一种电动加载系统的复合控制方法技术方案

传统的CMAC控制算法和PD算法相结合应用于舵机电动加载系统的力矩控制中，虽然学习速度快，但也引入了控制输出变化过于频繁的问题，局部表现为输出不够平滑，且随着学习时间的推移与误差的积累，整体可能表现出输出发散等问题。本发明专利技术提出一种基于输入向量非均匀量化和高斯函数的新型CMAC控制算法，该方法根据输入特征优化了非均匀量化方法，引入量化距离的概念确定节点的高斯权值和激活区域，能够动态调整CMAC泛化性能，并且采用杂散映射的方法大幅节省了存储资源。本新型CMAC与PD复合的智能电动加载控制方法能够有效抑制控制系统过学习现象，减少了内存占用率，提高了跟踪与控制精度。

【技术实现步骤摘要】

本专利技术为一种对电动加载系统的新型控制方法，具体而言是应用高斯权重非均匀量化的新型CMAC算法和传统PD控制结合抑制电动加载系统的多余力矩并提高控制精度和稳定性的方法。
技术介绍
在无人机舵机的负载模拟试验中，使用电动加载方式能够有效复现无人机舵面在空中所受的各种载荷，能够在实验室环境下对舵机系统的技术性能指标进行预测性自动测试，可以节约无人机的开发经费，缩短无人机的研制周期，同时有效提高其飞行可靠性和成功率。电动加载系统属于被动式力矩控制系统，在跟随舵机系统进行力矩加载的运动中会不可避免引入多余力矩，不仅影响加载系统的带宽和稳定性，还会降低加载系统的控制精度。由此，消除电动加载系统多余力矩是系统设计的关键问题。在消除多余力矩的技术中，因为系统中非线性因素的存在和舵机运动角速度和角加速度无法测量，采用传统的前馈补偿控制方法难以实现预期目标。随着智能控制理论的发展，使用神经网络进行非线性函数的逼近取得了较好的效果。相比于BP、RBF等常规前馈网络，小脑模型关联控制器(CMAC)克服了它们学习速度慢、实时性差的缺点，同时，还具有结构简单、局部泛化能力强的优点，更加适合对电机进行实时控制。但是在实践中发现，CMAC方法虽然能有效改善控制效果，但是因为理论指导较少，CMAC网络结构的设计和推广尚存在较大难度。当前主要使用CMAC和PD算法相结合的前馈控制方法，CMAC实现前馈补偿，PD完成反馈控制。在CMAC训练初期由PD算法的输出起主要控制作用，随着CMAC的网络训练逐渐完成，CMAC的输出成为主要影响因素，实现对系统的智能控制。但是传统CMAC控制器在跟踪连续变化的信号时会产生累积误差，让CMAC网络产生过学习，严重印象系统的稳定性。
技术实现思路
本专利技术的目的在于有效抑制电动加载过程中的多余力矩，同时解决传统CMAC控制方法的过学习现象，提供一种新型高斯权重非均匀量化CMAC控制方法，该方法在传统方法基础上根据输入信号特征优化了非均匀量化方法，引入量化距离的概念确定高斯权重和CMAC激活区域，动态调整CMAC泛化性能，使用求余法将概念空间的权值映射到物理空间，减少储存空间浪费同时加快学习效率，具有更好的控制实时性与控制精度。本专利技术所使用的装置包括：用以发出指令信号的上位PC机，用来接收上位机指令和给上位机传回用以统计分析的系统数据的DSP控制器，接收指令信息的力矩电机控制器，力矩电机和捕获输出的力矩信号的力矩传感器，将传感器信号放大的信号放大器，以及在反馈回路对传感器放大信号进行滤波的FPGA。DSP控制器接收指令信号和反馈信号作为CMAC控制器的二维输入，并且进行CMAC网络的学习和指令输出。PD控制指令也由DSP控制器计算实现。本专利技术进行电动加载控制实施的具体过程为：第一步：以系统的输入指令以及输出信号共同作为CMAC网络的二维激励信号。首先以CMAC输入信号的分布密度曲线作为非均匀量化基础，量化中心取为输入零点，量化极大值为输入正峰值的2倍，量化极小值为输入负峰值的2倍，按照设定的系统量化的非均匀程度系数，对输入向量逐一进行非均匀量化。第二步：计算网络输入的二维信号在CMAC网络节点中的激活区域。由于输入信号为二维向量，其对应的虚拟的地址空间也是二维的节点阵列。量化距离由采样点到量化点的距离经过量化计算得到，再利用量化距离阈值判定节点是否激活。第三步：计算概念空间权值。在计算网络权值的方法中，本专利技术首先根据每一个概念空间激活节点的二维量化距离计算得到该节点的概念空间高斯权重gaci。第四步：计算物理空间权值。使用压缩映射的方法，根据物理空间的大小，将概念空间各个节点所存储的权值映射到物理空间存储单元，得到物理空间权值gapi。第五步：计算新型CMAC控制器输出。为保证控制器的快速性和稳定性以及多余力矩的抑制效果，本专利技术的网络输出由新型CMAC网络输出加上PD控制器的输出共同组成，PD控制器的设计参考常规方法。第六步：CMAC的权值修正。该步骤通过对误差进行梯度下降方法实现。在本专利技术中考虑到了高斯权重方法加入到控制系统的影响，选取了新的目标函数，将误差划分为CMAC输出误差和系统输出误差两部分，前者保证CMAC跟踪指令信号，后者保证控制误差，分别进行修正运算，选择两个学习速率参数根据误差量值动态切换，确保系统保证快速性的同时抑制神经网络过学习现象。本专利技术的优点在于：提出了二位高斯CMAC，非均匀量化适应输入样本分布采用量化距离与高斯权重优化权值动态分配过程，同时压缩映射提高了权值空间利用率，提高了系统的鲁棒性和跟踪精度，同时也可确保系统的稳定性。从而有效弥补了传统CMAC神经网络结构原理的不足。从控制结果上来看本专利技术的方法有效抑制了多余力矩，且确保了实时性。附图说明图1是控制系统结构图；图2是系统实体结构图；图3是非均匀量化分布曲线；图4是确定概念空间激活区域；图5是误差收敛曲线；图6是权值分布曲线。具体实施方式为了使专利技术的目的、技术方案及优点更加清楚明白，以下结合附图说明具体的实施方式。附图1为该控制系统的原理框图。系统结构包括控制系统的输入、被控对象、CMAC控制器和PD控制器。PD控制器和CMAC共同作用于被控对象进行运动控制，PD控制器的输出依赖于指令信号和反馈信号的误差，相对应的CMAC控制器则将输入与输出反馈信号作为网络的二维激励信号，利用误差进行学习，然后对被控电机输出指令信号。附图2为该控制方法所作用的实际系统结构图，系统使用PC机作为上位机，并由上位机模拟加载系统的舵机产生舵机力矩信号即输入信号，使用DSPF28335作为CMAC控制器和PD控制器的实现器件，在DSP上除了进行两控制器的运算之外，还要对指令信号和输出力矩的反馈信号，并利用误差对算法中权值进行学习修正。加载指令信号最终传输到力矩电机控制器，由控制器直接驱动力矩电机进行力矩加载。在加载输出轴上安装的力矩传感器可以捕捉到输出的力矩信号，并将该信号经由AD模块和FPGA的相应数字电路处理回路传回DSP实现输出信号的反馈，构成闭环系统。加载电机和转矩传感器利用联轴器同轴放置在测试平台。本专利技术的新型控制算法执行步骤的实施方案如下：第一步：以系统的输入指令以及输出信号共同作为CMAC网络的二维激励信号，利用输入信号的特征对输入向量进行非均匀量化。如附图3：量化中心取为输入零点，量化极大值为输入正峰值的2倍，量化极小值为输入负峰值的2倍。完成量化还需设定系统量化的非均匀程度系数μ。具体的，对第k个量化点的量化方法为：a.如果该点位于量化中心左侧，则进行下述运算：sp＝(Smid-Smin)/[Ni/2]id＝Smin+(k-1/2)sp其中sp表示采样的步距，id为该采样点的位置指示。Qi,k表示该激励信号的量化值，μ表示非均匀量化率，越大表示非均匀越明显，通常取值在0.5-2之间。b.如果该店位于量化中心右侧，则量化算法换为下述：sp＝(本文档来自技高网...

