專利名稱：直線音圈電機非線性特性的智能補償方法及控制系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及直線音圈電機非線性特性的控制技術領域，具體為一種針對具有非光
滑的復雜遲滯非線性特性和非光滑摩擦特性的直線音圈電機非線性特性的智能補償方法 及控制系統(tǒng)。
(二)
背景技術：
具有長行程、微/納米級定位精度的直線音圈電機(以下簡稱音圈電機)屬于"零 傳動"的直接驅(qū)動電機，與其它電機和作為位移定位驅(qū)動裝置相比較，具有明顯的優(yōu)勢，其 具高分辨率、高響應、高加速度、體積小、力特性好等特點，廣泛應用到計算機硬盤、精密加 工切削機床、移動數(shù)碼相機、空中機器人、半導體封裝及微納米級平臺等。尤其是音圈電機 具有高速響應特性，使之成為了移動數(shù)碼相機和半導體封裝鍵合的理想驅(qū)動裝置。
但是，由于音圈電機直接驅(qū)動負載，在高速往復運動中，即高頻響情況下，表現(xiàn)出 了強非線性特性，既復雜遲滯特性和與運動特性有關的摩擦特性。其出現(xiàn)的非增函數(shù)變化、 非光滑復雜遲滯非線性特性，導致了系統(tǒng)的震動和性能的下降。尤其是在高速運動下，音圈 電機表現(xiàn)出與一般直線電機完全不同的非線性復雜遲滯特性。 現(xiàn)有音圈電機的控制方法是將音圈電機視為低頻下工作的一般電機，采用普通直 線電機的控制方法，控制效果無法滿足高速高精度的要求。 在高速往復運動中，音圈電機表現(xiàn)出非光滑的強非線性特性，不能直接采用以導 數(shù)為基礎的建模與補償方法及對應控制技術，如現(xiàn)有的模糊，神經(jīng)網(wǎng)絡等建模與補償方法 均不適用。
1)摩擦特性 從機理方面分析，非光滑摩擦模型的結構已成熟，模型中參數(shù)不同，其描述的摩擦 特性不同。針對不同摩擦特性，求得模型中的參數(shù)，即可表達不同的非光滑摩擦特性。但是 摩擦模型中的參數(shù)在線辨識一直是音圈電機建模中的難點問題。所以，在以非光滑摩擦模 型為基礎的音圈電機消除摩擦的控制方法或補償方法中，關鍵技術就是音圈電機非光滑特 性摩擦模型中參數(shù)的在線辨識或智能自學習。
2)復雜遲滯特性 音圈電機表現(xiàn)出的非增函數(shù)變化的、非光滑的復雜遲滯特性與壓電陶瓷、擴散硅 壓力傳感器及高分子濕度傳感器等表現(xiàn)出的增函數(shù)變化的遲滯特性完全不同，用已有的一 般遲滯模型無法對音圈電機特殊的復雜遲滯特性建模，故對音圈電機的遲滯特性也難以補償。 為了消除高頻響音圈電機遲滯特性和摩擦特性引起音圈電機運行時產(chǎn)生的震動 和進一步有效地提高音圈電機的控制系統(tǒng)精度，故需要針對音圈電機的非增函數(shù)變化的、 非光滑復雜遲滯特性和音圈電機非光滑摩擦特性建模，以提供消除兩種特性的模型補償手 段，并在此基礎上，設計高速往復運動的音圈電機的非線性特性的智能補償方法和控制系 統(tǒng)。
發(fā)明內(nèi)容
本發(fā)明的目的是設計一種在高速往復運動下具有非增函數(shù)變化的、復雜遲滯特性
和摩擦特性直線音圈電機的智能補償方法及控制系統(tǒng)，以實現(xiàn)音圈電機的微米級高速定位控制。 以下直線音圈電機簡稱為音圈電機。
本發(fā)明設計的音圈電機非線性特性的智能補償方法如下
I 、建立音圈電機的混合遲滯模型 針對音圈電機線圈電壓與位移之間的非光滑、復雜遲滯特性，采用音圈電機遲滯機理模型與神經(jīng)網(wǎng)絡模型串聯(lián)組成的音圈電機混合遲滯模型。 混合遲滯模型結構的前一部分借鑒描述彈簧恢復力和位移的遲滯特性的Bouc-Wen遲滯機理模型，該模型是由具有非增函數(shù)變化的、非光滑特性的非線性微分方程構成。其方程如下 <formula>formula see original document page 6</formula>
其中z是輸出恢復力，x是位移，k、 13 、 Y及n是參數(shù)。該模型是描述彈簧恢復力和位移的遲滯特性模型，在選定模型結構后，其中參數(shù)k、 13、 Y及n不同，其表達的遲滯特性不同。 該模型的遲滯環(huán)是由兩條光滑曲線組成的、在極值點不光滑的遲滯曲線。該模型提供了非光滑的遲滯基本特性，與實際音圈電機線圈電壓與位移的關系比較，形狀大致類似，但在相位和幅度上不相同，調(diào)整該Bouc-Wen模型中的參數(shù)可使模型提供的非光滑的遲滯基本特性與音圈電機的實際情況相符。 以Bouc-Wen模型方程為基礎，以音圈電機線圈電壓u(t)為輸入，線圈位移d(t)為輸出，作為音圈電機遲滯模型的基本結構，其方程為 <formula>formula see original document page 6</formula> 式中輸入u為音圈電機線圈電壓，輸出d為音圈電機線圈的位移，k、13 、 Y及n為參數(shù)。 直接采用該音圈電機遲滯模型，通過參數(shù)k、 |3 、 Y及n的在線學習，表達音圈電機復雜遲滯特性十分復雜和困難，在控制系統(tǒng)中難于在線實現(xiàn)。 故本發(fā)明設計的混合遲滯模型中，在音圈電機遲滯模型之后串聯(lián)神經(jīng)網(wǎng)絡模型構成音圈電機混合遲滯模型。 所述的音圈電機混合遲滯模型所串聯(lián)的神經(jīng)網(wǎng)絡模型為RBF神經(jīng)網(wǎng)絡模型，其中m為神經(jīng)網(wǎng)絡模型的輸入向量
<formula>formula see original document page 6</formula>
RBF神經(jīng)網(wǎng)絡模型為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下
<formula>formula see original document page 6</formula>
