[发明专利]一种电动加载系统的复合控制方法

说明书

技术领域

本发明为一种对电动加载系统的新型控制方法，具体而言是应用高斯权重非均匀量化的新型CMAC算法和传统PD控制结合抑制电动加载系统的多余力矩并提高控制精度和稳定性的方法。

背景技术

在无人机舵机的负载模拟试验中，使用电动加载方式能够有效复现无人机舵面在空中所受的各种载荷，能够在实验室环境下对舵机系统的技术性能指标进行预测性自动测试，可以节约无人机的开发经费，缩短无人机的研制周期，同时有效提高其飞行可靠性和成功率。

电动加载系统属于被动式力矩控制系统，在跟随舵机系统进行力矩加载的运动中会不可避免引入多余力矩，不仅影响加载系统的带宽和稳定性，还会降低加载系统的控制精度。由此，消除电动加载系统多余力矩是系统设计的关键问题。

在消除多余力矩的技术中，因为系统中非线性因素的存在和舵机运动角速度和角加速度无法测量，采用传统的前馈补偿控制方法难以实现预期目标。随着智能控制理论的发展，使用神经网络进行非线性函数的逼近取得了较好的效果。相比于BP、RBF等常规前馈网络，小脑模型关联控制器(CMAC)克服了它们学习速度慢、实时性差的缺点，同时，还具有结构简单、局部泛化能力强的优点，更加适合对电机进行实时控制。

但是在实践中发现，CMAC方法虽然能有效改善控制效果，但是因为理论指导较少，CMAC网络结构的设计和推广尚存在较大难度。当前主要使用CMAC和PD算法相结合的前馈控制方法，CMAC实现前馈补偿，PD完成反馈控制。在CMAC训练初期由PD算法的输出起主要控制作用，随着CMAC的网络训练逐渐完成，CMAC的输出成为主要影响因素，实现对系统的智能控制。但是传统CMAC控制器在跟踪连续变化的信号时会产生累积误差，让CMAC网络产生过学习，严重印象系统的稳定性。

发明内容

本发明的目的在于有效抑制电动加载过程中的多余力矩，同时解决传统CMAC控制方法的过学习现象，提供一种新型高斯权重非均匀量化CMAC控制方法，该方法在传统方法基础上根据输入信号特征优化了非均匀量化方法，引入量化距离的概念确定高斯权重和CMAC激活区域，动态调整CMAC泛化性能，使用求余法将概念空间的权值映射到物理空间，减少储存空间浪费同时加快学习效率，具有更好的控制实时性与控制精度。

本发明所使用的装置包括：用以发出指令信号的上位PC机，用来接收上位机指令和给上位机传回用以统计分析的系统数据的DSP控制器，接收指令信息的力矩电机控制器，力矩电机和捕获输出的力矩信号的力矩传感器，将传感器信号放大的信号放大器，以及在反馈回路对传感器放大信号进行滤波的FPGA。DSP控制器接收指令信号和反馈信号作为CMAC控制器的二维输入，并且进行CMAC网络的学习和指令输出。PD控制指令也由DSP控制器计算实现。本发明进行电动加载控制实施的具体过程为：

第一步：以系统的输入指令以及输出信号共同作为CMAC网络的二维激励信号。首先以CMAC输入信号的分布密度曲线作为非均匀量化基础，量化中心取为输入零点，量化极大值为输入正峰值的2倍，量化极小值为输入负峰值的2倍，按照设定的系统量化的非均匀程度系数，对输入向量逐一进行非均匀量化。

第二步：计算网络输入的二维信号在CMAC网络节点中的激活区域。由于输入信号为二维向量，其对应的虚拟的地址空间也是二维的节点阵列。量化距离由采样点到量化点的距离经过量化计算得到，再利用量化距离阈值判定节点是否激活。

第三步：计算概念空间权值。在计算网络权值的方法中，本发明首先根据每一个概念空间激活节点的二维量化距离计算得到该节点的概念空间高斯权重gac_i。

第四步：计算物理空间权值。使用压缩映射的方法，根据物理空间的大小，将概念空间各个节点所存储的权值映射到物理空间存储单元，得到物理空间权值gap_i。

第五步：计算新型CMAC控制器输出。为保证控制器的快速性和稳定性以及多余力矩的抑制效果，本发明的网络输出由新型CMAC网络输出加上PD控制器的输出共同组成，PD控制器的设计参考常规方法。

第六步：CMAC的权值修正。该步骤通过对误差进行梯度下降方法实现。在本发明中考虑到了高斯权重方法加入到控制系统的影响，选取了新的目标函数，将误差划分为CMAC输出误差和系统输出误差两部分，前者保证CMAC跟踪指令信号，后者保证控制误差，分别进行修正运算，选择两个学习速率参数根据误差量值动态切换，确保系统保证快速性的同时抑制神经网络过学习现象。