【技术保护点】
一种基于高斯非均匀量化方法的小脑模型关联控制器(CMAC)和比例微分控制器(PD)复合的舵机加载控制算法，包括以下具体实施步骤：第一步，将系统的指令信号和输出信号作为CMAC网络的激励信号，并利用二维输入信号分布密度曲线,对二维空间节点进行非均匀量化，得到每一维输入的量化向量；第二步，引入量化距离的概念，使用高斯函数作为量化距离的数学表征，再根据输入向量中各维采样点与其对应量化点间的距离求得量化点的量化距离值，根据预设的门限值判定激活区域的范围；第三步，利用各维度的量化距离值计算概念空间中激活的量化点所对应的高斯权重gaci；第四步，使用求余法将概念空间的高斯权重压缩映射到节点数目更少的物理空间，得到每个存储单元的权值gapi；第五步，该新型CMAC算法的输出为每个存储单元权值的高斯权重求和，而加载控制器的输出则为CMAC算法加上PD控制器的总输出；第六步，对误差进行梯度下降计算，对CMAC网络权值进行学习修正。

【技术特征摘要】
1.一种基于高斯非均匀量化方法的小脑模型关联控制器(CMAC)和比例微分控制器(PD)复
合的舵机加载控制算法，包括以下具体实施步骤：
第一步，将系统的指令信号和输出信号作为CMAC网络的激励信号，并利用二维输入信
号分布密度曲线,对二维空间节点进行非均匀量化，得到每一维输入的量化向量；
第二步，引入量化距离的概念，使用高斯函数作为量化距离的数学表征，再根据输入向
量中各维采样点与其对应量化点间的距离求得量化点的量化距离值，根据预设的门限值判定
激活区域的范围；
第三步，利用各维度的量化距离值计算概念空间中激活的量化点所对应的高斯权重gaci；
第四步，使用求余法将概念空间的高斯权重压缩映射到节点数目更少的物理空间，得到
每个存储...

【专利技术属性】
技术研发人员：杨波，高涛，保然，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11