位置伺服系統與方法
2023-06-10 14:53:21
專利名稱：位置伺服系統與方法
技術領域：
本發明涉及一種應用於伺服系統的神經網絡自適應控制方法，用於伺服系統的高精度控制。
背景技術：
伺服系統是複雜的機電控制系統，其本質可以視為一個由電動機拖動的的位置閉環控制系統，其在國民生產和國防建設中起著重要的作用。由於其在各領域中佔有十分重要的地位，所以對其性能的要求也不斷提高，尤其在國防軍事和航空航天等尖端領域。從當前國內外伺服系統總的發展趨勢可以看出，「高頻響、超低速、高精度」是其主要發展方向。其中，「高頻響」是反映伺服系統跟蹤高頻信號的能力，即在位置指令信號不斷變化時系統的跟蹤能力。「超低速」，是反映系統的低速平穩性，影響低速特性的主要因素是機械摩擦，必須採用一定的控制方法對摩擦進行補償。「高精度」是指系統跟蹤指令信號的準確程度。
存在於伺服系統中的機械摩擦、電路參數的飄移、軸系間的力矩耦合、環境幹擾、以及軸系間的不垂直度或不交度而引起的系統負載力矩的不平衡、機械裝置剛度不足而引起的機械變形、負載的波動以及電機本身的齒槽效應等許多非線性的、不確定性等因素，給伺服系統的控制造成了很多困難，對系統的精度影響很大。因此，消除這些幹擾源引起的擾動並克服各種非線性因素對系統帶來的影響是實現伺服系統高精度控制的關鍵。
經典的伺服系統設計一般採用傳統的「三環」結構的PID控制方法(參見圖3)，由內到外是電流環、速度環和位置環。電流環和速度環的作用是提高系統的剛度來抑制系統的非線性及外部擾動，控制系統的精度由位置環來保證。但這種傳統控制方法的適應性差，在系統受擾的情況下控制精度低，不適合高精度控制的場合。而本發明能夠很好的抑制系統的參數攝動、摩擦乾擾和負載變化帶來的擾動；在對象的非線性和不確定性較強的情況下也可以正常運行，極大的提高了伺服系統的控制精度。
發明內容
為了提高伺服系統的控制精度，特別是提高伺服系統在存在非線性和不確定性以及系統的參數攝動、摩擦乾擾和負載變化等幹擾情況下的控制精度，提出一種應用於伺服系統的神經網絡自適應控制方法。本發明實現了對伺服系統的非線性補償和幹擾抑制，提高了伺服系統的跟蹤精度。本發明是在傳統的控制方法的基礎上加入了神經網絡自適應控制的方法，極大的提高了系統的魯棒性，使系統對各種幹擾都能夠進行快速有效的抑制，達到極高的控制精度。並且基於Lyapunov穩定性理論的自適應控制算法確保了該方法的穩定性。另外，在速度環精確參考模型的基礎上，位置環控制器的設計也變得非常的簡單，使整個系統的設計工作變得相當方便，易於在工程實際中實施。
根據本發明的一個方面，提供了一種位置伺服系統，包括一個位置環控制器，用於接收一個位置誤差，並產生一個速度指令；一個自適應控制器，用於接收所述速度指令、一個模型誤差和一個伺服對象速度信號，並產生一個自適應控制器輸出；一個神經網絡控制器，用於接收所述伺服對象速度信號、一個控制信號和所述模型誤差，並輸出一個神經網絡控制器輸出；一個參考模型，用於接收所述速度指令並產生一個參考模型輸出；一個第一加法器，用於把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號；一個伺服執行裝置，用於在所述控制信號的控制下，進行伺服操作；一個速度檢測裝置，用於測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號；一個位置測量裝置，用於測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；一個第二加法器，用於把所述所述伺服對象速度與所述參考模型輸出相減，從而生成所述模型誤差；一個第三加法器，用於把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差。