<formula>formula see original document page 7</formula>
其中L是隱含層節(jié)點數(shù)，L為15 20的整數(shù)，| | | |是歐幾里德范數(shù)。Cj為第j個隱節(jié)點的中心，o j是第j個隱節(jié)點的寬度，Wj是第j個基函數(shù)與輸出節(jié)點的連接權值。
其中，y(t-l)表示音圈電機的前一時刻的位移輸出，d(t)表示音圈電機遲滯模型的輸出，在RBF神經(jīng)網(wǎng)絡模型基礎上，通過音圈電機的前一時刻的輸出位移y(t-l)構成外反饋，使RBF神經(jīng)網(wǎng)絡具有動態(tài)特性，實現(xiàn)了對音圈電機動態(tài)遲滯特性的描述，所以，所建立的音圈電機混合遲滯模型是一種動態(tài)的混合遲滯模型。RBF的輸出，即為音圈電機混合遲滯模型的輸出yy(t)?；旌线t滯模型的輸入是電壓u(t)，輸出是位移yy(t)。
本發(fā)明的音圈電機混合遲滯模型通過神經(jīng)網(wǎng)絡智能自學習和非線性映射能力，實時調(diào)整神經(jīng)網(wǎng)絡參數(shù)Cj、 o j、 Wj，同時間接地實現(xiàn)了音圈電機遲滯模型中參數(shù)k、 13、 Y及n的自調(diào)整，回避了音圈電機遲滯模型中參數(shù)直接求取的復雜離線方法，本混合遲滯模型結構也巧妙地解決了直接用神經(jīng)網(wǎng)絡不能表述音圈電機非光滑特性的問題，最終實現(xiàn)混合遲滯模型對非光滑的、非增函數(shù)變化的動態(tài)遲滯特性的描述。音圈電機混合遲滯模型中，輸入是電壓u(t)，輸出是位移yy(t)，其中音圈電機遲滯模型輸出為混合遲滯模型中間變量，記為d(t)，RBF神經(jīng)網(wǎng)絡輸入向量由音圈電機遲滯模型輸出d(t)和音圈電機輸出位移的前一采樣值y(t-l)組成。 音圈電機混合遲滯模型中的RBF神經(jīng)網(wǎng)絡模型參數(shù)的學習采用最速下降法。
11 、建立音圈電機混合遲滯逆模型 在音圈電機混合遲滯模型的基礎上，即可建立對應的音圈電機混合遲滯逆模型，音圈電機混合遲滯逆模型中音圈電機遲滯逆模型輸入為設定位移r (t)，輸出為電壓p(t)，即音圈電機混合遲滯逆模型的中間變量，k、 13 、 Y及n為參數(shù)。音圈電機遲滯逆模型為<formula>formula see original document page 7</formula> 當<formula>formula see original document page 7</formula>
其串聯(lián)的神經(jīng)網(wǎng)絡模型的結構與混合遲滯模型中的RBF神經(jīng)網(wǎng)絡模型結構相同，
為具有單隱層的三層前饋網(wǎng)絡，但輸入向量為
<formula>formula see original document page 7</formula>
其輸入輸出關系如下<formula>formula see original document page 7</formula>2
附l _ C .= exp(--2 . 其中，通過音圈電機的前一時刻的輸出位移y (t-1)構成外反饋，使RBF神經(jīng)網(wǎng)絡具有動態(tài)特性，實現(xiàn)了對音圈電機動態(tài)遲滯逆特性的描述，所以，所建立的音圈電機混合遲滯逆模型是一種動態(tài)的混合遲滯逆模型。音圈電機混合遲滯逆模型中的神經(jīng)網(wǎng)絡的輸入為ml= [y(t-l)， p(t)]，輸出為電壓皿l(t)。混合遲滯逆模型的輸入為設定位移r(t)，輸出為電壓皿l(t)。 音圈電機混合遲滯逆模型中的RBF神經(jīng)網(wǎng)絡模型基于控制系統(tǒng)的設定值r(t)與音圈電機的實際輸出值位移y(t)的偏差e(t) 二r(t)-y(t)，通過最速下降法學習，實現(xiàn)對混合遲滯逆模型中神經(jīng)網(wǎng)絡的參數(shù)Cj、 o j、Wj的實時調(diào)整，同時間接地實現(xiàn)了音圈電機遲滯逆模型中參數(shù)k、 13 、 y及n的調(diào)整。 ni、建立音圈電機的混合摩擦模型 針對音圈電機線圈運動的非光滑摩擦特性，采用具有非光滑特性的音圈電機摩擦
模型和具有光滑特性的神經(jīng)網(wǎng)絡模型串聯(lián)組成音圈電機混合摩擦模型。 選取通用摩擦模型如下" = (, + (厶—+ /J)sgn * 其中fs、 f。、^、fv及S參數(shù)分別是靜態(tài)摩擦力、庫侖力的最小值、潤滑系數(shù)、負載系數(shù)和附加的經(jīng)驗參數(shù)。輸入為位移x，輸出為摩擦力fMrti。n。 通用的摩擦模型描述摩擦的非光滑基本特性，以通用摩擦模型作為音圈電機摩擦模型的基本結構，取輸入為音圈電機位移y，取輸出為電壓mm， fs、 f。、^、fv及S是模型的參數(shù)，音圈電機摩擦模型表達式如下 畫=(/c + (, - /c)e-(夕""+ y;少)sgn少， 由于摩擦特性的非光滑特性，在線辨識摩擦模型中的參數(shù)很困難。本發(fā)明將具有非光滑特性的音圈電機摩擦模型與第二RBF神經(jīng)網(wǎng)絡模型串聯(lián)，組成音圈電機混合摩擦模型。 與音圈電機摩擦模型相串聯(lián)的神經(jīng)網(wǎng)絡模型為第二RBF神經(jīng)網(wǎng)絡模型，其中m2為第二RBF神經(jīng)網(wǎng)絡模型的輸入向量
m2 = [mm(t)]
第二RBF神經(jīng)網(wǎng)絡模型也為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下
"w2(0 = J>,》.(m2)
》=i2 .
