打开文本图片集
摘 要:文章提出了一种基于迭代学习算法与径向基函数(RBF)网络的复合控制方法,此方法用来实现永磁直线电机系统在一个有限的时间段内,对一期望的轨迹进行精密的运动跟踪。迭代学习算法通过对系统误差的学习不断调整输入量,以无限逼近期望轨迹。径向基函数网络通过在线参数的调整,以实现对系统的扰动补偿。
关键词:直线电机;RBF神经网络;永磁直线电机;控制仿真
1 概述
直线电机作为一种新型电机,可以将电能直接转换为直线运动形式的机械能,具有更高的转换效率。由于不存在滚珠丝杠等机构所带来的误差,直线电机能够实现更为精密的直线驱动。永磁直线电机具有力矩大,损耗低,定位精度高和机械结构简单的特点,尤其适用于具有高速、高精度要求的现代工业场合。
最先由日本学者Uchiyam提出的迭代学习控制是智能控制的一个重要分支。该算法适用于具有重复运动性质的被控对象,无需清楚知晓系统的数学模型,充分利用先前的控制经验,根据系统的实际输出信号和期望输出信号的误差来寻找理想的控制信号,以实现在有限时间区间上沿着期望输出轨迹的零误差跟踪。因此,该算法同样适用于控制方法难以解决的复杂不确定系统中。
1988年,Moody和Darken提出了一种神经网络结构,即RBF 神经网络。径向基神经网络是具有单隐层的3层前馈网络,能以任意精度逼近非线性函数,具有结构简单、运算量小、学习收敛速度快等优点。文章提出了基于迭代学习与径向基神经网络的复合控制方法,以实现对永磁同步直线电机的快速跟踪控制。
2 永磁直线电机的数学模型
文章中的控制对象为永磁同步直线电机,由安装在该电机上的增量编码器获得其位置信息。这种结构被广泛应用在精密运动伺服控制系统中。
永磁同步直线电机的动态特性包括一个主要的线性模型和一个不确定的非线性余项。该主要的线性模型的动力学特性可以表示如下:
5 基于RBF网络补偿的直线电机的迭代学习控制仿真
采用带有反馈环节的迭代学习控制构造永磁同步直线电机的主控制器,在反馈环节中引入了RBF神经网络作为伺服系统的残余误差补偿,其总体框图如图1所示。其中,迭代学习部分采用P型学习律。
以Matlab/Simulink为仿真工具,设直线电机的期望轨迹为频率为1Hz的正弦曲线,其幅值为1cm,运行时间t∈[0,1]。调节系统的控制参数,迭代次数为25次,得到的控制结果如图2所示。未对系统进行补偿时,直线电机的跟踪误差约为80um,表现为具有一定波动的平滑曲线。当采用RBF网络对系统进行非线性补偿后,系统误差小于10um,跟踪精度得到了有效的提升。
6 结束语
文章对永磁同步直线电机伺服系统进行了扰动分析,在构建的带有反馈环节的迭代学习控制器的基础上,研究了RBF神经网络在直线电机位置跟踪中的应用。通过仿真研究表明,RBF网络能够有效对系统的时不变非线性因素进行补偿,提高系统的跟踪精度。
参考文献
[1]叶云岳.直线电机原理与应用[M].北京:机械工业出版社,2002.
[2]仇翔,俞立,南余荣.永磁同步直线电机控制策略综述[J].微特电机,2005(10):39-43.
[3]王凌,郑大钟.径向基函数神经网络结构的混合优化策略[J].清华大学学报(自然科学版),1999,39(7):50-53.
[4]Tan, K.K., T.H. Lee, H.F. Dou and S. Huang, Precision Motion Control Design and Implementation, Chapter 2, Precision Tracking Motion Control, Springer, Advances in Industrial Control, 2001.