根據本發明的一個進一步的方面，上述自適應控制器進一步包括一個第一乘法器，用於接收所述速度指令和所述模型誤差信號，並將二者相乘；一個第一積分-放大裝置，用於把第一乘法器的輸出積分並乘以一個第一學習速率的負值，從而生成一個第一自適應參數；一個第三乘法器，用於把所述第一自適應參數與所述速度指令相乘；一個第二乘法器，用於接收所述伺服對象速度和所述模型誤差信號，並將二者相乘；一個第二積分-放大器，用於把第二乘法器的輸出積分並乘以一個第二學習速率，從而生成一個第二自適應參數；一個第四乘法器，用於把所述的第二自適應參數與所述伺服對象速度相乘；一個加法器，用於接收所述的第三和第四乘法器的輸出，並把兩者相減，作為所述自適應控制器輸出。
根據本發明的一個進一步的方面，上述神經網絡控制器進一步包括歸一化部分，用於對所述控制信號和所述伺服對象速度的當前採樣時刻的值和前一採樣時刻的值進行歸一化，得到相應的歸一化結果；加權求和部分，用於將各所述歸一化結果乘以對應的權值並求和，從而得到加權求和結果；輸出部分，用於將所述求和結果通過輸出函數進行處理，而獲得並輸出所述神經網絡控制器輸出，其中，所述權值的更新算法為其中xi為該權值的對應輸入，γ2為一個預設的神經網絡學習速率。
根據本發明的另一個方面，提供了用於一種位置伺服系統的一種自適應控制器，所述位置伺服系統包括一個位置環控制器，用於接收一個位置誤差，並產生一個速度指令；所述自適應控制器，用於接收所述速度指令、一個模型誤差和一個伺服對象速度信號，並產生一個自適應控制器輸出；一個神經網絡控制器，用於接收所述伺服對象速度信號、一個控制信號和所述模型誤差，並輸出一個神經網絡控制器輸出；一個參考模型，用於接收所述速度指令並產生一個參考模型輸出；一個第一加法器，用於把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號；一個伺服執行裝置，用於在所述控制信號的控制下，進行伺服操作；一個速度檢測裝置，用於測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號；一個位置測量裝置，用於測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；一個第二加法器，用於把所述所述伺服對象速度與所述參考模型輸出相減，從而生成所述模型誤差；一個第三加法器，用於把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差，其特徵在於所述自適應控制器進一步包括一個第一乘法器，用於接收所述速度指令和所述模型誤差信號，並將二者相乘；一個第一積分-放大裝置，用於把第一乘法器的輸出積分並乘以一個第一學習速率的負值，從而生成一個第一自適應參數；一個第三乘法器，用於把所述第一自適應參數與所述速度指令相乘；一個第二乘法器，用於接收所述伺服對象速度和所述模型誤差信號，並將二者相乘；一個第二積分-放大器，用於把第二乘法器的輸出積分並乘以一個第二學習速率，從而生成一個第二自適應參數；一個第四乘法器，用於把所述的第二自適應參數與所述伺服對象速度相乘；一個加法器，用於接收所述的第三和第四乘法器的輸出，並把兩者相減，作為所述自適應控制器輸出。
根據本發明的另一個方面，提供了一種位置伺服方法，包括用一個位置環控制器接收一個位置誤差並產生一個速度指令；用一個自適應控制器接收所述速度指令、一個模型誤差和一個伺服對象速度信號，並產生一個自適應控制器輸出；用一個神經網絡控制器，用於接收所述伺服對象速度信號、一個控制信號和所述模型誤差，並輸出一個神經網絡控制器輸出；用一個參考模型接收所述速度指令並產生一個參考模型輸出；用一個第一加法器，把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號；藉助一個伺服執行裝置，在所述控制信號的控制下，進行伺服操作；藉助一個速度檢測裝置，測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號；藉助一個位置測量裝置，測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；在一個第二加法器，把所述所述伺服對象速度與所述參考模型輸出相減，從而生成所述模型誤差；在一個第三加法器，把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差。
