[发明专利]融合滑模控制和分数阶神经网络控制的伺服电机控制方法

摘要

本发明公开了一种融合滑模控制和分数阶神经网络控制的伺服电机控制方法，包括A、构建伺服电机的数学模型，并对构建的数学模型进行描述，从而得到伺服电机的输出、速度误差以及速度误差的导数；B、根据伺服电机的速度误差以及速度误差的导数设计分数阶滑模控制器，从而得到抑制系统抖震的滑模控制律；C、采用神经网络逼近算法对得到的滑模控制律进行逼近，从而得到逼近后的滑模控制律；D、采用自适应控制法对逼近后的滑模控制律进行在线调整，从而得到伺服电机的最终控制律，并根据最终控制律对伺服电机进行控制。本发明融合了滑模控制和分数阶神经网络自适应控制理论，具有鲁棒性强和跟踪性能好的优点。本发明可广泛应用于工业控制领域。

主权项

融合滑模控制和分数阶神经网络控制的伺服电机控制方法，其特征在于：包括：A、构建伺服电机的数学模型，并对构建的数学模型进行描述，从而得到伺服电机的输出、速度误差以及速度误差的导数；B、根据伺服电机的速度误差以及速度误差的导数设计分数阶滑模控制器，从而得到抑制系统抖震的滑模控制律；C、采用神经网络逼近算法对得到的滑模控制律进行逼近，从而得到逼近后的滑模控制律；D、采用自适应控制法对逼近后的滑模控制律进行在线调整，从而得到伺服电机的最终控制律，并根据最终控制律对伺服电机进行控制；所述伺服电机为交流永磁同步伺服电机；所述步骤A，其包括：A1、构建交流永磁同步伺服电机的数学模型，所述交流永磁同步伺服电机的数学模型为：uq*=Rsiq*+λ·q+ωfλdud*=Rsid*+λ·d-ωfλqλq=Lqiq*λd=Ldid*+LmdIdfωf=npωr*,]]>其中，分别是d，q坐标下的定子电压；是定子电流；λd，λq是定子磁链；Ld，Lq是电感分量；ωf，分别是电机的电角度和给定转速；Lmd是定子相电感；Idf是等效电流；np是定子磁极对数；Rs是定子电阻；A2、根据交流永磁同步伺服电机的数学模型得到相应的电磁转矩方程和动力方程，并采用矢量控制法对动力方程和电磁转矩方程进行化简，从而得到伺服电机输出的导数，所述伺服电机输出的导数为：ω·r=-(a+Δa)ωr+(b+Δb)iq-(c+Δc)a=BmJ,b=kpJ,c=TlJkp=3npLmdIdf/2,]]>其中，Tl为负载力矩，Bm是摩擦系数，J是转动惯量，△a、△b和△c均为系统的参数摄动，iq为矢量q轴的控制电流；A3、对伺服电机的速度误差进行定义，并对速度误差进行求导，所述伺服电机的速度误差e(t)及速度误差的导数的表达式为：e(t)=ω*r(t)-ωr(t)e·(t)=-ae(t)+φ(t)+δ(t)φ(t)=aω*r(t)-biq(t)+c(t)+ω·r*(t)δ(t)=Δaωr(t)-Δbiq(t)+Δc(t)|δ(t)|≤Ψ,Ψ∈R+;]]>所述步骤B，其包括：B1、选择分数阶滑模控制器的分数阶切换流形面，所述分数阶切换流形面s的表达式为：s=e(t)+k0Dt-re(τ),]]>其中，k∈R+为滑模面增益，R+为正实数，为分数阶微积分算子，τ为积分变量；B2、对分数阶切换流形面s进行一阶求导，并将速度误差的导数代入求导后的表达式，得到分数阶切换流形面s的导数，所述分数阶切换流形面s的导数的表达式为：s·=δ(t)+aωr*-biq+c+ω·r*+k0Dt1-re(t)-ae(t),]]>其中，为给定转速的导数；B3、根据分数阶切换流形面s的导数得到滑模等效控制律，所述滑模等效控制律iqe的表达式为：iqe=1b(aωr*+c+ω·r*+k0Dt1-re(t)-ae(t));]]>B4、根据滑模等效控制律得到滑模控制律，所述滑模控制律u的表达式为：u=1b(aωr*+c+ω·r*+k0Dt1-re(t)-ae(t))-ηbsgn(s),]]>其中，η为滑模开关增益，且η>Ψ+bεmax，εmax为最大逼近误差；B5、根据滑模控制律得出抑制系统抖震的滑模控制律，所述抑制系统抖震的滑模控制律Γ的表达式为：其中，uup为控制输出的上限；所述步骤C，其具体为：采用神经网络逼近算法对得到的滑模控制律进行逼近，从而得到逼近后的滑模控制律,所述逼近后的滑模控制律u′的表达式为：u′=1b(aωr*+c+ω·r*+k0Dt1-re(t)-ae(t))-ηbsgn(s)-Γ^Γ^=WT^hhj=exp(||x-ci||22bj2)h=[hj]Tc=[ci]Tb=[bj]T,]]>其中，i是网络输入层的第i个输入，j为神经网络隐含层第j个网络输入，T表示转置，h、c和b分别是高斯基函数的输出、中点和基点，x为神经网络的输入，为神经网络的实际输出，为神经网络的估计权值。