CN107577146B - 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 - Google Patents
基于摩擦整体逼近的伺服***的神经网络自适应控制方法 Download PDFInfo
- Publication number
- CN107577146B CN107577146B CN201710746089.XA CN201710746089A CN107577146B CN 107577146 B CN107577146 B CN 107577146B CN 201710746089 A CN201710746089 A CN 201710746089A CN 107577146 B CN107577146 B CN 107577146B
- Authority
- CN
- China
- Prior art keywords
- friction
- neural network
- servo system
- approximation
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法,属于机电伺服控制领域,控制方法包括:建立机电伺服***的数学模型;设计基于摩擦整体逼近的神经网络自适应控制器;运用李雅普诺夫稳定性理论对***进行稳定性测试。本发明通过神经网络对摩擦进行整体逼近,并采用非线性鲁棒项补偿神经网络的逼近误差,控制器只利用位置和速度信号进行反馈控制,不需要知道摩擦的精确模型,就能够有效地补偿非线性摩擦,保证伺服***优良的控制性能。
Description
技术领域
本发明涉及一种控制方法,具体涉及一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法。
背景技术
摩擦的存在对伺服控制***性能造成的不良影响,主要体现在由于摩擦过程本身激发的不平稳运动造成***的死区非线性,使分辨率及重复精度降低,当低速跟踪时,由于存在动静摩擦力矩之差,伺服***可能出现跳动和爬行现象,不能保持速度的平稳性。由于摩擦严重阻碍了***性能的进一步提高,因此,关于伺服***的摩擦补偿技术一直是快速高精度响应关键技术研究的热点与难点。
在非线性摩擦的影响下,传统控制方式早已难以满足伺服***的跟踪精度要求。对于面向模型不确定性的高性能非线性控制器,虽然得到了广泛的应用,但是其设计存在较大难度。一旦所研究的对象较为复杂,***状态变量增多,不确定性增加,就会大大增加控制器设计的难度,导致公式难以推导,稳定性证明困难等问题。
发明内容
本发明的目的在于提供一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法。
实现本发明目的的技术方案为:一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法,包括以下几个步骤:
步骤1,建立机电伺服***的数学模型;
步骤2,设计基于摩擦整体逼近的机电伺服***的神经网络自适应控制器;
步骤3,运用李雅普诺夫稳定性理论对含有非线性摩擦的机电伺服***进行稳定性测试。
本发明与现有技术相比,其显著优点为:本发明所设计的基于摩擦整体逼近的机电伺服***的神经网络自适应控制方法,采用神经网络对摩擦进行整体逼近,并采用非线性鲁棒项补偿神经网络的逼近误差,控制器只利用位置和速度信号,不需要知道摩擦的精确模型,就能够有效地补偿非线性摩擦。
附图说明
图1为本发明的摩擦补偿控制方法流程图。
图2是伺服***的摩擦补偿控制方法的原理示意图。
图3是***期望的跟踪信号示意图。
图4是两种控制器下的位置跟踪误差曲线图。
图5是实际的摩擦曲线和神经网络观测器对摩擦F的估计曲线图。
具体实施方式
结合图1、图2,本发明的一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法,包括以下步骤:
步骤一、建立电机伺服***的数学模型。
电机伺服***的状态方程为:
式中m表示惯性负载,x1表示角位移,x2表示角速度;U是***控制输入;F是摩擦力矩;TL是负载扭矩;假设给定所期望的运动轨迹x1d(t)是二阶连续可微的,未知参数m和TL是有界的。
步骤二、设计基于摩擦整体逼近的机电伺服***的神经网络自适应控制方法,具体步骤如下:
步骤2-1、定义变量如下:
其中e1=x1-x1d表示位置跟踪误差信号,x2eq为虚拟控制的期望值,e2=x2-x2eq表示输入误差,k1是正的反馈增益;由(2),e2的导数表示为:
***的控制量U可以表示为:
其中UF为摩擦补偿项,k2>0,Us为非线性鲁棒反馈项。
步骤2-2、设计摩擦观测器
设计神经网络观测器去估计整个摩擦力矩F:
式中,W*和V*为网络的理想权值,σ(·)为神经元激活函数,εe为网络的逼近误差,并且W*和V*有界,εe≤εN。网络输入取X=[x1,x2]T,则网络输出为:
步骤2-3、设计权值自适应律和参数自适应律。
设计权值和参数自适应律为:
其中γ1,γ2,γ3,γ4表示自适应增益。
将方程(4)带入到(3)中,e2的导数可以表示为:
为了补偿神经网络的逼近误差,非线性鲁棒反馈项Us被设计为:
Us=-ηsign(e2) (13)其中η是一个正实数,且满足η>|dn|max,则
e2(Us+dn)≤0 (14)
步骤三、对含有非线性摩擦的机电伺服***进行稳定性测试,具体为:
定义李雅普诺夫函数为:
求导可得:
整理上式可得:
由自适应律(7)-(10)和(14)可得:
显然,所有的内部信号是全局一致有界的。同时,e2∈L2,e2∈L∞。使用Barbalat引理有,e2→0as t→∞,得到e1→0as t→∞。
下面结合实施例和附图对本发明做进一步说明。
实施例
控制器不需要知道摩擦的精确模型,就能够有效地补偿非线性摩擦。简化的模型并不能完全验证所提出算法的有效性。为了验证所提出控制器的有效性,在仿真分析时,在实际的电机模型搭建中采用LuGre摩擦模型。其中LuGre摩擦模型参数选取为:σ0=0.03Nm/rad,σ1=0.85Nms/rad,σ2=0.65Nms/rad,
