基于神经网络的机电伺服系统摩擦补偿和变结构控制方法，包括：建立机电伺服系统模型和LuGre摩擦模型，初始化系统状态以及相关控制参数；通过神经网络估计摩擦力，并补偿到系统中。设计线性扩张状态观测器，用于估计不可测系统状态以及包括参数扰动和神经网络估计误差的不确定项；根据线性扩张状态观测器估计的系统状态和参数扰动，设计滑模变结构控制器，保证系统跟踪误差快速稳定地收敛至零点，实现机电伺服系统的快速稳定控制。
【技术实现步骤摘要】
基于神经网络的机电伺服系统摩擦补偿和变结构控制方法
本专利技术涉及一种基于神经网络的机电伺服系统摩擦补偿和变结构控制方法。特别是带有系统部分状态不可测、参数不确定以及外部扰动的机电伺服系统变结构控制方法。
技术介绍
机电伺服系统(electromechanicalservos)是以电动机作为动力驱动元件的伺服系统，广泛应用于飞行控制、火力控制等各种领域。但是，系统中的摩擦会影响伺服系统的控制精度，甚至严重降低机电伺服系统的性能，并且摩擦力的表现形式较为复杂，不易建模。因此，如何有效地控制和消除摩擦的不利影响，已成为机电控制中亟待解决的关键问题之一。滑模变结构控制方法(slidingmodelcontrol,SMC)能够克服系统的不确定性，对参数变换和外界扰动不敏感，具有良好的鲁棒性，且物理实现简单，因此广泛应用于机电伺服系统的控制中。但是，普通的滑模控制方法中由于符号函数以及控制增益过高导致其存在一定的抖振现象，影响实际应用。目前为止，很多改进的滑模控制方法被提出，比如：终端滑模控制、模糊滑模控制、高阶滑模控制等。以上方法虽然能够不同程度的降低抖振，提高系统性能，但是均要求系统的所有状态可测。所以，当系统状态不可测时，这些方法将会失效。
技术实现思路
本专利技术要克服现有技术的系统部分状态不可测、参数不确定的缺点，并消除摩擦对机电伺服系统性能的影响。提出一种基于神经网络的机电伺服系统摩擦补偿和变结构控制方法，解决状态不可测、参数不确定的问题。采用LuGre摩擦模型对摩擦力建模，用神经网络估计摩擦力并补偿到系统中。采用扩张状态观测器(ExtendedStateObserver,ESO)估计系统不可测状态以及包括参数扰动和神经网络估计误差的不确定项，同时设计滑模控制器。由于系统中的摩擦已得到补偿，滑模控制信号的增益下降，从而改善了抖振问题，并实现系统跟踪误差快速稳定地收敛至零点。本专利技术的具体实现步骤如下：步骤1，建立如式(1)所示的机电伺服系统模型，初始化系统状态以及相关控制参数；其中，θm，ωm为状态变量，分别表示电机输出轴位置和转速；J和D是折算到电机轴上的等效转动惯量和等效阻尼系数；Kt是电机扭矩常数；u是控制量；Tl是折算到电机轴上的负载扭矩；F是折算到电机轴上的摩擦力；步骤2，建立非线性摩擦力的LuGre模型，并将摩擦进行连续化近似处理；2.1，对于摩擦力，采用LuGre模型，如下：其中，σo为鬃毛刚度系数，σ1为鬃毛阻尼系数，σ2为粘滞摩擦系数，z为接触表面鬃毛的平均变形量，x为电机负载的位置，为负载的转速；2.2，将式(2)做如下分析：其中，Fs表示最大静摩擦力矩，Fc表示Coulomb摩擦力矩，表示Stribeck角速度，当时，z趋向于某个值zs：令ε＝z-zs，并将式(3)、式(4)带入到式(2)中得：2.3，由于式(5)中存在符号函数，不可以直接用神经网络估计；因此，将式(5)进行连续化近似处理，即：用双曲正切函数近似符号函数得：步骤3，应用BP(BackPropagation)神经网络估计摩擦力；3.1，网络初始化；给各连接权值分别赋一个在(-1,1)内的随机数，给定精度值ε和最大学习次数M，选取Sigmoid函数作为转移函数；3.2，计算隐含层、输出层各单元输出；隐含层：Uj＝Wij·Xk(7)输出层：Up＝Wjp·Vj(9)其中，Uj，