其中LL是隱含層節(jié)點數(shù)，LL為15 20的整數(shù)，I I I I是歐幾里德范數(shù)。Cjj為第jj個隱節(jié)點的中心，o 是第jj個隱節(jié)點的寬度，w,.,.是第jj個基函數(shù)與輸出節(jié)點的連
<formula>formula see original document page 8</formula><formula>formula see original document page 8</formula>接權值。 其中mm(t)表示音圈電機摩擦模型輸出。對應第二 RBF神經(jīng)網(wǎng)絡模型輸出記為皿2 (t)，即為音圈電機混合摩擦模型的輸出。 本音圈電機混合摩擦模型通過神經(jīng)網(wǎng)絡的智能自學習和非線性映射能力，實時調(diào)
整第二神經(jīng)網(wǎng)絡參數(shù)Cjj、 O jj、 Wjj，同時間接實現(xiàn)摩擦模型參數(shù)fs、 f。、^、fv及S的調(diào)整，
以逼近音圈電機的實際摩擦特性。實現(xiàn)了采用混合摩擦模型描述摩擦的非光滑非線性特
性。并且本音圈電機混合摩擦模型的結構也巧妙地解決了不能直接采用神經(jīng)網(wǎng)絡逼近非光
滑摩擦特性的問題。音圈電機混合摩擦模型中，輸入是音圈電機輸出位移y (t)，輸出是電壓
皿2(t);其中，音圈電機摩擦模型輸出為混合摩擦模型中間變量，記為mm(t)。 音圈電機混合摩擦模型的第二RBF神經(jīng)網(wǎng)絡模型參數(shù)的學習過程采用最速下降法。 IV、控制音圈電機 本發(fā)明的控制方法中將音圈電機等價為積分環(huán)節(jié)和慣性環(huán)節(jié)串聯(lián)為簡單線性對象，音圈電機混合遲滯模型與該簡單線性對象串聯(lián)后的整體，與混合摩擦模型以反饋方式連接。 以音圈電機混合遲滯模型為基礎，建立的音圈電機混合遲滯逆模型以前饋方式與音圈電機串聯(lián)，混合遲滯逆模型中的神經(jīng)網(wǎng)絡根據(jù)線圈位移設定值與音圈電機的實際輸出位移的偏差e(t)，通過最速下降法學習，實時調(diào)整混合遲滯逆模型中的神經(jīng)網(wǎng)絡的參數(shù)，串聯(lián)的混合遲滯逆模型的前饋補償實現(xiàn)對音圈電機遲滯特性的抵消，消除音圈電機遲滯特性造成的震動。 混合摩擦模型與音圈電機以反饋方式連接，在混合摩擦模型中的神經(jīng)網(wǎng)絡模型基于位移偏差e(t)，通過最速下降法學習，實時調(diào)整混合摩擦模型的神經(jīng)網(wǎng)絡參數(shù)?；旌夏Σ聊Ｐ屯ㄟ^并聯(lián)補償?shù)恼摰窒姆椒?，消除了摩擦特性非線性強干擾。在對音圈電機的非光滑遲滯特性和非光滑摩擦特性進行上述模型智能補償后，音圈電機簡化為簡單線性或弱非線性對象，按弱非線性對象進行常規(guī)的反饋控制，如比例微分控制PD(Proportion-Differential)等，即可實現(xiàn)對具有特殊非線性的音圈電機的控制。
本發(fā)明設計的直線音圈電機非線性特性的智能補償與控制系統(tǒng)包括音圈電機、數(shù)字位移傳感器、信號處理器、驅(qū)動電路及直流電源。驅(qū)動電路的輸出電壓接入音圈電機的線圈；位移傳感器安裝于音圈電機線圈旁，檢測音圈電機線圈的位移，其輸出信號接入信號處理器。 信號處理器包括中央處理單元、模/數(shù)轉換(A/D)電路、數(shù)/模轉換(D/A)電路，程序存儲模塊(R0M)、數(shù)據(jù)存儲模塊(RAM)、脈寬調(diào)制模塊(P麗)和位移傳感器信號接收電路。中央處理單元連接程序存儲模塊(ROM)和數(shù)據(jù)存儲模塊(RAM)，數(shù)字位移傳感器與位移傳感器信號接收電路連接，中央處理單元的控制信號接脈寬調(diào)制模塊，脈寬調(diào)制模塊接驅(qū)動電路。 直流電源接信號處理器和驅(qū)動電路為其提供電源。 程序存儲模塊存儲有混合遲滯逆模型補償程序、混合摩擦模型補償程序及弱非線性對象控制算法程序。脈寬調(diào)制模塊(P麗)接受程序存儲模塊輸出電壓信號并進行調(diào)制，其輸出接入驅(qū)動電路，調(diào)節(jié)驅(qū)動電壓實現(xiàn)音圈電機的正向和反向直線運動。
所述位移傳感器為位移光柵尺傳感器，信號處理器的位移信號接收電路為計數(shù)器。
本發(fā)明直線音圈電機非線性特性的智能補償方法及控制系統(tǒng)的優(yōu)點為 1、從遲滯特性角度，分析高頻響音圈電機產(chǎn)生震動機理，建立音圈電機遲滯逆模
型和音圈電機摩擦模型，分別與動態(tài)和靜態(tài)神經(jīng)網(wǎng)絡模型相結合，組成音圈電機混合遲滯
逆模型與混合摩擦模型，神經(jīng)網(wǎng)絡模型間接實現(xiàn)音圈電機遲滯逆模型和音圈電機摩擦模型
的參數(shù)在線學習，該混合模型結構也巧妙地解決了直接用神經(jīng)網(wǎng)絡不能表述非光滑特性的
問題；實現(xiàn)對音圈電機非增函數(shù)變化、非光滑遲滯特性和非光滑摩擦特性的建模和模型參
數(shù)自學習，為音圈電機遲滯特性和摩擦特性的智能補償和控制提供核心技術；2、在所建混
合模型的基礎上，使音圈電機的非線性遲滯特性及摩擦特性得到補償及抵消，化復雜為簡
單，等價的簡單線性對象結合已有技術得到具有非光滑的復雜遲滯非線性特性和非光滑摩
擦特性音圈電機的控制系統(tǒng)；3、混合模型結構簡潔，兩個混合模型具有自適應和自學習能
力，提高了模型的適應性，混合模型方法與技術還可推廣用于其它非光滑特性建模與補償
的控制系統(tǒng)；4、控制系統(tǒng)中，在控制算法結構和參數(shù)不變的情況下，本發(fā)明的控制系統(tǒng)與沒
