CN110703609A - 一种电机伺服***智能运动控制方法 - Google Patents

一种电机伺服***智能运动控制方法 Download PDF

Info

Publication number
CN110703609A
CN110703609A CN201911129822.9A CN201911129822A CN110703609A CN 110703609 A CN110703609 A CN 110703609A CN 201911129822 A CN201911129822 A CN 201911129822A CN 110703609 A CN110703609 A CN 110703609A
Authority
CN
China
Prior art keywords
motor servo
servo system
equation
neural network
disturbance
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.)
Granted
Application number
CN201911129822.9A
Other languages
English (en)
Other versions
CN110703609B (zh
Inventor
杨贵超
王�华
洪荣晶
陈捷
张�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANJING GONGDA CNC TECHNOLOGY CO LTD
Nanjing Tech University
Original Assignee
NANJING GONGDA CNC TECHNOLOGY CO LTD
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NANJING GONGDA CNC TECHNOLOGY CO LTD, Nanjing Tech University filed Critical NANJING GONGDA CNC TECHNOLOGY CO LTD
Priority to CN201911129822.9A priority Critical patent/CN110703609B/zh
Publication of CN110703609A publication Critical patent/CN110703609A/zh
Application granted granted Critical
Publication of CN110703609B publication Critical patent/CN110703609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种电机伺服***智能运动控制方法，属于机电伺服控制领域。一种电机伺服***智能运动控制方法，其特征在于：所述一种电机伺服***智能运动控制方法的具体步骤如下：步骤一、建立电机伺服***数学模型，根据牛顿第二定律且简化电机的电气动态为比例环节；步骤二、设计多层神经网络对电机伺服***遭受的未知函数扰动进行估计；步骤三、结合三层神经网络设计扩张状态观测器对电机伺服***的时变外干扰进行估计：步骤四、设计基于多层神经网络和扰动前馈补偿的电机伺服***位置跟踪控制器。本发明能保证电机伺服***的位置输出能准确地跟踪期望的位置指令，更利于在工程实际中的复杂工况下应用。

