一种基于ANN神经网络的跟踪转台减速控制系统及方法与流程

一种基于ann神经网络的跟踪转台减速控制系统及方法
技术领域
1.本发明属于跟踪转台伺服控制技术领域，具体为一种跟踪转台的减速控制系统及方法。


背景技术：

2.转台精度直接影响整个跟踪系统的跟踪精度。以跟踪系统的方位轴为例，现有成熟方法采用电流环，速度环，位置环三环控制算法实现控制。但在实际工程中，跟踪转台具有负载重、摩擦大、跟踪精度要求高等特点。因此，对加减速度具有更高的要求，特别是减速度。减速度过大，会使跟踪转台反应迟钝，影响跟踪精度。减速度过大，会引起跟踪转台过冲现象，即刹不住车，容易造成安全事故。因此，对跟踪转台过冲量的控制是转台跟踪系统迫切需要解决的问题。
3.专利(110690835a)公开了一种s型曲线进行电机加减速的方法，s型曲线的方程，使得减速过程更加平顺。减速方程：y＝a/(1+e-bx
)，式中a为减速梯度系数，直接反映减速的速度差；b为减速速率系数，直接反映减速的斜率。通常，将s型曲线的减速方程固化于减速系统中，使其减速过程平顺。但是，不同的减速梯度系数a和不同的减速速率系数b，会影响减速的过冲量。因此，固定的减速梯度系数a和减速速率系数b不足以满足跟踪转台过冲量的控制要求，更不能满足跟踪转台精度要求。


技术实现要素：

4.本发明的目的在于提供一种基于ann神经网络的跟踪转台减速控制系统，以解决背景技术中提出现有技术中存在的跟踪转台减速过冲量的问题；此外还提供了一种基于ann神经网络的跟踪转台减速控制方法。
5.为解决上述技术问题，本发明所采用的技术方案是：
6.一种基于ann神经网络的跟踪转台减速控制系统，包括自检调试模块与模型训练模块；自检调试模块用于通过减速方程y＝a/(1+e-bx
)来得出过冲量σ；
7.式中，变量x为时间，y为实际速度；理论上，a为y(0)-y(x)，实际上，减速过程中，出现过冲，出现y(x)+δ(x)，过冲量σ为其中，固定减速梯度a的值，改变减速速率b的值，得出对应过冲量σ的值；根据得出的减速梯度a的值、减速速率b的值以及过冲量σ的值建立数据库；
8.数据库建立方式为：
9.第一步：通过dsp主控芯片，搭建减速方程，并手动设定减速梯度a的值以及减速速率b的值，记录不同减速梯度a和不同减速速率b的过冲量σ；
10.第二步：通过ddr储存数；包括减速梯度a、减速速率b、速度过冲量σ；
11.第三步：将ddr储存数据导出为txt格式，并导入到matlab生成神经网络数据库；
12.模型训练模块通过ann神经网络模型，设定ann神经网络模型的输入层、输出层的
学习数据，利用得出的数据库对ann神经网络模型进行训练和验证；将验证合格的ann神经网络模型对减速控制进行预判得出减速预测模型；
13.网络误差e定义为：
[0014][0015]
式中：di为网络理想输出；yi为网络实际输出；
[0016]
运用网络误差极小化问题可表述为：
[0017]
mine(w)w＝[w1,w2,
…
,w
l
,]
t
[0018]
w1∈[ai,bi]i＝1,2,
…
,l
[0019]
式中：l为优化向量w的元素个数；网络误差e为w对应的目标函数值；采用ga+bp混合神经网络算法；即先用ga初始优化权值w，再利用bp算法进行迭代优化权值w；
[0020]
ga+bp混合神经网络算法如下：
[0021]
设t时刻减速梯度a、减速速率b的速度过冲量为x
(0)
(t)，网络的拟合值为网络的拟合值为为原始数据的平均值，即e(t)为观测值与拟合值之差，也称之为t时刻的残差，即即为原始数据的平均值，即残差均方差为则后验差比值c定义为c＝s2/s1，则小误差概率定义为c值小则说明均方差s1大、残差均方差s2小；s1大则测试过冲量数据离散度大，原始数据规律性差，s2小则表明预测误差离散度小。
[0022]
进一步地，还设置有减速控制模块，减速控制模块电连接有控制器，减速控制模块用于将减速预测模型写入控制器中。
