[发明专利]基于鲁棒积分的多层神经网络电机系统控制方法

说明书

本发明提供了一种基于鲁棒积分的多层神经网络电机系统控制方法，包括以下步骤：步骤1，建立电机系统的数学模型；步骤2，设计鲁棒积分的多层神经网络控制器；步骤3，运用李雅普诺夫稳定性理论进行稳定性证明，并运用中值定理得到系统的半全局渐近稳定的结果。

技术领域

本发明涉及一种电机伺服控制技术，特别是一种基于鲁棒积分的多层神经网络电机系统控制方法。

背景技术

电机伺服系统具有响应快、维护方便、传动效率高以及能源获取方便等突出优点，广泛应用于各个重要领域，如机器人、机床、电动汽车等。随着现代控制工程领域的快速发展，对电机伺服系统跟踪性能的要求也越来越高，但是如何设计控制器来保证电机伺服系统的高性能仍旧是一个难题。这是由于电机伺服系统是一个典型的非线性系统，在设计控制器的过程中会面临许多建模不确定性(如未建模干扰、非线性摩擦等)，这些因素可能会使以系统名义模型设计的控制器不稳定或者降阶。

针对电机伺服系统的的非线性控制，已经取得了许多成果。如反馈线性化控制方法可以保证系统的高性能，但是其前提是所建立的数学模型非常准确，所有非线性动态都是已知的；为了解决建模不确定性的问题，自适应鲁棒控制方法被提出，该控制方法在存在建模不确定性的情况下可以使电机伺服系统的跟踪误差获得一致最终有界的结果，如要获得高跟踪性能则必须通过提高反馈增益以减小跟踪误差；同样，积分鲁棒控制方法(RISE)也可以有效地解决建模不确定性的问题，而且可以获得连续的控制输入和渐近跟踪的性能。但是该控制方法的反馈增益的取值跟建模不确定性的大小密切相关，一旦建模不确定性很大，将会获得高增益反馈控制器，这在工程实际中是不允许的；滑模控制方法也可以在建模不确定性存在的情况下使电机伺服系统获得渐近跟踪的性能，但是该方法所设计的不连续的控制器容易引起滑模面的颤振问题，从而恶化系统的跟踪性能。总结来说，现有的电机伺服系统控制方法的不足之处主要有以下几点：

一、忽略系统建模不确定性。电机伺服系统的建模不确定性包括非线性摩擦和未建模干扰等。摩擦是电机伺服系统阻尼的主要来源之一，摩擦的存在引起的粘滑运动、极限环振荡等不利因素对系统的性能有重要的影响。另外，实际的电机伺服系统都会受到外负载的干扰，若不加以考虑，会恶化系统跟踪性能；

二、高增益反馈。目前许多控制方法存在高增益反馈的问题，通过提高反馈增益来减小跟踪误差。然而由高增益反馈引起的高频动态以及测量噪声的问题将会影响系统跟踪性能。

发明内容

本发明的目的在于提供一种基于鲁棒积分的多层神经网络电机系统控制方法，包括以下步骤：

步骤1，建立电机系统的数学模型；

步骤2，设计鲁棒积分的多层神经网络控制器；

步骤3，运用李雅普诺夫稳定性理论进行稳定性证明，并运用中值定理得到系统的半全局渐近稳定的结果。

本发明与现有技术相比，其显著优点是：有效地解决了传统鲁棒积分控制方法存在的高增益反馈的问题，获得了更好的跟踪性能。仿真结果验证了其有效性。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1是本发明电机系统的原理图。

图2是液压系统自适应鲁棒低频学习控制方法原理示意图。

图3是自适应鲁棒控制器作用下系统的输入u的示意图。

图4是自适应鲁棒控制器作用下系统输出对期望指令的位置跟踪示意图。

图5是本专利所提方法与其他方法跟踪误差对比。

具体实施方式

结合图1～2本发明基于鲁棒积分的多层神经网络控制方法，包括以下步骤：

步骤1，建立液压系统的数学模型；