Description

一种电机伺服***智能运动控制方法
技术领域
本发明涉及一种控制方法，具体涉及一种电机伺服***智能运动控制方法，属于机电伺服控制领域。
背景技术
电机伺服***具有响应速度快、传动效率高、维护方便、能源获取便利等优点，而广泛应用于工业、工程等重要领域，如机床进给***、机器人操纵臂、武器随动***等。目前工业、工程等领域针对电机伺服***的运动控制仍然主要基于经典三环(电流环、速度环及位置环)控制，然而随着这些领域朝着高性能方向发展，这种普遍采用的控制方法已逐渐不能满足***的需求。因此，迫切需要研究更加先进的控制方法。电机伺服***在运行过程中必然会受到模型不确定性的影响，包括变化的负载质量/转动惯量、粘性摩擦、库伦摩擦等非线性摩擦、***测量噪声、外干扰等都难以建模的扰动。模型不确定性的存在会使***期望的控制性能恶化，甚至会使基于***名义模型所设计的闭环控制器不稳定。
目前针对考虑电机伺服***模型不确定性的先进控制方法，有自适应鲁棒控制、鲁棒自适应控制、自抗扰自适应控制等方法。典型地，自适应鲁棒控制方法针对***中的不确定性参数，设计恰当的在线估计方法对其进行估计；对可能发生的外干扰等扰动，通过提高非线性反馈增益对其进行抑制进而提升***性能。由于强非线性反馈增益往往导致设计的保守性(即高增益反馈)，从而使其在工程应用中有一定困难。然而，当外干扰等扰动逐渐增大时，所设计的自适应鲁棒控制器会使跟踪性能恶化，甚至出现不稳定现象。因此如何恰当地处理传统的自适应鲁棒控制器中存在的这些问题仍是研究的焦点。自抗扰自适应控制方法对***中的不确定性参数和时变外干扰，分别结合自适应控制以及扩张状态观测器来估计未知参数和外干扰，并在设计控制器时进行前馈补偿，从而在一定程度上抵抗扰动的影响。然而，以上提到的控制方法针对***中存在的未知函数、噪声等扰动仍没有处理。
总结来说，现有电机伺服***的控制技术的不足之处主要有以下几点：
1.忽略***的噪声扰动。在进行电机伺服***闭环控制器的设计过程中，会利用***信号的测量值，而这些测量值中必然会引入噪声。这些测量噪声的存在，可能会使***所设计的控制器出现性能降阶、甚至产生不稳定等现象。
2.忽略***的未知函数扰动。电机伺服***中存在非线性摩擦等非线性因素的影响，这些非线性因素通常难以用明确的函数来表示并且可能会严重影响***的控制性能，而现存的控制方法难以有效的处理这些未知函数扰动。
发明内容
本发明为解决现有电机伺服***控制中存在被忽略的测量噪声、未知函数扰动等因素，提出一种电机伺服***智能运动控制方法。
本发明为解决上述问题采取的技术方案是：本发明的具体步骤如下：
一种电机伺服***智能运动控制方法，其特征在于：所述一种电机伺服***智能运动控制方法的具体步骤如下：
步骤一、建立电机伺服***数学模型，根据牛顿第二定律且简化电机的电气动态为比例环节；
步骤二、设计多层神经网络对电机伺服***遭受的未知函数扰动进行估计；
步骤三、结合三层神经网络设计扩张状态观测器对电机伺服***的时变外干扰进行估计：
步骤四、设计基于多层神经网络和扰动前馈补偿的电机伺服***位置跟踪控制器；
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0及Υ2>0的值并调节参数ω0(ω0>0)、k1(k1>0)、k2(k2>0)、γ1(γ1>0)、γ2(γ2>0)的值保证电机伺服***的位置输出x1准确地跟踪期望的位置指令x1d。
一种电机伺服***智能运动控制方法，包括以下步骤：
步骤一、建立电机伺服***数学模型，根据牛顿第二定律且简化电机的电气动态为比例环节，电机伺服***的运动方程为：
Figure BDA0002277981360000031
公式(1)中m为惯性负载参数，y为负载位移，ku为力矩放大系数，u为***的控制输入电压，为负载所受到的摩擦力，为负载所受到与y和
Figure BDA00022779813600000313
有关的干扰，d(t)为时变干扰值。
为了便于控制器的设计，选取状态矢量为：
Figure BDA00022779813600000314
其中x1为负载位移，x2为负载速度，则电机伺服***的运动学方程可以转化为如下状态方程形式：
Figure BDA0002277981360000032
经进一步转化，可得：
Figure BDA0002277981360000033
公式(3)中g0＝ku/m；x1d(t)为***期望跟踪的轨迹；Δ(t)＝d(t)/m；其中φ(x2)＝-Ff(x2)/m，h(x1,x2)＝f(x1,x2)/m。
控制目标：在***同时遭受未知函数和时变扰动的工况下，使***输出y＝x1尽可能精确地跟踪期望的光滑指令yd＝x1d。
假设1：***期望跟踪的指令信号x1d(t)是二阶连续可导的，且***期望位置指令、速度指令及加速度指令都是有界的。
假设2：***遭受的时变扰动d(t)满足：