[0023]
进一步地，跟踪转台上设置有转速传感器反馈转速并得出减速梯度a的值，减速梯度a＝y(0)-y(s)，式中y(0)为开始减速时刻转速传感器测出的当前速度，y(s)为需要减速到的指定速度，若需要减速到静止，则y(s)＝0；根据跟踪转台性能要求，通过上位机设定过冲量σ的值，将得到的减速梯度a的值与过冲量σ的值带入控制器中的减速预测模型中得出减速速率b；控制器根据减速预测模型进行控制减速。
[0024]
进一步地，ann使用输入层宽度为2，隐藏层宽度为3，输出层宽度为1的神经网络模型进行训练。
[0025]
进一步地，采用神经网络训练模型，针对本案例过冲量σ控制系统的不确定性，具有自适应性，可以逼近任意复杂的非线性关系。
[0026]
进一步地，运行数据库中，包含了影响过冲量σ控制是基于减速曲线y＝a/(1+e-bx
)划分，包含了减速梯度a和减速速率b的共同影响；能够根据过冲量σ要求而做出减速决策。
[0027]
一种基于ann神经网络的跟踪转台减速控制方法，包括以下步骤：
[0028]
s1：对跟踪转台减速控制系统上电，对控制器进行参数初始化；
[0029]
s2：判断系统是否接收到新设备自检命令；如果是，则设备启动自检调试模块；如
果否，则运行下一步骤；
[0030]
启动自检调试模块开始自检；自检时判断自动调试模块是否自检完成，如果是，则导出各组相对应的减速梯度a的值、减速速率b的值以及过冲量σ的值建立数据库，利用数据库对ann神经网络模型进行训练和验证，将验证合格的ann神经网络模型对减速控制进行预判得出减速预测模型，再将减速预测模型下载到控制器；如果否，则继续自检；
[0031]
s3：判断控制器是否有减速预测模型，如果是，则运行下一步骤；如果否，则返回至s2步骤；
[0032]
s4：跟踪转台设备开始启动运行；转速传感器检测当前转速；上位机计算减速梯度a；
[0033]
s5：通过上位机输入过冲量σ允许值；
[0034]
s6：判断系统是否接收到过冲量σ允许值命令；如果是，则运行下一步骤，如果否，则返回至s5步骤，并提示输入过冲量σ允许值；
[0035]
s7：控制器通过减速预测模型预测减速速率b，将减速速率b代入减速方程生成减速曲线；
[0036]
s8：判断系统是否接收到开始减速命令；如果是，则运行下一步骤；如果否，则返回至s4步骤；
[0037]
s9：控制器控制转台设备执行减速动作，跟踪转台设备按照减速曲线开始减速。
[0038]
进一步地，跟踪转台设备开始减速时，通过检测设备检测跟踪转台过冲量σ；判断过冲量σ是否达到要求；如果是，则减速完成；如果否，则发出“设备需要重新自检”的警告。
[0039]
进一步地，自检调试模块的自检具体过程为：
[0040]
a1：设定初始减速梯度a＝20；
[0041]
a2：设定初始减速速率b＝1；
[0042]
a3：执行循环流程b＝b+0.1；判断每次循环b是否≥5；如果否，则运行记录过冲量σ；如果是，则运行下一步骤；
[0043]
a4：执行循环流程a＝a+5；判断每次循环a是否≥100；如果否，则返回至a3步骤；如果是，则结束自检。
[0044]
与现有技术相比，本发明具有以下有益效果：
[0045]
本发明通过自检获得减速梯度a、减速速率b以及过冲量σ这三个数据，通过ann神经网络模型，设定ann神经网络模型的输入层、输出层的学习数据，利用得出的数据库对ann神经网络模型进行训练和验证；将验证合格的ann神经网络模型对减速控制进行预判得出减速预测模型。控制器下载减速预测模型。跟踪转台启动后，通过上位机输入过冲量σ允许值，并进行预测减速速率b，生成预测的减速曲线，在系统接收到减速命令后，跟踪转台按照减速曲线开始减速。通过这种方式能够做到提高对跟踪转台过冲量的控制，提高跟踪转台的精度。
[0046]