有采用兩種智能補償?shù)目刂葡到y(tǒng)相比較，其控制效果得到明顯的提高，控制誤差減小40%
以上，有效抑制音圈電機震動的產(chǎn)生，最終有效地提高音圈電機控制系統(tǒng)的定位精度。
(四)


圖1為本直線音圈電機非線性特性的智能補償方法實施例中音圈電機線圈位移與輸入電壓的遲滯關系曲線圖； 圖2為本直線音圈電機非線性特性的智能補償方法實施例中音圈電機混合遲滯模型結構框圖； 圖3為圖2中RBF神經(jīng)網(wǎng)絡模型結構示意圖； 圖4為本直線音圈電機非線性特性的智能補償方法實施例中音圈電機混合遲滯逆模型結構框圖； 圖5為本直線音圈電機非線性特性的智能補償方法實施例中音圈電機非光滑摩擦特性參數(shù)智能學習結構框圖； 圖6為圖5中第二 RBF神經(jīng)網(wǎng)絡模型結構示意圖 圖7為本直線音圈電機非線性特性的智能補償方法實施例中音圈電機等價結構示意圖； 圖8為本直線音圈電機非線性特性的智能補償方法實施例中非線性遲滯特性及摩擦特性補償控制結構示意圖； 圖9為本直線音圈電機非線性特性的智能補償控制系統(tǒng)實施例結構示意圖。
(五)
具體實施例方式
直線音圈電機非線性特性的智能補償方法實施例 本直線音圈電機非線性特性的智能補償方法實施例如下 圖1所示為本例的音圈電機線圈位移與輸入電壓的遲滯關系曲線，其遲滯環(huán)是包括兩條光滑曲線，二曲線相交的極值點不光滑。
10
1、建立音圈電機的混合遲滯模型 針對音圈電機線圈電壓與位移之間的非光滑、復雜遲滯特性采用音圈電機遲滯模 型與神經(jīng)網(wǎng)絡模型串聯(lián)組成音圈電機混合遲滯模型，其結構如圖2所示，圖中的Z—1是一個 采樣周期滯后單元，以獲得音圈電機的前一時刻的位移輸出y(t-l)。
音圈電機遲滯模型的基本結構表達式為 j = fei _ — ^zi t/" 式中輸入u為音圈電機線圈電壓，輸出d為音圈電機線圈的位移，k、13 、 Y，及n為
該神 在音圈電機遲滯模型之后串聯(lián)神經(jīng)網(wǎng)絡模型構成音圈電機的混合遲滯模型, 經(jīng)網(wǎng)絡模型如圖3所示，為RBF神經(jīng)網(wǎng)絡模型，其中m是為神經(jīng)網(wǎng)絡模型的輸入向量

的輸出，
m= [y(t-l)，d(t)]
式中，y(t-l)表示音圈電機的前一時刻的位移輸出，d(t)表示音圈電機遲滯模型 RBF神經(jīng)網(wǎng)絡模型為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下
<l)y = exp(-
ll附_ c,
2cr 其中L是隱含層節(jié)點數(shù)，L為15 20的整數(shù)，
'I I是歐幾里德范數(shù)。Cj為第j 個隱節(jié)點的中心，o j是第j個隱節(jié)點的寬度，Wj是第j個基函數(shù)與輸出節(jié)點的連接權值。
在RBF神經(jīng)網(wǎng)絡模型基礎上，通過音圈電機的前一時刻的輸出位移y(t-l)構成外 反饋，使RBF神經(jīng)網(wǎng)絡具有動態(tài)特性，實現(xiàn)了對音圈電機動態(tài)遲滯特性的描述，所以，所建 立的音圈電機混合遲滯模型是一種動態(tài)的混合遲滯模型。RBF的輸出，即為音圈電機混合遲 滯模型的輸出yy(t)?；旌线t滯模型的輸入是電壓u(t)，輸出是位移yy(t)。
神經(jīng)網(wǎng)絡通過其智能自學習和非線性映射能力，間接地實現(xiàn)了遲滯模型中參數(shù)k、 13 、 Y及n的自調(diào)整。 n、建立音圈電機混合遲滯逆模型 在音圈電機遲滯模型的基礎上，即可建立對應的音圈電機遲滯逆模型，音圈電機 遲滯逆模型與神經(jīng)網(wǎng)絡串聯(lián)組成音圈電機混合遲滯逆模型，其結構如圖4所示，圖中的Z一1 是一個采樣周期滯后單元，以獲得音圈電機的前一時刻的位移輸出y(t-l)，其中音圈電機 遲滯逆模型輸入為設定位移r (t)，輸出為電壓p，即音圈電機混合遲滯逆模型的中間變量。 音圈電機遲滯逆模型表達式為
當戶>0 P二^ ^
A _ ， _ y 當》<0
ii
串聯(lián)在音圈電機遲滯逆模型之后的RBF神經(jīng)網(wǎng)P =
絡模型與圖
<formula>formula see original document page 12</formula>3所示混合遲滯模型中的RBF神經(jīng)網(wǎng)絡模型結構相同，為具有單隱層的三層前饋網(wǎng)絡，但輸 入向量為 <formula>formula see original document page 12</formula>其輸入輸出關系如下
<formula>formula see original document page 12</formula>
其中，通過音圈電機的前一時刻的輸出位移y (t-1)構成外反饋，使RBF神經(jīng)網(wǎng)絡
具有動態(tài)特性，實現(xiàn)了對音圈電機動態(tài)遲滯逆特性的描述，所以，所建立的音圈電機混合遲 滯逆模型是一種動態(tài)的混合遲滯逆模型。音圈電機混合遲滯逆模型中神經(jīng)網(wǎng)絡的輸入為ml =[y(t-l)，p(t)]，輸出為電壓皿l(t)。 音圈電機混合遲滯逆模型的RBF神經(jīng)網(wǎng)絡模型基于控制系統(tǒng)的設定值與音圈電 機的實際輸出值位移的偏差e(t)，通過最速下降法學習，實現(xiàn)對遲滯逆模型中神經(jīng)網(wǎng)絡的 參數(shù)的調(diào)整，并間接實現(xiàn)對遲滯逆模型中參數(shù)的調(diào)整。 ni、建立音圈電機的混合摩擦模型 針對音圈電機線圈運動的非光滑摩擦特性采用具有非光滑特性的音圈電機摩擦 模型和具有光滑特性的神經(jīng)網(wǎng)絡模型串聯(lián)組成音圈電機混合摩擦模型，其結構如圖5所 示。 具有非光滑特性的音圈電機摩擦模型與神經(jīng)網(wǎng)絡模型串聯(lián)，組成音圈電機混合摩 擦模型，取輸入為音圈電機位移y，取輸出為電壓mm，fs、f。、A、fv及S是模型的參數(shù)，音圈 電機摩擦模型表達式如下
