[发明专利]一种平面电机非线性模型的构建方法

说明书

本发明公开了一种平面电机非线性模型的构建方法，所述方法建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型；基于预设训练样本集对所述神经网络模型进行训练；将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。本发明中平面电机模型为非线性动态模型，反映了平面电机的非线性动力学特性，模型精度高；通过神经网络模型对所述平面电机非线性模型的模型参数进行求解，提高了模型可信度，使得可用于平面电机的控制器，以提高平面电机位置控制的精确性。

技术领域

本发明涉及平面电机技术领域，特别涉及一种平面电机非线性模型的构建方法。

背景技术

平面电机具有结构简单、安装方便、散热性好、精度高、速度快、成本低以及可靠性高等优点，在精密制造领域极具应用前景。目前，高精度位置控制是平面电机领域所关注的重点，平面电机数学模型的准确性严重影响对其高精度运行，此外，平面电机的高度非线性特性极大地阻碍其精确建模。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种平面电机非线性模型的构建方法。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种平面电机非线性模型的构建方法，所述方法包括：

建立平面电机非线性动态模型，并基于所述平面电机非线性动态模型建立神经网络模型，其中，所述神经网络模型的模型参数为平面电机非线性动态模型的模型参数；

基于预设训练样本集对所述神经网络模型进行训练；

将训练后的神经网络模型的模型参数作为所述平面电机非线性动态模型的模型参数，以得到平面电机非线性动态模型。

所述平面电机非线性模型的构建方法，其中，所述预设训练样本集包括若干训练样本，每个训练样本均包括训练数据以及训练数据对应的真实状态信息，其中，所述训练数据包括状态信息以及控制量。

所述平面电机非线性模型的构建方法，其中，所述真实状态信息为所述训练数据的下一时刻的状态信息，其中，所述状态信息包括速度信息和位置信息。

所述平面电机非线性模型的构建方法，其中，所述基于预设训练样本集对所述神经网络模型进行训练具体包括：

将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息；

基于所述预测状态信息以及所述训练数据对应的真实状态信息，确定所述训练数据对应的损失函数；

基于所述损失函数对所述神经网络模型进行训练。

所述平面电机非线性模型的构建方法，其中，所述神经网络模型包括映射单元以及线性变换单元；将所述训练数据输入所述神经网络模型，通过所述神经网络模型提取训练数据的预测状态信息具体包括：

将所述状态信息输入所述映射单元，通过所述映射单元输出耦合参数；

将所述耦合参数以及所述控制量输入所述线性变换单元，通过所述线性变换单元输出所述训练数据的预测状态信息。

所述平面电机非线性模型的构建方法，其中，所述损失函数为：

其中，J为损失函数，x_{real_l}(k)为真实状态信息，x_l(k)为预测状态信息，k表示第k时刻。

所述建立平面电机非线性动态模型为：