RBFNN在USM中的应用

第19卷第6期常州工学院学报Vol 19 No 62006年12月Journal of Changzhou Institute of TechnologyDec.2006RBFN在USM中的应用周晨晖刘应红福建师范大学福清分校福建福州350300)摘要油于超声波电机运行的高度非线性在建立超声波电机的数学模型很困难的情况下采用神经网络的方法对马达的温度或速度等数据采集进行训练是比较理想的方法。文章建立了BF神经网络的方法进行离线和在线相结合的训练用LABⅤEW7.0建立控制平台直接调用MATLAB的神经网络工具箱。仿真表明该系统可以达到速度精确控制的要求。关键词RBFN汇ABⅤIEW超声波电机 MATLAB中图分类号TM383/TP183文献标识码A文章编号671-0436(200606-0018-040引言性使得数学建模非常困难至今仍没有能够完全表达USM稳态和动态特性的精确数学模型。而超声波电机〔 Ultrasonic motor简称USM)是且USM压电陶瓷的谐振频率会随着温度、电源20世纪末期发展起来的一种新型驱动电机。它电压、负载转矩以及定转子之间静压力等外界条的基本结构及工作完全不同于传统的电磁马达,件的变化而发生漂移。这些都增加了对USM的没有绕组与磁路不以电磁作用传递能量而是控制难度。在目前已有的智能控制方式中,人工种利用超声波振动能作为驱动源的新原理电机,神经网络控制因其可以较好地解决非线性、不确是电机制造、机械振动学、摩擦学、功能材料、电子定性控制问题所以人工神经网络在超声波电机技术和自动控制等学科综合交叉发展的产物。它的控制中得到极大的应用。如日本学者 Senjyu将电能通过压电陶瓷转变为机械振动能然后汉和Fa- Jeng lin先后将BP神经网络和模糊神经借助摩擦力将杋械振动能转变为直线运动或旋转网络应用于USM的控制取得了较好的效果。运动。由于具有其他电机所没有的特性因此引但是BP神经网络在函数逼近方面存在学习收敛起了学术界和企业界的重视在机器人、微型机速度慢、易于陷入局部极小等缺点且在理论上与械、医学、航空航天、仪器仪表等领域有着广泛的生物背景不十分相符。模糊神经网络用神经网络应用前景。与法拉第电磁式电机相比超声电机实现了模糊系统从而可以通过训练来求得其中的优点是泜转速、大转矩、无需减速机构就可直的参数。但由于要对数据进行模糊化和反模糊化接驱动负载結构简单体积小重量轻記起动、停处理需要增加一个隐层这将增加结构的复杂程止响应快响应时间小于毫秒级不产生也不受电度和计算时间网络的训练速度通常比较慢且很磁干扰不怕辐射,可用于低温的环境洧有自保持难中国煤化工力矩无齿轮间隙,精密定位不需润滑剂运行M控制策略,系统采安静、噪声小。可以说超声电机技术是处于当今用从环玩小用丁下偿定子机械振动频率世界高新技术之的漂移外环采用径向基神经网络 RBFNN)控制但是USM的高度非线性、时变性和强耦合器调节USM的驱动频率,实现速度的自适应控收稿日期2006-10-11第6期周晨晖刘应红 cRBFNN在USM中的应用19制。该控制系统具有响应迅速适应性强等优点,1超声波电机的驱动控制系统具有较高的控制精度和较好的稳定性。本文将 RBFNN应用于USM的参数识别和1.1超声波电机驱动系统结构图自适应控制弥补了上述方法的不足。 RBFNN是USM需要两相同幅、同频、相差90°的高频驱种新型的三层前馈式神经网络,与传统的动信号由于电机的等效电路呈容性可以将方波BPNN相比具有良好的生物背景和函数逼近能信号的高次谐波成分滤除变成正弦波。信号发生力不仅结构简单收敛速度快泛化能力强而且电路采用DDS系统采用双闭环控制内环反馈具有全局最优和最佳逼近的性质。