【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。
[000 ...
【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:
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。