專利名稱：基于神經(jīng)網(wǎng)絡(luò)辨識器的永磁球形電動機(jī)力學(xué)解耦控制方法
技術(shù)領(lǐng)域：
本發(fā)明屬于永磁球形電動機(jī)動力學(xué)控制技術(shù)領(lǐng)域。涉及一種球形電動機(jī)力學(xué)解耦控制方法。

背景技術(shù)：
在現(xiàn)代航天、軍事、化工、工業(yè)自動化和智能機(jī)器人等的研究和應(yīng)用領(lǐng)域，都越來越多地需要實(shí)現(xiàn)多自由度運(yùn)動。傳統(tǒng)上實(shí)現(xiàn)多自由度運(yùn)動，往往需要聯(lián)合控制多臺通過復(fù)雜傳動機(jī)構(gòu)相連接的單自由度電動機(jī)。這不僅造成了系統(tǒng)的機(jī)械結(jié)構(gòu)復(fù)雜，體積龐大，而且使系統(tǒng)響應(yīng)遲緩，定位精度不高，動態(tài)性能很差。于是人們開始關(guān)注能夠提供2-3個(gè)自由度運(yùn)動的球形電動機(jī)。三自由度球形電動機(jī)能夠大大簡化機(jī)械結(jié)構(gòu)，提高定位精度和響應(yīng)速度。
目前，國內(nèi)外學(xué)者提出的球形電動機(jī)動力學(xué)解耦控制策略主要有 基于輸出位置角的前饋補(bǔ)償解耦算法，即用輸出位置角直接重構(gòu)耦合力矩項(xiàng)，對系統(tǒng)進(jìn)行前饋補(bǔ)償。這種算法相對比較簡單，且能夠減弱各軸向間的耦合作用。但是，此算法只適用于不考慮模型估計(jì)誤差和系統(tǒng)外部擾動、對系統(tǒng)的魯棒性要求較低的場合。事實(shí)上，模型估計(jì)誤差和系統(tǒng)外部擾動廣泛存在于球形電動機(jī)控制過程中，如果考慮其影響，則此算法的靜態(tài)和動態(tài)性能不夠理想。


發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術(shù)的上述缺陷，提出一種能夠有效減弱模型估計(jì)誤差和系統(tǒng)外部擾動影響的力學(xué)解耦控制方法。
為此，本發(fā)明采用如下的技術(shù)方案 一種基于神經(jīng)網(wǎng)絡(luò)辨識器的球形電動機(jī)力學(xué)解耦控制方法，包括伺服控制器，其特征在于，還包括按照下列步驟建立的神經(jīng)網(wǎng)絡(luò)前饋控制器 第一步建立球形電動機(jī)的動力學(xué)方程其中，M(θ)為慣性矩陣，