<formula>formula see original document page 12</formula>
<formula>formula see original document page 12</formula>
與音圈電機摩擦模型相串聯(lián)的神經(jīng)網(wǎng)絡模型如圖6所示，為第二RBF神經(jīng)網(wǎng)絡模 型，其中m2為神經(jīng)網(wǎng)絡模型的輸入向量
m2 = [mm(t)] 第二RBF神經(jīng)網(wǎng)絡模型也為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下
<formula>formula see original document page 12</formula>
其中mm表示摩擦模型輸出。對應第二 RBF神經(jīng)網(wǎng)絡模型輸出記為皿2 (t)，即為音 圈電機混合摩擦模型的輸出。
本音圈電機混合摩擦模型通過神經(jīng)網(wǎng)絡的智能自學習和非線性映射能力，間接地 實現(xiàn)摩擦模型參數(shù)fs、 f。、A、fv及S的調(diào)整，以逼近音圈電機的實際摩擦特性。音圈電機 混合摩擦模型中，輸入是音圈電機輸出位移y(t)，輸出是電壓uu2(t);其中，音圈電機摩擦 模型輸出為混合摩擦模型中間變量，記為mm。 音圈電機混合摩擦模型的第二 RBF神經(jīng)網(wǎng)絡模型學習過程采用最速下降法。
IV、控制音圈電機 如圖7所示，音圈電機可以等價為混合遲滯模型與簡單線性對象串聯(lián)，串聯(lián)后的 整體與混合摩擦模型以反饋方式連接。 音圈電機非線性遲滯特性及摩擦特性內(nèi)部補償控制結構如圖8所示，混合遲滯逆 模型與音圈電機串聯(lián)，混合摩擦模型與音圈電機并聯(lián)，兩種方法結合，實現(xiàn)對音圈電機遲滯 特性和摩擦的有效補償和抵消?；旌线t滯逆模型和混合摩擦模型根據(jù)線圈位移設定值r(t) 與音圈電機的實際輸出位移的偏差e(t)，二者的神經(jīng)網(wǎng)絡通過最速下降法學習，調(diào)整混合 遲滯逆模型和混合摩擦模型中的神經(jīng)網(wǎng)絡的參數(shù)?；旌线t滯逆模型以前饋方式實現(xiàn)串聯(lián)補 償，抵消音圈電機遲滯特性，消除音圈電機遲滯特性造成的震動?；旌夏Σ聊Ｐ屯ㄟ^并聯(lián)補 償?shù)恼摰窒姆椒ǎ四Σ撂匦苑蔷€性強干擾。 音圈電機的非線性遲滯特性及摩擦特性經(jīng)過上述兩個模型的智能補償及抵消后， 音圈電機簡化為慣性環(huán)節(jié)與積分環(huán)節(jié)串聯(lián)的簡單線性對象或弱非線性對象，按一般弱非線 性對象，進行反饋控制，采用常規(guī)控制方法如比例微分控制PD (Proportion-Differential) 和其改進控制算法實現(xiàn)對具有特殊非線性的音圈電機的有效控制。
直線音圈電機非線性特性的智能補償系統(tǒng)實施例 本發(fā)明設計的直線音圈電機非線性特性的智能補償控制系統(tǒng)如圖9所示，包括音 圈電機、位移傳感器、信號處理器、驅(qū)動電路及直流電源。驅(qū)動電路的輸出電壓接入音圈電 機的線圈；所述位移傳感器為位移光柵尺傳感器安裝于音圈電機線圈旁。
信號處理器采用數(shù)字信號處理器(DSP)芯片，包括中央處理單元、模/數(shù)轉換(A/ D)電路、數(shù)/模轉換(D/A)電路，程序存儲模塊(R0M)、數(shù)據(jù)存儲模塊(RAM)、脈寬調(diào)制模塊 (P麗)和位移傳感器信號接收電路。位移信號接收電路為計數(shù)器。中央處理單元連接程序 存儲模塊(ROM)和數(shù)據(jù)存儲模塊(RAM)，位移傳感器與位移傳感器信號接收電路連接，中央 處理單元的控制信號接脈寬調(diào)制模塊，脈寬調(diào)制模塊接驅(qū)動電路。
直流電源接信號處理器和驅(qū)動電路為其提供電源。 程序存儲模塊存儲有混合遲滯逆模型補償程序、混合摩擦模型補償程序及比例微 分控制算法程序。 本控制系統(tǒng)實施例中對音圈電機的遲滯特性補償、摩擦特性補償、控制算法(比
例微分算法)及音圈電機的控制信號求和都是通過軟件實現(xiàn)，其各部分控制過程如下
1)遲滯特性補償 信號處理器的中央處理單元得到音圈電機輸出位移y(t)，結合設定位移值r(t)， 計算得到位移的偏差e (t) = r (t) -y (t)，同時根據(jù)電壓的變化增量A u (t)和位移變化增量 Ay(t)，計算最速下降學習法中用到的音圈電機增益Ay(t)/Au(t)(當Au(t)為零時，增 益取前一時刻的增益)； 中央處理器根據(jù)程序存儲器中遲滯逆模型的公式，以輸入為設定位移值r(t)，計算遲滯逆模型輸出為電壓P(t); p(t)和音圈電機前一時刻輸出位移y(t-l)作為混合遲滯逆模型中神經(jīng)網(wǎng)絡的輸 入，神經(jīng)網(wǎng)絡基于e(t)按最速下降學習法，并結合音圈電機增益Ay(t)/Au(t)以遞推形
式計算混合遲滯逆模型中神經(jīng)網(wǎng)絡的各參數(shù)，所得參數(shù)Cj、 O j、Wj作為下一時刻的混合遲滯
逆模型中神經(jīng)網(wǎng)絡的各參數(shù)，同時間接調(diào)整遲滯模型中參數(shù)k、 13、 Y及n。計算混合遲滯
