一种EMD-LMS混合控制方法及控制系统与流程

本发明属于自动控制领域，特别涉及一种emd-lms混合控制方法及控制系统。

背景技术：

如何使被控制的输出量尽可能准确的达到预设值是控制算法追求的核心目标，然而在实际控制过程中相关控制算法由于各种原因，最终实现的控制精度离理论值总是存在一定的偏差。造成这种现象的原因主要有两个，一是在控制过程中无法精确提取到预设的控制值，二是控制算法本身无法动态的进行调整。以emd(empiricalmodedecomposition)为代表的离线的信号处理方法可以实现非常高的信号提取精度，但由于其无法实现在线处理而难以应用于对实时性要求比较高的控制过程中。申请号为201410156532.4的专利公开了一种基于emd迭代阈值滤波的gnss多径效应抑制方法，通过多次进行emd分解并进行求平均的方法提高了滤波精度。x-lms(x-leastmeansquare)算法作为一种由lms滤波算法衍生出的控制算法具有控制精度高、可以实现自适应控制等特点，在机械、航空、军工等领域得到了广泛的应用。由于x-lms算法难以获得准确的参考信号，目前该控制算法主要应用于主动减振控制中，如申请号为201310060364.4的专利，在减振控制系统中采用了x-lms算法。

emd和x-lms算法具有明显的互补性，借助于人工智能的基本思想，利用emd离线信号处理的优势，获得精确的参考信号；利用x-lms可以实现自适应控制的优势，对被控制对象进行精确控制，将两种算法进行有机的结合，弥补各自算法的不足，发挥各自的优势，使被控制对象可以精确地输出预设信号，实现被控制对象的高精度运行。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供一种emd-lms混合控制方法，该方法可对控制系统输出的信号进行调节，使输出的信号尽量与参考信号相接近，保证控制系统输出的稳定性。

本发明还提供一种利用上述emd-lms混合控制方法进行控制的控制系统，该控制系统的输出具有稳定性高的优点。

本发明的目的通过以下的技术方案实现：一种emd-lms混合控制方法，包括步骤：

对典型信号进行emd分解，得到imf(intrinsicmodefunction)分量；将imf分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，对信噪混合分量进行滤波，将滤波后的信噪混合分量信息与信息分量进行合成，得到合成信号，将合成信号作为控制系统输出的参考信号；

输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号进行比较，得到估计误差，根据估计误差采用lms自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。

本发明中，将典型信号进行emd分解，并针对分解得到的imf分量进行分类，提取其中包含更多信息的分量，将其作为lms自适应滤波的参考信号，使得参考信号更为准确。在对控制系统的输出控制过程中，通过将其输出结果与参考信号采用lms自适应滤波，使得二者更加趋同，输出信号更加稳定。

优选的，对imf分量划分为三类，方法是：

对典型信号进行emd分解，得到l-1阶imf分量和残余分量，将残余分量也视为是一阶imf分量，共得到l阶imf分量；

对l阶imf分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，其中1-m1阶imf为噪声分量，(m1+1)-m2阶为信噪混合分量，(m2+1)-l阶为信息分量。

更进一步的，分别计算m1和m2的值，方法是：

计算各阶imf分量的cmse(consecutivemeansquareerror，连续均方误差)值得到m1值，m1的确定方法是：

其中firstlocalmin表示第1个极小值点。j为imf函数中数据点次序，每阶imf的数据点总数为n，i为imf函数阶数，l表示imf分量的总阶数，k为cmse阶数。

cmse的定义为

计算原始信号概率密度函数(pdf)与各阶imf分量的概率密度函数(pdf)的l2范数得到m2值，m2的确定方法是：

其中ps(x)表示原始信号概率密度函数，pimfi(x)表示第i阶imf的概率密度函数。

优选的，采用kalman滤波方法对信噪混合分量即(m1+1)-m2阶imf分别进行滤波，得到imf’i，m1+1≤i≤m2。

优选的，将滤波后的信噪混合分量信息与信息分量进行合成，方法是：

其中，sf(n)为合成信号。

优选的，将sf(n)作为参考信号，采用x-lms算法进行自适应控制，方法是：

(1)设x(n)为输入信号，v(n)为自适应控制器的输出信号，控制通道的加权序列为g(n)，y(n)为控制通道的输出信号，将合成信号sf(n)作为x-lms的参考信号d(n)，e(n)为估计误差，w(n)为当前自适应控制器的权重向量；n表示信号的数据点次序，初始化w(n)；

(2)计算自适应控制器输出对输入信号的响应v(n)＝w^t(n)x(n)；

(3)计算控制通道输出y(n)＝g(n)*v(n)＝g(n)*[w^t(n)x(n)]，*表示卷积；

(4)计算误差信号e(n)＝y(n)-d(n)＝g(n)*[w^t(n)x(n)]-sf(n)，计算控制通道对输入信号的响应f(n)＝g(n)*x(n)；

(5)更新自适应控制器权重参数：

w(n+1)＝w(n)+μ(n)e(n)f(n)＝w(n)+μ(n)e(n)g(n)*x(n)；

其中μ(n)为步长，判断输入信号x(n)是否结束，若输入信号x(n)继续有数据输入，则回到步骤(2)，重复执行，若输入信号x(n)结束，则结束算法。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明结合了emd离线降噪精度高和x-lms控制算法自适应在线控制的优点，同时规避了emd难以在线实时进行信号处理和x-lms控制算法难以获得参考信号的难题，两者相互取长补短，在保持稳定性的前提下，可以对控制对象进行实时高精度的控制。

