一种超声波电机适应性递归式神经网络控制系统的制作方法
【技术领域】
[0001] 本发明涉及电机控制器领域，特别是一种超声波电机适应性递归式神经网络控制 系统。
【背景技术】
[0002] 现有的超声波电机递归式神经网络控制系统，电机转子位置开始脱离参考命令 时，递归式神经网络将随误差的增大自动调整输入频率从而影响控制电流。在受控系统有 参数变化和外来负载干扰时，此误差驱动的递归式神经网络控制器会降低上述两者对受控 系统跟随性能的影响。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】
[0003] 本发明的目的在于提供一种超声波电机适应性递归式神经网络控制系统，以克服 现有技术中存在的缺陷。
[0004] 为实现上述目的，本发明的技术方案是：一种超声波电机适应性递归式神经网络 控制系统，包括：一基座以及设置于该基座上的超声波电机，所述超声波电机一侧输出轴与 一光电编码器相连接，所述超声波电机另一侧输出轴与一飞轮惯性负载一端相连接；所述 飞轮惯性负载的输出轴经一弹性联轴器与一力矩传感器相连接；所述光电编码器的信号输 出端以及所述力矩传感器的信号输出端均连接至一控制系统；所述超声波电机、所述光电 编码器以及所述力矩传感器分别对应经超声波电机固定支架、光电编码器固定支架以及力 矩传感器固定支架固定于所述基座上。
[0005] 在本发明一实施例中，所述控制系统包括一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一控制芯片电路以及一驱动芯片电路；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 出端以及驱动半桥电路调节信号输出端分别对应与所述超声波电机输入端相连接；所述驱 动芯片电路产生驱动频率调节信号以及驱动半桥电路调节信号，对输出至所述超声波电机 A、B两相PffM的频率、相位及通断进行控制。
[0006] 在本发明一实施例中，所述控制系统中的控制芯片电路通过递归式神经网络估测 器估测所述控制系统的未知动态函数，并通过递归式神经网络控制所述超声波电机转子的 旋转角度，且通过李亚普诺夫函数获取所述递归式神经网络估测器的适应性学习法则，以 确保递归式神经网络的稳定性。
[0007] 在本发明一实施例中，所述递归式神经网络估测器的适应性学习法则如下：
[0008]
[0009]
[0010]
[0011]
[0012] 强健性控制器为：
[0013] 适应性总集不确定项估测值为：:
[0014] 李亚普诺夫函数的微分为：
[0016] 总集不确定项：
[0018] 超声波电机驱动系统的闭回路动态方程：
[0020] 其中，η。n2、n3、n4以及η 5为正常数，为总集不确定项h的在线估测 值；误差函数印）=汾:⑴，m误差e(t) = θηα)-θr(t)，θηα)为控制信号， Θ Jt)为测量信号；Ap= -B/J，B P= J/K t>0, Cp= -1/J ;Β为阻尼系数，J为转动惯量，K ,为 电流因子，Tf(V)为摩擦阻力力矩，IY为负载力矩；U(t)为所述超声波电机的输出力矩，且
心为一个正常数项，u ^为控制器，^为所述递归式神经网络的输出；
[0021] 记所述控制系统的未知动态函数为y，估测误差：
[0022]
[0023] ε y为最小重建误差；Wi为递归式神经网络连接权重的理想值，P为递归式 神经网络连接权重的估测值；d' /以及^分别为d、V以及r的理想参数值，其中d、 V分别为递归式神经网络所用高斯函数的宽度以及中心，r为递归式神经网络内部的反 馈增益；；? .、?以及；^为理想参数值（cf，/和r 〇的估测值；令
[0024]
[0025] 所述递归式神经网络部分线性化后的泰勒展开式为：
正的有界值。
[0028] 在本发明一实施例中，所述递归式神经网络所采用的网络架构包括：输入层、隐藏 层以及输出层，且高斯函数为隐藏层的触发函数。
[0029] 在本发明一实施例中，所述递归式神经网络每一层网络信号传递过程以及基本函 数如下：
[0030] 第一层：输入层有i个神经元节点
[0031]
[0032]
[0033] 其中，X)表示输入层第i个神经元节点的输入讯号；0表示输入层第i个节点所 对应的输出；真表示激发函数；N为类神经网络的迭代次数；
[0034] 第二层：隐藏层有m个神经元节点
[0035]
[0036]
