一种平面电机非线性模型的构建方法技术

本发明专利技术公开了一种平面电机非线性模型的构建方法，所述方法建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型；基于预设训练样本集对所述神经网络模型进行训练；将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。本发明专利技术中平面电机模型为非线性动态模型，反映了平面电机的非线性动力学特性，模型精度高；通过神经网络模型对所述平面电机非线性模型的模型参数进行求解，提高了模型可信度，使得可用于平面电机的控制器，以提高平面电机位置控制的精确性。

【技术实现步骤摘要】
一种平面电机非线性模型的构建方法
本专利技术涉及平面电机
，特别涉及一种平面电机非线性模型的构建方法。
技术介绍
平面电机具有结构简单、安装方便、散热性好、精度高、速度快、成本低以及可靠性高等优点，在精密制造领域极具应用前景。目前，高精度位置控制是平面电机领域所关注的重点，平面电机数学模型的准确性严重影响对其高精度运行，此外，平面电机的高度非线性特性极大地阻碍其精确建模。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种平面电机非线性模型的构建方法。为了解决上述技术问题，本专利技术所采用的技术方案如下：一种平面电机非线性模型的构建方法，所述方法包括：建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型，其中，所述神经网络模型的模型参数为平面电机非线性动态模型的模型参数；基于预设训练样本集对所述神经网络模型进行训练；将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。所述平面电机非线性模型的构建方法，其中，所述预设训练样本集包括若干训练样本，每个训练样本均包括训练数据以及训练数据对应的真实状态信息，其中，所述训练数据包括状态信息以及控制量。所述平面电机非线性模型的构建方法，其中，所述真实状态信息为所述训练数据的下一时刻的状态信息，其中，所述状态信息包括速度信息和位置信息。所述平面电机非线性模型的构建方法，其中，所述基于预设训练样本集对所述神经网络模型进行训练具体包括：将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息；基于所述预测状态信息以及所述训练数据对应的真实状态信息，确定所述训练数据对应的损失函数；基于所述损失函数对所述神经网络模型进行训练。所述平面电机非线性模型的构建方法，其中，所述神经网络模型包括映射单元以及线性变换单元；将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息具体包括：将所述状态信息输入所述映射单元，通过所述映射单元输出耦合参数；将所述耦合参数以及所述控制量输入所述线性变换单元，通过所述线性变换单元输出所述训练数据的预测状态信息。所述平面电机非线性模型的构建方法，其中，所述损失函数为：其中，J为损失函数，xreal_l(k)为真实状态信息，xl(k)为预测状态信息，k表示第k时刻。所述建立平面电机非线性动态模型为：其中，xl1(k)为l轴k时刻的位置信息，xl2(k)为l轴k时刻的速度信息，yl(k)为k时刻模型输出的位置信息，Cl＝[10]，Gl和Hl为l轴的系数矩阵，Fl[xl(k)]为l轴的非线性状态向量，ul(k)为控制量，xl1(k+1)为l轴k+1时刻的位置信息，xl2(k+1)为l轴k+1时刻的速度信息。一种平面电机的控制方法，应用如上任一所述的平面电机非线性模型的构建方法构建得到的平面电机非线性模型，所述方法包括：基于所述平面电机非线性模型，确定平面电机下一时刻的为期望位置信息；基于所述期望位置信息以及所述平面电机的实际位置信息，确定所述平面电机的控制量；将所述控制量作用所述平面电机，以对所述平面电机进行控制。一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的平面电机非线性模型的构建方法中的步骤。一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述通信总线实现处理器和存储器之间的连接通信；所述处理器执行所述计算机可读程序时实现如上任一所述的平面电机非线性模型的构建方法中的步骤。有益效果：与现有技术相比，本专利技术提供了一种平面电机非线性模型的构建方法，所述方法建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型；基于预设训练样本集对所述神经网络模型进行训练；将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。本专利技术中平面电机模型为非线性动态模型，反映了平面电机的非线性动力学特性，模型精度高；通过神经网络模型对所述平面电机非线性模型的模型参数进行求解，提高了模型可信度，使得可用于平面电机的控制器，以提高平面电机位置控制的精确性。附图说明图1为本专利技术提供的平面电机非线性模型的构建方法的流程图。图2为本专利技术提供的平面电机非线性模型的构建方法中平面电机控制系统的示意图。图3为本专利技术提供的平面电机非线性模型的构建方法中神经网络模型的训练过程的示意图。图4为本专利技术提供的平面电机非线性模型的构建方法中神经网络模型的一个实施例的结构原理图。图5为本专利技术提供的平面电机非线性模型的构建方法中神经网络模型的另一个实施例的结构原理图。图6为本专利技术提供的终端设备的结构原理图。具体实施方式本专利技术提供一种平面电机非线性模型的构建方法，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本实施例提供了一种平面电机非线性模型的构建方法，该方法可以应用具有前置摄像或者后置摄像功能的电子设备，所述电子设备可以以各种形式来实现。例如，手机、平板电脑、掌上电脑、个人数字助理(PersonalDigitalAssistant，PDA)等。另外，该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该电子设备至少包括处理器和存储介质。如图1所示，本实施提供了一种平面电机非线性模型的构建方法，所述方法可以本文档来自技高网...

【技术保护点】
1.一种平面电机非线性模型的构建方法，其特征在于，所述方法包括：/n建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型，其中，所述神经网络模型的模型参数为平面电机非线性动态模型的模型参数；/n基于预设训练样本集对所述神经网络模型进行训练；/n将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。/n

【技术特征摘要】
1.一种平面电机非线性模型的构建方法，其特征在于，所述方法包括：
建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型，其中，所述神经网络模型的模型参数为平面电机非线性动态模型的模型参数；
基于预设训练样本集对所述神经网络模型进行训练；
将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。


2.根据权利要求1所述平面电机非线性模型的构建方法，其特征在于，所述预设训练样本集包括若干训练样本，每个训练样本均包括训练数据以及训练数据对应的真实状态信息，其中，所述训练数据包括状态信息以及控制量。


3.根据权利要求2所述平面电机非线性模型的构建方法，其特征在于，所述真实状态信息为所述训练数据的下一时刻的状态信息，其中，所述状态信息包括速度信息和位置信息。


4.根据权利要求2或3所述平面电机非线性模型的构建方法，其特征在于，所述基于预设训练样本集对所述神经网络模型进行训练具体包括：
将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息；
基于所述预测状态信息以及所述训练数据对应的真实状态信息，确定所述训练数据对应的损失函数；
基于所述损失函数对所述神经网络模型进行训练。


5.根据权利要求4所述平面电机非线性模型的构建方法，其特征在于，所述神经网络模型包括映射单元以及线性变换单元；将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息具体包括：
将所述状态信息输入所述映射单元，通过所述映射单元输出耦合参数；
将所述耦合参数以及所述控制量输入所述线性变换单元，通过所述线性变换单元输出所述训练数据的预测状态信息。

【专利技术属性】
技术研发人员：黄苏丹，胡智勇，曹广忠，陈龙，孙俊缔，敬刚，刘岩，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44