***参数选取为:m=0.3kgm2,TL=1.8Nm。位置参考跟踪信号选择为x1d=sin(t)。
取如下的控制器做对比:
1)自适应神经网络控制器(MNNAC)
控制器参数取:k1=20,k2=12,η=0.05,γ1=200,γ2=90,γ3=0.003,γ4=0.005。
2)PID控制器
PID控制器的参数分别为:kp=100,ki=50,kd=30。
仿真结果如图3-图5所示。图3为***期望的跟踪曲线图。两种控制器下的位置跟踪误差曲线如图4所示。从图中可以看出,相比不依赖于模型的PID控制器,MNNAC控制器的跟踪误差要小很多。MNNAC控制器的稳态跟踪误差的幅值约为4×10-4(rad),PID控制器的稳态跟踪误差的幅值约为0.013(rad)。图5是摩擦的实际曲线和神经网络观测器对摩擦F的估计曲线图。由图5可知,神经网络观测器不需要知道摩擦的精确模型,能够准确地估计实际的摩擦值。综上所述,所提出的控制器能够有效地补偿非线性摩擦,实现高精度的跟踪控制。
Claims (2)
1.一种基于摩擦整体逼近的伺服***的神经网络自适应控制方法,其特征在于,包括以下几个步骤:
步骤1,建立机电伺服***的数学模型;具体如下:
机电伺服***的状态方程为:
式中m表示惯性负载,x1表示角位移,x2表示角速度;U是***控制输入;F是摩擦力矩;TL是负载扭矩;假设给定所期望的运动轨迹x1d(t)是二阶连续可微的,未知参数m和TL是有界的;
步骤2,设计基于摩擦整体逼近的机电伺服***的神经网络自适应控制器;具体如下:
步骤2-1、定义变量如下:
其中e1=x1-x1d表示位置跟踪误差信号,x2eq为虚拟控制的期望值,e2=x2-x2eq表示输入误差,k1为正的反馈增益;由(2),e2的导数表示为:
***的控制量U表示为:
其中UF为摩擦补偿项,k2>0,Us为非线性鲁棒反馈项;
步骤2-2、设计摩擦观测器
设计神经网络观测器去估计整个摩擦力矩F:
F=W*Tσ(V*TX)+εe (5)
式中,W*和V*为网络的理想权值,σ(·)为神经元激活函数,εe为网络的逼近误差,并且W*和V*有界,εe≤εN;网络输入取X=[x1,x2]T,则网络输出为:
步骤2-3、设计权值自适应律和参数自适应律
设计权值和参数自适应律为:
其中γ1,γ2,γ3,γ4表示自适应增益;
将方程(4),(11)带入到(3)中,e2的导数可以表示为:
为了补偿神经网络的逼近误差,非线性鲁棒反馈项Us被设计为:
Us=-ηsign(e2) (13)
其中η是一个正实数,且满足η>|dn|max,则
e2(Us+dn)≤0 (14)
步骤3,运用李雅普诺夫稳定性理论对含有非线性摩擦的机电伺服***进行稳定性测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710746089.XA CN107577146B (zh) | 2017-08-26 | 2017-08-26 | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710746089.XA CN107577146B (zh) | 2017-08-26 | 2017-08-26 | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107577146A CN107577146A (zh) | 2018-01-12 |
CN107577146B true CN107577146B (zh) | 2021-09-28 |
Family
ID=61029602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710746089.XA Active CN107577146B (zh) | 2017-08-26 | 2017-08-26 | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577146B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717258A (zh) * | 2018-05-23 | 2018-10-30 | 中国电子科技集团公司第五十四研究所 | 基于rbf神经网络的机载卫星天线伺服***控制方法 |
CN109709807B (zh) * | 2018-12-27 | 2020-09-18 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
CN110578737B (zh) * | 2019-08-29 | 2021-04-16 | 南京理工大学 | 基于非线性神经网络的液压伺服***mrac控制方法 |
CN110673472B (zh) * | 2019-09-09 | 2022-06-28 | 南京理工大学 | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 |
CN112152539A (zh) * | 2020-09-29 | 2020-12-29 | 中国船舶重工集团公司第七二四研究所 | 一种神经网络补偿电机负载力矩观测器实现方法 |
CN112904720A (zh) * | 2021-01-18 | 2021-06-04 | 中国船舶重工集团公司第七二四研究所 | 一种伺服***摩擦非线性自适应控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11255091A (ja) * | 1998-03-10 | 1999-09-21 | Nippon Denshi Kogyo Kk | Abs装置 |
CN103036496A (zh) * | 2012-12-12 | 2013-04-10 | 西安理工大学 | 自适应反推控制的永磁同步电机dtc***及其控制方法 |