為離心力與哥氏力矩陣。θ為角位置向量，

和

分別為角速度向量和角加速度向量，τf＝(τfα，τfβ，τfγ)T，τ為控制力矩； 第二步建立兩層神經(jīng)網(wǎng)絡(luò)辨識器，所述神經(jīng)網(wǎng)絡(luò)辨識器的輸入信號為球形電動機(jī)輸出的位置角向量θ(α，β，γ)，輸出信號為前饋補(bǔ)償力矩向量(τnα，τnβ，τnγ)T，輸入層與隱含層神經(jīng)元之間采用Sigmoid函數(shù)作為非線性激活函數(shù)，輸出層的神經(jīng)元激活函數(shù)為純線性函數(shù)； 第三步以為神經(jīng)網(wǎng)絡(luò)誤差信號的訓(xùn)練信號，采用帶有附加動量的權(quán)值調(diào)節(jié)公式Δwij(k+1)＝(1-α)ηδi+αηΔwij(k)訓(xùn)練所述的神經(jīng)網(wǎng)絡(luò)辨識器，兩式中，α為動量因子，0≤α≤1，δi為節(jié)點(diǎn)誤差，η為學(xué)習(xí)速率； 第四步對上述的神經(jīng)網(wǎng)絡(luò)辨識器進(jìn)行在線辨識，實(shí)現(xiàn)力矩向量(τnα，τnβ，τnγ)T的前饋補(bǔ)償。
上述的控制方法中，最好采用如下的自適應(yīng)學(xué)習(xí)速率調(diào)整公式其中，E為均方誤差，k為訓(xùn)練次數(shù)；伺服控制器可以為三個(gè)采用Mamdani最大值-最小值模糊推理算法的二維模糊高斯基控制器，所述的三個(gè)模糊控制器分別根據(jù)球形電動機(jī)輸出的位置角α，β，γ，控制相應(yīng)的球形電動機(jī)卡爾登角的轉(zhuǎn)動軸。
本發(fā)明的有益效果在于 1.本發(fā)明的神經(jīng)網(wǎng)絡(luò)辨識器采用含附加動量項(xiàng)和自適應(yīng)學(xué)習(xí)速率方法的改進(jìn)BP算法作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，提高了訓(xùn)練速度，避免了網(wǎng)絡(luò)陷入局部極小，且使神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的穩(wěn)定性。
2.本發(fā)明運(yùn)用神經(jīng)網(wǎng)絡(luò)辨識器對控制系統(tǒng)的不確定性進(jìn)行在線辨識，大大減少了不確定性對系統(tǒng)動態(tài)性能的影響，顯著地提高了控制系統(tǒng)的靜態(tài)和動態(tài)性能，實(shí)現(xiàn)了理想的動力學(xué)解耦控制，增強(qiáng)了系統(tǒng)的自適應(yīng)能力。
3.采用三個(gè)二維模糊控制器作為控制系統(tǒng)的主控制器，大大增強(qiáng)了控制系統(tǒng)的魯棒性，進(jìn)一步提高了系統(tǒng)的靜態(tài)和動態(tài)性能。
總之，本發(fā)明提供的控制方法能夠消除球形電動機(jī)轉(zhuǎn)子各個(gè)軸向之間的非線性耦合，實(shí)現(xiàn)球形電動機(jī)的動力學(xué)解耦控制，改善球形電動機(jī)的動態(tài)性能和靜態(tài)性能；消除或削弱模型估計(jì)誤差和系統(tǒng)外部擾動對于球形電動機(jī)隨動性能的影響。與基于輸出位置角的前饋補(bǔ)償解耦算法相比較，本發(fā)明的實(shí)時(shí)性較好，具有很好的靜態(tài)和動態(tài)性能。另外，此發(fā)明對模型估計(jì)誤差和系統(tǒng)外部擾動具有很強(qiáng)的魯棒性。



圖1含有神經(jīng)網(wǎng)絡(luò)辨識器的永磁球形電動機(jī)力學(xué)解耦控制方法結(jié)構(gòu)框圖。
圖2用于實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)辨識的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。
圖3神經(jīng)網(wǎng)絡(luò)辨識器采用的改進(jìn)BP算法流程圖。
圖4改進(jìn)BP算法學(xué)習(xí)速率隨訓(xùn)練次數(shù)的變化情況。
圖5改進(jìn)BP算法和普通BP算法的收斂效果比較 (a)訓(xùn)練均方差隨步長的變化情況；(b)梯度隨步長的變化情況。
圖6二維模糊控制器結(jié)構(gòu)圖。
圖7含模糊控制器和神經(jīng)網(wǎng)絡(luò)辨識器的永磁球形電動機(jī)力學(xué)解耦控制算法結(jié)構(gòu)圖。
圖8本發(fā)明所涉及算法的章動運(yùn)動響應(yīng)(a)轉(zhuǎn)子輸出軸運(yùn)動軌跡；(b)轉(zhuǎn)子表面任意一點(diǎn)(0.6，0，0.8)運(yùn)動軌跡。
圖9直接前饋補(bǔ)償算法的章動運(yùn)動響應(yīng)(a)轉(zhuǎn)子輸出軸運(yùn)動軌跡； (b)轉(zhuǎn)子表面任意一點(diǎn)(0.6，0，0.8)運(yùn)動軌跡。
圖10(a)神經(jīng)網(wǎng)絡(luò)辨識器α軸辨識誤差。
圖10(b)神經(jīng)網(wǎng)絡(luò)辨識器β軸辨識誤差。
圖10(c)神經(jīng)網(wǎng)絡(luò)辨識器γ軸辨識誤差。
圖11本發(fā)明所涉及算法和直接前饋補(bǔ)償算法的軌跡跟蹤誤差對比(a)為α軸跟蹤誤差對比；(b)為β軸跟蹤誤差對比；(c)為γ軸跟蹤誤差對比(--直接前饋算法；…本發(fā)明所涉及算法)。
圖12直接前饋控制算法的解耦控制效果(a)為α軸解耦控制效果；(b)為β軸解耦控制效果；(c)為γ軸解耦控制效果(—期望軌跡；…跟蹤軌跡)。
圖13本發(fā)明所涉及算法的解耦控制效果(a)為α軸解耦控制效果；(b)為β軸解耦控制效果；(c)為γ軸解耦控制效果(—期望軌跡；…跟蹤軌跡)。
圖14本發(fā)明所涉及算法的魯棒性(—不確定性為20％；…不確定性為50％)。

