[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]