根據本發明的一個進一步的方面，上述用所述自適應控制器產生一個自適應控制器輸出的所述步驟進一步包括在一個第一乘法器，把所述速度指令和所述模型誤差信號相乘；在一個第一積分-放大裝置，把第一乘法器的輸出積分並乘以一個第一學習速率的負值，從而生成一個第一自適應參數；在一個第三乘法器，把所述第一自適應參數與所述速度指令相乘；在一個第二乘法器，把所述伺服對象速度和所述模型誤差信號相乘；在一個第二積分-放大器，把第二乘法器的輸出積分並乘以一個第二學習速率，從而生成一個第二自適應參數；在一個第四乘法器，把所述的第二自適應參數與所述伺服對象速度相乘；在一個加法器，把所述的第三和第四乘法器的輸出相減，並將相減的結果作為所述自適應控制器輸出。
圖1是本發明的自適應控制器的詳細結構示意圖； 圖2是根據本發明的一個實施例的位置伺服系統的示意圖； 圖3是傳統的「三環」結構的經典伺服系統的示意圖； 圖4是根據本發明的另一個實施例的位置伺服系統的示意圖； 圖5是圖4所示的實施例的系統框圖； 圖6用於說明圖2、4、5中的神經網絡控制器的內部結構； 圖7和8用於比較本發明和現有技術的應用實例的效果對比。
具體實施例方式 根據本發明的一個實施例的伺服系統控制器的理論結構如圖4所示。系統由位置閉環和位置閉環內部的模型參考自適應控制結構組成，圖5是系統框圖。圖4、圖5中編號部分是對應的。現分別介紹組成系統的幾個模塊 1)位置環控制器 圖4、圖5中編號1的模塊為位置環控制器。位置環控制器的輸入為位置指令和位置輸出的差值，其輸出為速度環指令。多種類型的控制器可以作為位置環控制器在此處使用，例如PID控制器(比例、積分、微分控制器)和P控制器(比例控制器)，但不僅限於這兩種控制器。在本方案中推薦選用簡單的P控制器，其輸入輸出關係可以寫為r＝Kp(θd-θ)，Kp為人為選定的常數。該控制器可以由計算機軟體實現，也可以用硬體電路實現。
2)被控對象模塊 圖4、圖5中編號為2的模塊為系統的被控對象，即整個控制系統的控制對象。伺服系統的被控對象通常為電機，以及用於驅動電機的功率放大器裝置，同時還可以包含有通過某種形式構成的電流環。圖4中所示為該模塊的一種可能的結構，但不僅限於這種結構。該模塊輸入為控制器輸出u，輸出為電機轉速ω。其輸入輸出關係可由下列微分方程描述 其中J、B表示電機的轉動慣量和粘性摩擦係數。Td表示等效幹擾轉矩，例如摩擦力矩、由於機械形變在而傳動軸上產生的彈性力矩等。ia，ua，La分別表示電樞電流，電樞電壓和電樞電感。K表示力矩係數。Km為功率放大裝置的放大係數。
3)輸出模塊 圖4、圖5中編號為3的模塊為系統的輸出模塊，這是一個機械傳動機構。其作用為將電機的旋轉運動轉化為其他種類的運動形式，實現伺服運動。通常情況下，這個模塊的輸入為被控對象模塊的輸出，輸出為伺服運動的線位移或角位移。
4)參考模型模塊 圖4、圖5中編號為4的部分是系統的參考模型模塊，可以通過計算機軟體實現，也可以利用硬體電路實現。該模塊的輸入為位置環控制器的輸出，其輸出為參考模型輸出。這個模塊的輸入輸出關係為這個關係是按照理想的直流電機模型擬定的。其目的在於提供一個參考的對象給控制器，自適應控制器和神經網絡控制器將以此為標準，有目的的調整系統，使速度輸出信號與參考模型輸出一致。式中ωm是參考模型的輸出。am和bm是模型參數，可以利用常用的系統辨識的方法測得。本發明的特點在於不需要被控對象的精確模型，常用的簡單的辨識方法測得的對象模型就可以在系統中使用，這是本方法與其他模型參考方法的重要區別。
5)神經網絡控制器模塊 圖4、圖5中編號為5的部分是神經網絡控制器模塊，其具體結構參見圖6，在系統中用計算機軟體實現，也可以用硬體電路實現。該模塊的輸入為控制信號u，速度輸出ω和模型誤差eω，輸出為神經網絡控制器輸出un。
如圖6所示，在本發明的神經網絡控制器中，首先對u，ω的當前採樣時刻的值(uk，ωk)和前一採樣時刻的值(uk-1，ωk-1)進行歸一化，得到
歸一化方法可以使用常用的各種歸一化方法，這裡推薦使用的歸一化方法是用某輸入的當前值除以該輸入歷史峰值的絕對值。例如，其中 umax＝max{u1，u2，…，uk}。然後將歸一化後的各輸入乘以對應的權值並求和，為得到
後再通過輸出函數輸出，這裡推薦的輸出函數為其他類型的輸出函數也是可以使用。f(S)是該模塊的最終輸出值。其中，神經網絡權值w1，w2，w3，w4的更新算法為 其中γ2為神經網絡學習速率，這個數值可以根據系統的不同做人為的調整。
以上描述的只是多種適合於本發明的幾種神經網絡結構中的一種，常用的小腦模型人工神經網絡，徑向基函數人工神經網絡等幾種網絡也可以用做本發明中的神經網絡。
6)自適應控制器模塊 圖4、圖5中編號為6的部分為自適應控制器模塊，可以由計算機軟體實現也可用硬體實現。該模塊的輸入為速度指令r，速度輸出ω和模型誤差eω，輸出為自適應控制器輸出u1。為了保證系統穩定，根據理論推導(詳見下文)，本模塊的輸入輸出之間有如下關係其中，γ11和γ12為人為選取的神經網絡學習速率。
圖2顯示了本發明的另一種實施方式。與圖4和5所示的實施方式相比，圖2所示的實施方式沒有閉合的電流環(即沒有「電流反饋」部分)，而且圖2中顯示了速度檢測裝置208和位置檢測裝置209。圖2與圖4中相對應的部分均相同，因而不再對它們做重複說明。
圖1顯示了圖2、4、5中的自適應控制器的結構。如圖1所示，該自適應控制器進一步包括第一乘法器101，用於接收所述速度指令r和模型誤差信號eω，並將二者相乘；第一積分-放大裝置102，用於把第一乘法器的輸出積分並乘以一個第一學習速率γ11的負值，從而生成一個第一自適應參數θ1；第三乘法器103，用於把第一自適應參數θ1與速度指令r相乘；第二乘法器104，用於接收伺服對象速度ω和模型誤差信號eω，並將二者相乘；第二積分-放大器105，用於把第二乘法器的輸出積分並乘以一個第二學習速率γ12，從而生成一個第二自適應參數θ2；第四乘法器106，用於把第二自適應參數θ2與伺服對象速度ω相乘；加法器107，用於接收第三和第四乘法器的輸出，並把兩者相減，作為自適應控制器輸出。
神經網絡自適應控制器設計的理論依據 控制系統除了精度要求之外，另外一個很重要的要求是系統的穩定性要求。要實現一個系統的自動控制，就必須保證系統的穩定。反之，一個不穩定的系統在實際生產中可能發生的失控情況將是不可接受的。實際生產中一旦發生系統失控，通常會造成財產損失，有時甚至是人員傷亡。因而，系統穩定性的分析或證明是一個完善的控制系統設計的不可缺的組成部分。
本發明有著堅實的理論基礎和嚴格的穩定性證明，這可以確保本發明能夠很好很安全的應用於實際生產。以下是本發明的理論依據 伺服系統的動態特性可以由以下方程描述 θ＝∫ωdt (3) 其中J、B表示電機的轉動慣量和粘性摩擦係數。ω表示電機的角速。Td表示等效幹擾轉矩，例如摩擦力矩、由於機械形變在而傳動軸上產生的彈性力矩等。ia，ua，La分別表示電樞電流，電樞電壓和電樞電感。K表示力矩係數。θ是電機轉角的角位置。由於電樞電感很小，即La≈0，在實際中通常將其忽略。從等式(1)到(3)可以得到以下動態方程， 令 那麼等式(1)可以重新寫成 進一步，令 可以得到 根據上式可以選擇速度環參考模型如下 其中，am，bm是根據最小二乘算法測得的電機模型估計參數。
定義模型誤差eω＝ω-ωm. 定義控制器結構如下， u＝u1+un(9) 其中u1＝θ1r-θ2ω為自適應控制器的輸出，un是神經網絡控制器的輸出。
定義，un＝WTX，un*＝W*TX，W是神經網絡的權值向量，X是神經網絡的輸入，un*是神經網絡的優化輸出，W*是優化權值向量。那麼根據神經網絡的逼近定理有max|un*-udr|＜ε，其中ε是一個給定的任意小的正常數，定義 那麼模型誤差對時間的導數為， 從上式可以得到，當a+bθ2-am，bθ1-bm，