[0037]
[0038] 并且 CN 105159091 A m ~P 4/9 页
[0039]
[0040] 其中，vk为高斯函数的中心；δ k为高斯函数的宽度；Θ k(N)表示隐藏层第k个节 点所对应的输出；表示激发函数；k为自然数；
[0041] 第三层：输出层有k个节点
[0042]
[0043]
[0044] 其中，^表示隐藏层节点k与输出层间的连结权重值；Z(N)表示输出层第k个节 点所对应的输出；f 3(g)表示单位激发函数。
[0045] 相较于现有技术，本发明具有以下特性：本发明所提出的一种超声波电机适应性 递归式神经网络控制系统不仅控制准确度高，而且结构简单、紧凑，使用效果好。
【附图说明】
[0046] 图1是本发明一种超声波电机适应性递归式神经网络控制系统的结构示意图。
[0047] 图2是本发明一种超声波电机适应性递归式神经网络控制系统中控制芯片电路 原理图。
[0048] 图中，1-光电编码器，2-光电编码器固定支架，3-超声波电机输出轴，4-超声波电 机，5-超声波电机固定支架，6-超声波电机输出轴，7-飞轮惯性负载，8-飞轮惯性负载输出 轴，9-弹性联轴器，10-力矩传感器，11-力矩传感器固定支架，12-基座，13-控制芯片电路， 14-驱动芯片电路，15、16、17-光电编码器输出的A、B、Z相信号，18、19、20、21-驱动芯片电 路产生的驱动频率调节信号，22-驱动芯片电路产生的驱动半桥电路调节信号，23、24、25、 26、27、28_控制芯片电路产生的驱动芯片电路的信号，29-超声波电机驱动控制电路。
【具体实施方式】
[0049] 下面结合附图，对本发明的技术方案进行具体说明。
[0050] 本发明提供一种超声波电机适应性递归式神经网络控制系统，如图1所示，包括： 以及一基座12以及设置于该基座12上的超声波电机4,所述超声波电机4 一侧输出轴3与 一光电编码器1相连接，所述超声波电机4另一侧输出轴6与一飞轮惯性负载7 -端相连 接；所述飞轮惯性负载7的输出轴8经一弹性联轴器9与一力矩传感器10相连接；所述光 电编码器1的信号输出端以及所述力矩传感器的10信号输出端均连接至一控制系统；所述 超声波电机4、所述光电编码器1以及所述力矩传感器10分别对应经超声波电机固定支架 5、光电编码器固定支架2以及力矩传感器固定支架11固定于所述基座上。
[0051] 进一步的，在本实施例中，如图2所示，所述控制系统包括一超声波电机驱动控制 电路29 ;所述超声波电机驱动控制电路29包括一控制芯片电路13以及一驱动芯片电路 14 ;所述光电编码器4的信号输出端与所述控制芯片电路13的输入端相连接；所述控制芯 片电路13的输出端与所述驱动芯片14电路的输入端相连接，以驱动所述驱动芯片电路14 ; 所述驱动芯片电路14的驱动频率调节信号输出端以及驱动半桥电路调节信号输出端分别 对应与所述超声波电机4输入端相连接；所述驱动芯片电路14产生驱动频率调节信号以及 驱动半桥电路调节信号，对输出至所述超声波电机A、B两相PffM的频率、相位及通断进行控 制，通过开通及关断PWM波的输出来控制超声波电机的启动和停止运行，通过调节输出的 PWM波的频率及两相的相位差来调节电机的最佳运行状态。
[0052] 进一步的，在本实施例中，所述控制系统中的控制芯片电路通过搭载于控制芯片 电路中的递归式神经网络估测器估测所述控制系统的未知动态函数，并通过递归式神经网 络控制所述超声波电机转子的旋转角度，且通过李亚普诺夫函数获取所述递归式神经网络 估测器的适应性学习法则，以确保递归式神经网络的稳定性。
[0053] 进一步的，在本实施例中，将超声波电机驱动系统的动态方程记为：
[0054]
[0055] 其中Ap= -B/J，B P= J/K t>0, Cp= -1/J ;B为阻尼系数，J为转动惯量，K t为电流 因子，Tf(V)为摩擦阻力力矩，?；为负载力矩，U(t)为超声波电机的输出力矩。
[0056] 误差
为控制信号，Θ Jt)为测量信号。
[0057] 选取误差函数
[0058] 对误差函数进行微分，得到下式：
[0059]
[0060] 记未知的非线性函数y，也即控制系统的未知动态函数y为：
[0061]
[0062] 递归式神经网络用来估测此未知的y。由递归式神经网络的输出$，并无法精确的 估测出y。在本实施例中，采用控制器W来减少估测的误差和交叉耦合干扰所引起的干扰， 为在线调整递归式神经网络的连接