h型平台的模糊神经网络补偿器的同步控制系统及方法
【技术领域】 [0001] ：本发明属于数控，特别涉及一种基于sugeno型模糊神经网络 补偿控制器的双轴驱动h型平台的同步控制方法。
【背景技术】 [0002] ：传统的精密运动平台大多使用旋转电机带动丝杠螺母副，将旋转运动 转化为运动平台的直线运动。这种驱动方式存在传动链长、系统结构复杂、附加的惯量大、 系统刚度低、摩擦影响大等缺点。为了解决以上这些严重影响运动平台精度的因素，新型 的精密运动平台采用直线电机直接驱动的方式，去除了电动机到运动平台的传动环节，将 传动链缩短为零；此外，新型的精密运动平台使用气浮轴承导向和支承，基本消除摩擦的影 响，还为系统提供了较大的刚度。
[0003] 以往在xy平台或是多轴加工的控制应用中，各轴仅由单轴电机所驱动，然而为了 符合高加速、高推力和高刚性的需求，龙门式定位平台控制系统采用双直线电机共同驱动 的单轴平行系统，即具有机械耦合的双线性伺服系统。在此结构下，各组电机加的位置误 差，由于机械耦合，除了影响精度外，亦可能使耦合机械产生形变，造成受控系统的损坏。因 此确保双直线电机的同步运动相当重要。
【发明内容】
：
[0004] 发明目的：本发明提供一种h型平台的模糊神经网络补偿器的同步控制系统及方 法，其目的是解决以往所存在的问题。
[0005] 技术方案：本发明是通过以下技术方案实现的：
[0006] 一种h型平台的模糊神经网络补偿器的同步控制系统，其特征在于：该控制系统 硬件包括主电路、控制电路和控制对象三部分；控制电路包括dsp处理器、电流采样电路、 动子位置采样电路、ipm隔离驱动电路和ipm保护电路；主电路包括调压电路、整流滤波单 元和ipm逆变单元；控制对象为三相永磁直线同步电机h型平台，机身装有光栅尺；电流采 样电路、动子位置采样电路、ipm隔离驱动电路和ipm保护电路均与dsp处理器连接，dsp处 理器还通过典雅调整电路连接至调压电路，调压电路通过整流滤波单元连接至ipm逆变单 元，ipm逆变单元连接三相永磁直线同步电机；ipm隔离驱动电路和ipm保护电路与ipm逆 变单元连接，电流采样电路通过霍尔传感器连接三相永磁直线同步电机h型平台，动子位 置采样电路连接光栅尺。
[0007] h型平台的模糊神经网络补偿器的同步控制方法，其特征在于：包括改进的非奇 异终端滑模控制和sugeno型模糊神经网络补偿控制器方法，其特征在于能够保证h型平台 单轴的位置跟踪误差和同步误差同时趋近于零。
[0008] 控制器如下：
[0009]
[0010] 其中ajpbn为系数向量；乙=^,,i3 ^jpcl分别是y1轴、 y2轴和x轴的理想的输入；：t= [4 &c了，：今、<和4分别是y1轴、y2轴和x轴 的的实际输出；五二\e^t，\\和ex分别是yi轴、y2轴和x轴的跟踪误差； ^ = [^v, \ &了，v、\和sx分别是y1轴、y2轴和x轴的滑模面；p，q和s是正常 数，且满足q
[0011]sugeno型模糊神经网络补偿控制器，利用模糊逻辑来修正改进的非奇异终端滑模 控制的参数，采用隶属函数有自调整能力的模糊神经网络控制器作为补偿控制器，来补偿 由于两电机控制特性的不匹配和周围环境的不确定性而产生的同步误差；
[0012] 使用梯度下降的学习算法的模糊神经网络的参数学习法则，首先定义能量函数v 为：
[0013]
[0014] 模糊神经网络的参数学习更新迭代算法如下所示：
[0015] 层5:在此层中，误差项如下所示
[0016]
[0017] 通过如下方式来调整输出层的权重
[0018]
[0019]层4:在此层中，误差项如下所示[0020]
[0021] 层3 :在此层中，误差项如下所示
[0022]
[0023] 通过如下方式来调整结果层的权值：
[0024]
[0025] 层2 :在此层中，误差项如下所示：
[0026]
[0027] 通过如下方式来调整隶属度函数参数
[0030] 其中nw，ne，ru，n。分别是学习率关联权重，可调整权重平均值和标准偏差的 参数。
[0031] 本发明包括以下的具体步骤：
[0032] 步骤一：建立h型平台数学模型
[0033] mjpm2分别是横梁的质量和滑块的质量；1和2w分别是横梁的长度和宽度；v是 x轴动子质心到定子边界的距离；％和％2分别是横梁和滑块相对于中心0的转动惯量。
[0036]mjpm2的重心位置是/?和ft/2
[0042] 横梁和滑块平移和旋转动能是
[0043]
[0049]其中f=pv| 42 4j，4、^和4分别是y1轴、y2轴和x轴的位置输出，d是 惯性矩阵。因为m艮小，所以有sm=pv2-弋)//，cos0 =1。因此
[0053] 其中l=k_v，k是总动能，v是势能，u是电机提供的驱动力，f是摩擦力。接下来 科里奥利离心矩阵c的推导如下：
