一种基于迁移神经网络的交流伺服控制系统的制作方法

本发明涉及交流伺服控制系统，具体涉及一种基于迁移神经网络的交流伺服控制系统。

背景技术：

伺服电机又称执行电动机，在自动控制系统中，它的转矩和转速受信号电压控制。当信号电压的大小和相位发生变化时，电动机的转速和转动方向将非常灵敏和准确地跟着变化。当信号消失时，转子能及时地停转。进入21世纪，交流伺服系统越来越成熟，市场呈现快速多元化发展，国内外众多品牌进入市场竞争。目前交流伺服技术已成为工业自动化的支撑性技术之一。

现代交流伺服系统最早被应用到宇航和军事领域，比如火炮、雷达控制。逐渐进入到工业领域和民用领域。工业应用主要包括高精度数控机床、机器人和其他广义的数控机械，比如纺织机械、印刷机械、包装机械、医疗设备、半导体设备、邮政机械、冶金机械、自动化流水线、各种专用设备等。其中伺服用量最大的行业依次是：机床、食品包装、纺织、电子半导体、塑料、印刷和橡胶机械，合计超过75％。

交流伺服系统的相关技术，一直随着用户的需求而不断发展。电动机、驱动、传感和控制技术等关联技术的不断变化、造就了各种各样的配置。就电动机而言，可以采用盘式电机、无铁芯电机、直线电机、外转子电机等，驱动器可以采用各种功率电子元件，传感和反馈装置可以是不同精度、性能的编码器、旋变和霍尔元件，控制技术从采用单片机开始，一直到采用高性能DSP和各种可编程模块。

目前，我国现有的常见的交流伺服控制系统主要采用单片机作为控制器进行伺服驱动，体积小、经济性好，但是计算性能不佳，难以应用于计算量大的现代控制算法例如模糊神经网络和神经元控制等控制策略。然而神经网络控制算法需要使用大量有标记的训练样本，且一个伺服驱动器的神经网络模型，无法应用于另一个伺服驱动器。然而在实际生产过程中，难以获得大量有标记的训练样本，通常是大量无标记的训练样本，因此神经网络模型难以推广应用。

通过相关专利查询，发现有以下的公开文献：

专利“基于神经网络的伺服控制系统及方法”[申请号CN200910236904.3]公开了一种位置伺服系统，使用神经网络控制器，用于接收模型误差、误差微分并输出神经网络控制器输出进行伺服操作。该专利所使用的神经网络控制器需要依赖于大量有标记的运行数据用于训练神经网络。

专利“基于RBF神经网络的伺服控制系统及方法”[申请号CN200910093591.0]提出一种应用于伺服系统的神经网络自适应控制方法，包括前馈控制器、PID控制器、神经网络控制器、鲁棒项、加法器、伺服执行装置，该方案实现了对伺服系统的非线性补偿和干扰抑制，提高了伺服系统的跟踪精度和鲁棒性。该专利同样需要大量伺服系统的有标记运行数据用于训练神经网络，以提高神经网络的控制性能。

专利“一种基于DSP的嵌入式智能控制器”[申请号CN200610008276.X]在硬件上主要包括：DSP处理单元，复杂可编程逻辑器件(CPLD)，FLASH程序存储器，AD转换器，DA转换器，FIFO存储器，CAN总线通信模块。通过多种优化设计，着力提高系统运作效率和处理能力，同时具有良好的扩展性。在控制软件方面，本控制器内嵌了复合神经网络等多种先进控制算法，能够在 线调整、优化控制参数，提高实时控制性能。该专利所使用的复合神经网络，与传统神经网络相比较，具有收敛快、计算简单的效果，但是仍然需要大量的有标记数据进行训练网络。