Figure BDA0002277981360000034
公式(4)中Dm为未知正常数。
此外，本专利声明
Figure BDA0002277981360000035
代表·的估计值，
Figure BDA0002277981360000036
表示·的估计误差，·min和·max分别表示·的最小值和最大值。
步骤二、设计多层神经网络对电机伺服***遭受的未知函数扰动进行估计。
对任意未知函数
Figure BDA0002277981360000037
且在
Figure BDA0002277981360000038
范围内(
Figure BDA0002277981360000039
表示与集合
Figure BDA00022779813600000310
有关的紧集)，存在权值和阈值满足：
Figure BDA0002277981360000041
公式(5)中为第一层到第二层之间的有界常值理想权值矩阵，为第二层到第三层之间的有界常值理想权值矩阵，其中M1为输入层的神经元的数量，M2为隐层的神经元的数量，M为第三层的神经元的数量，
Figure BDA0002277981360000044
为神经网络的输入且
Figure BDA0002277981360000045
表示激活函数，β(ζd)表示函数重构误差。
基于三层神经网络，函数
Figure BDA0002277981360000046
可以被近似为：
Figure BDA0002277981360000047
基于(6)，***的非线性数学模型(3)可以重新写为：
步骤三、结合三层神经网络设计扩张状态观测器对电机伺服***的时变外干扰进行估计。
首先将***状态方程中的Δ(t)扩张为冗余状态
Figure BDA0002277981360000049
并假设由假设2可知ε(t)有界，则扩张后的***状态方程为：
Figure BDA00022779813600000411
根据扩张后的状态方程(8)，结合多层神经网络设计扩张状态观测器为：
Figure BDA00022779813600000412
公式(9)中ω0为可调的正常数，其可以看作是扩张状态观测器的带宽。
由公式(8)、(9)可得观测器估计误差的动态方程为：
Figure BDA00022779813600000413
定义
Figure BDA0002277981360000051
并对(10)中的第二个等式分别加上和减去
Figure BDA0002277981360000052
则可以得到缩比后的估计误差的动态方程为：
Figure BDA0002277981360000053
公式(11)中
Figure BDA0002277981360000054
由矩阵Ao的定义可知其满足赫尔维茨准则，因而存在一个正定且对称的矩阵
Figure BDA0002277981360000057
使得
Figure BDA0002277981360000058
成立。
步骤四、设计基于多层神经网络和扰动前馈补偿的电机伺服***位置跟踪控制器，其具体步骤如下：
定义z1＝x1-x1d为***的跟踪误差，并定义z2为：
Figure BDA0002277981360000059
公式(12)中k1为可调整的增益且k1>0，v1为x2的虚拟控制律。
对公式(12)求导并基于公式(7)，可得：
Figure BDA00022779813600000510
基于公式(13)，设计实际的控制器输入u为：
Figure BDA00022779813600000511
公式(14)中k2为可调整的增益且k2>0，um为基于模型、多层神经网络自适应和扰动估计的补偿项，ur为线性鲁棒项。值得注意的是，设计的智能运动控制器(14)基于期望指令进行前馈补偿，在一定程度上抑制了测量噪声的影响。
将公式(14)带入公式(13)，可得：
Figure BDA0002277981360000061
步骤五、分析电机位置闭环伺服***的稳定性：
基于设计的控制器(14)，并且多层神经网络的权值参数通过和
Figure BDA0002277981360000063
(其中Proj(·)为连续投影映射函数，Υ1为权值参数W的自适应律矩阵，Υ2为权值参数V的自适应律矩阵，γ1和γ2均为可调节的正常数)进行实时更新，则***能够获得一致有界稳定性能，且***的跟踪误差可由控制器参数任意调节，即随着控制参数的增强，跟踪误差减小。
根据控制理论中***的稳定性分析，选取Lyapunov候选函数VL为：
Figure BDA0002277981360000064
公式(16)中tr(·)代表某个矩阵·的迹。
对公式(16)求导可得：
将公式(11)、(12)及(15)带入式(17)中并基于
Figure BDA0002277981360000066
|F1|≤l1，|F2|≤l2，
Figure BDA00022779813600000611
|ε(t)|≤εm(其中μ1、μ2、l1、l2、Lm、εm均为正常数)，经过一系列转化可得
