【技术实现步骤摘要】
本专利技术属于多电机伺服系统控制领域，涉及一种具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法。
技术介绍
1、以永磁同步电机为代表的伺服系统因其结构简单、效率高、功率密度大等优点，广泛应用于机械手、智能机器人、计算机数控机床和医疗器械等领域。然而，伺服系统对超大功率和大扭矩输出的需求日益增长，已经超出了单个孤立电机的能力。因此，有必要将多个电机配置成圆形网络布局，以共同驱动一个巨大的负载机构。然而，这种多变量强耦合的多电机伺服系统容易受到内外扰动的影响，从而影响系统的稳定性。并且，伺服控制器需要向多个执行器发送控制信号，但控制器有限的通信资源在执行器之间频繁共享会导致网络拥塞，从而降低伺服系统的实时响应性能。如果忽略这两个问题，伺服系统可能会产生不稳定甚至崩溃。
2、近年来，多电机伺服系统的连续时间控制方案得到了广泛的报道。wang等人在控制器设计中引入了鲁棒项，既保证了四电机伺服系统的高性能，又提高了误差的h∞性能。hu等人研究了多电机驱动伺服系统的预设性能控制方案。yang等人进一步研究了在不确定因素下双电机伺服系统中驱动电机的同步问题。上述研究无疑为多电机伺服系统的连续时间控制提供了有益的思路。然而，由于传感器的实际控制信号和采样信号在物理硬件上都是不连续的。因此无法直接将上述连续时间控制方法应用于数字信号处理和现场可编程门阵列等数字嵌入式芯片上。鉴于此，一些学者对永磁同步电机伺服系统的离散控制策略进行了研究。yu等人提出了一种内置永磁同步电机的离散时间自适应角度跟踪控制方案，以较少的自适应参数实
3、将高阶系统分解为多个低阶子系统的反步法是解决高阶非线性系统控制问题的一种有效方法。zhang等人研究了耦合mems谐振器的自适应神经反步控制方案并实现了高精度控制。luo等人设计了一种基于反步技术的神经自适应最优同步控制器以抑制自维持机电地震仪系统的复杂动力学。sui等人将反步技术与随机非线性系统的有限时间性能函数相融合，保证了系统的跟踪误差收敛到预定范围内。mai和tran采用反步法设计了移动机械手鲁棒自适应控制器。然而，由于对未来信息的利用，传统的离散时间反步框架中存在非因果性问题。为了解决这一问题，传统的方法是将原始系统转换为等效的n步超前预测形式。但这种方法使控制器设计过程复杂，且相关控制性能对预测误差敏感。此外，n步前移预测方法无法有效应对参数不匹配和外部干扰等不匹配干扰。
4、神经网络以其显著的非线性处理能力和容错能力，在自适应控制领域得到越来越多的应用。作为一个代表，anh和van kien提出了一种利用全局回归神经网络有效处理非线性系统不确定性的自适应神经控制方案。das gangula等人利用zernike径向神经网络对dc-dc降压变换器进行自适应控制。此外，为了充分描述动力学系统中的不确定信息，一些学者将模糊逻辑系统中的专家经验与神经网络相结合，提出了模糊神经网络。cai等人提出了一种模糊神经网络预分配时间控制方案，实现了对不连续动态系统的稳定控制。fei和liu研究了一种利用模糊神经网络减轻有源电力滤波器谐波效应的模型预测控制方法。此外，为了提高信号处理和系统建模能力，研究团队研究了模糊神经网络与小波变换相结合的模糊小波神经网络。例如，yen等人采用递归模糊小波神经网络设计了自适应滑模控制器，提高了工业机器人机械手的跟踪精度。hou等人提出了一种自适应模糊小波神经网络控制方法，有效地处理参数变化和负荷不确定性。然而，一型模糊小波神经网络受限于一型模糊逻辑系统处理不确定性和不完全信息的能力。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，包括以下步骤：
4、s1：建立多电机伺服系统的离散时间系统模型；
5、s2：设计二型模糊小波神经网络来估计由外部干扰和内部参数摄动引起的未知非线性函数；
6、s3：基于反步控制框架，引入带有死区算子的事件触发机制，设计离散时间模糊小波神经网络控制器；
7、s4：利用所述离散时间模糊小波神经网络控制器对多电机伺服系统进行控制。
8、进一步，步骤s1所述的多电机伺服系统的离散时间系统模型具体包括：
9、s11：建立负载机构的连续时间动力学模型：
10、
11、
12、其中n为驱动电机的数量；θl(t)和ωl(t)代表负载机构的角度和角速度，jl和bl表示负载机构的惯性矩和摩擦系数；tf(t)为非线性摩擦转矩；ti(t)是负载机构与第i个驱动电机之间的传递转矩；
13、s12：建立包含死区的传递转矩模型：
14、
15、其中k，r和分别为扭转系数、传动比和齿隙宽度；θi(t)为第i个驱动电机的角度；
16、s13：定义lugre摩擦模型：
17、
18、
19、
20、其中ωl表示负载机构的角速度，σ0，σ1h(ωl)和σ2分别表示表示刚度系数、阻尼系数和粘性摩擦系数；z表示内摩擦状态；fc为库仑摩擦力；s(ωl)表示非递增连续函数，具有以下性质：①如果|ωl|＞l1那么s(ωl)＝0；②如果|ωl|＜l1那么s(ωl)＝1，其中l1是一个常数；h(ωl)是一个与ωl有关的指数下降的函数且满足h(0)＝1；g(ωl)为stribeck效应项；
21、s14：建立第i个驱动电机的连续时间动力学模型：
22、
23、其中ωi(t)，npi，bi和rsi分别表示第i个驱动电机的角速度、极对数、摩擦系数和定子电阻；ldi和表示第i个驱动电机直轴(d轴)和交轴(q轴)的定子电感；idi(t)和iqi(t)表示第i个驱动电机q轴和q轴的电流。和是第i驱动电机的控制输入；
24、s15：结合步骤s11-s14的模型，忽略离散化引起的初始逼近误差，采用欧拉离散方法构造多电机伺服系统的显式方程：...
【技术保护点】
1.一种具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：步骤S1所述的多电机伺服系统的离散时间系统模型具体包括：
3.根据权利要求1所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：步骤S2所述设计二型模糊小波神经网络来估计由外部干扰和内部参数摄动引起的未知非线性函数，具体包括：
4.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：所述高斯隶属函数计算上、下隶属度为：
5.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：所述规则层使用最小(AND)运算符通过以下公式计算规则的上、下触发强度：
6.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：降阶层的降解方法如下：
7.根据权利要求3所述的具有事件触发机制
8.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：输出层中，二型模糊小波神经网络的总输出表示为：
9.根据权利要求1所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：步骤S3所述离散时间模糊小波神经网络控制器的设计步骤如下：
...【技术特征摘要】
1.一种具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：步骤s1所述的多电机伺服系统的离散时间系统模型具体包括：
3.根据权利要求1所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：步骤s2所述设计二型模糊小波神经网络来估计由外部干扰和内部参数摄动引起的未知非线性函数，具体包括：
4.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波神经网络控制方法，其特征在于：所述高斯隶属函数计算上、下隶属度为：
5.根据权利要求3所述的具有事件触发机制的离散多电机伺服系统模糊小波...
【专利技术属性】
技术研发人员：罗绍华，李昊，邓海峰，余银犬，李枫韵，
申请(专利权)人：贵州大学，
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。