一种基于AI算法的伺服驱动器在线模型参数辨识方法技术

本发明专利技术具体公开了一种基于AI算法的伺服驱动器在线模型参数辨识方法，步骤为：S1.构建被伺服对象的参数辨识网络，以当前状态及目标值为输入，以辨识的参数及下一时刻的预测状态为输出；S2.进行采样策略与参数辨识网络迭代式训练；S3.经真机采样的数据对网络的调优后进行参数识别。所述辨识方法将AI算法用于伺服电机的系统辨识可解决辨识精度低、效率低下等问题，以推广在工业领域中的应用。以推广在工业领域中的应用。以推广在工业领域中的应用。

【技术实现步骤摘要】
一种基于AI算法的伺服驱动器在线模型参数辨识方法


[0001]本专利技术涉及伺服驱动器参数辨识
，特别涉及一种基于AI算法的伺服驱动器在线模型参数辨识方法。

技术介绍

[0002]伺服驱动器是一种重要的基本工业产品，广泛的应用于各类工业电机控制之中。伺服驱动器主要由驱动电路等硬件和控制算法两部分构成。传统的伺服驱控器采用pid控制算法等传统方法进行各类控制。传控的伺服控制器，在高精度的控制任务中(例如点到点运动中的快速振动抑制，高精度轨跟踪等)，会因为各类原因产生控制性能不够的问题。基于模型的控制，是一种可以有效有提控制精度的方法。但是，传统的模型辨识大多采用离线标定的方法。这些方法首先需要较高的标定成本，其次要求产品的生产装配一致性较高，才可以进行抽样标定。这都极大的限制了这类方法在工业领域中的大规模使用。由于被控对象的多样性，在伺服驱动器领域中高精度的在线辨识方法就显得更加重要。在线辨识不能采用事先设计好的系统激励信号，同时又需要可以进行高速和高精度的求解计算。这给在线高精度的辨识算法带来了较大的困难，目前传统的的方法很难同时满足上面两个要求。
[0003]现代人工智能技术的发展日新月异，已经在技术应用领域产生翻天覆地的影响，引领着新一代的技术革命。相比于传统方法，AI方法的模型表征能力更强，求解速度非常快。
[0004]因此，基于AI算法设计一种伺服驱动器在线模型参数辨识方法，具有显著的意义。