[0054]
[0055] 其中4，： 4和各分别是^，心和dx的导数。克里斯托弗尔符号。ijk为
[0056]
[0057] 其中cllj代表惯性矩阵d中的第i行第j列元素。带入&和％后计算，可得到矩 阵c
[0058]
[0064]其中心，^fjpf x是摩擦力，《>:1，乂和屯是沿着％，心和dj向产生的驱动 力。
[0065]步骤二：滑模控制器的设计
[0066] 为了简化所提出的h型平台的动态模型的推导过程，可以改写成如下：
[0067]
[0068] 其中an= -d 1c, bn= d屯。考虑参数变化以及系统的不确定项，h型平台的动态 模型可以改写为如下：
[0069]
[0070] 其中aa和ab分别表示ajpbn的不确定项，是外部干扰，h定义为集中不确 定项，定义如下：
[0071]
[0072] 假设集中不确定项为有界值
[0073] |h| i ^ 8 (23)
[0074] 其中s是一个正常数。
[0075] 在h型平台中，目标是确定一个保证输出状态y(t)能够跟踪理想的输入指令 yniu)且保证位置跟踪误差和同步误差同时接近零收敛的控制法则。为了实现控制目标，非 奇异终端滑模面定义如下：
[0076]
[0077]其中￡ = ％ e、]t，&、~和ex分别是y1轴、y2轴和x轴的跟踪误差； \ 分别是y1轴、y2轴和x轴的滑模面，人是一个正常数，p 和q都是正奇整数，满足如下条件：
[0078]q[0079] 为了消除抖振现象，通常会引入边界层的观点来解决，如包含函数这样的连续型 函数去取代符号函数作为切换函数。因此，连续的饱和函数sat(s1)定义如下：
[0080]
[0081]其中?是边界层厚度，i=yi、y2、x;sl表示y1轴、y2轴和x轴的滑模面。
[0082] 因此，改进后的控制率定义为胃
[0083]
[0084]其中a#bn是系数向量；4ra>,z 、3_.和dmx分别是y:轴、 y2轴和x轴的理想的输入；：f=i^i ^ &和dj别是y1轴、y2轴和x轴 的的实际输出。
[0085] 步骤三：模糊神经网络补偿控制器的设计
[0086] 同步误差易受到系统动态非线性、不确定性因素的影响。为了解决上述问题，本发 明在两轴间，基于模糊逻辑和神经网络方法设计了模糊神经网络补偿控制器。
[0087] 提出的模糊神经网络补偿控制器有j条模糊规则如图所示，包括输入层，隐藏层， 规则层，结果层，输出层。模糊神经网络补偿控制器每层信号的传递和表达式如下：
[0088] 层1 (输入层）：在此层里的每个节点都是输入节点，相当于一个输入变量。这些 节点把输入信号传递到下一层。本发明中的输入变量是(同步误差） 和x2=ae (同步误差的导数）。其中义和j分别是y1轴和y2轴的跟踪误差。
[0089]层2(隐藏层）：隐藏层采用高斯函数作为隶属函数：
[0090]
[0091] 其中hi1,和〇u分别是高斯函数的第j项与第i个输入变量有关的平均值和标准 偏差；m是规则数目。
[0092] 层3(规则层）：这层的节点表示一个模糊逻辑规则的预处理部分。因此，这层的 节点由n表示层2的输入信号的乘积。对于第j个规则节点：
[0093]
[0094] 其中uj是规则层的输出。此外，在sugeno型模糊推理机制中的节点是一个线性 的结合。每个节点j的数学表达式是：
[0095]
[0096] 其中w是可调节权重，hj是sugeno型模糊推理机制的输出。
[0097] 层4(结果层）：此层的节点是规则层的输出uj和sugeno型模糊推理机制的输出 的乘积。每个节点的数学表达式是：
[0098]
[0099] 其中gj是结果层的输出。
[0100] 层5(输出层）：此层的每个节点用来计算模糊神经网络补偿控制器的输出/。数 学表达式为：
[0101]
[0102] 其中连接权重w]是输出程度；y#是模糊神经网络补偿控制器的输出。本文m取6， 即，在隐藏层有12个节点和在tsk-型模糊推理机制，规则层和结果层分别有六个节点。
[0103] 本发明方法最终由嵌入dsp处理器中的控制程序实现，其控制过程按以下步骤执 行：
[0104] 步骤1系统初始化；
[0105]步骤2允许tnl、tn2中断；
[0106] 步骤3启动tl下溢中断；
[0107] 步骤4程序数据初始化；
[0108] 步骤5开总中断；
[0109] 步骤6中断等待；
[0110] 步骤7tnl中断处理子控制程序；
[0111] 步骤8结束。
[0112] 其中步骤7中tl中断处理子控制程序按以下步骤：
[0113] 步骤itl中断子控制程序；
[0114] 步骤2保护现场；
[0115] 步骤3判断是否已初始定位；是进入步骤4,否则进入步骤10 ;
[0116]