CN103701396A (zh) * | 2013-12-13 | 2014-04-02 | 天津大学 | 一种基于自适应模糊神经网络的电机转速跟踪控制方法 |
CN104065322A (zh) * | 2014-06-13 | 2014-09-24 | 南京理工大学 | 一种电机位置伺服***的输出反馈控制方法 |
CN104965413A (zh) * | 2015-06-29 | 2015-10-07 | 南京理工大学 | 受控化发射平台的摩擦补偿自适应控制方法 |
-
2017
- 2017-08-26 CN CN201710746089.XA patent/CN107577146B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11255091A (ja) * | 1998-03-10 | 1999-09-21 | Nippon Denshi Kogyo Kk | Abs装置 |
CN103036496A (zh) * | 2012-12-12 | 2013-04-10 | 西安理工大学 | 自适应反推控制的永磁同步电机dtc***及其控制方法 |
CN103701396A (zh) * | 2013-12-13 | 2014-04-02 | 天津大学 | 一种基于自适应模糊神经网络的电机转速跟踪控制方法 |
CN104065322A (zh) * | 2014-06-13 | 2014-09-24 | 南京理工大学 | 一种电机位置伺服***的输出反馈控制方法 |
CN104965413A (zh) * | 2015-06-29 | 2015-10-07 | 南京理工大学 | 受控化发射平台的摩擦补偿自适应控制方法 |
Non-Patent Citations (1)
Title |
---|
Integral backstepping Control of Servo Actuators With LuGre model-based friction compensation;Yuangang Wang等;《2016 IEEE International Conference on Aircraft Utility Systems》;20161031;984-990 * |
Also Published As
Publication number | Publication date |
---|---|
CN107577146A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107577146B (zh) | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 | |
CN107561935B (zh) | 基于多层神经网络的电机位置伺服***摩擦补偿控制方法 | |
CN109927032B (zh) | 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法 | |
CN107121932B (zh) | 电机伺服***误差符号积分鲁棒自适应控制方法 | |
Hu et al. | Robust tracking control for vehicle electronic throttle using adaptive dynamic sliding mode and extended state observer | |
CN104199295B (zh) | 基于神经网络的机电伺服***摩擦补偿和变结构控制方法 | |
CN104260107B (zh) | 一种实现空间机械臂柔性关节齿隙补偿的方法 | |
CN108614419B (zh) | 一种弧形微机电***的自适应神经网络控制方法 | |
CN104111607B (zh) | 一种考虑输入时滞的电机位置伺服***的控制方法 | |
CN105116725B (zh) | 基于扩张状态观测器的伺服***自适应滑模控制方法 | |
CN107621783B (zh) | 基于摩擦补偿的发射平台自适应鲁棒控制方法 | |
CN110673472B (zh) | 基于神经网络补偿死区反演误差的自适应鲁棒控制方法 | |
CN110877333A (zh) | 一种柔性关节机械臂控制方法 | |
CN105045103B (zh) | 一种基于LuGre摩擦模型伺服机械手摩擦补偿控制***及方法 | |
CN112207834B (zh) | 一种基于干扰观测器的机器人关节***控制方法及*** | |
CN104360596B (zh) | 机电伺服***有限时间摩擦参数辨识和自适应滑模控制方法 | |
CN113241973B (zh) | S型滤波器迭代学习控制直线电机轨迹跟踪控制方法 | |
CN104199294A (zh) | 电机伺服***双神经网络摩擦补偿和有限时间协同控制方法 | |
CN109426150B (zh) | 基于扩张状态观测器的负载模拟器反步控制方法 | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN107765548B (zh) | 基于双观测器的发射平台高精度运动控制方法 | |
Sefriti et al. | Adaptive neural network sliding mode control for electrically-driven robot manipulators | |
CN111930008A (zh) | 基于数据驱动控制的压电微定位平台轨迹跟踪控制方法 | |
CN104965413B (zh) | 受控化发射平台的摩擦补偿自适应控制方法 | |
CN111708276A (zh) | 基于线性状态观测器观测误差补偿的自适应鲁棒控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |