专利摘要

本发明涉及一种超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法，该系统包括基座和设于其上的超声波电机，超声波电机一侧输出轴与光电编码器连接，另一侧输出轴与飞轮惯性负载或直流电机连接，飞轮惯性负载或直流电机的输出轴经联轴器与转矩传感器连接，光电编码器、转矩传感器的信号输出端分别接至控制系统。该控制系统由鲁棒性递归式神经网络滑动模态控制器和超声波电机组成，整个控制器的系统建立在滑动模态上，在鲁棒控制器的设计上也以顺滑面为其调整函数，从而能获得更好的控制效能。本发明不仅控制准确度高，而且结构简单、紧凑，使用效果好。

权利要求

1.一种超声波电机鲁棒性递归式神经网络滑动模态控制系统，包括基座和设于基座上的超声波电机,其特征在于：所述超声波电机的一侧输出轴与光电编码器相连接，所述超声波电机的另一侧输出轴与飞轮惯性负载或直流电机相连接，所述飞轮惯性负载或直流电机的输出轴经弹性联轴器与转矩传感器相连接；所述光电编码器的信号输出端、所述转矩传感器的信号输出端分别接至控制系统。

2.根据权利要求1所述的一种超声波电机鲁棒性递归式神经网络滑动模态控制系统，其特征在于：所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动芯片电路；所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接。

3.一种基于权利要求2所述的超声波电机鲁棒性递归式神经网络滑动模态控制系统的方法，其特征在于：将递归式神经网络滑动模态控制器设于所述控制芯片电路中，将所述递归式神经网络滑动模态控制器建立在滑动模态上，并以顺滑面为其调整函数，用以获得更好的控制效能。

4.根据权利要求3所述的一种超声波电机鲁棒性递归式神经网络滑动模态控制系统的方法，其特征在于：将所述递归式神经网络滑动模态控制器的动态方程式可表示如下：

$\begin{array}{c}-B_n^{-1}\stackrel{·}{S}\left(t\right)=B_n^{-1}{A}_{n}S\left(t\right)-U\left(t\right)+W\\ =B_n^{-1}{A}_{n}S\left(t\right)+u\left(t\right)+(\tilde{F}\hat{T}+\hat{F}{T}_{\delta }\tilde{d}+\hat{F}{T}_v\tilde{v}+\hat{F}{T}_r\tilde{r}-U_r+H)\end{array},$

$\stackrel{·}{\hat{F}}={\alpha }_{1}S\left(t\right)\widehat{T^T},$

$\stackrel{·}{\hat{d}}={\left({\alpha }_{2}S\right(t\left)\hat{F}{T}_{\delta }\right)}^T,$

$\stackrel{·}{\hat{v}}={\left({\alpha }_{3}S\right(t\left)\hat{F}{T}_v\right)}^T,$

$\stackrel{·}{\hat{r}}={\left({\alpha }_{4}S\right(t\left)\hat{F}{T}_r\right)}^T,$

$U_r=\hat{H}\left(t\right),$

$\stackrel{·}{\hat{H}}\left(t\right)={\alpha }_{5}S\left(t\right);$

其中α₁，α₂，α₃，α₄和α₅皆为正数； 是不确定项H的估测值；A_p＝-B/J,B_P＝J/K_t＞0,C_P＝-1/J；B为阻尼系数，J为转动惯量，K_t为电流因子，U(t)是电机的输出转矩，A_n为A_p之标准值，B_n为B_P之标准值，S(t)为顺滑面，W为非线性函数，u(t)是一个辅助的控制输入，U_r是鲁棒控制器，d、v和r均是神经网络中的参数，F∈R^1×K为一个从隐藏层到输出层的可调整权重矢量。

说明书

技术领域

本发明涉及电机控制领域，特别是一种超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法。

背景技术

现有的超声波电机递归式神经网络控制系统的设计中考虑了总集不确定项，而总集不确定项包含了驱动系统中出现的交叉耦合的扰动。为了改善跟随的控制效果，我们设计了鲁棒性递归式神经网络滑动模态控制系统来近似滑动模态控制系统中的等效控制。从多种轨迹跟随的实验结果中，我们发现系统在运动跟踪效果上有着显著的改善，且参数的变动、噪声、交叉耦合的干扰和摩擦力等因素几乎无法对于运动系统效果造成影响，故鲁棒性递归式神经网络滑动模态控制系统能有效的增进系统的控制效能，并进一步减少系统对于不确定性的影响程度，因此电机的位置与速度控制可以获得较好的动态特性。

发明内容

本发明的目的是提出一种超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法，不仅控制准确度高，而且结构简单、紧凑，使用效果好。

本发明的系统采用以下方案实现：一种超声波电机鲁棒性递归式神经网络滑动模态控制系统，包括基座和设于基座上的超声波电机,所述超声波电机的一侧输出轴与光电编码器相连接，所述超声波电机的另一侧输出轴与飞轮惯性负载或直流电机相连接，所述飞轮惯性负载或直流电机的输出轴经弹性联轴器与转矩传感器相连接；所述光电编码器的信号输出端、所述转矩传感器的信号输出端分别接至控制系统。