具體實(shí)施例方式 計(jì)算力矩法已經(jīng)被廣泛地應(yīng)用于機(jī)器人動態(tài)控制中，具有較理想的靜態(tài)和動態(tài)性能。另外，計(jì)算力矩法不需要在線計(jì)算輸出位置角的二階導(dǎo)數(shù)項(xiàng)，因此，實(shí)時(shí)性較好。本發(fā)明將計(jì)算力矩法的結(jié)構(gòu)應(yīng)用于球形電動機(jī)動力學(xué)問題。
下面結(jié)合實(shí)施例和附圖對本發(fā)明做進(jìn)一步詳述。
實(shí)施例1 本發(fā)明的含有神經(jīng)網(wǎng)絡(luò)辨識器的球形電動機(jī)力學(xué)解耦控制方法的結(jié)構(gòu)框圖如圖1所示。本發(fā)明實(shí)施例1的主控制器采用慣常的伺服控制，即PD控制，利用神經(jīng)網(wǎng)絡(luò)辨識器實(shí)現(xiàn)前饋神經(jīng)網(wǎng)絡(luò)控制。
根據(jù)拉格朗日法或牛頓-歐拉法可以得到球形電動機(jī)的動力學(xué)方程如下 其中，M(θ)為慣性矩陣，

為離心力與哥氏力矩陣。θ為角位置向量，

和

分別為角速度向量和角加速度向量。τf＝(τfα，τfβ，τfγ)T。τ為控制力矩。
設(shè)慣性矩陣估計(jì)值為

離心力和哥氏力矩陣估計(jì)值為

如圖6中所示，整個(gè)系統(tǒng)的控制力矩為 其中，τn為神經(jīng)網(wǎng)絡(luò)辨識器的輸出力矩。
將(2)代入(1)，可得 其中，伺服部分u表達(dá)式如式(4)所示。u實(shí)際上是偏置的PD控制，包括偏置部分

和PD部分 由式(3)和式(4)可得誤差方程，如式(5)所示 其中， 為模型估計(jì)誤差。
由誤差方程(5)可得系統(tǒng)誤差信號為 令神經(jīng)網(wǎng)絡(luò)誤差信號的訓(xùn)練信號為 此訓(xùn)練信號靠球形電動機(jī)動力學(xué)模型與其逆模型作差得到，即 τt＝τ-τm (10) 其中， 為永磁球形電動機(jī)動力學(xué)逆模型輸出力矩。當(dāng)τn充分逼近訓(xùn)練信號τt時(shí)，由式(8)和式(9)可以看出，誤差信號Es也充分接近于零。此時(shí)誤差方程(8)可以化簡為 這就保證了算法對于連續(xù)軌跡跟蹤的全局穩(wěn)定性的成立。
當(dāng)τn充分逼近訓(xùn)練信號τt時(shí)，式(3)可以化為 此時(shí)，由式(8)，式(9)和式(13)可得 由