Up分别是隐含层的输入和输出，Vj，Vp分别是输出层的输入和输出，Wij，Wjp为连接权值，Xk为神经网络的输入，a为调节系数；3.3，计算输出层和隐含层的偏导数δp，δj；δp＝Vp(1-Vp)(Fd-Vp)(11)δj＝Vj(1-Vj)∑δpWjp(12)3.4，设计权值更新律；Wjp(n+1)＝Wjp(n)+ηδp(n)Vj(13)Wij(n+1)＝Wij(n)+ηδj(n)Vj(14)其中，η为学习速率，Fd为摩擦力的期望值，n为大于0的正整数；3.5，计算误差是否满足精度要求，若误差达到要求，则结束算法；否则，返回3.2步，进入下一轮学习；结束算法后，输出值Vp即经神经网络估计得到的摩擦力步骤4，用摩擦力的估计值补偿系统中的摩擦力；4.1，令x1＝θm，x2＝ωm，并在式(1)中加入摩擦力的补偿，则式(1)可以改写为其中，x1，x2为系统状态，u为控制信号，为摩擦力F的估计值，则式(15)改写为：其中，4.2，令d＝a(x)+Δbu，Δb＝b-bo，其中bo为b的估计值，可根据经验给定；基于扩张状态观测器的设计思想，定义扩展状态y3＝d，则式(16)可以改写为以下等效形式：其中，步骤5，设计线性扩张状态观测器，用于估计不可测系统状态以及包括参数扰动和神经网络估计误差的不确定项；令zi，i＝1,2,3，分别为式(17)中状态变量yi的观测值，定义观测误差为eoi＝zi-yi，则设计线性扩张状态观测器表达式为：其中，β1，β2，β3>0为观测器增益；通过选择合适的参数βi，可以保证zi→xi，i＝1,2,3，即：观测误差可以收敛到|xi-zi|≤di，其中di>0为很小的数；步骤6，根据线性扩张状态观测器估计的系统状态和参数扰动，设计滑模变结构控制器；6.1，为将系统误差e1和e2稳定到原点，设计基于滑模变结构方法的控制器u，其中滑模面设计如式(19)所示：s＝e2+λ1e1(19)其中和分别为给定的电机期望位置和转速，λ1>0为控制参数；s的一阶导数为：其中，和分别为给定的电机期望位置的一阶和二阶导数；6.2，由式(18)和式(20)，基于扩张状态观测器的滑模控制器设计为：其中，k>0满足k≥d3+λ1d2。本专利技术结合扩张状态观测器、神经网络和滑模控制技术，设计神经网络滑模控制器，实现机电伺服系统的摩擦补偿和精确跟踪控制。本专利技术的技术构思为：机电伺服系统中由于存在摩擦力而导致控制精度不高。针对部分状态不可测、参数不确定以及存在外部扰动的机电伺服系统，运用神经网络，结合扩张状态观测器和滑模控制理论，设计一种基于神经网络的机电伺服系统变结构控制方法，尽可能地消除了摩擦力对系统控制的影响。通过神经网络估计摩擦力，并补偿到系统中。基于扩张状态观测器估计系统未知状态以及包括参数扰动和神经网络估计带来的不确定项，并设计滑模控制器保证系统跟踪误差快速稳定地收敛至零点，实现机电伺服系统的快速稳定控制。本专利技术的优点为：能有效地减小抖振现象，提高系统的跟踪精度和鲁棒性，改善系统的跟踪性能。附图说明图1为本专利技术的摩擦非线性模型输出曲线；图2为本专利技术的算法的基本流程；图3为本专利技术的控制系统响应曲线；图4为本专利技术的控制系统跟踪误差；图5为本专利技术的控制信号输出；图6为本专利技术的摩擦力的估计情况。具体实施方式参照附图1-6，基于神经网络的机电伺服系统摩擦补偿和变结构控制方法，包括以下步骤：步骤1，建立如式(1)所示的机电伺服系统模型，初始化系统状态以及相关控制参数；其中，θm，ωm为状态变量，分别表示电机输出轴位置和转速；J和D是折算到电机轴上的等效转动惯量和等效阻尼系数；Kt是电机扭矩常数；u是控制量；Tl是折算到电机轴上的负载扭矩；F是折算到电机轴上的摩擦力；步骤2，建立非线性摩擦力的LuGre模型，并将摩擦进行连续化近似处理；2.1，对于摩本文档来自技高网...
