本发明专利技术属于永磁球形电动机动力学控制技术领域，涉及一种球形电动机力学解耦控制方法，该方法包括伺服控制器，还包括按照下列步骤建立的神经网络前馈控制器：建立球形电动机的动力学方程；建立两层神经网络辨识器，所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ（α，β，γ），输出信号为前馈补偿力矩向量（τ↓［ｎα］，τ↓［ｎβ］，τ↓［ｎγ］）↑［Ｔ］；采用带有附加动量的权值调节公式训练所述的神经网络辨识器；对神经网络辨识器进行在线辨识，实现力矩向量（τ↓［ｎα］，τ↓［ｎβ］，τ↓［ｎγ］）↑［Ｔ］的前馈补偿。本发明专利技术提供的方法能够有效减弱模型估计误差和系统外部扰动影响。
【技术实现步骤摘要】
本专利技术属于永磁球形电动机动力学控制
涉及一种球形电动机力学解耦控制方法。
技术介绍
在现代航天、军事、化工、工业自动化和智能机器人等的研究和应用领域，都越来越多地需要实现多自由度运动。传统上实现多自由度运动，往往需要联合控制多台通过复杂传动机构相连接的单自由度电动机。这不仅造成了系统的机械结构复杂，体积庞大，而且使系统响应迟缓，定位精度不高，动态性能很差。于是人们开始关注能够提供2-3个自由度运动的球形电动机。三自由度球形电动机能够大大简化机械结构，提高定位精度和响应速度。 目前，国内外学者提出的球形电动机动力学解耦控制策略主要有 基于输出位置角的前馈补偿解耦算法，即用输出位置角直接重构耦合力矩项，对系统进行前馈补偿。这种算法相对比较简单，且能够减弱各轴向间的耦合作用。但是，此算法只适用于不考虑模型估计误差和系统外部扰动、对系统的鲁棒性要求较低的场合。事实上，模型估计误差和系统外部扰动广泛存在于球形电动机控制过程中，如果考虑其影响，则此算法的静态和动态性能不够理想。
技术实现思路
本专利技术的目的是克服现有技术的上述缺陷，提出一种能够有效减弱模型估计误差和系统外部扰动影响的力学解耦控制方法。 为此，本专利技术采用如下的技术方案 一种基于神经网络辨识器的球形电动机力学解耦控制方法，包括伺服控制器，其特征在于，还包括按照下列步骤建立的神经网络前馈控制器 第一步建立球形电动机的动力学方程其中，M(θ)为惯性矩阵， 为离心力与哥氏力矩阵。θ为角位置向量， 和 分别为角速度向量和角加速度向量，τf＝(τfα，τfβ，τfγ)T，τ为控制力矩； 第二步建立两层神经网络辨识器，所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ(α，β，γ)，输出信号为前馈补偿力矩向量(τnα，τnβ，τnγ)T，输入层与隐含层神经元之间采用Sigmoid函数作为非线性激活函数，输出层的神经元激活函数为纯线性函数； 第三步以为神经网络误差信号的训练信号，采用带有附加动量的权值调节公式Δwij(k+1)＝(1-α)ηδi+αηΔwij(k)训练所述的神经网络辨识器，两式中，α为动量因子，0≤α≤1，δi为节点误差，η为学习速率； 第四步对上述的神经网络辨识器进行在线辨识，实现力矩向量(τnα，τnβ，τnγ)T的前馈补偿。 上述的控制方法中，最好采用如下的自适应学习速率调整公式其中，E为均方误差，k为训练次数；伺服控制器可以为三个采用Mamdani最大值-最小值模糊推理算法的二维模糊高斯基控制器，所述的三个模糊控制器分别根据球形电动机输出的位置角α，β，γ，控制相应的球形电动机卡尔登角的转动轴。 本专利技术的有益效果在于 1.本专利技术的神经网络辨识器采用含附加动量项和自适应学习速率方法的改进BP算法作为神经网络训练算法，提高了训练速度，避免了网络陷入局部极小，且使神经网络具有较强的稳定性。 2.本专利技术运用神经网络辨识器对控制系统的不确定性进行在线辨识，大大减少了不确定性对系统动态性能的影响，显著地提高了控制系统的静态和动态性能，实现了理想的动力学解耦控制，增强了系统的自适应能力。 3.采用三个二维模糊控制器作为控制系统的主控制器，大大增强了控制系统的鲁棒性，进一步提高了系统的静态和动态性能。 总之，本专利技术提供的控制方法能够消除球形电动机转子各个轴向之间的非线性耦合，实现球形电动机的动力学解耦控制，改善球形电动机的动态性能和静态性能；消除或削弱模型估计误差和系统外部扰动对于球形电动机随动性能的影响。与基于输出位置角的前馈补偿解耦算法相比较，本专利技术的实时性较好，具有很好的静态和动态性能。另外，此专利技术对模型估计误差和系统外部扰动具有很强的鲁棒性。 附图说明 图1含有神经网络辨识器的永磁球形电动机力学解耦控制方法结构框图。 图2用于实现神经网络辨识的前馈神经网络结构示意图。 图3神经网络辨识器采用的改进BP算法流程图。 