逆模型中神經(jīng)網(wǎng)絡模型的輸出即為混合遲滯逆模型的輸出為皿l(t)。 2)摩擦特性補償 與前述相同，在信號處理器的中央處理單元得到位移偏差e(t)，中央處理器根 據(jù)程序存儲器中摩擦模型的公式，按音圈電機輸出位移y(t)，計算摩擦模型輸出為電壓 mm(t)作為混合摩擦模型中神經(jīng)網(wǎng)絡的輸入，計算最速下降學習法中用到的音圈 電機增益Ay(t)/Au(t)(當Au(t)為零時，增益取前一時刻的增益)，神經(jīng)網(wǎng)絡基于e(t) 并結合音圈電機增益A y (t) / A u (t)，按最速下降學習法，以遞推形式計算混合摩擦模型中 神經(jīng)網(wǎng)絡的各參數(shù)，所得參數(shù)Cjj、 o jj、 Wjj作為下一時刻的混合摩擦模型中神經(jīng)網(wǎng)絡參數(shù)， 同時間接調(diào)整摩擦模型中參數(shù)fs、f。、4、fv及S。計算混合摩擦模型中神經(jīng)網(wǎng)絡的輸出即 為混合摩擦模型的輸出為皿2(t)。
3)弱非線性對象的控制 在信號處理器的中央處理單元中，按音圈電機輸出位移y (t)，結合設定位移值 r (t)，計算得到位移偏差e (t)，根據(jù)程序存儲器中比例微分控制算法程序，計算得到控制值 皿3 (t) 4)音圈電機控制信號u(t) 中央處理器將混合遲滯逆模型補償輸出皿l(t)、混合摩擦模型補償輸出皿2(t) 與比例微分控制算法的輸出uu3 (t)求和，作為音圈電機控制信號u (t)，送入驅(qū)動電路。
上述實施例，僅為對本發(fā)明的目的、技術方案和有益效果進一步詳細說明的具體 個例，本發(fā)明并非限定于此。凡在本發(fā)明的公開的范圍之內(nèi)所做的任何修改、等同替換、改 進等，均包含在本發(fā)明的保護范圍之內(nèi)。
1權利要求
直線音圈電機非線性特性的智能補償方法，音圈電機線圈位移與輸入電壓的遲滯環(huán)包括兩條光滑曲線，二曲線相交的極值點不光滑，其特征在于包括如下步驟I、建立音圈電機的混合遲滯模型音圈電機遲滯模型的基本結構表達式為 <mrow><mover> <mi>d</mi> <mo>.</mo></mover><mo>=</mo><mi>k</mi><mover> <mi>u</mi> <mo>.</mo></mover><mo>-</mo><mi>&beta;</mi><mo>|</mo><mover> <mi>u</mi> <mo>.</mo></mover><mo>|</mo><mi>d</mi><mo>-</mo><mi>&gamma;</mi><mover> <mi>u</mi> <mo>.</mo></mover><mo>|</mo><msup> <mi>d</mi> <mi>n</mi></msup><mo>|</mo> </mrow>式中輸入u為音圈電機線圈電壓，輸出d為音圈電機線圈的位移，k、β、γ，及n為參數(shù)；在音圈電機遲滯模型之后串聯(lián)神經(jīng)網(wǎng)絡模型構成音圈電機的混合遲滯模型，該神經(jīng)網(wǎng)絡模型為RBF神經(jīng)網(wǎng)絡模型，其中m是為神經(jīng)網(wǎng)絡模型的輸入向量m＝[y(t-1)，d(t)]式中，y(t-1)表示音圈電機的前一時刻的位移輸出，d(t)表示音圈電機遲滯模型的輸出；RBF神經(jīng)網(wǎng)絡模型為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下 <mrow><mi>yy</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>L</mi></munderover><msub> <mi>w</mi> <mi>j</mi></msub><msub> <mi>&Phi;</mi> <mi>j</mi></msub><mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>&Phi;</mi> <mi>j</mi></msub><mo>=</mo><mi>exp</mi><mrow> <mo>(</mo> <mo>-</mo> <mfrac><msup> <mrow><mo>|</mo><mo>|</mo><mi>m</mi><mo>-</mo><msub> <mi>c</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mrow> <mn>2</mn> <msup><msub> <mi>&sigma;</mi> <mi>j</mi></msub><mn>2</mn> </msup></mrow> </mfrac> <mo>)</mo></mrow> </mrow>式中L是隱含層節(jié)點數(shù)，L為15～20的整數(shù)，||·||是歐幾里德范數(shù)；cj為第j個隱節(jié)點的中心，σj是第j個隱節(jié)點的寬度，wj是第j個基函數(shù)與輸出節(jié)點的連接權值；音圈電機混合遲滯模型通過神經(jīng)網(wǎng)絡智能自學習和非線性映射能力，實時調(diào)整神經(jīng)網(wǎng)絡參數(shù)cj、σj、wj，同時間接地實現(xiàn)了音圈電機遲滯模型中參數(shù)k、β、γ及n的自調(diào)整，混合遲滯模型的輸入是電壓u(t)，輸出是位移yy(t)；II、建立音圈電機混合遲滯逆模型在音圈電機遲滯模型的基礎上，建立對應的音圈電機遲滯逆模型，音圈電機遲滯逆模型輸入為設定位移r(t)，輸出為電壓p，表達式為當 <mrow><mover> <mi>p</mi> <mo>.</mo></mover><mo>></mo><mn>0</mn> </mrow> <mrow><mover> <mi>p</mi> <mo>.