Figure BDA0002277981360000067
公式(28)中λmin(ΛL)为矩阵ΛL的最小特征值，矩阵ΛL为
Figure BDA0002277981360000069
其中
Figure BDA00022779813600000610
Figure BDA0002277981360000071
由公式(18)，进一步可得：
Figure BDA0002277981360000072
公式(19)中τ1＝min{2λmin(Λ),
Figure BDA0002277981360000073
γ1λmin(Υ1),γ2λmin(Υ2)}，其中min{·}代表·的最小值，λmin(·)代表·的最小特征值。
由此我们获得了一致有界稳定，***中的所有信号在闭环***中有界，且***跟踪误差可由设计参数控制。
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1及Υ2的值并调节参数ω0、k1、k2、γ1、γ2的值保证电机伺服***的位置输出x1准确地跟踪期望的位置指令x1d。上述参数的选取见具体实施方式相关部分。
本发明的有益效果是：本发明选取电机伺服***作为研究对象，以在测量噪声、未知函数扰动、时变外干扰等因素的共同影响下其位置输出能准确地跟踪期望的位置指令为控制目标，针对测量噪声采用基于期望指令的补偿技术进行噪声抑制，确保***尽可能少地受到噪声影响；对未知函数等扰动通过多层神经网络进行估计并前馈补偿；对其它外干扰通过扩张状态观测器进行估计并前馈补偿；本发明所设计的电机伺服***智能运动控制方法在同时存在测量噪声、强未知函数扰动、强外干扰等具有良好的鲁棒作用，并能保证电机伺服***的位置输出能准确地跟踪期望的位置指令，更利于在工程实际中的复杂工况中应用。仿真结果验证了其有效性。
附图说明
图1是本发明电机伺服***位置闭环控制原理图；
图2是电机伺服***智能运动控制原理示意及流程图；
图3是对比的控制器(其中本发明所设计的控制器以MNNESO标识)分别作用下***的跟踪误差随时间变化的曲线；
图4是40-50秒期间对比的控制器分别作用下***的跟踪误差随时间变化的曲线；
图5是本发明所设计的控制器作用下***的函数估计性能随时间变化的曲线；
图6是本发明所设计的控制器作用下***的外干扰估计性能随时间变化的曲线；
图7是本发明所设计的控制器的控制输入电压随时间变化的曲线。
具体实施方式
下面结合附图对本发明做进一步说明。
结合图1至图7说明本实施方式，本实施方式所述一种电机伺服***智能运动控制方法的具体步骤如下：
步骤一、建立电机伺服***数学模型，根据牛顿第二定律且简化电机的电气动态为比例环节，电机伺服***(如图1所示)的运动方程可表示为：
Figure BDA0002277981360000081
公式(1)中m为惯性负载参数，y为负载位移，ku为力矩放大系数，u为***的控制输入电压，
Figure BDA0002277981360000084
为负载所受到的摩擦力，
Figure BDA0002277981360000085
为负载所受到与y和
Figure BDA0002277981360000086
有关的干扰，d(t)为时变干扰值。
为了便于控制器的设计，选取状态矢量为：
Figure BDA0002277981360000087
其中x1为负载位移，x2为负载速度，则电机伺服***的运动学方程可以转化为如下状态方程形式：
Figure BDA0002277981360000082
公式(2)中g0＝ku/m；x1d(t)为***期望跟踪的轨迹；Δ(t)＝d(t)/m；
Figure BDA0002277981360000083
其中φ(x2)＝-Ff(x2)/m，h(x1,x2)＝f(x1,x2)/m。
控制目标：在***同时遭受未知函数和时变扰动的工况下，使***输出y＝x1尽可能精确地跟踪期望的光滑指令yd＝x1d。
假设1：***期望跟踪的指令信号x1d(t)是二阶连续可导的，且***期望位置指令、速度指令及加速度指令都是有界的。
假设2：***遭受的时变扰动d(t)满足：
Figure BDA0002277981360000091
公式(3)中Dm为未知正常数。
此外，本专利声明
Figure BDA0002277981360000092
代表·的估计值，
Figure BDA0002277981360000093
表示·的估计误差，·min和·max分别表示·的最小值和最大值。
步骤二、设计多层神经网络对电机伺服***遭受的未知函数扰动进行估计。
对任意未知函数
Figure BDA0002277981360000094
且在
Figure BDA0002277981360000095
范围内(
Figure BDA0002277981360000096
表示与集合
Figure BDA0002277981360000097
有关的紧集)，存在权值和阈值满足：
