[发明专利]一种超声波电机适应性递归式神经网络控制系统

摘要

本发明涉及一种超声波电机适应性递归式神经网络控制系统，包括基座和设于其上的超声波电机，超声波电机一侧输出轴与光电编码器连接，另一侧输出轴与飞轮惯性负载连接，飞轮惯性负载的输出轴经联轴器与力矩传感器连接，光电编码器、力矩传感器的信号输出端分别接至控制系统。该控制系统由适应性递归式神经网络控制器和电机组成，递归式神经网络用来估测未知的动态函数，由李亚普诺夫稳定性定理获得此递归式神经网络参数的适应性学习法则。本发明所提出的一种超声波电机适应性递归式神经网络控制系统不仅控制准确度高，而且结构简单、紧凑，使用效果好。

主权项

一种超声波电机适应性递归式神经网络控制系统，包括：一基座以及设置于该基座上的超声波电机，其特征在于，所述超声波电机一侧输出轴与一光电编码器相连接，所述超声波电机另一侧输出轴与一飞轮惯性负载一端相连接；所述飞轮惯性负载的输出轴经一弹性联轴器与一力矩传感器相连接；所述光电编码器的信号输出端以及所述力矩传感器的信号输出端均连接至一控制系统；所述超声波电机、所述光电编码器以及所述力矩传感器分别对应经超声波电机固定支架、光电编码器固定支架以及力矩传感器固定支架固定于所述基座上；所述控制系统中的控制芯片电路通过递归式神经网络估测器估测所述控制系统的未知动态函数，并通过递归式神经网络控制所述超声波电机转子的旋转角度，且通过李亚普诺夫函数获取所述递归式神经网络估测器的适应性学习法则，以确保递归式神经网络的稳定性；所述递归式神经网络估测器的适应性学习法则如下：W^·=η1(T^-TdTd^-TvTv^-TrTr^)E(t),]]>d^·=η2W^TdE(t),]]>v^·=η3W^TvE(t),]]>r^·=η4W^TrE(t);]]>强健性控制器为：适应性总集不确定项估测值为：李亚普诺夫函数的微分为：V·L=E(t)[(BpAp-Ke)E(t)+W~T(T^-TdTd^-TvTv^-TrTr^)+W^T(TdTd~+TvTv~+TrTr+h-ur)]]]>-W~T(T^-TdTd^-TvTv^-TrTr^)E(t)-d~TW^TdTE(t)-v~TW^TvTE(t)-r^TW^TvTE(t)1η5h~(t)h^·(t)=E(t)(BpAp-Ke)E(t)≤0;]]>总集不确定项：h=W*T(TdTd*+TvTv*+TrTr*+N)-W^T(TdTd*+TvTv*+TrTr*)+ϵy-BpCp(TL+Tf(v));]]>超声波电机驱动系统的闭回路动态方程：BpE·(t)=(BpAp-Ke)E(t)+W~T(T^-TdTd^-TvTv^-TrTr^)+W~T(TdTd~-TvTv~-TrTr~)+h-ur;]]>其中，η1、η2、η3、η4以及η5为正常数，为总集不确定项h的在线估测值；误差函数λ＞0；误差e(t)＝θm(t)‑θr(t)，θm(t)为控制信号，θr(t)为测量信号；Ap＝‑B/J,BP＝J/Kt＞0,CP＝‑1/J；B为阻尼系数，J为转动惯量，Kt为电流因子，Tf(v)为摩擦阻力力矩，TL为负载力矩；U(t)为所述超声波电机的输出力矩，且Ke为一个正常数项，ur为控制器，为所述递归式神经网络的输出；记所述控制系统的未知动态函数为y，估测误差：y~=y-y^=W*TT(x,d*,v*,r*)-W^TT(x,d^,v^,r^)+ϵy]]>εy为最小重建误差；W*为递归式神经网络连接权重的理想值，为递归式神经网络连接权重的估测值；d*、v*以及r*分别为d、v以及r的理想参数值，其中d、v分别为递归式神经网络所用高斯函数的宽度以及中心，r为递归式神经网络内部的反馈增益；以及为理想参数值d*,v*和r*的估测值；令T*＝T(x,d*,v*,r*)，则：y~=W*TT~+W^TT^+ϵy;]]>所述递归式神经网络部分线性化后的泰勒展开式为：T~=Θ1~Θ2~...Θk~=∂Θ1∂d∂Θ2∂d...∂Θm∂dT|d=d^(d*-d^)+∂Θ1∂v∂Θ2∂v...∂Θm∂vT|v=v^(v*-v^)+∂Θ1∂r∂Θ2∂r...∂Θm∂rT|r=r^(r*-r^)+N1=TdTd~-TvTv~-TrTr~+N1]]>其中，N1是高阶项矢量且为正的有界值。