图4改进BP算法学习速率随训练次数的变化情况。 图5改进BP算法和普通BP算法的收敛效果比较 (a)训练均方差随步长的变化情况；(b)梯度随步长的变化情况。 图6二维模糊控制器结构图。 图7含模糊控制器和神经网络辨识器的永磁球形电动机力学解耦控制算法结构图。 图8本专利技术所涉及算法的章动运动响应(a)转子输出轴运动轨迹；(b)转子表面任意一点(0.6，0，0.8)运动轨迹。 图9直接前馈补偿算法的章动运动响应(a)转子输出轴运动轨迹； (b)转子表面任意一点(0.6，0，0.8)运动轨迹。 图10(a)神经网络辨识器α轴辨识误差。 图10(b)神经网络辨识器β轴辨识误差。 图10(c)神经网络辨识器γ轴辨识误差。 图11本专利技术所涉及算法和直接前馈补偿算法的轨迹跟踪误差对比(a)为α轴跟踪误差对比；(b)为β轴跟踪误差对比；(c)为γ轴跟踪误差对比(--直接前馈算法；…本专利技术所涉及算法)。 图12直接前馈控制算法的解耦控制效果(a)为α轴解耦控制效果；(b)为β轴解耦控制效果；(c)为γ轴解耦控制效果(—期望轨迹；…跟踪轨迹)。 图13本专利技术所涉及算法的解耦控制效果(a)为α轴解耦控制效果；(b)为β轴解耦控制效果；(c)为γ轴解耦控制效果(—期望轨迹；…跟踪轨迹)。 图14本专利技术所涉及算法的鲁棒性(—不确定性为20％；…不确定性为50％)。 具体实施例方式 计算力矩法已经被广泛地应用于机器人动态控制中，具有较理想的静态和动态性能。另外，计算力矩法不需要在线计算输出位置角的二阶导数项，因此，实时性较好。本专利技术将计算力矩法的结构应用于球形电动机动力学问题。 下面结合实施例和附图对本专利技术做进一步详述。 实施例1 本专利技术的含有神经网络辨识器的球形电动机力学解耦控制方法的结构框图如图1所示。本专利技术实施例1的主控制器采用惯常的伺服控制，即PD控制，利用神经网络辨识器实现前馈神经网络控制。 根据拉格朗日法或牛顿-欧拉法可以得到球形电动机的动力学方程如下 其中，M(θ)为惯性矩阵， 为离心力与哥氏力矩阵。θ为角位置向量， 和 分别为角速度向量和角加速度向量。τf＝(τfα，τfβ，τfγ)T。τ为控制力矩。 设惯性矩阵估计值为 离心力和哥氏力矩阵估计值为 如图6中所示，整个系统的控制力矩为 其中，τn为神经网络辨识器的输出力矩。 将(2)代入(1)，可得 其中，伺服部分u表达式如式(4)所示。u实际上是偏置的PD控制，包括偏置部分 和PD部分 由式(3)和式(4)可得误差方程，如式(5)所示 其中， 为模型估计误差。 由误差方程(5)可得系统误差信号为 令神经网络误差信号的训练信号为 此训练信号靠球形电动机动力学模型与其逆模型作差得到，即 τt＝τ-τm (10) 其中， 为永磁球形电动机动力学逆模型输出力矩。当τn充分逼近训练信号τt时，由式(8)和式(9)可以看出，误差信号Es也充分接近于零。此时误差方程(8)可以化简为 这就保证了算法对于连续本文档来自技高网...
【技术保护点】
一种基于神经网络辨识器的球形电动机力学解耦控制方法，包括伺服控制器，其特征在于，还包括按照下列步骤建立的神经网络前馈控制器： 第一步：建立球形电动机的动力学方程：Ｍ（θ）＊＋Ｃ（θ，＊）＊＋τ↓［ｆ］＝τ，其中，Ｍ（θ）为惯性矩阵，Ｃ（θ，＊）为离心力与哥氏力矩阵。θ为角位置向量，＊和＊分别为角速度向量和角加速度向量，τ↓［ｆ］＝（τ↓［ｆα］，τ↓［ｆβ］，τ↓［ｆγ］）↑［Ｔ］，τ为控制力矩； 第二步：建立两层神经网络辨识器，所述神经网络辨识器的输入信号为球形电动机输出的位置角向量θ（α，β，γ），输出信号为前馈补偿力矩向量（τ↓［ｎα］，τ↓［ｎβ］，τ↓［ｎγ］）↑［Ｔ］，输入层与隐含层神经元之间采用Ｓｉｇｍｏｉｄ函数作为非线性激活函数，输出层的神经元激活函数为纯线性函数； 第三步：以τ↓［ｔ］＝ΔＭ（θ）＊＋ΔＣ（θ，＊）＊＋τ↓［ｆ］为神经网络误差信号的训练信号，采用带有附加动量的权值调节公式Δｗ↓［ｉｊ］（ｋ＋１）＝（１－α）ηδ↓［ｉ］＋αηΔｗ↓［ｉｊ］（ｋ）训练所述的神经网络辨识器，两式中，ΔＭ（θ）＝Ｍ（θ）－＊（θ），ΔＣ（θ，＊）＝Ｃ（θ，＊）－＊（θ，＊），α为动量因子，０≤α≤１，δ↓［ｉ］为节点误差，η为学习速率； 第四步：对上述的神经网络辨识器进行在线辨识，实现力矩向量（τ↓［ｎα］，τ↓［ｎβ］，τ↓［ｎγ］）↑［Ｔ］的前馈补偿。...
【技术特征摘要】
【专利技术属性】
技术研发人员：夏长亮，郭辰，史婷娜，
申请(专利权)人：天津大学，
类型：发明
国别省市：12[中国|天津]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。