Figure BDA0002277981360000098
公式(4)中
Figure BDA0002277981360000099
为第一层到第二层之间的有界常值理想权值矩阵，
Figure BDA00022779813600000910
为第二层到第三层之间的有界常值理想权值矩阵，其中M1为输入层的神经元的数量，M2为隐层的神经元的数量，M为第三层的神经元的数量，
Figure BDA00022779813600000911
为神经网络的输入且
Figure BDA00022779813600000912
Figure BDA00022779813600000913
表示激活函数，β(ζd)表示函数重构误差。
基于三层神经网络，函数
Figure BDA00022779813600000914
可以被近似为：
Figure BDA00022779813600000915
基于(5)，***的非线性数学模型(2)可以重新写为：
Figure BDA00022779813600000916
步骤三、结合三层神经网络设计扩张状态观测器对电机伺服***的时变外干扰进行估计。
首先将***状态方程中的Δ(t)扩张为冗余状态
Figure BDA00022779813600000917
并假设
Figure BDA00022779813600000918
由假设2可知ε(t)有界，则扩张后的***状态方程为：
Figure BDA0002277981360000101
根据扩张后的状态方程(7)，结合多层神经网络设计扩张状态观测器为：
Figure BDA0002277981360000102
公式(8)中ω0为可调的正常数，其可以看作是扩张状态观测器的带宽。
步骤四、设计基于多层神经网络和扰动前馈补偿的电机伺服***位置跟踪控制器，其具体步骤如下：
定义z1＝x1-x1d为***的跟踪误差，并定义z2为：
Figure BDA0002277981360000103
公式(9)中k1为可调整的增益且k1>0，v1为x2的虚拟控制律。
对公式(9)求导并基于公式(6)，可得：
Figure BDA0002277981360000104
基于公式(10)，设计实际的控制器输入u为：
Figure BDA0002277981360000105
公式(11)中k2为可调整的增益且k2>0，um为基于模型的补偿项，ur为线性鲁棒项。此外，
Figure BDA0002277981360000106
和
Figure BDA0002277981360000107
(其中Proj(·)为连续投影映射函数，Υ1为权值参数W的自适应律矩阵，Υ2为权值参数V的自适应律矩阵，γ1和γ2均为可调节的正常数)。值得注意的是，设计的智能运动控制器(11)基于期望指令进行前馈补偿，在一定程度上抑制了测量噪声的影响。
电机伺服***智能运动控制原理示意及流程图如图2所示。
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0及Υ2>0的值并调节参数ω0(ω0>0)、k1(k1>0)、k2(k2>0)、γ1(γ1>0)、γ2(γ2>0)的值保证电机伺服***的位置输出x1准确地跟踪期望的位置指令x1d。
实施例：
电机伺服***参数为：负载转动惯量m＝0.015kg·m2；力矩放大系数ku＝56.5N·m/V；负载所受到的摩擦力
Figure BDA0002277981360000111
加入的未知函数扰动时变外干扰d(t)＝0.5sin(t)N·m；***期望跟踪的位置指令为曲线x1d(t)＝0.2sin(πt)[1-exp(-0.5t)]rad。
对比仿真结果：
MNNESO：这表示本发明所设计的电机伺服***智能运动控制器，其控制参数选取为k1＝5,k2＝5，ω0＝60，M1＝2，M2＝10，M＝1，Υ1＝200diag{1,1,1,1,1,1,1,1,1,1,1}，Υ2＝0.5diag{1,1,1,1,1,1,1,1,1,1,1}，γ1＝1.0×10-5，γ2＝1.0×10-5。
MNN：这表示本发明所设计的电机伺服***智能运动控制器但是没有外部扰动前馈补偿功能，设置此对比控制器主要是为了验证本发明设计控制器的扰动补偿性能，为了公平对比，其选取的相应的控制器参数和MNNESO的完全一样。
控制器作用效果：图3是对比的控制器分别作用下***的跟踪误差随时间变化的曲线，图4是40-50秒期间对比的控制器分别作用下***的跟踪误差随时间变化的曲线，结合图3和图4可以看出在本发明设计的控制器的作用下其稳态跟踪误差更小，从而验证了MNNESO外干扰补偿性能的有效性。图5和图6分别是本发明所设计的控制器作用下***的函数估计和外干扰估计性能随时间变化的曲线，从图中可以看出它们最终分别趋近于某一值，从而能够有效地估计***中的扰动。
图7是本发明所设计的控制器的控制输入电压随时间变化的曲线，从图中可以看出，本发明所得到的控制输入信号连续可导且有界，有利于在工程实际中应用。

