一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法技术方案

本发明专利技术公开了一种基于深度学习的音圈电机位置伺服控制系统，包括电源模块、DSP控制器、驱动器、光电编码器以及电流采样模块；DSP控制器通过驱动器连接音圈电机，音圈电机连接光电编码器，光电编码器记录音圈电机位置信息；音圈电机连接电流采样模块，电流采样模块连接DSP控制器，对音圈电机的电流信号进行采样；DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型。本发明专利技术通过在DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，利用音圈电机的电路进行建模，获取上个时刻的电压位置参考θ

【技术实现步骤摘要】
一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法


[0001]本专利技术属于电控
，具体涉及一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法。

技术介绍

[0002]音圈电机的优良特性使得其应用在很多产品和设备中，常被装在磁盘、激光唱片中用于定位，用于电磁阀系统的直接驱动以及用于超声波的扫描等。近年来各种芯片、各种工程软件以及各种算法的升级使得对提高音圈电机的控制性能提供了更多的可能，如自适应控制、模糊控制、滑模控制等。但是，大多数的控制方法都需要最大限度对所研究的对象建立模型，并且需要分析和了解控制对象的特点，根据控制对象的特点设计所需要的实际的系统，从而实现理想的控制效果。
[0003]CN 106887990 A公开了一种音圈电机位置运动控制装置，通过检测音圈电机的位置获得电机位置信息、电机速度信息和电机电流信息；然后根据目标位置和电机位置信息计算位置误差；如果位置误差的绝对值大于位置调整阀值，则执行电机校正步骤。在电机校准过程中，人为设定阈值，通过预先设定好的校准公式与PID算法进行相应的输出电压调整。但是存在以下问题：人为设定的阈值难以找到一个最好的值，且阈值以下的误差无法进行调整。电机校正算法需要自行建模，而对于电机控制这种非线性高阶数学模型，难以建立一个高效有效的模型用来拟合实际情况，无法保证阈值的精准度。