的可逆性，可得 上式表明，各個(gè)軸向的控制量單獨(dú)控制了對應(yīng)軸向的輸出位置角的二階導(dǎo)數(shù)向量?？刂葡到y(tǒng)實(shí)現(xiàn)了各個(gè)軸向的解耦。
本發(fā)明通過神經(jīng)網(wǎng)絡(luò)辨識器來實(shí)現(xiàn)對模型估計(jì)誤差和系統(tǒng)外部擾動等不確定性的在線實(shí)時(shí)補(bǔ)償，實(shí)現(xiàn)了球形電動機(jī)三個(gè)軸向間的解耦控制，同時(shí)提高了系統(tǒng)的自適應(yīng)能力。神經(jīng)網(wǎng)絡(luò)辨識器采用的神經(jīng)網(wǎng)絡(luò)有3個(gè)輸入層神經(jīng)元，15個(gè)隱含層神經(jīng)元(采用Sigmoid函數(shù)作為非線性激活函數(shù))，3個(gè)輸出層神經(jīng)元(采用純線性函數(shù)為非線性激活函數(shù))，屬于兩層前饋神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)的輸入信號為球形電動機(jī)輸出的位置角(卡爾登角)向量(α，β，γ)，訓(xùn)練信號為由模型估計(jì)誤差和外部擾動組成的不確定性向量τt(見式(9))，輸出信號為不確定性前饋補(bǔ)償力矩向量(τnα，τnβ，τnγ)T。
實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)辨識器的前饋神經(jīng)網(wǎng)絡(luò)如圖2所示。其隱含層的神經(jīng)元激活函數(shù)為Sigmoid函數(shù)，輸出層的神經(jīng)元激活函數(shù)為純線性函數(shù)。圖中iwl表示神經(jīng)網(wǎng)絡(luò)輸入層和隱含層之間的網(wǎng)絡(luò)權(quán)值，iw2表示隱含層和輸出層之間的網(wǎng)絡(luò)權(quán)值。
本發(fā)明的神經(jīng)網(wǎng)絡(luò)辨識器采用含附加動量項(xiàng)和自適應(yīng)學(xué)習(xí)速率法的改進(jìn)BP算法，這種改進(jìn)學(xué)習(xí)算法的流程圖如圖3所示。
帶有附加動量的權(quán)值調(diào)節(jié)公式為 Δwij(k+1)＝(1-α)ηδi+αηΔwij(k)(16) 其中，α為動量因子，0≤α≤1，此處取為0.95。δi為節(jié)點(diǎn)誤差，η為學(xué)習(xí)速率。當(dāng)式(16)表示輸入層和隱含層之間的權(quán)值調(diào)整時(shí)，Δwij表示第i(i＝1，2，3)個(gè)輸入層神經(jīng)元和第j(j＝1，…，15)個(gè)隱含層神經(jīng)元之間的權(quán)值的調(diào)整量；當(dāng)式(16)表示的是隱含層和輸出層之間的權(quán)值調(diào)整時(shí)，Δwij則表示第i(i＝1，…，15)個(gè)隱含層神經(jīng)元和第j(j＝1，2，3)個(gè)輸出層神經(jīng)元之間的權(quán)值的調(diào)整量。加入附加動量項(xiàng)后避免了網(wǎng)絡(luò)在訓(xùn)練過程中陷入局部極小值。
為了在保證網(wǎng)絡(luò)收斂性的基礎(chǔ)上提高其訓(xùn)練速度，本發(fā)明采用自適應(yīng)學(xué)習(xí)速率，使得學(xué)習(xí)速率在訓(xùn)練過程中能夠自適應(yīng)調(diào)整。根據(jù)神經(jīng)網(wǎng)絡(luò)辨識器的辨識效果，本發(fā)明中初始學(xué)習(xí)速率設(shè)置為0.01，采用的自適應(yīng)學(xué)習(xí)速率的調(diào)整公式如下 其中，η為學(xué)習(xí)速率，E為均方誤差，k為訓(xùn)練次數(shù)。
普通BP算法的學(xué)習(xí)速率一經(jīng)設(shè)定后，在整個(gè)學(xué)習(xí)訓(xùn)練過程中固定不變，不能根據(jù)訓(xùn)練的情況實(shí)時(shí)調(diào)整，因此收斂速度較慢。另外，普通BP算法容易陷入局部極小，使神經(jīng)網(wǎng)絡(luò)無法達(dá)到訓(xùn)練目標(biāo)。本發(fā)明中的神經(jīng)網(wǎng)絡(luò)辨識器即采用的改進(jìn)的BP算法在普通BP算法中加入附加動量因子，且采用在訓(xùn)練過程中可自適應(yīng)調(diào)整的學(xué)習(xí)速率，即避免了神經(jīng)網(wǎng)絡(luò)陷入局部極小，又在保證神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的基礎(chǔ)上大大提高了訓(xùn)練收斂速度。參見圖4和圖5.圖4即為采用上述的改進(jìn)BP算法時(shí)，在神經(jīng)網(wǎng)絡(luò)辨識器在線辨識的過程中學(xué)習(xí)速率隨訓(xùn)練步數(shù)的變化情況。圖5為改進(jìn)BP算法和普通BP算法的收斂效果比較。
實(shí)施例2 由于球形電動機(jī)的動力學(xué)模型比較復(fù)雜，在實(shí)施例2中，將式(4)中的PD部分變?yōu)槎S的模糊控制，，每個(gè)模糊控制器控制球形電動機(jī)卡爾登角的一個(gè)轉(zhuǎn)動軸，以增強(qiáng)控制系統(tǒng)的魯棒性。二維模糊控制器如圖6所示。圖中，ke和kec是量化因子，將e和