Claims (5)

1.一种电机伺服***智能运动控制方法，其特征在于：所述一种电机伺服***智能运动控制方法的具体步骤如下：
步骤一、建立电机伺服***数学模型，根据牛顿第二定律且简化电机的电气动态为比例环节；
步骤二、设计多层神经网络对电机伺服***遭受的未知函数扰动进行估计；
步骤三、结合三层神经网络设计扩张状态观测器对电机伺服***的时变外干扰进行估计：
步骤四、设计基于多层神经网络和扰动前馈补偿的电机伺服***位置跟踪控制器；
步骤五、选取神经网络权值参数的初始值及自适应律矩阵Υ1>0及Υ2>0的值并调节参数ω0(ω0>0)、k1(k1>0)、k2(k2>0)、γ1(γ1>0)、γ2(γ2>0)的值保证电机伺服***的位置输出x1准确地跟踪期望的位置指令x1d。
2.根据权利要求1所述的方法，其特征在于所述步骤一包括如下具体步骤：
电机伺服***的运动方程可表示为：
Figure FDA0002277981350000011
公式(1)中m为惯性负载参数，y为负载位移，ku为力矩放大系数，u为***的控制输入电压，
Figure FDA0002277981350000012
为负载所受到的摩擦力，
Figure FDA0002277981350000013
为负载所受到与y和
Figure FDA0002277981350000014
有关的干扰，d(t)为时变干扰值；
为了便于控制器的设计，选取状态矢量为：
Figure FDA0002277981350000015
则电机伺服***的运动学方程可以转化为如下状态方程形式：
Figure FDA0002277981350000016
公式(2)中g0＝ku/m；x1d(t)为***期望跟踪的轨迹；Δ(t)＝d(t)/m；
Figure FDA0002277981350000017
其中φ(x2)＝-Ff(x2)/m，h(x1,x2)＝f(x1,x2)/m；x1为负载位移，x2为负载速度。
控制目标：在***同时遭受未知函数和时变扰动的工况下，使***输出y＝x1尽可能精确地跟踪期望的光滑指令yd＝x1d；
假设1：***期望跟踪的指令信号x1d(t)是二阶连续可导的，且***期望位置指令、速度指令及加速度指令都是有界的；
假设2：***遭受的时变扰动d(t)满足：
Figure FDA0002277981350000021
公式(3)中Dm为未知正常数；
此外，定义
Figure FDA0002277981350000022
代表i的估计值，表示i的估计误差，·min和·max分别表示i的最小值和最大值。
3.根据权利要求1所述的方法，其特征在于所述步骤二包括如下具体步骤：
对任意未知函数
Figure FDA0002277981350000024
且在
Figure FDA0002277981350000025
范围内(
Figure FDA0002277981350000026
表示与集合
Figure FDA0002277981350000027
有关的紧集)，存在权值和阈值满足：
Figure FDA0002277981350000028
公式(4)中
Figure FDA0002277981350000029
为第一层到第二层之间的有界常值理想权值矩阵，
Figure FDA00022779813500000210
为第二层到第三层之间的有界常值理想权值矩阵，其中M1为输入层的神经元的数量，M2为隐层的神经元的数量，M为第三层的神经元的数量，
Figure FDA00022779813500000211
为神经网络的输入且
Figure FDA00022779813500000212
表示激活函数，β(ζd)表示函数重构误差；
基于三层神经网络，函数
Figure FDA00022779813500000214
可以被近似为：
Figure FDA00022779813500000215
基于(5)，***的非线性数学模型(2)可以重新写为：
Figure FDA00022779813500000216
4.根据权利要求1所述的方法，其特征在于所述步骤三包括如下具体步骤：
首先将***状态方程中的Δ(t)扩张为冗余状态
Figure FDA0002277981350000031
并假设
Figure FDA0002277981350000032
由假设2可知ε(t)有界，则扩张后的***状态方程为：
Figure FDA0002277981350000033
根据扩张后的状态方程(7)，结合多层神经网络设计扩张状态观测器为：
Figure FDA0002277981350000034
公式(8)中ω0为可调的正常数，其可以看作是扩张状态观测器的带宽。
5.根据权利要求1所述的方法，其特征在于所述步骤四包括如下具体步骤：
定义z1＝x1-x1d为***的跟踪误差，并定义z2为：
Figure FDA0002277981350000035
公式(9)中k1为可调整的增益且k1>0，v1为x2的虚拟控制律；
对公式(9)求导并基于公式(6)，可得：
Figure FDA0002277981350000036
基于公式(10)，设计实际的控制器输入u为：
Figure FDA0002277981350000037
公式(11)中k2为可调整的增益且k2>0，um为基于模型的补偿项，ur为线性鲁棒项。此外，和(其中Proj(i)为连续投影映射函数，Υ1为权值参数W的自适应律矩阵，Υ2为权值参数V的自适应律矩阵，γ1和γ2均为可调节的正常数)；值得注意的是，设计的智能运动控制器(11)基于期望指令进行前馈补偿，在一定程度上抑制了测量噪声的影响。
CN201911129822.9A 2019-11-18 2019-11-18 一种电机伺服***智能运动控制方法 Active CN110703609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911129822.9A CN110703609B (zh) 2019-11-18 2019-11-18 一种电机伺服***智能运动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911129822.9A CN110703609B (zh) 2019-11-18 2019-11-18 一种电机伺服***智能运动控制方法