技术实现思路

[0004]本专利技术针对上述的不足之处提供一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法。
[0005]本专利技术目的是这样实现的：一种基于深度学习的音圈电机位置伺服控制系统，该系统包括电源模块，电源模块给音圈电机提供电能；其特征在于：所述系统包括DSP控制器、驱动器、光电编码器以及电流采样模块；
[0006]所述DSP控制器通过驱动模块连接音圈电机，音圈电机连接光电编码器，光电编码器连接DSP控制器，光电编码器记录音圈电机位置信息；
[0007]所述音圈电机连接电流采样模块，电流采样模块连接DSP控制器，电流采样模块对音圈电机的电流信号进行采样；
[0008]所述DSP控制器连接驱动器，驱动器连接音圈电机；
[0009]所述DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，数学模型利用音圈电机的电路进行建模。
[0010]优选的，所述光电编码器连接正交编码脉冲电路(QEP)，正交编码脉冲电路连接DSP控制器；所述光电编码器用于获取音圈电机的位移，正交编码脉冲电路用于获取电机转速；所述光电编码器与正交编码脉冲电路将获取的位移信息与速率信息传输给DSP控制器。
[0011]优选的，所述电流采样模块采用电流传感器，电流传感器连接A/D转换器，A/D转换器连接DSP控制器；所述A/D转换器将电流传感器获取的电流信息转化为模拟信号传输给DSP控制器。
[0012]优选的，所述电源模块连接电平转换模块，电平转换模块连接DSP控制器；所述电平转换模块将电源模块的交流电转换成直流电。
[0013]优选的，所述数学模型采用的神经网络为BP神经网络，数学模型利用音圈电机的电路进行建模；
[0014]所述数学模型获取音圈电机最优的控制数据，掌握音圈电机各变量之间的关系。
[0015]优选的，述数学模型构建步骤如下：
[0016]当音圈电机处于动态的运动情况时，它的电压平衡方程式可以表示为：
[0017][0018]式中，u
a
为电枢端电压，e
a
为运动反电势，i
a
为电枢电流，R
a
为电枢电阻，L
a
为电枢电感，k
a
为电势系数，ω为动子的运动速度；
[0019]音圈电机的运动平衡方程可以表示为：
[0020][0021]式中，T
e
为电磁转矩，T
l
为负载转矩，k
t
为力矩系数；J为动子转动惯量；k为粘性阻尼系数；
[0022]运动中的旋转型音圈电机满足公式：
[0023][0024]式中，θ为动子的位置；
[0025]将公式(1)、公式(2)和公式(3)进一步变形可得：
[0026][0027]式中，u
a
为电枢端电压，k
t
为力矩系数，i
a
为电枢电流，R
a
为电枢电阻，L
a
为电枢电感，k
a
为电势系数，ω为动子的运动速度；T
l
为负载转矩；
[0028]将公式(1)、公式(2)和公式(3)联立得到音圈电机的数学模型。
[0029]优选的，所述数学模型通过在数学上考虑音圈电机的优化目标和具体的约束条件，优化目标在数学上通过最小化参考位置与实际位置之间的误差来表示：
[0030][0031]式中，x1为实际位置θ，为参考位置θ
*
，obj为通过优化来最小化的目标值，用于
表示位置控制跟踪的质量；m为最大离散指数；
[0032]为了形成具有较少计算量的优化问题，将公式(4)中的对象模型简化为公式(6)：
[0033][0034]公式(6)中参数的具体变量为：
[0035][0036]对公式(6)的状态方程进一步离散化：
[0037][0038]式中，h为离散采样的时间步长(s)；
[0039]为了优化逆变器的输出电压，H桥逆变器PWM的斩波输出受到直流电压的限制，表示为：
[0040]‑
u
DC
＜u[i]＜u
DC
ꢀꢀꢀꢀ
(9)
[0041]将相应变量的初始值设为零，针对音圈电机优化问题的整体表达式可用公式(10)表示：
[0042][0043]通过优化问题的公式以及给定一个特定的外部条件，即所需的参考位置轨迹和负载转矩T
l
，得到u
a
的最优控制序列以及x1，x2和x3的变化情况。
[0044]一种基于深度学习的音圈电机位置伺服控制系统的数学模型训练方法，其特征在于：该方法包括以下步骤：
[0045]步骤(1):首先通过人工标注的方式，采集不低于6000份的数据，数据内包括：上个时刻的电压输入量x2位置参考θ
*
和位置θ之间的差值
△
θ、输入量x3为动子速度ω输入量x4为电枢电流i
a
，以及这个时刻所需要的的控制电压u
a
，将该数据以5:1的比例进行拆分，
从中取出1/6的数据作为测试集，剩余的作为训练集；
[0046]步骤(2):根据搭建的神经网络，对网络中的参数进行随机初始化，给各个参数随机赋值(
‑
1,1)之间的一个参数；
[0047]步骤(3):将训练集的样本进行标准化，送入神经网络，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的音圈电机位置伺服控制系统，该系统包括电源模块，电源模块给音圈电机提供电能；其特征在于：所述系统包括DSP控制器、驱动器、光电编码器以及电流采样模块；所述DSP控制器通过驱动模块连接音圈电机，音圈电机连接光电编码器，光电编码器连接DSP控制器，光电编码器记录音圈电机位置信息；所述音圈电机连接电流采样模块，电流采样模块连接DSP控制器，电流采样模块对音圈电机的电流信号进行采样；所述DSP控制器连接驱动器，驱动器连接音圈电机；所述DSP控制器内移植有基于神经网络音圈电机控制算法的数学模型，数学模型利用音圈电机的电路进行建模。2.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述光电编码器连接正交编码脉冲电路(QEP)，正交编码脉冲电路连接DSP控制器；所述光电编码器用于获取音圈电机的位移，正交编码脉冲电路用于获取电机转速；所述光电编码器与正交编码脉冲电路将获取的位移信息与速率信息传输给DSP控制器。3.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述电流采样模块采用电流传感器，电流传感器连接A/D转换器，A/D转换器连接DSP控制器；所述A/D转换器将电流传感器获取的电流信息转化为模拟信号传输给DSP控制器。4.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述电源模块连接电平转换模块，电平转换模块连接DSP控制器；所述电平转换模块将电源模块的交流电转换成直流电。5.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述数学模型采用的神经网络为BP神经网络，数学模型利用音圈电机的电路进行建模；所述数学模型获取音圈电机最优的控制数据，掌握音圈电机各变量之间的关系。6.根据权利要求1所述的一种基于深度学习的音圈电机位置伺服控制系统，其特征在于：所述数学模型构建步骤如下：当音圈电机处于动态的运动情况时，它的电压平衡方程式可以表示为：式中，u
a
为电枢端电压，e
a
为运动反电势，i
a
为电枢电流，R
a
为电枢电阻，L
a
为电枢电感，k
a
为电势系数，ω为动子的运动速度；音圈电机的运动平衡方程可以表示为：式中，T
e
为电磁转矩，T
l
为负载转矩，k
t
为力矩系数；J为动子转动惯量；k为粘性阻尼系数；运动中的旋转型音圈电机满足公式：
式中，θ为动子的位置；将公式(1)、公式(2)和公式(3)进一步变形可得：式中，u
a
为电枢端电压，k
t
为力矩系数，i
a
为电枢电流，R
a
为电枢电阻，L
a
为电枢...

【专利技术属性】
技术研发人员：陈刚，邬元富，
申请(专利权)人：苏州索亚机器人技术有限公司，
类型：发明
国别省市：