的變化范圍轉(zhuǎn)換到輸入論域中；ku是比例因子，把模糊控制部分的輸出量(跟模糊控制的輸出論域相對應(yīng))轉(zhuǎn)換為實(shí)際的模糊控制器輸出量。實(shí)施例2的控制方法結(jié)構(gòu)框圖如圖7所示。
此二維模糊控制器的模糊控制輸入論域和輸出論域均設(shè)為[-6，6]，七個(gè)語言集分別定義為{PB，PM，PS，Z，NS，NM，NB}，每個(gè)語言集對應(yīng)一個(gè)隸屬度函數(shù)。此處采用高斯函數(shù)作為隸屬度函數(shù)。隸屬度函數(shù)的表達(dá)式如下 其中，i表示第i個(gè)隸屬度函數(shù)，at表示第i個(gè)隸屬度函數(shù)的中心值，bi表示第i個(gè)隸屬度函數(shù)的寬度，Gi表示第i個(gè)隸屬度函數(shù)為高斯函數(shù)，x表示論域中的單元。模糊控制器采用Mamdani最大值-最小值綜合法作為模糊推理算法。模糊規(guī)則庫如表1所示。
表1模糊規(guī)則表

圖5改進(jìn)BP算法和普通BP算法的收斂效果比較由圖5可以看出，本發(fā)明中采用的改進(jìn)BP算法能夠大大提高訓(xùn)練過程中前饋神經(jīng)網(wǎng)絡(luò)的收斂速度。
圖8本發(fā)明所涉及算法的章動運(yùn)動響應(yīng)(a)轉(zhuǎn)子輸出軸運(yùn)動軌跡； (b)轉(zhuǎn)子表面任意一點(diǎn)(0.6，0，0.8)運(yùn)動軌跡。
圖9直接前饋補(bǔ)償算法的章動運(yùn)動響應(yīng)(a)轉(zhuǎn)子輸出軸運(yùn)動軌跡； (b)轉(zhuǎn)子表面任意一點(diǎn)(0.6，0，0.8)運(yùn)動軌跡。
章動運(yùn)動是一種類似于陀螺的運(yùn)動，是最能檢驗(yàn)球形電動機(jī)力矩全局可控性的情況。將圖8和圖9進(jìn)行對比可以看出，本發(fā)明所涉及的算法能夠大大提高球形電動機(jī)在章動運(yùn)動時(shí)的靜態(tài)性能和動態(tài)性能，使得球形電動機(jī)具有更好的力矩全局可控性。
圖11本發(fā)明所涉及算法和直接前饋補(bǔ)償算法的軌跡跟蹤誤差對比(a)為α軸跟蹤誤差對比；(b)為β軸跟蹤誤差對比；(c)為γ軸跟蹤誤差對比(--直接前饋算法；…本發(fā)明所涉及算法)。
由圖11可以看出，采用本發(fā)明所涉及的算法時(shí)，控制系統(tǒng)對正弦軌跡的跟蹤誤差大大小于直接前饋補(bǔ)償算法。在采用本發(fā)明所涉及的算法后，控制系統(tǒng)的動態(tài)性能和靜態(tài)性能得到了很大的改善。
圖12直接前饋控制算法的解耦控制效果(—期望軌跡；…跟蹤軌跡)，圖13本發(fā)明所涉及算法的解耦控制效果(—期望軌跡；…跟蹤軌跡)。
由圖12可以看出，控制系統(tǒng)γ軸跟蹤信號受到其他兩個(gè)軸向的給定信號的影響較大，且系統(tǒng)對于給定信號的跟蹤效果不夠理想。由圖13可以看出，控制系統(tǒng)各個(gè)軸向的給定信號對于其他軸向跟蹤信號的影響已經(jīng)基本上消失了。這就說明與直接前饋補(bǔ)償算法相比較，本發(fā)明所涉及的算法具有更加理想的解耦控制效果。
圖14為本發(fā)明所涉及算法的魯棒性。
圖14給出了模型誤差(由轉(zhuǎn)動慣量的估計(jì)誤差產(chǎn)生)和外部擾動分別都設(shè)置為20％和50％時(shí)采用本發(fā)明所涉及算法后球形電動機(jī)正弦軌跡跟蹤誤差的對比。由圖14可以看出，控制系統(tǒng)的跟蹤誤差在兩種情況下都很小，且當(dāng)模型誤差和外部擾動發(fā)生很大變化后，跟蹤誤差的變化也不大。這就說明，本發(fā)明提出的算法對于結(jié)構(gòu)化和非結(jié)構(gòu)化不確定性都具有很好的魯棒性。
