[发明专利]基于广义回归神经网络辨识器的超声波电机位置与速度控制系统

权利要求书

1.一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，包括基座和设于基座上的超声波电机，其特征在于：所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与所述转矩传感器的信号输出端分别接至一控制系统。

2.根据权利要求1所述的一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，其特征在于：所述控制系统包括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控制芯片电路与驱动芯片电路；所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连，用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和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接；所述广义回归神经网络辨识器设置于所述控制芯片电路中。

3.根据权利要求1所述的一种基于广义回归神经网络辨识器的超声波电机位置与速度控制系统，其特征在于：所述控制系统包括所述广义回归神经网络辨识器；所述广义回归神经网络辨识器是由四层网络组成，所述四层网络包括输入层、模式层、求和层以及输出层；

所述输入层共有2个节点，输入层X(k)可以表示为

X(k)＝[x₁(k)x₂(k)]^T

(1)

其中x₁(k)＝f(k),x₂(k)＝φ(k)，f(k)为k时刻电机驱动信号的频率，φ(k)为k时刻电机二相驱动信号的相位差；

所述模式层使用非线性函数将所述输入层的数据变成模式空间的数据；取多变量的高斯函数作为非线性函数，所述高斯函数

其中是系统的平均向量，δ_j为高斯函数的标准差；

所述求和层的求和过程分为二个，一个是另一个是其中w_j(k)为模式层节点和求和层节点的连接权重，m是模式层节点的个数。

所述输出层有1个节点，其输出信号y(k)与输入X(k)之间的关系为

估计器的输入为驱动频率f和相位差φ，输出是估计力矩通过线性系统估计变换后得到角速度的估计值

由公式(3)可推得，与输入之间的关系为

综合公式(4)，可表示为

其中m是广义回归神经网络隐含层节点的个数，n是系统的阶数；

公式(5)可以写为矩阵形式

ω^(k)=WnXn(k)---(6)]]>

其中，W_n＝[a₁,a₂,…,a_n,b_ow₁,b_ow₂,…,b_ow_m,b₁,…,b_n1]为隐含层权重向量，输出向量X_n为

若选取适当的平均向量和标准差δ_j，公式(2)则可以由计算得到；

在对所述广义回归神经网络进行训练时，选取估计误差函数为

Eω(k)=12eω2(k)---(7)]]>

其中e_ω(k)的估计误差ω(k)表示所述光电编码器或力矩传感器的信号输出，表示所述广义回归神经网络辨识器的输出。

辨识系统连接权重系数更新按照梯度最快下降算法进行调整，可以表示为

Wn(k+1)=Wn(k)-η(k)∂Eω(k)∂Wn(k)=Wn(k)-η(k)eωXn(k)---(8)]]>

其中η(k)是网络的学习速率。