技术实现思路

[0005]本专利技术的目的在于提一种基于AI算法的伺服驱动器在线模型参数辨识方法，以解决包括现有技术中伺服驱动器参数辨识精度低、效率低下等问题，以推广在工业领域中的应用。
[0006]鉴于此，本专利技术的方案如下：
[0007]一种基于AI算法的伺服驱动器在线模型参数辨识方法，包括如下步骤：
[0008]S1.构建被伺服对象的参数辨识网络，以当前状态及目标值为输入，以辨识的参数及下一时刻的预测状态为输出；所述参数包括负载的惯量、减速器的刚度、减速器的阻尼，以及电机输出轴的刚度；所述状态包括电机的速度、电机的位置和电流数据；
[0009]S2.进行采样策略与参数辨识网络迭代式训练；
[0010]S3.经真机采样的数据对网络的调优后进行参数识别。
[0011]本专利技术中，所述参数辨识网络包括三层输入全连接层，接三层lstm层，连接有两个HEAD，分别为由两层全连接构成的识别参数输出层，以及由两层全连接构成的预测状态输出层。
[0012]本专利技术中，所述步骤S2中训练总Loss由包括辨识指标loss和状态预测loss加权得到，具体为：
[0013][0014][0015]loss＝k1*loss
x
+k2*loss
s
；
[0016]其中：x为四个预测的系统辨识参数，x
’
为四个系统辨识参数的真实值；s代表预测的下一时刻的系统状态，包括电机的速度、电机的位置和电流；s
’
代表下一时刻系统状态的真实值；k1和k2分别为辨识参数loss的权重和下一时间系统状态loss的权重。
[0017]本专利技术中，所述步骤S2基于驱动器的控制算法采集训练数据，网络参数与采样数据交替更新，至控制算法与辨识网络同时达到稳收敛。
[0018]本专利技术中，所述步骤S2训练后通过线性插值法提高推理频率。
[0019]本专利技术中，所述步骤S2采用非均匀分布来进行初始化采样，在辨识参数的边界处提高采样率。
[0020]本专利技术中，所述步骤S2采用经验回放策略进行采样，通过随机抽取所采样中连续的一段数据做为训练数据，多条训练数据经过shuffle操作后，形成训练batch，进行batch式训练。
[0021]相对于现有技术，本专利技术的有益效果为：
[0022]1.传统的系统辨识算法，强烈的依赖于建模的准确度，并且表征能力和自动辨识能力在复杂情况下均不易满足控制要求，本专利技术所述辨识方法将AI算法用于伺服电机的系统辨识可以有效的提高辨识的精度，并且不依赖于先验知识。
[0023]2.与现有同类技术相比，本专利技术提供的辨识网络采用两个Head的网络结构，通过增加一个符加的状态预测loss，可使得主干网本身具备回归状态转移方程的能力，降低训练数据噪声的影响，可有效的提高回归过程的稳定性。
[0024]3.本专利技术所述辨识方法采用采样数据与网络更新的交替迭代，可以有效的提高训练数据的一致性，同时降低所必须的采样量，以较快的速度，使得辨识网络在控制器可能产生的状态空间处收敛，进而降低了采样了训练时间，降低模型规模，提高辨识精度。
[0025]4.本专利技术所述辨识方法采用随机抽样和经验回放的训练方式，可以提高训练数据的独立性，有效的提高回归过程的稳定性。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0027]图1为本专利技术所述辨识方法流程示意图。
[0028]图2为本专利技术所述辨识网络双HEAD网络结构图。
[0029]图3为本专利技术所述采样策略与辨识网络的迭代更新示意图。
具体实施方式
[0030]为了使本专利技术的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本专利技术进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本专利技术，并不是为了限定本专利技术。
[0031]本方案结合传统控制算法，提供一种基于AI算法的伺服驱动器的在线模型参数辨识方法，可以为传统基于模型的控制方法，如model reference control，MCP，基于滤波器的整形控制，等多种方法服务。所述伺服驱动器在线模型参数辨识方法流程图如图1所示，该方法包括如下步骤：
[0032]第一步：构建被控伺服对象的参数辨识网络。对于一般的伺服控制系统，其特性由动力学所表征，考虑到减速器柔性的控制动力学可以如下动力学方程表示如下：
[0033][0034][0035][0036][0037][0038][0039]其中，物理量M表示扭矩，J表示转动惯量，α表示角加速度，B表示旋转阻尼，ω表示角速度，θ表示角度，物理量的下角标分别表示所对应的物体，其中下角标m代表电机，ml代表联轴器，l代表载荷。特别的，M
in
代表输入扭矩，K
in
表示联轴器的等效扭转刚度。
[0040]从动力学分析可知，影响控制性能的系统参数主要包括：负载的惯量、减速器的刚度、减速器的阻尼、以及电机输出轴的刚度四个主要指标。这四个指标会影响，从当前时刻的状态和控制动作，所产生的下一时刻的状态，状态包含电机的速度、电机的位置和电流。
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI算法的伺服驱动器在线模型参数辨识方法，其特征在于，包括如下步骤：S1.构建被伺服对象的参数辨识网络，以当前状态及目标值为输入，以辨识的参数及下一时刻的预测状态为输出；所述参数包括负载的惯量、减速器的刚度、减速器的阻尼，以及电机输出轴的刚度；所述状态包括电机的速度、电机的位置和电流数据；S2.进行采样策略与参数辨识网络迭代式训练；S3.经真机采样的数据对网络的调优后进行参数识别。2.根据权利要求1所述的参数辨识方法，其特征在于，所述参数辨识网络包括三层输入全连接层，接三层lstm层，连接有两个HEAD，分别为由两层全连接构成的识别参数输出层，以及由两层全连接构成的预测状态输出层。3.根据权利要求1所述的参数识别方法，其特征在于，所述步骤S2中训练总Loss由包括辨识指标loss和状态预测loss加权得到，具体为：辨识指标loss和状态预测loss加权得到，具体为：loss＝k1*loss
x
+k2*loss
s
；其中：...

【专利技术属性】
技术研发人员：杨庆研，郑军，熊欣欣，
申请(专利权)人：聚时科技上海有限公司，
类型：发明
国别省市：