使用自身系统自检的数据做神经网络数据库，排除不同设备的机械、电气、环境等参数影响，具有更高的准确性。
附图说明
[0047]
图1为本发明的控制流程图；
[0048]
图2为本发明的运行数据库建立流程；
[0049]
图3为减速梯度a建立曲线；
[0050]
图4为减速速率b建立曲线；
[0051]
图5为神经网络训练模型；
[0052]
图6为本发明的减速流程图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
实施例1
[0055]
一种基于ann神经网络的跟踪转台减速控制系统，包括自检调试模块与模型训练模块；自检调试模块用于通过减速方程y＝a/(1+e-bx
)来得出过冲量σ。
[0056]
式中，变量x为时间，y为实际速度；理论上，在随着时间变化x的过程中，速度从起始速度y(0)减速到y(x)，即需要减速的速度梯度a为y(0)-y(x)，实际上，减速过程中，出现过冲，出现y(x)+δ(x)，过冲量σ为其中，固定减速梯度a的值，改变减速速率b的值，得出对应过冲量σ的值；具体为：固定a为某一梯度值，改变减速速率b的值，得出当前梯度a对应过冲量σ的值。阶跃变化a为递增梯度值，得出相应梯度a对应过冲量σ的值。举例理解为：
[0057]
固定a＝20，改变b＝1，1.2，1.3，
…
[0058]
梯度递增a＝25，改变b＝1，1.2，1.3，
…
[0059]
梯度递增a＝30，改变b＝1，1.2，1.3，
…
[0060]
根据得出的减速梯度a的值、减速速率b的值以及过冲量σ的值建立数据库。
[0061]
数据库建立方式为：
[0062]
第一步：通过dsp主控芯片，搭建减速方程，并手动设定减速梯度a的值以及减速速率b的值，记录不同减速梯度a和不同减速速率b的过冲量σ；
[0063]
编写dsp代码如下：
[0064]
float a＝20.0；//定义并初始化减速梯度a，即最终需要达到的速度
[0065]
float b＝1；//定义并初始化减速速率b
[0066]
float time；//定义开始减速的时间
[0067]
float vel；//定义运行实际反馈速度
[0068]
float velmax；//定义过冲速度δ
[0069]
float velrate；//定义速度过冲量σ
[0070]
float velset；//定义减速下的设定速度
[0071]
if(velset》veltar)//设定速度大于目标速度，说明还未达到减速要求，执行减速函数
[0072]
{
[0073]
velset＝a/(1+pow(e，-b*time))；//设定此刻减速状态下的速度
[0074]
time++；
[0075]
velmax＝vel
–
a；//记录过冲速度δ
[0076]
velrate＝velmax/a；//计算速度过冲量σ
[0077]
}
[0078]
第二步：通过ddr储存数；包括减速梯度a、减速速率b、速度过冲量σ；
[0079]
第三步：将ddr储存数据导出为txt格式，并导入到matlab生成神经网络数据库；
[0080]
模型训练模块通过ann神经网络模型，设定ann神经网络模型的输入层、输出层的学习数据，利用得出的数据库对ann神经网络模型进行训练和验证，其中，数据库中的70％数据为训练集，30％数据为验证集；将验证合格的ann神经网络模型对减速控制进行预判得出减速预测模型；
[0081]
为了得到不同减速梯度a和不同减速速率b与过冲量σ的对应关系，通过神经网络模型来建立。而对于神经网络，一旦网络结构和训练样本确定后，网络的误差完全由网络的权值w决定。因此，神经网络的训练过程，也就是寻找一组网络权值w使得对应的网络误差e最小的过程。网络误差e定义为：
[0082][0083]
式中：di为网络理想输出；yi为网络实际输出；
[0084]
运用网络误差极小化问题可表述为：
[0085]
mine(w)w＝[w1,w2,