采用一个值为USM内部传感器由于正压电效应产生的反RBFNN对USM驱动系统进行模型参考自适应映定子振动情况的电压值ν对其采样得出一适闭环速度控制的同时采用另一个 RBFNN在线当大小的直流电平与给定电压一起输入积分器,识别系统提供参数给控制用的 RBFNN进行在线积分器输出的逻辑值ν与ⅤCO的电压管脚相训练使得控制输岀能够动态跟踪系统参数的变连以自动补偿υUSM谐振频率的漂移;外环反馈化。通过离线和在线相结合的方法对两个值为光电编码器(与转子和负载同轴相连)测得RBFNN的参数进行训练试验结果证明该方法不的转速信号与给定转速比较后输入控制器部分,仅具有控制灵活、适应性强的优点而且具有较高实现电机转速的自适应控制。驱动系统结构框图的控制精度和鲁棒性如图1所示。叵反转控制两相驱动振荡逆变sn负载光电编码器和USM移相升压「GNDCD电路区样与积分图1USM驱动系统结构框图1.2超声波电机模型参考自适应速度控制系统由于 RBENN能够实现高度复杂的非线性映2 RBFNN及其自适应训练方法射又具有自学习、自适应能力,所以将其作为2.1 RBFNNUSM的自适应控制器 RBFNNC)输入为电机实RBFN是一种只含有一个隐层的前向神经际转速n与给定转速n相比较得出的误差e及网络用径向基函数作为隐单元的基”构成隐层其变化率ε。输出为控制信号ν用以调节ⅴco空间对落入输入空间的部分输入产生非零响应输入电压,从而调节USM的驱动频率。用作参即局部接受。而网络的输出是隐单元输出的线性数识别的 RBENNO称为 RBENNI),它的输入信号加权和因此从总体上看网络从输入到输出的映有两部分,一部分为驱动系统的实际输入(即射是非线性的而网络输出参数对可调参数而言RBFNNC的输出值ν)一部分是驱动系统的又中国煤化工快了学习速度且可避实际输出y。输入信号通过 RBFNNI后输出yCNMH GENN的生物背景以及计算ξ=ay/∂v,用作 RBFNNC的在线训练。相关的数学理论都已证明隐层单元的激活函数应USM模型参考自适应系统结构框图如图2所示。取具有局部感受野”的径向基函数在这里取为速度参考模型可以为恒速、阶跃转速等是控制系通常采用的Gaus函数。此时第k个隐层单元输统的跟踪目标。出为常州工学院学报2006年p ( xi )=exp(1)接权为隐层节点总数ωo为偏移量网络参数的学习分为:①在离线训练中确定式1)中‖‖为欧几里德范数x为第个输入隐层节点的个数及其中心和宽度,计算出隐层与矢量κ为第k个隐层节点的中心为第k个输出层之间连接权值的初始值2通过在线训练隐层节点的宽度。自适应地调整隐层与输岀层的连接权值。前者是整个网络的输出方程为为了加强网络的快速响应能力后者是为了使网x1)=ω+∑od(x)〔2)络适应环境的变化增强其鲁棒性。式2)中ω为第k个隐层节点与输出空间的连参考模型十扰动在线学习算法RBFNNUSM控制器驱动RBENN参数识D图2USM模型参考自适应系统结构框图2.2离线训练每输入一个新样本x11)两个RBFN都是两输入单输出网络离线1)分别按式1厢和式2川计算各个隐层单元的训练所需的样本均通过试验方法获得。 RBFNNC输出中(x;)网络的输出y;的输入样本矢量为xa={c(t),e(t)},e(t))算误差n(t)-n(t)n(t)为t时刻由光电编码器测得(3)的电机转速值n(t)为给定速度值e(t)=(t)-以及样本与已存在的隐层单元的距离dt-1), RBFNNC的输出样本矢量为ya=dj=12r,(4){v(t-1)m(t-1)}t)由t时刻转速所对应式4)中a为已存在的隐层单元个数。的驱动频率与VCO的输入电压之间的线性关系计令dmn=min(d,)算得出。 RBFNNI的输入样本矢量为x若‖e,‖>ed{v(t-1)t-1)}由于 RBFNNI的目的即用系A( i)=max( A max yi Amin(5)统前一时刻的实际输入输出值逼近当前时刻的实式5)为网络期望的精度。际输出值故其输出样本矢量取为yn=y(t)1凵中国煤化工络的拟和精度随着学本文所用的 RBFNN的隐层单元初始个数为习CNMHG g零在训练过程中按照一定规则自适应地添加并为衰减因子9