直线音圈电机非线性特性的智能补偿方法及控制系统

摘要

本发明为直线音圈电机的智能补偿方法及控制系统，本方法基于音圈电机迟滞逆模型与神经网络模型串联组成音圈电机混合迟滞逆模型，输入为设定位移r(t)，输出为电压uu1(t)。摩擦模型和第二神经网络模型串联组成音圈电机混合摩擦模型，输入是位移y(t)，输出是电压uu2(t)。混合迟滞逆模型以前馈方式与音圈电机串联，混合摩擦模型与音圈电机以反馈方式连接，二模型的神经网络实时调整参数，对音圈电机的非光滑迟滞特性和非光滑摩擦特性进行智能补偿后，即可按弱非线性对象进行反馈控制。本系统位移传感器接入信号处理器，程序存储器存储混合迟滞逆模型补偿、混合摩擦模型补偿及弱非线性对象控制算法程序，CPU调节驱动电压控制音圈电机的正反向运动。

主权项

1.直线音圈电机非线性特性的智能补偿方法，音圈电机线圈位移与输入电压的迟滞环包括两条光滑曲线，二曲线相交的极值点不光滑，其特征在于包括如下步骤：I、建立音圈电机的混合迟滞模型音圈电机迟滞模型的基本结构表达式为：$\stackrel{·}{d}=k\stackrel{·}{u}-\beta \left|\stackrel{·}{u}\right|d-\gamma \stackrel{·}{u}\left|d^n\right|,$式中输入u为音圈电机线圈电压，输出d为音圈电机线圈的位移，k、β、γ及n为参数；在音圈电机迟滞模型之后串联神经网络模型构成音圈电机的混合迟滞模型，该神经网络模型为RBF神经网络模型，其中m是为神经网络模型的输入向量：m＝[y(t-1)，d(t)]，式中，y(t-1)表示音圈电机的前一时刻的位移输出，d(t)表示音圈电机迟滞模型的输出；RBF神经网络模型为具有单隐层的三层前馈网络，其输入输出关系如下：$\mathrm{yy}\left(t\right)=\underset{j=1}{\overset{L}{\Sigma }}{w}_j{\Phi }_j\left(m\right),$${\Phi }_j\left(m\right)=\exp (-\frac{{\left|\right|m-c_j\left|\right|}^2}{2{{\sigma }_j}^2}),$式中L是隐含层节点数，L为15～20的整数，||·||是欧几里德范数；c_j为第j个隐节点的中心，σ_j是第j个隐节点的宽度，w_j是第j个基函数与输出节点的连接权值；音圈电机混合迟滞模型通过神经网络智能自学习和非线性映射能力，实时调整神经网络参数c_j、σ_j、w_j，同时间接地实现了音圈电机迟滞模型中参数k、β、γ及n的自调整，混合迟滞模型的输入是电压u(t)，输出是位移yy(t)；II、建立音圈电机混合迟滞逆模型在音圈电机迟滞模型的基础上，建立对应的音圈电机迟滞逆模型，音圈电机迟滞逆模型输入为设定位移r(t)，输出为电压p，表达式为：当$\stackrel{·}{p}>0$$\stackrel{·}{p}=\frac{\stackrel{·}{r}}{k-\mathrm{\beta r}-\gamma \left|r^n\right|},$当$\stackrel{·}{p}<0$$\stackrel{·}{p}=\frac{\stackrel{·}{r}}{k+\mathrm{\beta r}-\gamma \left|r^n\right|},$串联在音圈电机迟滞逆模型之后的RBF神经网络模型与混合迟滞模型中的RBF神经网络模型结构相同，为具有单隐层的三层前馈网络，但输入向量为：m1＝[y(t-1)，p(t)]，其输入输出关系如下：$\mathrm{uu}1\left(t\right)=\underset{j=1}{\overset{\mathrm{LL}}{\Sigma }}{w}_j{\Phi }_j\left(m1\right),$${\Phi }_j\left(m1\right)=\exp (-\frac{{\left|\right|m1-c_j\left|\right|}^2}{2{{\sigma }_j}^2}),$式中LL是隐含层节点数，LL为15～20的整数，音圈电机混合迟滞逆模型通过神经网络智能自学习和非线性映射能力，实时调整神经网络参数c_j、σ_j、w_j，同时间接地实现了音圈电机迟滞逆模型中参数k、β、γ及n的调整，混合迟滞逆模型的输入为设定位移r(t)，输出为电压uu1(t)；III、建立音圈电机的混合摩擦模型具有非光滑特性的音圈电机摩擦模型与神经网络模型串联，组成音圈电机混合摩擦模型，取输入为音圈电机位移y，取输出为电压mm，f_s、f_c、f_v及δ是模型的参数，音圈电机摩擦模型表达式如下：$\mathrm{mm}=(f_c+(f_s-f_c)e^{-{(\stackrel{·}{y}/{\stackrel{·}{x}}_s)}^{\delta }}+f_v\stackrel{·}{y})\mathrm{sgn}\stackrel{·}{y},$与音圈电机摩擦模型相串联的神经网络模型为第二RBF神经网络模型，其中m2为神经网络模型的输入向量：m2＝[mm(t)]，第二RBF神经网络模型也为具有单隐层的三层前馈网络，其输入输出关系如下：$\mathrm{uu}2\left(t\right)=\underset{\mathrm{jj}=1}{\overset{\mathrm{LL}}{\Sigma }}{w}_{\mathrm{jj}}{\Phi }_{\mathrm{jj}}\left(m2\right),$${\Phi }_{\mathrm{jj}}\left(m2\right)=\exp (-\frac{{\left|\right|m2-c_{\mathrm{jj}}\left|\right|}^2}{2{{\sigma }_{\mathrm{jj}}}^2}),$其中mm表示摩擦模型输出，对应第二RBF神经网络模型输出记为uu2(t)，音圈电机混合摩擦模型通过神经网络的智能自学习和非线性映射能力，实时调整第二神经网络参数c_jj、σ_jj、w_jj，同时间接地实现摩擦模型参数f_s、f_c、f_v及δ的调整，音圈电机混合摩擦模型的输入是音圈电机输出位移y(t)，输出是电压uu2(t)；IV、控制音圈电机音圈电机的混合迟滞逆模型以前馈方式与音圈电机串联，混合迟滞逆模型中的神经网络根据线圈位移设定值与音圈电机的实际输出位移的偏差e(t)，通过最速下降法学习，实时调整混合迟滞逆模型中的神经网络的参数，串联的混合迟滞逆模型的前馈补偿实现对音圈电机迟滞特性的抵消，消除音圈电机迟滞特性造成的震动；混合摩擦模型与音圈电机以反馈方式连接，在混合摩擦模型中的神经网络模型基于位移偏差e(t)，通过最速下降法学习，实时调整混合摩擦模型的神经网络参数，混合摩擦模型通过并联补偿的正负抵消的方法，消除了摩擦特性非线性强干扰；音圈电机的非线性迟滞特性及摩擦特性经过上述两个模型的智能补偿及抵消后，音圈电机简化为惯性环节与积分环节串联的简单线性对象或弱非线性对象，按弱非线性对象进行反馈控制。