进一步的，所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路，所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接，以驱动所述驱动芯片电路；所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接。

本发明的方法采用以下方案实现：一种基于上文所述的超声波电机鲁棒性递归式神经网络滑动模态控制系统的方法，将递归式神经网络滑动模态控制器设于所述控制芯片电路中，将所述递归式神经网络滑动模态控制器建立在滑动模态上，并以顺滑面为其调整函数，用以获得更好的控制效能。

进一步的，将所述递归式神经网络滑动模态控制器的动态方程式可表示如下：

-Bn-1S·(t)=Bn-1AnS(t)-U(t)+W]]>

=Bn-1AnS(t)+u(t)+(F~T^+F^Tδd~+F^Tvv~+F^Trr~-Ur+H),]]>

F^·=α1S(t)TT^,]]>

d^·=(α2S(t)F^Tδ)T,]]>

v^·=(α3S(t)F^Tv)T,]]>

r^·=(α4S(t)F^Tr)T,]]>

Ur=H^(t),]]>

H^·(t)=α5S(t);]]>

其中α₁，α₂，α₃，α₄和α₅皆为正数； 是不确定项H的估测值；A_p＝-B/J,B_P＝J/K_t＞0,C_P＝-1/J；B为阻尼系数，J为转动惯量，K_t为电流因子，U(t)是电机的输出转矩，A_n为A_p之标准值，B_n为B_P之标准值，S(t)为顺滑面，W为非线性函数，u(t)是一个辅助的控制输入，U_r是鲁棒控制器，d、v和r均是神经网络中的参数，F∈R^1×K为一个从隐藏层到输出层的可调整权重矢量。

较佳地，本发明的原理进一步如下：

超声波电机驱动系统的动态方程可以写为：

θ··(t)=Apθ·r(t)+1BPU(t)+CP(TL+Tf(v))---(1)]]>

其中A_p＝-B/J,B_P＝J/K_t＞0,C_P＝-1/J；B为阻尼系数，J为转动惯量，K_t为电流因子，T_f(v)为摩擦阻力转矩，T_L为负载转矩，U(t)是电机的输出转矩，θ_r(t)为通过光电编码器测量得到的位置信号。

现在先假设系统的参数都是已知的，外力干扰、交叉耦合干扰和摩擦力都是不存在的，则电机的标准模型为下式所示：

θ··r(t)=Anθ·r(t)+BnU(t)---(2)]]>

其中A_n为A_p之标准值，B_n为B_P之标准值。

假如产生不确定项(如系统参数值偏离了标准值或是系统出现了外力干扰，交叉耦合干扰和摩擦转矩等)，此时控制系统的动态方程修改成：

θ··r(t)=Anθ·r(t)+BnU(t)+D(t)---(3)]]>

其中C_n为C_P之标准值，ΔA，ΔB、ΔC代表微小变化量，D(t)为总集不确定项，定义为：

D(t)=ΔAθ·r(t)+ΔBU(t)+(Cn+ΔC)(TL+Tf(v))---(4)]]>

在这里我们将总集不确定项的边界假设为已知，如|D(t)|≤ρ，ρ为一个给定的正常数项。为了避免电机中出现不可预期的不确定项，我们使用鲁棒性递归式神经网络滑动模态控制系统对系统进行控制。

为了达到控制的目的，就是在于找到一个控制法则使得状态变量θ_r(t)可以跟随上参考命令θ_m(t)。

定义跟随误差e(t)＝θ_m(t)-θ_r(t)(5)

其中θ_m(t)代表电机的运动控制命令。

定义顺滑面为：

S(t)=[ddt+λ]2∫0te(τ)dτ---(6)]]>

其中λ为正的常数值。将S(t)对t微分，利用(3)，可以得到：

S·(t)=e··(t)+λe·(t)+λ2e(t)=θ··m(t)-Anθ·r(t)-BnU(t)-D(t)+2λe·(t)+λ2e(t)---(7)]]>

在设计滑动模态控制系统时，首先需要得到系统在顺滑面上的等效控制力。此等效控制力可由下式获得：

S·(t)U(t)=Ueq(t)=0---(8)]]>

将式(7)带入式(8)中，可以得到

θ··m(t)-Anθ·r(t)-BnU(t)-D(t)+2λe·(t)+λ2e(t)=0---(9)]]>

解(9)式，其中一解如下：

Ueq(t)=Bn-1[θ··m(t)-Anθ·r(t)-BnU(t)-D(t)+2λe·(t)+λ2e(t)]---(10)]]>

既然 则系统滑动模态的动态特性在t≥0时表示如下：

e··(t)+2λe·(t)+λ2e(t)=0---(11)]]>

选择适当的λ值后，系统所要求的动态特性如上升时间、超越量和稳定时间等都可以简单设计成一个二阶系统。假如系统的参数确定，则式(11)将不成立，这样系统的稳定性将会被破坏。为了能在上述的情况下确保系统的稳定性，下面进行以控制设计为基础的鲁棒性递归式神经网络滑动模态控制器设计。