bun**-udr為零時，模型誤差eω按指數收斂到零 定義Lyapunov函數如下， 當趨近於零時，V趨近於零。V對時間t的導數為 從等式(2)和(3)，可以得到 根據Lyapunov穩定性理論，當
bun*-udr為零時，有系統可以保證穩定。
因此可以選取MRAC更新算法，如下 選取神經網絡控制器權值更新算法， 其中，γ11，γ12，γ2是人工選定的學習速率，將(5)，(6)帶入(4)有， 當時，保證了速度環的穩定性。
由以上分析推導，速度環的實際動態特性將跟蹤參考模型的動態特性。位置環控制器可以按照速度環參考模型來設計。這樣，很容易保證整個位置閉環系統的穩定性。
本發明利用自適應算法可以在線、實時調節參數的特點，通過對參數數值的改變達到對系統穩定控制的目的。同時神經網絡算法具有較快的收斂速度、能夠逼近複雜的非線性函數和自學習能力等特點，分布並行處理，非線性映射，魯棒容錯和泛化能力強等特性，使得它在學習過程中實現了對伺服系統的噪聲抑制作用及非線性補償。
本發明與現有技術相比的優點在於 採用自適應和神經網絡相結合的控制方法，有效地克服了非線性誤差對伺服系統控制精度的影響。
本發明採用自適應算法，可在線調節參數控制系統，具有操作簡單，成本低廉的特點。
本發明對伺服系統的控制不需要建立在對象精確建模的基礎上，節省了建模的費用。
本發明說明書中未作詳細描述的內容屬於本領域專業技術人員公知的現有技術。
實施實例 本實施例中各模塊中的參數分別為am＝150，bm＝1000，γ11＝5，γ12＝5，γ2＝1，Kp＝1。位置指令θd為幅值為0.5°，頻率為3Hz的正弦信號。
圖7、圖8給出了採用本發明前後在位置誤差的實驗曲線圖。
圖7為未採用本發明的位置跟蹤誤差曲線，橫坐標為時間t(單位s)，縱坐標為位置誤差eθ(單位度)。
圖8為採用本發明的位置跟蹤誤差曲線，橫坐標為時間t(單位s)，縱坐標為位置誤差eθ(單位度)。
通過對比圖7、圖8可以看出，採用本發明後系統的位置誤差小於未採用本發明時系統位置誤差的一半。本發明在抑制噪聲幹擾、非線性方面也有著很好的效果， 從圖7、圖8可以看出，伺服系統受到的摩擦等擾動以及上文提及的其他非線性，不確定性因素都可以被本發明有效的抑制，從而得到很高的控制精度。
權利要求
1、一種位置伺服系統，包括
一個位置環控制器(1，201)，用於接收一個位置誤差，並產生一個速度指令(r)；
一個自適應控制器(6，202)，用於接收所述速度指令(r)、一個模型誤差(eω)和一個伺服對象速度信號(ω)，並產生一個自適應控制器輸出；
一個神經網絡控制器(5，203)，用於接收所述伺服對象速度信號(ω)、一個控制信號(u)和所述模型誤差(eω)，並輸出一個神經網絡控制器輸出(un)；
一個參考模型(4，204)，用於接收所述速度指令(r)並產生一個參考模型輸出(ωm)；
一個第一加法器(205)，用於把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號(u)；
一個伺服執行裝置(207)，用於在所述控制信號(u)的控制下，進行伺服操作；
一個速度檢測裝置(208)，用於測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號(ω)；
一個位置測量裝置(209)，用於測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；
一個第二加法器(210)，用於把所述伺服對象速度(ω)與所述參考模型輸出(ωm)相減，從而生成所述模型誤差(eω)；
一個第三加法器(211)，用於把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差。
2.根據權利要求1所述的位置伺服系統，其特徵在於所述自適應控制器進一步包括
一個第一乘法器(101)，用於接收所述速度指令(r)和所述模型誤差信號(eω)，並將二者相乘；
一個第一積分-放大裝置(102)，用於把第一乘法器的輸出積分並乘以一個第一學習速率(γ11)的負值，從而生成一個第一自適應參數(θ1)；