…
,w
l
,]
t
[0086]
w1∈[ai,bi]i＝1,2,
…
,l
[0087]
式中：l为优化向量w的元素个数；网络误差e为w对应的目标函数值；采用ga+bp混合神经网络算法；即先用ga初始优化权值w，再利用bp算法进行迭代优化权值w；
[0088]
ga+bp混合神经网络算法建立有4个步骤：
[0089]
(1)置k＝0，确定群体规模n及目标函数对应的适应值f，第j个个体的目标函数适应值采用fj＝e
max-e
ij
的形式，其中e
max
为第i代中目标函数的最大值，e
ij
为第i代中第j个个体的目标函数值，随机产生规模为n的初始群体，其中每个个体对应bp网络的一个连接关系，连接权值在(-1，1)之间。
[0090]
(2)进行ga的交叉、变异算法操作，得到n个新的个体，分别计算其适应值，并根据适应值大小按最优个体保留策略进行个体选择，实现优胜劣汰。
[0091]
(3)若达到事先设置的最大迭代数k或满足给定的精度要求ε，求得解w
*
及目标值e
*
。若满足精度要求，即e
*
≤ε，算法结束；否则转步骤(4)。若未达到最大代数k，令k＝k+1，返回步骤(2)。
[0092]
(4)将w
*
作为初始权值，利用bp算法对神经网路权参数进行学习，迭代学习达到最大代数epochs或达到终止条件，算法结束。
[0093]
ga+bp混合神经网络算法如下：
[0094]
由于减速梯度a、减速速率b与减速过冲量σ之间无明显规律。为了验证网络模型的有效性，应用后验差检验法对模型拟合的结果进行分析。设t时刻减速梯度a、减速速率b的
速度过冲量为x
(0)
(t)，网络的拟合值为网络的拟合值为为原始数据的平均值，即e(t)为观测值与拟合值之差，也称之为t时刻的残差，即即为原始数据的平均值，即残差均方差为则后验差比值c定义为c＝s2/s1，则小误差概率定义为即评价网络外推性能好坏的指标有：c值和p值。c值小则说明均方差s1大、残差均方差s2小；s1大则测试过冲量数据离散度大，原始数据规律性差，s2小则表明预测误差离散度小。因此要求在s1大的前提下s2尽量小，即c值越小越好。它表明尽管原始数据规律性差，但预测误差摆动幅度小。另外可通过小误差概率p进行网络外推性能好坏的评价，p越大，网络的泛化能力强。
[0095]
使用自身系统自检的数据做神经网络数据库，排除不同设备的机械、电气、环境等参数影响，具有更高的准确性。
[0096]
在一个优选实施例中，还设置有减速控制模块，减速控制模块电连接有控制器，减速控制模块用于将减速预测模型写入控制器中。
[0097]
在一个优选实施例中，跟踪转台上设置有转速传感器反馈转速并得出减速梯度a的值，减速梯度a＝y(0)-y(s)，式中y(0)为开始减速时刻转速传感器测出的当前速度，y(s)为需要减速到的指定速度，若需要减速到静止，则y(s)＝0；根据跟踪转台性能要求，通过上位机设定过冲量σ的值，将得到的减速梯度a的值与过冲量σ的值带入控制器中的减速预测模型中得出减速速率b；控制器根据减速预测模型进行控制减速。
[0098]
在一个优选实施例中，ann使用输入层宽度为2，隐藏层宽度为3，输出层宽度为1的神经网络模型进行训练。
[0099]
在一个优选实施例中，采用神经网络训练模型，针对本案例过冲量σ控制系统的不确定性，具有自适应性，可以逼近任意复杂的非线性关系。
[0100]
在一个优选实施例中，运行数据库中，包含了影响过冲量σ控制是基于减速曲线y＝a/(1+e-bx
)划分，包含了减速梯度a和减速速率b的共同影响；能够根据过冲量σ要求而做出减速决策。
[0101]
一种基于ann神经网络的跟踪转台减速控制方法，包括以下步骤：
[0102]
s1：对跟踪转台减速控制系统上电，对控制器进行参数初始化；
[0103]
s2：判断系统是否接收到新设备自检命令；如果是，则设备启动自检调试模块；如果否，则运行下一步骤；
