基于神经网络的驱动关节动态误差预测与补偿系统及方法技术方案

本发明专利技术公开了一种基于神经网络的驱动关节动态误差预测与补偿系统，包括组合微分器、扩张状态观测器、微分跟踪器及基于神经网络的动态误差预测模型；组合微分器输出参考输入信号的一至K阶导数；扩张状态观测器用于观测负载端受到的等效扰动力矩；微分跟踪器用于计算等效扰动力矩变化率，动态误差预测模型用于预测由等效扰动力矩产生的动态误差；其输入参考输入信号的一至K阶导数、等效扰动力矩、等效扰动力矩变化率，输出预测的动态误差至控制系统的输入端，与控制系统的参考输入信号叠加，对参考输入信号进行在线补偿。本发明专利技术无需建立准确的动态误差模型，可避免建模精度和辨识精度对动态误差补偿精度的影响，有效提高驱动关节位置跟踪精度。位置跟踪精度。位置跟踪精度。

【技术实现步骤摘要】
基于神经网络的驱动关节动态误差预测与补偿系统及方法


[0001]本专利技术涉及一种驱动关节动态误差预测与补偿系统及方法，特别涉及一种基于神经网络的驱动关节动态误差预测与补偿系统及方法。

技术介绍

[0002]伺服驱动关节广泛应用于各个工业领域，伺服驱动关节的动态精度是衡量其性能的核心指标，通过建立驱动关节的动态误差模型并基于模型进行补偿是保证其动态精度符合要求的重要一步。
[0003]目前，伺服驱动关节动态精度研究的主要手段是研究系统各部分力与运动的传递关系。其主要基于驱动关节系统的精确动力学建模。驱动关节的建模过程中，系统内部因素(如电机伺服刚度、传动系统弹性、间隙、惯量等)和外部因素(扰动力矩、参考信号特性等)的考虑复杂程度均会体现在动态误差模型中，考虑的因素越多，系统的动力学模型越复杂，针对动态误差的分析难度越大。并且部分系统关键参数的辨识由于装配条件和实际工况等因素导致其随时间变化，需要定期辨识。动态误差的补偿方法主要分为机械补偿和控制补偿，机械补偿需设计补偿装置，运动精度高，但所能承受的负载小，补偿装置的设计周期长，成本高；控制补偿的主要实现方式有优化控制算法、前馈补偿等。前馈补偿响应速度快，但需要基于误差模型，且需要输入已知或者可测；控制算法以某一特定性能为目标设计控制策略，在提升整体性能上存在局限；无论使用哪种控制补偿方法，都需要建立动态误差模型，模型的精度决定了补偿精度，但上述实际建模过程的系统的非线性、辨识困难等原因，很难得到高精度的动态误差模型。因此高精度的动态误差补偿是目前领域内的技术热点。神经网络的运算能力强，基于数据的特点能够为改善伺服驱动关节动态性能提供有效的帮助，目前神经网络开始逐渐应用在建立模型、改进控制算法等方向。