2、本发明通过对emd分解结果进行有效地区分，针对不同部分采用不同的处理方法，提高了信号降噪的精度。

3、本发明可以根据控制要求，在短时间内完成算法的更新，可以以较高实时性实现对不同控制对象和控制要求完成预定的控制功能。

4、本发明可以应用于不同的工作环境和控制对象，适用范围广。

附图说明

图1是实施例1方法的流程图。

图2是实施例1采用lms自适应控制算法原理图。

图3是实施例1的控制系统框图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本实施例将本发明所述的emd-lms混合控制方法应用于对数控机床主轴进行控制，实现对某一轴类工件的加工进行控制。首先对多个这一规格的工件进行加工，并将加工过程中的主轴运动参数信号记录下来。选取加工质量最好的工件，并将这一工件加工过程中主轴运动参数信号提取出来作为典型信号t(n)。结合图1、2所示的控制方法，利用典型信号对本实施例emd-lms控制系统进行训练。具体步骤详述如下。

s1、对典型信号t(n)进行emd分解，得到imf分量。

s2、对imf分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量。

本发明方法提高滤波性能的关键点就在于从所有的imf分量中仅提取含有信息的imf分量，将其信息作为参考信号，因此，对imf分量的分类是重点内容。

本实施例利用cmse以及概率密度函数的l2范数两个变量，来实现分类，具体方法如下：

计算各阶imf分量的cmse值得到m1值，m1的确定方法是：

其中firstlocalmin表示第1个极小值点。j为imf函数中数据点次序，每阶imf的数据点总数为n，i为imf函数阶数，l表示imf分量的总阶数，k为cmse阶数，cmse的定义为：

分别计算原始信号概率密度函数(pdf)与各阶imf分量的概率密度函数(pdf)的l2范数得到m2值，m2的确定方法是：

其中ps(x)表示原始信号概率密度函数，pimfi(x)表示第i阶imf的概率密度函数。最终，将1-m1阶的imf分量划分为噪声分量，将(m1+1)-m2阶的imf分量划分为信噪混合分量，将(m2+1)-l阶的imf分量划分为信息分量。针对不同分量，采用不同的处理方式，针对噪声分量，则直接丢掉，针对信噪混合分量，执行步骤s3，针对信息分量，则进行保留，用于步骤s4的计算。

s3、采用kalman滤波方法对信噪混合分量即(m1+1)-m2阶imf分别进行滤波，得到imf’i(m1+1≤i≤m2)。

s4、将滤波后的信噪混合分量信息与信息分量进行合成，得到合成信号。

对信噪混合分量进行滤波得到的滤波后的分量信息，其极大去除了原来的噪声，再将其与信息分量合成，重构出合成信号，方法是：

其中，sf(n)为合成信号。

s5、输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号(合成信号sf(n))进行比较，得到估计误差，根据估计误差采用lms自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。

采用lms自适应控制算法原理参见图2，其控制系统结构参见图3，包括plc、控制通道和运动参数传感器，本实施例中所述的控制通道包括伺服驱动器、伺服电动机、传动装置等实体，其输出参数通过各种运动参数传感器采集得到。

本实施例控制系统采用x-lms算法进行自适应控制，方法是：

(1)设x(n)为输入信号，v(n)为自适应控制器的输出信号，控制通道的加权序列为g(n)，y(n)为控制通道的输出信号，将步骤s4计算得到的合成信号sf(n)作为x-lms的参考信号d(n)，e(n)为估计误差，w(n)为当前自适应控制器的权重向量；n表示信号的数据点次序，初始化w(n)；

(2)计算自适应控制器输出对输入信号的响应v(n)＝w^t(n)x(n)；

(3)计算控制通道输出y(n)＝g(n)*v(n)＝g(n)*[w^t(n)x(n)]，*表示卷积；

(4)计算误差信号e(n)＝y(n)-d(n)＝g(n)*[w^t(n)x(n)]-sf(n)，计算控制通道对输入信号的响应f(n)＝g(n)*x(n)；

(5)更新自适应控制器权重参数：

w(n+1)＝w(n)+μ(n)e(n)f(n)＝w(n)+μ(n)e(n)g(n)*x(n)；

其中μ(n)为步长，判断输入信号x(n)是否结束，若输入信号x(n)继续有数据输入，则回到步骤(2)，重复执行，若输入信号x(n)结束，则结束算法。

本实施例中控制系统中，将emd分解和滤波后的合成信号作为控制系统输出的参考信号，并在实际应用中，通过各种运动参数传感器实时采集控制通道的输出信号，通过lms自适应算法根据输出信号与参考信号之间的误差自适应调整控制系统中控制器的参数，使得输出更加稳定。

可通过各种手段实施本发明描述的技术。举例来说，这些技术可实施在硬件、固件、软件或其组合中。对于硬件实施方案，处理模块可实施在一个或一个以上专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑装置(plc)、现场可编辑逻辑门阵列(fpga)、处理器、控制器、微控制器、电子装置、其他经设计以执行本发明所描述的功能的电子单元或其组合内。

对于固件和/或软件实施方案，可用执行本发明描述的功能的模块(例如，过程、步骤、流程等)来实施所述技术。固件和/或软件代码可存储在存储器中并由处理器执行。存储器可实施在处理器内或处理器外部。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

上述实施例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实施例的限制，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。