通过上述专利分析，发现现有方案采用需要大量有标记数据进行训练的智能控制算法，然而实际中，一个新的伺服电机需要运行很长时间后，才能给获得大量有标记的运行数据。

技术实现要素：

本发明目的在于克服现有技术的不足，尤其解决现有的技术方案缺乏大量有标记训练数据、调节速度慢、动态响应能力差等问题。提供一种基于DSP的交流伺服控制系统，该装置使用DSP控制器，结合迁移神经网络控制算法，无需大量有标记的伺服系统训练数据，只需要少量伺服系统的有标记训练数据，便可以实现精度高、稳定性好的控制效果。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于迁移神经网络的交流伺服控制系统，包括上位机、电机控制卡、DSP控制器、伺服驱动器、伺服电源、霍尔元件、伺服电机以及光电编码器，其特征在于，其中：

所述上位机通过PCI总线连接于电机控制卡，所述电机控制卡通过串口与DSP控制器相连，其中，所述电机控制卡根据上位机指令生成脉冲序列，脉冲个数、位置、频率及频率变化率、加速度均由上位机控制；

所述伺服驱动器、霍尔元件、伺服电机依次连接于DSP控制器，所述光电编码器与伺服电机和DSP控制器相连，其中，所述DSP控制器根据所述伺服 驱动器输出的控制值和所述光电编码器的角度反馈值、所述霍尔元件的速度反馈值产生误差信号，使用调节算法对误差信号进行计算产生电机控制信号；所述霍尔元件用于检测伺服电机的相电流作为速度反馈值；所述光电编码器将伺服电机的旋转角度转换为正交的电脉冲信号作为角度反馈值；

一种交流伺服系统所实现的深度神经网络控制方法，其特征在于，包括网络结构设计、数据集预处理、无监督训练、有监督训练等步骤，具体包括：

S1，利用某个伺服电机设备上的已有大量运行数据，构建一个交流伺服电机的深度神经网络模型。

S2，用目标伺服电机已有的少量运行数据，让深度神经网络进行迁移学习，以适应目标伺服电机上的运行变化趋势；

S3，对目标伺服电机的误差值进行控制量输出计算。

进一步地，所述深度神经网络控制方法，其特征在于，所述步骤S2采用的迁移学习方法是通过用目标伺服电机上得到的少量数据对已有深度神经网络模型再次进行训练，微调权值来适应目标设备。

附图说明

图1是本发明的一个具体实施例的结构示意图。

图2是本发明的一个具体实施方式中构造神经网络的方法流程图。

具体实施方式

下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本实用 新型的限定。

参见图1，一种基于迁移神经网络的交流伺服控制系统，包括上位机1、电机控制卡2、DSP控制器3、伺服驱动器4、伺服电源5、霍尔元件6、伺服电机7以及光电编码器8，其中：

所述上位机1通过PCI总线连接于电机控制卡2，所述电机控制卡2通过串口与DSP控制器3相连，其中，所述电机控制卡2根据上位机1指令生成脉冲序列，脉冲个数、位置、频率及频率变化率、加速度均由上位机1控制；

所述伺服驱动器4、霍尔元件6、伺服电机7依次连接于DSP控制器3，所述光电编码器8与伺服电机7和DSP控制器3相连，其中，所述DSP控制器3根据所述伺服驱动器4输出的控制值和所述光电编码器8的角度反馈值、所述霍尔元件6的速度反馈值产生误差信号，使用调节算法对误差信号进行计算产生电机控制信号；所述霍尔元件6用于检测伺服电机7的相电流作为速度反馈值；所述光电编码器8将伺服电机7的旋转角度转换为正交的电脉冲信号作为角度反馈值；

优选地，所述霍尔元件6使用电磁隔离霍尔传感器电路来检测伺服电机7的相电流，进行A/D转换后，传输到DSP控制器3；电源开关使用5V电压转3.3V电压供电；PWM输出通过光耦元件使得传输PWM控制信号时，控制电路与功率电路相分离；所述DSP控制器3可外接存储器扩展，增加计算效率。