技术实现思路

[0004]本专利技术为解决公知技术中存在的技术问题而提供一种基于神经网络的驱动关节动态误差预测与补偿系统及方法。
[0005]本专利技术为解决公知技术中存在的技术问题所采取的技术方案是：一种基于神经网络的驱动关节动态误差预测与补偿系统，包括控制关节运动的控制系统，还包括组合微分器、扩张状态观测器、微分跟踪器及基于神经网络的动态误差预测模型；组合微分器用于对控制系统的参考输入信号进行微分处理，其包括一阶至K阶微分器且K≥2，其输出参考输入信号的一至K阶导数至动态误差预测模型；扩张状态观测器用于观测负载端受到的等效扰动力矩，其输出等效扰动力矩分别至微分跟踪器及动态误差预测模型；微分跟踪器用于计算等效扰动力矩变化率，其输出等效扰动力矩变化率至动态误差预测模型；动态误差预测模型用于预测由等效扰动力矩产生的动态误差；其输出预测的动态误差至控制系统的输入端，与控制系统的参考输入信号叠加，对参考输入信号进行在线补偿。
[0006]进一步地，动态误差预测模型包括输入层、隐含层及输出层；隐含层的节点数L
H
按
下式确定：
[0007][0008]其中N表示输入层节点数；M表示输出层节点数；a为常数，a的取值范围为1到10之间的整数。
[0009]进一步地，控制系统的参考输入信号为关节转角参考位置信号，K＝3。
[0010]进一步地，基于伺服驱动关节的机电耦合动力学模型，建立扩张状态观测器的数学模型如下：
[0011]设θ1为检知的电机转子转角位置信号，设θ2为检知的关节转角位置信号；设T
l
为时域下负载端受到的等效扰动力矩；设x1表示可直接测量的状态变量，x1＝(θ
1 θ2)
T
；x2表示不能直接测量的状态变量和扰动量，设为x2的观测值，设z为观测误差，设L为比例增益矩阵，l
ij
为比例增益矩阵L中元素，i＝1,2,3；j＝1,2；l
ij
为可调值，由设定的观测误差精度确定；
[0012]则时域下扩张状态观测器的观测方程为：
[0013][0014]其中：
[0015][0016][0017][0018]式中：
[0019]I1为电机转子的转动惯量；
[0020]I2为传动系统及机械连接件的等效转动惯量；
[0021]c1为电机的等效粘滞系数；
[0022]c2为传动系统的等效粘滞系数；
[0023]n为传动系统的传动比；
[0024]k
m
为传动系统等效刚度；
[0025]T
e
表示时域下控制系统输出的电磁转矩。
[0026]进一步地，微分跟踪器的频域数学模型如下：
[0027][0028]式中：
[0029]τ1为跟踪微分器的第一时间常数；
[0030]τ2为跟踪微分器的第二时间常数；
[0031]T
L
为频域下负载端受到的等效扰动力矩。
[0032]本专利技术还提供了一种基于神经网络的驱动关节动态误差预测与补偿方法，基于负载端受到的等效扰动力矩，建立伺服驱动关节的机电耦合动力学模型；基于机电耦合动力学模型，构建用于观测等效扰动力矩的扩张状态观测器；并通过设置微分跟踪器得到扰动力矩变化率；构建基于神经网络的动态误差预测模型；动态误差预测模型的输入信号包括：等效扰动力矩、等效扰动力矩变化率以及控制系统参考输入信号的一至K阶导数，K≥2；动态误差预测模型的输出信号包括预测动态误差；对动态误差预测模型进行训练；将控制系统参考输入信号的一至K阶导数、来自扩张状态观测器的等效扰动力矩以及来自微分跟踪器的扰动力矩变化率，输入至训练完成的动态误差预测模型，将动态误差预测模型输出的预测动态误差与控制系统参考输入信号叠加，以此修正控制系统的参考输入，实现动态误差在线补偿。
[0033]进一步地，通过实验获取动态误差预测模型的训练样本，具体方法为：
[0034]给定多组参考输入信号和扰动力矩，用外部光栅测量关节输出侧的动态误差，得到由控制系统的参考输入信号的一至K阶导数、扰动力矩及其变化率及关节输出侧的动态误差组成的样本数据。
[0035]进一步地，控制系统的参考输入信号为关节转角参考位置信号；给定多组正弦波的关节转角参考位置信号，设关节转角参考位置信号为θ
ref
，令θ
ref
＝Asinωt，得到：
[0036][0037][0038][0039]A 为波幅；
[0040]ω 为角频率；
[0041]t 为时间；
[0042]为关节转速参考信号；
[0043]为关节加速度参考信号；
[0044]为关节加加速度参考信号。
[0045]进一步地，按照下式对样本数据进行最大最小值归一化的预处理，并将样本分为训练样本集和测试样本集：
[0046][0047]式中：
[0048]x
i
表示第i个样本数据的值；
[0049]x
max
表示样本数据中的最大值；
[0050]x
min
表示样本数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的驱动关节动态误差预测与补偿系统，包括控制关节运动的控制系统，其特征在于，还包括组合微分器、扩张状态观测器、微分跟踪器及基于神经网络的动态误差预测模型；组合微分器用于对控制系统的参考输入信号进行微分处理，其包括一阶至K阶微分器且K≥2，其输出参考输入信号的一至K阶导数至动态误差预测模型；扩张状态观测器用于观测负载端受到的等效扰动力矩，其输出等效扰动力矩分别至微分跟踪器及动态误差预测模型；微分跟踪器用于计算等效扰动力矩变化率，其输出等效扰动力矩变化率至动态误差预测模型；动态误差预测模型用于预测由等效扰动力矩产生的动态误差；其输出预测的动态误差至控制系统的输入端，与控制系统的参考输入信号叠加，对参考输入信号进行在线补偿。2.根据权利要求1所述的基于神经网络的驱动关节动态误差预测与补偿系统，其特征在于，动态误差预测模型包括输入层、隐含层及输出层；隐含层的节点数L
H
按下式确定：其中N表示输入层节点数；M表示输出层节点数；a为常数，a的取值范围为1到10之间的整数。3.根据权利要求1所述的基于神经网络的驱动关节动态误差预测与补偿系统，其特征在于，控制系统的参考输入信号为关节转角参考位置信号，K＝3。4.根据权利要求1所述的基于神经网络的驱动关节动态误差预测与补偿系统，其特征在于，基于伺服驱动关节的机电耦合动力学模型，建立扩张状态观测器的数学模型如下：设θ1为检知的电机转子转角位置信号，设θ2为检知的关节转角位置信号；设T
l
为时域下负载端受到的等效扰动力矩；设x1表示可直接测量的状态变量，x1＝(θ
1 θ2)
T
；x2表示不能直接测量的状态变量和扰动量，设为x2的观测值，设z为观测误差，设L为比例增益矩阵，l
ij
为比例增益矩阵L中元素，i＝1,2,3；j＝1,2；l
ij
为可调值，由设定的观测误差精度确定；则时域下扩张状态观测器的观测方程为：其中：其中：
式中：I1为电机转子的转动惯量；I2为传动系统及机械连接件的等效转动惯量；c1为电机的等效粘滞系数；c2为传动系统的等效粘滞系数；n为传动系统的传动比；k
m
为传动系统等效刚度；T
e
表示时域下控制系统输出的电磁转矩。5.根据权利要求1所述的基于神经网络的驱动关节动态误差预测与补偿系统，其特征在于，微分跟踪器的频域数学模型如下：式中：τ1为跟踪微分器的第一时间常数；τ2为...

【专利技术属性】
技术研发人员：刘海涛，黄祯琪，山显雷，
申请(专利权)人：天津大学，
类型：发明
国别省市：