从(6)、(7)和(8)中，理想等效控制法则(9)可修改成：

Bn-1S·(t)=Bn-1AnS(t)-Ueq(t)+W---(12)]]>

其中W为非线性函数，其定义如下：

W=Bn-1{-An[θ·m(t)+2λe·(t)+λ2∫0te(τ)dτ]-D(t)+θr(t)··}---(13)]]>

为了要近似理想等效控制法则，将其设计如下：

U_eq(t)＝W-u(t)(14)

其中u(t)是一个辅助的控制输入。

将(14)式代入(12)式，则闭回路系统变成

-Bn-1S·(t)=Bn-1AnS(t)+u(t)---(15)]]>

在实际控制中，u(t)可以是PID控制器，其设计规则如下：

u(t)=-[KSe·(t)+KPe(t)+KI∫0te(τ)dτ]---(16)]]>

其中K_S，K_P和K_I是控制增益。我们可选取K_P和K_I如下所示：

K_P＝K_S×2λ；K_I＝K_S×λ²(17)

将式(17)代入式(18)，可以得到

u(t)＝-K_SS(t)(18)

由式(18)，可以重新得到新的闭回路控制系统如下：

-Bn-1S·(t)=(Bn-1An-KS)S(t)---(19)]]>

我们定义李亚普诺夫函数如下：

V1(S(t))=-12S(t)Bn-1S(t)---(20)]]>

将式(20)对时间微分后代入式(19)，可以得到：

V·1=-S(t)Bn-1S·(t)=S(t)(Bn-1An-KS)S(t)≤0---(21)]]>

由于 故 为负半定，即V₁(S(t))≤V₁(S(0))，其中S(t)是有界的。

假设函数 和积分函数Γ₁(t)皆为时间变量，

∫0tΓ1(τ)dτ≤V1(S(0))-V1(S(t))---(22)]]>

V₁(S(0))有界且V₁(S(t))是一个有界的非递增函数，故可以得到下列的结果：

limt→∞∫0tΓ1(τ)dτ<∞---(23)]]>

因为Γ₁也是有界的，根据巴巴拉辅助定理, 故当S(t)→0则t→∞，因此可确定控制设计是稳定的，故控制系统的跟踪误差在S(t)→0时收敛至0。

进一步的，进行鲁棒性递归式类神经网络设计：

在式(13)中，考虑了非线性函数W许多不确定性的影响，如机械参数的变动，外部的噪声，轴与轴间的交叉耦合影响和摩擦力等。由于系统参数的变动不易获取且噪声、交叉耦合的影响和摩擦力也都无法得到一个确切的数值，所以在实际的应用上，这些不确定项都是很难事先得知，因此式(14)几乎是无法实现的。因此，我们提出控制器如式(24)用来近似非线性函数W：

U(t)=W^-u(t)---(24)]]>

其中 为智能型控制器，可用来学习非线性函数W，其定义如下：

W^=W^RNN+Ur---(25)]]>

其中 是递归式神经网络输出，U_r是鲁棒控制器。递归式类神经网络 可以用来学习非线性方程。由于系统的不确定性，我们设计了鲁棒控制U_r来补偿W和 之间的差异。

进一步的，进行递归式类神经网络设计：

一个三层的递归式神经网络包含了输入层，隐藏层和输出层，并以高斯函数为其触发函数，用下列式子表示：

y＝W_RNN(x,d,v,r,F)≡F(26)

其中y为单一输出的递归式神经网络；F∈R^1×K为一个从隐藏层到输出层的可调整权重矢量；k是隐藏层的节点数量；T∈R^K×1是隐藏层的输出矢量； 是递归式神经网络的输入矢量；v_ik和d_ik分别是高斯函数的中心和宽度；r_k是内部的反馈增益；其权重值可表示如下：

dik2[xi(N)+Tk(N-1)rk-vik]2---(27)]]>

对于式(26)的递归式神经网络，可以均匀的近似非线性函数，甚至是一个时变的方程。由于它的近似特性，可用一个理想的递归式神经网络控制器 来学习此非线性的函数W，W可表示如下：

W=WRNN*(x,d*,v*,r*,F*)+ϵ=F*T*+ϵ---(28)]]>

其中ε是最小重建误差；d^*，v^*和r^*分别是递归式类神经网络中最佳化的参数d，v和r。因此可以得到下式

W^=W^RNN*(x,d^,v^,r^,F^)+Ur=F^T^+Ur---(29)]]>

其中 和 都是以适应算法则为条件所估算出的最佳化参数。然后将(28)式减去(29)式，近似误差 定义如下：

W~=W-W^=F*T~+F~T^+ϵ-Ur---(30)]]>

其中 和 我们用一种线性化的方法将非线性的递归式神经网络函数转换成部分线性的形式，在泰勒级数下得到 的扩展方程：

T~=Θ1~Θ2~...Θk~=∂Θ1∂d∂Θ2∂d...∂Θk∂dT|d=d^(d*-d^)+∂Θ1∂v∂Θ2∂v...∂Θk∂vT|v=v^(v*-v^)+∂Θ1∂r∂Θ2∂r...∂Θk∂rT|r=r^(r*-r^)+O 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。