一個第三乘法器(103)，用於把所述第一自適應參數(θ1)與所述速度指令(r)相乘；
一個第二乘法器(104)，用於接收所述伺服對象速度(ω)和所述模型誤差信號(eω)，並將二者相乘；
一個第二積分-放大器(105)，用於把第二乘法器的輸出積分並乘以一個第二學習速率(γ12)，從而生成一個第二自適應參數(θ2)；
一個第四乘法器(106)，用於把所述的第二自適應參數(θ2)與所述伺服對象速度(ω)相乘；
一個加法器(107)，用於接收所述的第三和第四乘法器的輸出，並把兩者相減，作為所述自適應控制器輸出。
3、根據權利要求1所述的位置伺服系統，其特徵在於所述神經網絡控制器進一步包括
歸一化部分，用於對所述控制信號(u)和所述伺服對象速度(ω)的當前採樣時刻的值(uk，ωk)和前一採樣時刻的值(uk-1，ωk-1)進行歸一化，得到相應的歸一化結果
加權求和部分，用於將各所述歸一化結果乘以對應的權值(w1，w2，w3，w4)並求和，從而得到加權求和結果
輸出部分，用於將所述求和結果(S)通過輸出函數進行處理，而獲得並輸出所述神經網絡控制器輸出(f(S))，
其中，所述權值(w1，w2，w3，w4)的更新算法為其中
xi為該權值的對應輸入，
γ2為一個預設的神經網絡學習速率。
4、用於一種位置伺服系統的一種自適應控制器(6，202)，所述位置伺服系統包括
一個位置環控制器(1，201)，用於接收一個位置誤差，並產生一個速度指令(r)；
所述自適應控制器(6，202)，用於接收所述速度指令(r)、一個模型誤差(eω)和一個伺服對象速度信號(ω)，並產生一個自適應控制器輸出；
一個神經網絡控制器(5，203)，用於接收所述伺服對象速度信號(ω)、一個控制信號(u)和所述模型誤差(eω)，並輸出一個神經網絡控制器輸出；
一個參考模型(4，204)，用於接收所述速度指令(r)並產生一個參考模型輸出(ωm)；
一個第一加法器(205)，用於把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號(u)；
一個伺服執行裝置(207)，用於在所述控制信號(u)的控制下，進行伺服操作；
一個速度檢測裝置，用於測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號(ω)；
一個位置測量裝置，用於測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；
一個第二加法器(210)，用於把所述所述伺服對象速度(ω)與所述參考模型輸出(ωm)相減，從而生成所述模型誤差(eω)；
一個第三加法器(211)，用於把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差，
其特徵在於所述自適應控制器進一步包括
一個第一乘法器(101)，用於接收所述速度指令(r)和所述模型誤差信號(eω)，並將二者相乘；
一個第一積分-放大裝置(102)，用於把第一乘法器的輸出積分並乘以一個第一學習速率(γ11)的負值，從而生成一個第一自適應參數(θ1)；
一個第三乘法器(103)，用於把所述第一自適應參數(θ1)與所述速度指令(r)相乘；
一個第二乘法器(104)，用於接收所述伺服對象速度(ω)和所述模型誤差信號(eω)，並將二者相乘；
一個第二積分-放大器(105)，用於把第二乘法器的輸出積分並乘以一個第二學習速率(γ12)，從而生成一個第二自適應參數(θ2)；
一個第四乘法器(106)，用於把所述的第二自適應參數(θ2)與所述伺服對象速度(ω)相乘；
一個加法器(107)，用於接收所述的第三和第四乘法器的輸出，並把兩者相減，作為所述自適應控制器輸出。
5、根據權利要求4所述的自適應控制器，其中所述神經網絡控制器進一步包括
歸一化部分，用於對所述控制信號(u)和所述伺服對象速度(ω)的當前採樣時刻的值(uk，ωk)和前一採樣時刻的值(uk-1，ωk-1)進行歸一化，得到相應的歸一化結果
加權求和部分，用於將各所述歸一化結果乘以對應的權值(w1，w2，w3，w4)並求和，從而得到加權求和結果