</mo></mover><mo>=</mo><mfrac> <mover><mi>r</mi><mo>.</mo> </mover> <mrow><mi>k</mi><mo>-</mo><mi>&beta;r</mi><mo>-</mo><mi>&gamma;</mi><mo>|</mo><msup> <mi>r</mi> <mi>n</mi></msup><mo>|</mo> </mrow></mfrac> </mrow>當 <mrow><mover> <mi>p</mi> <mo>.</mo></mover><mo>&lt;</mo><mn>0</mn> </mrow> <mrow><mover> <mi>p</mi> <mo>.</mo></mover><mo>=</mo><mfrac> <mover><mi>r</mi><mo>.</mo> </mover> <mrow><mi>k</mi><mo>+</mo><mi>&beta;r</mi><mo>-</mo><mi>&gamma;</mi><mo>|</mo><msup> <mi>r</mi> <mi>n</mi></msup><mo>|</mo> </mrow></mfrac> </mrow>串聯(lián)在音圈電機遲滯逆模型之后的RBF神經(jīng)網(wǎng)絡模型與混合遲滯模型中的RBF神經(jīng)網(wǎng)絡模型結構相同，為具有單隱層的三層前饋網(wǎng)絡，但輸入向量為m1＝[y(t-1)，p(t)]其輸入輸出關系如下 <mrow><mi>uu</mi><mn>1</mn><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>LL</mi></munderover><msub> <mi>w</mi> <mi>j</mi></msub><msub> <mi>&Phi;</mi> <mi>j</mi></msub><mrow> <mo>(</mo> <mi>m</mi> <mn>1</mn> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>&Phi;</mi> <mi>j</mi></msub><mo>=</mo><mi>exp</mi><mrow> <mo>(</mo> <mo>-</mo> <mfrac><msup> <mrow><mo>|</mo><mo>|</mo><mi>m</mi><mn>1</mn><mo>-</mo><msub> <mi>c</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mrow> <mn>2</mn> <msup><msub> <mi>&sigma;</mi> <mi>j</mi></msub><mn>2</mn> </msup></mrow> </mfrac> <mo>)</mo></mrow> </mrow>音圈電機混合遲滯逆模型通過神經(jīng)網(wǎng)絡智能自學習和非線性映射能力，實時調(diào)整神經(jīng)網(wǎng)絡參數(shù)cj、σj、wj，同時間接地實現(xiàn)了音圈電機遲滯逆模型中參數(shù)k、β、γ及n的調(diào)整，混合遲滯逆模型的輸入為設定位移r(t)，輸出為電壓uu1(t)；III、建立音圈電機的混合摩擦模型具有非光滑特性的音圈電機摩擦模型與神經(jīng)網(wǎng)絡模型串聯(lián)，組成音圈電機混合摩擦模型，取輸入為音圈電機位移y，取輸出為電壓mm，fs、fc、fv及δ是模型的參數(shù)，音圈電機摩擦模型表達式如下 <mrow><mi>mm</mi><mo>=</mo><mrow> <mo>(</mo> <msub><mi>f</mi><mi>c</mi> </msub> <mo>+</mo> <mrow><mo>(</mo><msub> <mi>f</mi> <mi>s</mi></msub><mo>-</mo><msub> <mi>f</mi> <mi>c</mi></msub><mo>)</mo> </mrow> <msup><mi>e</mi><mrow> <mo>-</mo> <msup><mrow> <mo>(</mo> <mover><mi>y</mi><mo>.</mo> </mover> <mo>/</mo> <msub><mover> <mi>x</mi> <mo>.</mo></mover><mi>s</mi> </msub> <mo>)</mo></mrow><mi>&delta;</mi> </msup></mrow> </msup> <mo>+</mo> <msub><mi>f</mi><mi>v</mi> </msub> <mover><mi>y</mi><mo>.</mo> </mover> <mo>)</mo></mrow><mi>sgn</mi><mover> <mi>y</mi> <mo>.