Publications (2)

Publication Number Publication Date
CN110703609A true CN110703609A (zh) 2020-01-17
CN110703609B CN110703609B (zh) 2021-08-06

Family

ID=69207218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911129822.9A Active CN110703609B (zh) 2019-11-18 2019-11-18 一种电机伺服***智能运动控制方法

Country Status (1)

Country Link
CN (1) CN110703609B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781839A (zh) * 2020-08-10 2020-10-16 北京航空航天大学 一种电动加载***的自适应鲁棒控制方法及电动加载***
CN112051734A (zh) * 2020-08-18 2020-12-08 华南理工大学 一种基于确定学习的轮式移动机器人事件触发跟踪控制方法
CN112949180A (zh) * 2021-03-02 2021-06-11 南京工业大学 一种基于hgdob与rbf神经网络的盾构风电回转支承试验台液压加载控制方法
CN112965387A (zh) * 2021-03-31 2021-06-15 西安理工大学 考虑状态受限的气动伺服***自适应神经网络控制方法
CN114077191A (zh) * 2020-08-19 2022-02-22 南京工业大学 一种饱和非线性***智能抗扰控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090143871A1 (en) * 2002-04-18 2009-06-04 Cleveland State University Controllers, observers, and applications thereof
CN101578584A (zh) * 2005-09-19 2009-11-11 克利夫兰州立大学 控制器、观测器及其应用
CN102497156A (zh) * 2011-12-27 2012-06-13 东南大学 永磁同步电机速度环的神经网络自校正控制方法
CN104238361A (zh) * 2014-09-03 2014-12-24 南京理工大学 电机伺服***自适应鲁棒位置控制方法与***
CN104252134A (zh) * 2014-09-17 2014-12-31 南京理工大学 基于扩张状态观测器的电机伺服***自适应鲁棒位置控制方法
CN107561935A (zh) * 2017-08-26 2018-01-09 南京理工大学 基于多层神经网络的电机位置伺服***摩擦补偿控制方法
CN108303885A (zh) * 2018-01-31 2018-07-20 南京理工大学 一种基于干扰观测器的电机位置伺服***自适应控制方法
CN108469734A (zh) * 2018-03-27 2018-08-31 安徽工业大学 考虑状态约束的电机伺服***自抗扰控制方法
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109324503A (zh) * 2018-08-28 2019-02-12 南京理工大学 基于鲁棒积分的多层神经网络电机***控制方法
CN109709807A (zh) * 2018-12-27 2019-05-03 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

