(1)可得到跟踪误差动态方程其中dk＝wk-wk-N是参考信号周期中对应时刻的干扰变化量，吸引律描述了跟踪误差的收敛轨迹，由式(16)可知，在忽略逼近误差的情况下，系统输出对参考信号的跟踪误差取决于吸引律，通过改进吸引律表达式(13)分析系统收敛性能；当ek＞0时，显然ln(ek|+1)＜ek，又因为条件ρ+ε＜1满足，所以(1-ρ)ek-εln(ek|+1)＞(1-ρ-ε)ek＞0，考虑到(1-ρ)ek-εln(ek|+1)＜ek，所以0＜ek+1＜ek，同理，当ek＜0时，ek＜ek+1＜0，即误差单调收敛性，不变号，不存在正负交替；当考虑系统有界干扰时，令|dk|≤Δ，那么在忽略逼近误差的情况下，当ek＞0本文档来自技高网...

【技术保护点】
1.一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，其特征在于，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪；/n针对伺服电机系统，以输入输出差分方程描述其数学模型/ny

【技术特征摘要】
1.一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，其特征在于，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪；
针对伺服电机系统，以输入输出差分方程描述其数学模型
yk+1＝f(yk)+uk+wk(1)
其中yk为电机输出位置信号，f(yk)为未知参数的电机模型，uk为输入的控制量，wk为包含各种来源的有界集总扰动，给定的参考信号rk具有周期特性，即满足
rk＝rk-N(2)
其中N为rk在一周期内的采样点数，rk-N表示对应k时刻前一周期的参考信号值，令ek＝yk-rk，取
uk＝rk+1-f(yk)+slaw(ek)(3)
其中函数slaw(ek)由关于误差的吸引律定义，根据指数吸引律已被证明的收敛发性能，将式(3)代入式(1)得到渐近收敛的跟踪误差动态方程
ek+1＝slaw(ek)+wk(4)
然而，因为f(yk)未知，根据式(3)无法计算得到控制量；采用一种通过RBF神经网络逼近f(yk)，并具有周期扰动抑制能力的重复控制器



其中0＜ρ＜1，ε＞0，为对于未知系统结构f(yk)的估计，由RBF神经网络实现，其中神经网络隐含层神经元数为l，yk为网络输入，其输出



其中为神经网络权值向量，h(yk)为径向基函数向量，和h(yk)均为l维向量，采用多面函数作为径向基佬函数，取隐含层神经元的径向基函数中心点坐标向量c＝[c1c2…cl]T，径向基函数宽度b＝[b1b2…bl]T，那么第j个神经元的多面基函数h(yk)表示为



其中j＝1,2,…,l；
为设计稳定化控制器，引入虚拟量



其中β＞0，γ＞0，λ＞0，初始误差e0通过电机输出轴测量，设计权值更新律



记神经网络对系统结构函数的逼近误差为那么对于任意小的正数εu＞0，存在最优权值向量Θ*使得最优逼近误差因此



其中
RBFRC中的slaw(ek)由指数吸引律实现，其表达式为
ek+1＝(1-ρ)ek-εsgn(ek)(11)
其中0＜ρ＜1，ε＞0，那么以指数吸引律实现的重复控制器为



但是当跟踪误差接近原点时，其中的等速项εsgn(ek)在符号函数作用下，易使系统输出沿参考信号上下切换，表现为跟踪误差的稳幅抖振，为消除这种由控制器本身带来的抖振，提出一种改进的离散误差吸引律
ek+1＝(1-ρ)ek-εln(|ek|+1)sgn(ek)(13)
其中0＜ρ＜1，ε＞0，且ρ+ε＜1，ln(·)表示自然对数函数，以改进吸引律实现的RBF控制器为



以改进吸引律实现的RBF重复控制器为





2.如权利要求1所述的适用于重复性伺服系统的RBF自适应神经网络重复控制器，其特征在于，伺服系统的收敛性分析过程为：
将式(14)代入系统方程(1)可得到跟踪误差动态方程



其中dk＝wk-wk-N是参考信号周期中对应时刻的干扰变化量，吸引律描述了跟踪误差的收敛轨迹，由式(16)可知，在忽略逼近误差的情况下，系统输出对参考信号的跟踪误差取决于吸引律，通过改进吸引律表达式(13)分析系统收敛性能；
当ek＞0时，显然ln(|ek|+1)＜ek，又因为条件ρ+ε＜1满足，所以(1-ρ)ek-εln(|ek|+1)＞(1-ρ-ε)ek＞0，考虑到...

【专利技术属性】
技术研发人员：周文委，孙明轩，翁国庆，张有兵，陈强，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33