参见图2，一种交流伺服系统所实现的深度神经网络控制方法，其特征在于，包括网络结构设计、数据集预处理、无监督训练、有监督训练等步骤，具体包括：

本发明方案的有益效果之一是使用现有大量无标记的运行数据，以实 现神经网络的训练，解决现有神经网络控制器需要大量目标伺服电机有标记的运行数据这一缺陷。其原理表述如下：获取某伺服电机上的已有大量无标记的运行数据，本实施例使用的是已有的另一台伺服电机的运行数据，用于构建一个深度神经网络，具体包括以下过程：

(1)在本实施例中，深度神经网络每两层间的连接方式采用的是去噪自动编码器(DAE)，其工作方式如下：

1)、设前置层神经元组成的向量为X＝(x¹，x²，...，xⁿ)，x∈[0，1]^d；后继层神经元组成的向量为Y＝(y¹，y²，...，yⁿ)，y∈[0，1]^d′。前置层结点与后继层结点全连接。每个自动编码器通过确定的参数θ＝{W，b}将输入x映射到一个隐层表示y：

y＝f_θ(x)＝s(Wx+b) (1)

其中b是偏置量，W是一个大小为d×d′的权值矩阵，s表示一个非线性激活函数，本例中使用sigmoid函数。

2)、获得隐层表示y之后，进行自动编码器的解码，即通过另一组参数θ′＝{W′，b′}对y进行映射，生成x的重构z：

z＝g_θ(y)＝s(W′y+b′) (2)

当重构的误差最小时，参数(W，b，W′，b′)达到最优：

L是一个误差函数，本例中采用均方差函数。

3)、在实际应用中，由于生产车间环境以及传感器精度问题，获取的伺服电机运行数据中夹带有大量的噪声。为了抑制噪声对模型精度的影响，需要对输入向量x进行部分破坏，生成向量后代入公式(1)：

这样能使神经网络具有更强的鲁棒性。

(3)在对网络进行训练之前，需要先对数据集进行预处理。预处理包括以下步骤：

1)、对一个具有m个连续采样值的训练样本s，s(x)表示序列中第x个样本(0＜＝x＜m，按采样时间顺序从前到后排列)。设定一个步长n(n＜m)，则生成的第一个输入序列s₁为{s(0)，s(1)，...，s(m-1)}，生成的第二个输入序列s₂为{0，0，...，0，s(n)，s(n+1)，...s(m-1)}，生成的第三个输入序列s₃为{0，0，...0，s(2n)，s(2n+1)，...s(m-1)}，以此类推。在控制量预测中，离被预测点越近的数值，在预测中占的权值就越重，另一方面，离被预测点较远的数值也会反映出控制量变化的潜在趋势。

2)、对样本数据进行归一化，区间为[0，1]：

(4)无监督训练阶段，通过用大量无标签样本对网络的各隐层进行权值始化，让网络拥有提取训练样本的特征的能力。

(5)有监督训练阶段，通过有标记的样本集对网络中的误差进行修正，微调各神经元间的连接权值，使网络真正具有预测能耗变化并输出的能力。

S2：用目标伺服电机已有的一些运行数据，让深度神经网络进行迁移学习，以适应目标伺服电机上的运行变化趋势，具体包括以下步骤：

(1)同样获取目标伺服电机的运行数据，在本实施例中不同的是，对该目标伺服电机，只获取了一天的运行数据。

(2)通过同样的预处理手段，获得面向该伺服电机的有标记的样本集。

(3)在原有已训练神经网络模型的基础上，用目标伺服电机的有标记的样本集再次进行有监督训练，对网络进行微调，以让预测模型适应新设备的运行状况。

S3：对目标伺服电机的误差值进行控制量输出计算，其方法如下所述：

使用迁移神经网络对伺服电机进行控制时，根据伺服驱动器输出的控制值和光电编码器的角度反馈值、霍尔元件的速度反馈值产生误差信号，将误差信号输入神经网络，即可得到控制信号。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。