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090143871A1 (en) * 2002-04-18 2009-06-04 Cleveland State University Controllers, observers, and applications thereof
CN101578584A (zh) * 2005-09-19 2009-11-11 克利夫兰州立大学 控制器、观测器及其应用
CN102497156A (zh) * 2011-12-27 2012-06-13 东南大学 永磁同步电机速度环的神经网络自校正控制方法
CN104238361A (zh) * 2014-09-03 2014-12-24 南京理工大学 电机伺服***自适应鲁棒位置控制方法与***
CN104252134A (zh) * 2014-09-17 2014-12-31 南京理工大学 基于扩张状态观测器的电机伺服***自适应鲁棒位置控制方法
CN107561935A (zh) * 2017-08-26 2018-01-09 南京理工大学 基于多层神经网络的电机位置伺服***摩擦补偿控制方法
CN108303885A (zh) * 2018-01-31 2018-07-20 南京理工大学 一种基于干扰观测器的电机位置伺服***自适应控制方法
CN108469734A (zh) * 2018-03-27 2018-08-31 安徽工业大学 考虑状态约束的电机伺服***自抗扰控制方法
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109324503A (zh) * 2018-08-28 2019-02-12 南京理工大学 基于鲁棒积分的多层神经网络电机***控制方法
CN109709807A (zh) * 2018-12-27 2019-05-03 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XU ZHANGBAO 等: "Robust Control of DC Motors Based On Disturbance Estimation", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 *
YANG GUICHAO 等: "Adaptive Robust Control of DC Motors With Time-Varying Output Constraints", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 *
顾用地 等: "永磁同步电机伺服***的RBF神经网络PID控制", 《电气自动化》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781839A (zh) * 2020-08-10 2020-10-16 北京航空航天大学 一种电动加载***的自适应鲁棒控制方法及电动加载***
CN112051734A (zh) * 2020-08-18 2020-12-08 华南理工大学 一种基于确定学习的轮式移动机器人事件触发跟踪控制方法
CN112051734B (zh) * 2020-08-18 2021-07-23 华南理工大学 一种基于确定学习的轮式移动机器人事件触发跟踪控制方法
CN114077191A (zh) * 2020-08-19 2022-02-22 南京工业大学 一种饱和非线性***智能抗扰控制方法
CN114077191B (zh) * 2020-08-19 2023-10-13 南京工业大学 一种饱和非线性***智能抗扰控制方法
CN112949180A (zh) * 2021-03-02 2021-06-11 南京工业大学 一种基于hgdob与rbf神经网络的盾构风电回转支承试验台液压加载控制方法
CN112949180B (zh) * 2021-03-02 2022-09-06 南京工业大学 一种基于hgdob与rbf神经网络的盾构风电回转支承试验台液压加载控制方法
CN112965387A (zh) * 2021-03-31 2021-06-15 西安理工大学 考虑状态受限的气动伺服***自适应神经网络控制方法

Also Published As

Publication number Publication date
CN110703609B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN110703609B (zh) 一种电机伺服***智能运动控制方法
Wang et al. Adaptive integral terminal sliding mode control for automobile electronic throttle via an uncertainty observer and experimental validation
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
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
CN111941432B (zh) 一种高性能机械臂人工智能输出反馈控制方法
CN108415249B (zh) 一种基于低频学习的电液伺服***自适应鲁棒控制方法
CN105116725B (zh) 基于扩张状态观测器的伺服***自适应滑模控制方法
CN108628172B (zh) 一种基于扩张状态观测器的机械臂高精度运动控制方法
CN104111607B (zh) 一种考虑输入时滞的电机位置伺服***的控制方法
CN111596545B (zh) 一种多输入多输出机械***自适应容错预设性能控制方法
CN109581868B (zh) 基于评判辨识结构的可重构机器人分散神经最优控制方法
CN111459093B (zh) 一种机床主轴精密运动输出反馈控制方法
CN104199294B (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
CN108227497B (zh) 一种考虑***性能受限下网络化遥操作***的控制方法
CN110703608B (zh) 一种液压伺服执行机构智能运动控制方法
CN111650832B (zh) 一种水下多足步行机器人机械足姿态跟踪控制方法
CN105867139B (zh) 一种模型参考自适应的飞行器鲁棒控制方法
CN112817231A (zh) 一种具有强鲁棒性的机械臂高精度跟踪控制方法
Jung A neural network technique of compensating for an inertia model error in a time-delayed controller for robot manipulators
CN107765548B (zh) 基于双观测器的发射平台高精度运动控制方法
CN104965413B (zh) 受控化发射平台的摩擦补偿自适应控制方法
CN109324503B (zh) 基于鲁棒积分的多层神经网络电机***控制方法
CN115877712A (zh) 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法
Kowalski et al. Force fight compensation for redundant electro-mechanical flight control actuators
Hu et al. HIGH-ACCURACY MOTION CONTROL OF A MOTOR SERVO SYSTEM WITH DEAD-ZONE BASED ON A SINGLE HIDDEN LAYER NEURAL NETWORK.

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