[发明专利]改良型粒子群寻优神经网络超声波电机控制系统及其方法

说明书

技术领域

本发明涉及电机控制器领域，特别是一种改良型粒子群寻优神经网络超声波电机控制系统及其方法。

背景技术

现有的超声波电机神经网络控制系统中网络学习速率的选取，一般是采用尝试错误法。过大的学习速率，会造成网络发散；过小的学习速率，则会造成追随误差收敛太慢，而追随误差较大，但尝试错误法十分耗时。为了节省寻找网络学习速率的时间，以及增加网络在线学习的能力，在递归式函数连结模糊类神经网络的倒传递算法中，使用改良型粒子群寻优法来在线调整网络学习速率，使得神经网络的学习速率加快，同时利用神经网络可以对电机的非线性可以进行预测和补偿，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

本发明的目的在于提供一种改良型粒子群寻优神经网络超声波电机控制系统及其方法，以克服现有技术中存在缺陷。

为实现上述目的，本发明的技术方案是：一种改良型粒子群寻优神经网络超声波电机控制系统，包括：以及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。

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PWM的频率、相位及通断进行控制。

进一步的，还提供一种改良型粒子群寻优神经网络超声波电机控制系统的控制方法，所述控制系统中的控制芯片电路通过递归式函数连结模糊类神经网络对所述超声波电机在不同控制变量以及不同飞轮惯性负载下的输入输出特性进行控制，并通过改良型粒子群寻优法在线调整所述递归式函数连结模糊类神经网络的学习速率，以增加所述递归式函数连结模糊类神经网络的学习能力以及加快所述递归式函数连结模糊类神经网络的收敛速度。

在本发明一实施例中，所述递归式函数连结模糊类神经网络为一个五层的模糊类神经网络，包括动态回授以及函数连结类神经网络；每一层网络的讯号传递过程如下：

第一层：

在第一层中，神经元的输出表示如下：

其中：和为第一层中的第i个神经元的输入和输出，且和分别为追随误差e及其微分

第二层：

采用高斯函数作为归属函数：

其中：m_ij和σ_ij分别为高斯函数的平均值和标准偏差，第二层中每个神经元均为一个归属函数；m为常数，且m为第二层神经元的个数，为第二层神经元的输出；

第三层：

在第三层中，添加动态回授，采用Sigmoid函数作为递归部分中内部变数h_k的激发函数，动态回授的输出如下：

式中：

为存储元件的递归变数；θ_jk为动态回授的连结权重；

在第三层中，神经元代表模糊逻辑规则的前置部，且神经元在第三层以Π来表示；将所述第二层神经元的输出与所述动态回授的输出相乘，对第j个神经元而言，第三层的输出表示如下：

第四层：

第四中的神经元将函数连结类神经网络的输出与第三层的输出作相乘，每个神经元表示如下：

其中，为第四层的输出；

第五层：

在第五层中的神经元进行解模糊化，输出的数学关系表示为：

其中，为递归式函数连结模糊类神经网络的输出。

在本发明一实施例中，所述递归式函数连结模糊类神经网络的在

线参数学习算法采用梯度陡降法的倒传递算法；将能量误差函数

V记为：