</mo></mover><mo>,</mo> </mrow>與音圈電機摩擦模型相串聯(lián)的神經(jīng)網(wǎng)絡模型為第二RBF神經(jīng)網(wǎng)絡模型，其中m2為神經(jīng)網(wǎng)絡模型的輸入向量m2＝[mm(t)]第二RBF神經(jīng)網(wǎng)絡模型也為具有單隱層的三層前饋網(wǎng)絡，其輸入輸出關系如下 <mrow><mi>uu</mi><mn>2</mn><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>jj</mi><mo>=</mo><mn>1</mn> </mrow> <mi>LL</mi></munderover><msub> <mi>w</mi> <mi>jj</mi></msub><msub> <mi>&Phi;</mi> <mi>jj</mi></msub><mrow> <mo>(</mo> <mi>m</mi> <mn>2</mn> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>&Phi;</mi> <mi>jj</mi></msub><mo>=</mo><mi>exp</mi><mrow> <mo>(</mo> <mo>-</mo> <mfrac><msup> <mrow><mo>|</mo><mo>|</mo><mi>m</mi><mn>2</mn><mo>-</mo><msub> <mi>c</mi> <mi>jj</mi></msub><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mrow> <mn>2</mn> <msup><msub> <mi>&sigma;</mi> <mi>jj</mi></msub><mn>2</mn> </msup></mrow> </mfrac> <mo>)</mo></mrow> </mrow>其中mm表示摩擦模型輸出，對應第二RBF神經(jīng)網(wǎng)絡模型輸出記為uu2(t)，音圈電機混合摩擦模型通過神經(jīng)網(wǎng)絡的智能自學習和非線性映射能力，實時調(diào)整第二神經(jīng)網(wǎng)絡參數(shù)cjj、σjj、wjj，同時間接地實現(xiàn)摩擦模型參數(shù)fs、fc、fv及δ的調(diào)整，音圈電機混合摩擦模型的輸入是音圈電機輸出位移y(t)，輸出是電壓uu2(t)；IV、控制音圈電機音圈電機的混合遲滯逆模型以前饋方式與音圈電機串聯(lián)，混合遲滯逆模型中的神經(jīng)網(wǎng)絡根據(jù)線圈位移設定值與音圈電機的實際輸出位移的偏差e(t)，通過最速下降法學習，實時調(diào)整混合遲滯逆模型中的神經(jīng)網(wǎng)絡的參數(shù)，串聯(lián)的混合遲滯逆模型的前饋補償實現(xiàn)對音圈電機遲滯特性的抵消，消除音圈電機遲滯特性造成的震動；混合摩擦模型與音圈電機以反饋方式連接，在混合摩擦模型中的神經(jīng)網(wǎng)絡模型基于位移偏差e(t)，通過最速下降法學習，實時調(diào)整混合摩擦模型的神經(jīng)網(wǎng)絡參數(shù)，混合摩擦模型通過并聯(lián)補償?shù)恼摰窒姆椒?，消除了摩擦特性非線性強干擾；音圈電機的非線性遲滯特性及摩擦特性經(jīng)過上述兩個模型的智能補償及抵消后，音圈電機簡化為慣性環(huán)節(jié)與積分環(huán)節(jié)串聯(lián)的簡單線性對象或弱非線性對象，按弱非線性對象進行反饋控制。FSA00000011696500027.tif,FSA00000011696500033.tif
2.根據(jù)權利要求1所述的直線音圈電機非線性特性的智能補償方法，其特征在于 音圈電機簡化為簡單線性或弱非線性對象后采用的反饋控制方法為比例微分控制或 其改進控制算法。
3. 根據(jù)權利要求1或2所述的直線音圈電機非線性特性的智能補償方法設計的音圈電 機非線性特性的智能補償系統(tǒng)，其特征在于包括音圈電機、位移傳感器、信號處理器、驅(qū)動電路及直流電源，驅(qū)動電路的輸出電壓 接入音圈電機的線圈；信號處理器包括中央處理單元、模/數(shù)轉換電路、數(shù)/模轉換電路，程 序存儲模塊、數(shù)據(jù)存儲模塊、脈寬調(diào)制模塊和位移傳感器信號接收電路；中央處理單元連接 程序存儲模塊和數(shù)據(jù)存儲模塊，位移傳感器與位移傳感器信號接收電路連接，中央處理單 元的控制信號接脈寬調(diào)制模塊，脈寬調(diào)制模塊接驅(qū)動電路；直流電源接信號處理器和驅(qū)動電路為其提供電源；程序存儲模塊存儲有混合遲滯逆模型補償程序、混合摩擦模型補償程序及弱非線性對 象控制算法程序。
4. 根據(jù)權利要求3所述的直線音圈電機非線性特性的智能補償系統(tǒng)，其特征在于 所述位移傳感器為位移光柵尺傳感器，安裝于音圈電機線圈旁；位移信號接收電路為計數(shù)器。
5. 根據(jù)權利要求3所述的直線音圈電機非線性特性的智能補償系統(tǒng)，其特征在于 所述信號處理器為數(shù)字信號處理器芯片。
6. 根據(jù)權利要求3所述的直線音圈電機非線性特性的智能補償系統(tǒng)，其特征在于 所述程序存儲模塊存儲的弱非線性對象控制算法程序為比例微分控制算法程序。
全文摘要
本發(fā)明為直線音圈電機的智能補償方法及控制系統(tǒng)，本方法基于音圈電機遲滯逆模型與神經(jīng)網(wǎng)絡模型串聯(lián)組成音圈電機混合遲滯逆模型，輸入為設定位移r(t)，輸出為電壓uu1(t)。摩擦模型和第二神經(jīng)網(wǎng)絡模型串聯(lián)組成音圈電機混合摩擦模型，輸入是位移y(t)，輸出是電壓uu2(t)?；旌线t滯逆模型以前饋方式與音圈電機串聯(lián)，混合摩擦模型與音圈電機以反饋方式連接，二模型的神經(jīng)網(wǎng)絡實時調(diào)整參數(shù)，對音圈電機的非光滑遲滯特性和非光滑摩擦特性進行智能補償后，即可按弱非線性對象進行反饋控制。本系統(tǒng)位移傳感器接入信號處理器，程序存儲器存儲混合遲滯逆模型補償、混合摩擦模型補償及弱非線性對象控制算法程序，CPU調(diào)節(jié)驅(qū)動電壓控制音圈電機的正反向運動。
文檔編號G06N3/02GK101795110SQ201010106760
公開日2010年8月4日 申請日期2010年2月5日 優(yōu)先權日2010年2月5日
發(fā)明者黨選舉, 張向利 申請人:桂林電子科技大學