【技术保护点】
基于神经网络的机电伺服系统摩擦补偿和变结构控制方法，包括以下步骤：步骤1，建立如式(1)所示的机电伺服系统模型，初始化系统状态以及相关控制参数；dθmdt=ωmJdωmdt=Ktu-Dωm-F-Tl---(1)]]>其中，θm，ωm为状态变量，分别表示电机输出轴位置和转速；J和D是折算到电机轴上的等效转动惯量和等效阻尼系数；Kt是电机扭矩常数；u是控制量；Tl是折算到电机轴上的负载扭矩；F是折算到电机轴上的摩擦力；步骤2，建立非线性摩擦力的LuGre模型，并将摩擦进行连续化近似处理；2.1，对于摩擦力，采用LuGre模型，如下：F=σoz+σ1z·+σ2x·---(2)]]>其中，σo为鬃毛刚度系数，σ1为鬃毛阻尼系数，σ2为粘滞摩擦系数，z为接触表面鬃毛的平均变形量；2.2，将式(2)做如下分析：z·=x·-|x·|h(x·)z---(3)]]>其中，Fs表示最大静摩擦力矩，Fc表示Coulomb摩擦力矩，当时，z趋向于某个值zs：zs=h(x·)sign(x)---(4)]]>令ε＝z‑zs，并将式(3)、式(4)带入到式(2)中得：F=σ2x·+[Fc+(Fs-Fc)e-(x·/x·s)2]sign(x·)+σoϵ[1-σ1Fc+(Fs-Fc)e-(x·/x·s)2|x·|]---(5)]]>2.3，由于式(5)中存在符号函数，不可以直接用神经网络估计；因此，将式(5)进行连续化近似处理，即：用双曲正切函数近似符号函数得：F=σ2x·+[Fc+(Fs-Fc)e-(x·/x·s)2]tanh(x·)+σoϵ[1-σ1Fc+(Fs-Fc)e-(x·/x·s)2|x·|]---(6)]]>步骤3，应用BP(Back Propagation)神经网络估计摩擦力；3.1，网络初始化；给各连接权值分别赋一个在(‑1,1)内的随机数，给定精度值ε和最大学习次数M，选取Sigmoid函数作为转移函数；3.2，计算隐含层、输出层各单元输出；隐含层：Uj＝Wij·Xk (7)Vj=11+e-aUj---(8)]]>输出层：Up＝Wjp·Vj (9)Vp=11+e-aUp---(10)]]>其中，Uj，Up分别是隐含层的输入和输出，Vj，Vp分别是输出层的输入和输出，Wij，Wjp为连接权值，Xk为神经网络的输入，a为调节系数；3.3，计算输出层和隐含层的偏导数δp，δj；δp＝Vp(1‑Vp)(Fd‑Vp) (11)δj＝Vj(1‑Vj)∑δpWjp (12)3.4，设计权值更新律；Wjp(n+1)＝Wjp(n)+ηδp(n)Vj (13)Wij(n+1)＝Wij(n)+ηδj(n)Vi (14)其中，η为学习速率，Fd为摩擦力的期望值；3.5，计算误差是否满足精度要求，若误差达到要求，则结束算法；否则，返回3.2步，进入下一轮学习；结束算法后，输出值Vp即经神经网络估计得到的摩擦力步骤4，用摩擦力的估计值补偿系统中的摩擦力；4.1，令x1＝θm，x2＝ωm，并在式(1)中加入摩擦力的补偿，则式(1)可以改写为x·1=x2x2=KtJu-DJx2-FJ-TlJ+F^J---(15)]]>其中，x1，x2为系统状态，u为控制信号，为摩擦力F的估计值，则式(15)改写为：x·1=x2x·2=a(x)+bu---(16)]]>其中，a(x)=-DJx2-FJ-TlJ+F^J,b=KtJ;]]>4.2，令d＝a(x)+Δbu，Δb＝b‑bo，其中bo为b的估计值，可根据经验给定；基于扩张状态观测器的设计思想，定义扩展状态y3＝d，则式(16)可以改写为以下等效形式：x·1=x2x·2=x3+boux·3=h---(17)]]>其中，h=d·;]]>步骤5，设计线性扩张状态...
【技术特征摘要】
1.基于神经网络的机电伺服系统摩擦补偿和变结构控制方法，包括以下步骤：步骤1，建立如式(1)所示的机电伺服系统模型，初始化系统状态以及相关控制参数；其中，θm，ωm为状态变量，分别表示电机输出轴位置和转速；J和D是折算到电机轴上的等效转动惯量和等效阻尼系数；Kt是电机扭矩常数；u是控制量；Tl是折算到电机轴上的负载扭矩；F是折算到电机轴上的摩擦力；步骤2，建立非线性摩擦力的LuGre模型，并将摩擦进行连续化近似处理；2.1，对于摩擦力，采用LuGre模型，如下：其中，σo为鬃毛刚度系数，σ1为鬃毛阻尼系数，σ2为粘滞摩擦系数，z为接触表面鬃毛的平均变形量，x为电机负载的位置，为负载的转速；2.2，将式(2)做如下分析：其中，Fs表示最大静摩擦力矩，Fc表示Coulomb摩擦力矩，表示Stribeck角速度，当时，z趋向于某个值zs：令ε＝z-zs，并将式(3)、式(4)带入到式(2)中得：2.3，由于式(5)中存在符号函数，不可以直接用神经网络估计；因此，将式(5)进行连续化近似处理，即：用双曲正切函数近似符号函数得：步骤3，应用BP(BackPropagation)神经网络估计摩擦力；3.1，网络初始化；给各连接权值分别赋一个在(-1,1)内的随机数，给定精度值ε和最大学习次数M，选取Sigmoid函数作为转移函数；3.2，计算隐含层、输出层各单元输出；隐含层：Uj＝Wij·Xk(7)输出层：Up＝Wjp·Vj(9)其中，Uj，Up分别是隐含层的输入和输出，Vj，Vp分别是输出层的输入和输出，Wij，Wjp...
【专利技术属性】
技术研发人员：陈强，李晨航，翟双坡，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。