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡(luò)辨識器的球形電動機(jī)力學(xué)解耦控制方法，包括伺服控制器，其特征在于，還包括按照下列步驟建立的神經(jīng)網(wǎng)絡(luò)前饋控制器
第一步建立球形電動機(jī)的動力學(xué)方程其中，M(θ)為慣性矩陣，
為離心力與哥氏力矩陣。θ為角位置向量，
和
分別為角速度向量和角加速度向量，τf＝(τfα，τfβ，τfγ)T，τ為控制力矩；
第二步建立兩層神經(jīng)網(wǎng)絡(luò)辨識器，所述神經(jīng)網(wǎng)絡(luò)辨識器的輸入信號為球形電動機(jī)輸出的位置角向量θ(α，β，γ)，輸出信號為前饋補(bǔ)償力矩向量(τnα，τnβ，τnγ)T，輸入層與隱含層神經(jīng)元之間采用Sigmoid函數(shù)作為非線性激活函數(shù)，輸出層的神經(jīng)元激活函數(shù)為純線性函數(shù)；
第三步以為神經(jīng)網(wǎng)絡(luò)誤差信號的訓(xùn)練信號，采用帶有附加動量的權(quán)值調(diào)節(jié)公式Δwij(k+1)＝(1-α)ηδi+αηΔwij(k)訓(xùn)練所述的神經(jīng)網(wǎng)絡(luò)辨識器，兩式中，α為動量因子，0≤α≤1，δi為節(jié)點(diǎn)誤差，η為學(xué)習(xí)速率；
第四步對上述的神經(jīng)網(wǎng)絡(luò)辨識器進(jìn)行在線辨識，實(shí)現(xiàn)力矩向量(τnα，τnβ，τnγ)T的前饋補(bǔ)償。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)辨識器的球形電動機(jī)力學(xué)解耦控制方法，其特征在于，采用如下的自適應(yīng)學(xué)習(xí)速率調(diào)整公式其中，E為均方誤差，k為訓(xùn)練次數(shù)。
3.根據(jù)權(quán)利要求1或2所述的基于神經(jīng)網(wǎng)絡(luò)辨識器的球形電動機(jī)力學(xué)解耦控制方法，其特征在于，所述的伺服控制器為三個(gè)采用Mamdani最大值-最小值模糊推理算法的二維模糊高斯基控制器，所述的三個(gè)模糊控制器分別根據(jù)球形電動機(jī)輸出的位置角α，β，γ，控制相應(yīng)的球形電動機(jī)卡爾登角的轉(zhuǎn)動軸。
全文摘要
本發(fā)明屬于永磁球形電動機(jī)動力學(xué)控制技術(shù)領(lǐng)域，涉及一種球形電動機(jī)力學(xué)解耦控制方法，該方法包括伺服控制器，還包括按照下列步驟建立的神經(jīng)網(wǎng)絡(luò)前饋控制器建立球形電動機(jī)的動力學(xué)方程；建立兩層神經(jīng)網(wǎng)絡(luò)辨識器，所述神經(jīng)網(wǎng)絡(luò)辨識器的輸入信號為球形電動機(jī)輸出的位置角向量θ(α，β，γ)，輸出信號為前饋補(bǔ)償力矩向量(τnα，τnβ，τnγ)T；采用帶有附加動量的權(quán)值調(diào)節(jié)公式訓(xùn)練所述的神經(jīng)網(wǎng)絡(luò)辨識器；對神經(jīng)網(wǎng)絡(luò)辨識器進(jìn)行在線辨識，實(shí)現(xiàn)力矩向量(τnα，τnβ，τnγ)T的前饋補(bǔ)償。本發(fā)明提供的方法能夠有效減弱模型估計(jì)誤差和系統(tǒng)外部擾動影響。
文檔編號G05B13/02GK101369132SQ200810053828
公開日2009年2月18日 申請日期2008年7月11日 優(yōu)先權(quán)日2008年7月11日
發(fā)明者夏長亮, 辰 郭, 史婷娜 申請人:天津大學(xué)