輸出部分，用於將所述求和結果(S)通過輸出函數進行處理，而獲得並輸出所述神經網絡控制器輸出(f(S))，
其中，所述權值(w1，w2，w3，w4)的更新算法為其中
xi為該權值的對應輸入，
γ2為一個預設的神經網絡學習速率。
6、一種位置伺服方法，包括
用一個位置環控制器(1，201)接收一個位置誤差並產生一個速度指令(r)；
用一個自適應控制器(6，202)接收所述速度指令(r)、一個模型誤差(eω)和一個伺服對象速度信號(ω)，並產生一個自適應控制器輸出；
用一個神經網絡控制器(5，203)，用於接收所述伺服對象速度信號(ω)、一個控制信號(u)和所述模型誤差(eω)，並輸出一個神經網絡控制器輸出；
用一個參考模型(4，204)接收所述速度指令(r)並產生一個參考模型輸出(ωm)；
用一個第一加法器(205)，把所述自適應控制器輸出和所述神經網絡控制器的輸出相加，從而產生所述控制信號(u)；
藉助一個伺服執行裝置(207)，在所述控制信號(u)的控制下，進行伺服操作；
藉助一個速度檢測裝置(208)，測量所述位置伺服系統的伺服對象的速度，從而生成所述伺服對象速度信號(ω)；
藉助一個位置測量裝置(209)，測量所述位置伺服系統的伺服對象的位置，並生成一個控制對象位置輸出；
在一個第二加法器(210)，把所述所述伺服對象速度(ω)與所述參考模型輸出(ωm)相減，從而生成所述模型誤差(eω)；
在一個第三加法器(211)，把所述控制對象位置輸出和所述位置伺服系統所接收到的一個位置指令相減，從而生成所述位置誤差。
7、根據權利要求6所述的位置伺服方法，其特徵在於用所述自適應控制器(6，202)產生一個自適應控制器輸出的所述步驟進一步包括
在一個第一乘法器(101)，把所述速度指令(r)和所述模型誤差信號(eω)相乘；
在一個第一積分-放大裝置(102)，把第一乘法器的輸出積分並乘以一個第一學習速率(γ11)的負值，從而生成一個第一自適應參數(θ1)；
在一個第三乘法器(103)，把所述第一自適應參數(θ1)與所述速度指令(r)相乘；
在一個第二乘法器(104)，把所述伺服對象速度(ω)和所述模型誤差信號(eω)相乘；
在一個第二積分-放大器(105)，把第二乘法器的輸出積分並乘以一個第二學習速率(γ12)，從而生成一個第二自適應參數(θ2)；
在一個第四乘法器(106)，把所述的第二自適應參數(θ2)與所述伺服對象速度(ω)相乘；
在一個加法器(107)，把所述的第三和第四乘法器的輸出相減，並將相減的結果作為所述自適應控制器輸出。
8、根據權利要求6所述的位置伺服系統，其特徵在於用所述神經網絡控制器接收所述伺服對象速度信號(ω)、控制信號(u)和模型誤差(eω)並輸出所述神經網絡控制器輸出的所述步驟進一步包括
歸一化部分步驟，其對所述控制信號(u)和所述伺服對象速度(ω)的當前採樣時刻的值(uk，ωk)和前一採樣時刻的值(uk-1，ωk-1)進行歸一化，得到相應的歸一化結果
加權求和步驟，其將各所述歸一化結果乘以對應的權值(w1，w2，w3，w4)並求和，從而得到加權求和結果
輸出步驟，用於將所述求和結果(S)通過輸出函數進行處理，而獲得並輸出所述神經網絡控制器輸出(f(S))，
其中，所述權值(w1，w2，w3，w4)的更新算法為其中
xi為該權值的對應輸入，
γ2為一個預設的神經網絡學習速率。
全文摘要
本發明是為了提高伺服系統的控制精度提出一種應用於伺服系統的神經網絡自適應控制方法，實現了對伺服系統的非線性補償和幹擾抑制，提高了伺服系統的跟蹤精度。本發明主要包括參考模型，自適應控制器和神經網絡控制器三個部分。另外，在速度環精確參考模型的基礎上，位置環控制器的設計也變得非常簡單，使整個系統的設計工作變得相當方便，易於在工程中實施。
文檔編號G05D3/12GK101571705SQ20081010542
公開日2009年11月4日 申請日期2008年4月29日 優先權日2008年4月29日
發明者扈宏傑, 博 趙, 李德地 申請人:北京航空航天大學