[0104]
启动自检调试模块开始自检；自检时判断自动调试模块是否自检完成，如果是，则导出各组相对应的减速梯度a的值、减速速率b的值以及过冲量σ的值建立数据库，利用数据库对ann神经网络模型进行训练和验证，将验证合格的ann神经网络模型对减速控制进行预判得出减速预测模型，再将减速预测模型下载到控制器；如果否，则继续自检；
[0105]
s3：判断控制器是否有减速预测模型，如果是，则运行下一步骤；如果否，则返回至s2步骤；
[0106]
s4：跟踪转台设备开始启动运行；转速传感器检测当前转速；上位机计算减速梯度
a；
[0107]
s5：通过上位机输入过冲量σ允许值；
[0108]
s6：判断系统是否接收到过冲量σ允许值命令；如果是，则运行下一步骤，如果否，则返回至s5步骤，并提示输入过冲量σ允许值；
[0109]
s7：控制器通过减速预测模型预测减速速率b，将减速速率b代入减速方程生成减速曲线；
[0110]
s8：判断系统是否接收到开始减速命令；如果是，则运行下一步骤；如果否，则返回至s4步骤；
[0111]
s9：控制器控制转台设备执行减速动作，跟踪转台设备按照减速曲线开始减速。
[0112]
在一个优选实施例中，跟踪转台设备开始减速时，通过检测设备检测跟踪转台过冲量σ；判断过冲量σ是否达到要求；如果是，则减速完成；如果否，则发出“设备需要重新自检”的警告。
[0113]
在一个优选实施例中，自检调试模块的自检具体过程为：
[0114]
a1：设定初始减速梯度a＝20；
[0115]
a2：设定初始减速速率b＝1；
[0116]
a3：执行循环流程b＝b+0.1；判断每次循环b是否≥5；如果否，则运行记录过冲量σ；如果是，则运行下一步骤；
[0117]
a4：执行循环流程a＝a+5；判断每次循环a是否≥100；如果否，则返回至a3步骤；如果是，则结束自检。
[0118]
通过这种方式能够做到对跟踪转台过冲量的控制，提升了跟踪转台转动时的精度。
[0119]
实施例2
[0120]
在减速控制过程中：
[0121]
第一步，跟踪转台系统上电，控制器(dsp芯片主控)对控制系统进行参数初始化；
[0122]
第二步，控制器判断是否有来自上位机的新设备自检命令，若有则执行第三步、若无则执行第八步；
[0123]
第三步，启动设备自检模式，输入减速梯度a(20到100，步进量5)，输入减速速率b(1到5，步进量0.1)，测量设备过冲量σ；
[0124]
第四步，控制器判断是否有自检完成命令，若有则执行第五步、若无则回到第三步；
[0125]
第五步，从控制器中导出数据，主要包括输入数据(减速梯度a、减速速率b)和输出数据(过冲量σ)；
[0126]
第六步，将数据存入pc机中，生成ann模型训练库，采用神经网络算法，得到输入与输出之间的减速预测模型；
[0127]
第七步，将生成的减速预测模型下载到控制器中；
[0128]
第八步，控制器判断是否有减速预测模型，若有则执行第九步，若无则回到第三步；
[0129]
第九步，转台设备开始启动运行，传感器测量当前转速，计算减速梯度a，且通过上位机输入过冲量σ允许值；
[0130]
第十步，控制器判断是否接收到过冲量σ允许值命令，若有则执行第十一步，若无则回到第九步；
[0131]
第十一步，通过预测模型预测减速速率b，代入减速方程y＝a/(1+e-bx
)，生成减速曲线；
[0132]
第十二步，控制器判断是否接收到开始减速命令，若有则执行第十三步、若无则回到第九步；
[0133]
第十三步，执行减速动作，转台设备开始按照减速曲线进行减速，并且检测减速后的过冲量σ；
[0134]
第十四步，控制器判断过冲量σ是否达到要求，若达到要求则减速完成、若不能达到要求则发出设备需要重新自检的警告。
[0135]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。