[發明專利]基于模糊小腦模型關節控制器的XY運動平臺輪廓控制裝置

有效

• 申請號: 201410652871.1
• 申請日: 2014-11-17
• 公開（公告）號: CN105676780B
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 王麗梅;孫偉;鄭浩;張杰;程興民
• 申請（專利權）人: 沈陽工業大學
• 主分類號: G05B19/404
• 分類號: G05B19/404
• 代理公司: 21107 沈陽亞泰專利商標代理有限公司
• 代理人: 韓輝<國際申請>=<國際公布>=<進入國

1.一種基于模糊小腦模型關節控制器的XY運動平臺輪廓控制裝置，其特征在于該裝置包括電壓調整電路、整流濾波單元、IPM逆變單元、數字信號處理器DSP的事件管理器、霍爾傳感器、光柵尺、電流采樣電路、位置采樣電路和IPM隔離驅動保護電路，DSP內還設置有位置信號給定器、直線電機信號采集器以及PI控制器、模糊小腦模型關節控制器FCMAC和驅動器，其中交流電壓輸出至整流濾波單元輸入端，整流濾波單元輸出端接入IPM逆變單元，IPM逆變單元與電機相連，電機機身裝有光柵尺，光柵尺連接位置采樣電路輸入端，霍爾傳感器采集電機電流信號，輸出至電流采樣電路，電流采樣電路輸出端和位置采樣電路輸出端均接入DSP，DSP輸出信號至電壓調整電路輸入端和IPM隔離驅動保護電路，電壓調整電路對交流電壓進行調整，IPM隔離驅動保護電路接入IPM逆變單元，速度和位置信號是通過分辨率為400線的增量式光電編碼器來檢測的，它產生脈沖信號A和B，送至DSP的事件捕獲口，利用捕獲口單元的計數功能得到轉子的轉速，位置由Z信號獲得；

用FCMAC設計速度控制器，減小跟蹤誤差，進而間接地提高直接驅動XY運動平臺的輪廓加工精度，數字信號處理器DSP選用TMS320F2812數字信號處理器；

基于模糊小腦模型關節控制器的XY運動平臺輪廓控制方法包括步驟如下：

步驟1：由TMS320F2812數字信號處理器內的位置信號給定器提供給XY運動平臺兩軸相應的位置信號指令，作為兩軸的位置控制量輸入；

步驟2：通過信號采集器對位置、速度以及電流信號進行采樣且通過兩軸給定與實際輸出的比較獲得位置偏差信號；

步驟3：通過DSP內置的PI位置控制器調節單軸的位置偏差信號，采用輪廓誤差計算器計算出任意軌跡的輪廓誤差量并通過內置的輪廓誤差補償裝置進行補償控制，然后將兩者控制的輸出作為速度控制器FCMAC的輸入；

步驟4：通過速度信號采集器確定直線電機的速度；

步驟5：通過光柵尺采樣，在TMS320F2812數字處理器內比較后，執行FCMAC控制器；

步驟6：通過內置的電流采樣裝置進行電流采樣且在DSP內比較后，執行PI控制器；

步驟7：對電流值進行3/2變換；

步驟8：利用旋轉的q軸計算出轉矩；

步驟9：對輸出計算轉矩進行2/3變換；

步驟10：對變換后的電流值作為載波與三角波調制，讓數字信號處理器DSP產生六路PWM脈沖信號，驅動XY運動平臺的兩軸按照電流指令的大小進行給定輪廓軌跡加工運動；

整流濾波電路把三相交流電轉換成直流電給IPM逆變單元供電，IPM逆變單元根據DSP產生的六路PWM脈沖信號對IPM逆變單元內的六個IGBT開關元件的導通與關斷進行控制，驅動直線電機運行；

步驟3中所述的采用輪廓誤差計算器計算出任意軌跡的輪廓誤差量并通過內置的輪廓誤差補償裝置進行補償控制，然后將兩者控制的輸出作為速度控制器FCMAC的輸入，包括步驟如下：

步驟3-1：永磁直線同步電機PMLSM的運動方程為其中K_f是推力系數，i_q是動子q軸電流，M_i是動子的總質量，D_i為粘滯摩擦和鐵耗系數，F_Li包括外部擾動和兩軸之間存在的交叉耦合干擾，f_i(v)是摩擦力，為了方便起見，省略了所有的下標i，則PMLSM的動態方程可變為

步驟3-2：根據實時的位置、速度以及電流信號和位置偏差信號計算出輪廓誤差值，且任意軌跡的輪廓誤差值可由表示，其中，R₁(t)為期望軌跡的加工位置，P₁(t)為實際軌跡的加工位置，R₂′(t)是期望軌跡上的一點，e_x是X軸跟蹤誤差，e_y是Y軸跟蹤誤差，是X軸與直線R₁R₂′的夾角，ε為輪廓誤差，是P₁(t)到直線R₁R₂′的距離；

步驟3-3：對于模型參數的攝動和外界干擾的影響，設計FCMAC速度控制器，FCMAC既具行CMAC較強的逼近能力又具行模糊控制器很好的自適應能力，而且能夠提高系統的抗擾能力，FCMAC的輸入變量為軌跡跟蹤誤差e和誤差的變化率當單軸跟蹤誤差存在時，假設FCMAC的期望輸出為實際輸出為y，定義目標誤差函數為

網絡采用誤差反向傳播算法進行學習，則聯想強度ω_n通過如下方式來調整

其中為第三層第n個神經元的輸出，x_i＝e或η為學習速率，i＝1，2，j＝1，2…5，n為正整數；

則聯想強度的迭代公式為

ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2)) (3)

其中α為慣性系數，n為正整數；

高斯隸屬函數中心值c_ij和寬度值b_ij分別通過如下方式來調整

式中

其中為第三層第n個神經元的輸出，為第二層第n個神經元的輸出，x_i＝e或η為學習速率，i＝1，2，j＝1，2…5，n為正整數；

則高斯隸屬函數中心值和寬度值的迭代公式為

c_ij(k)＝c_ij(k-1)+Δc_ij(k)+α(c_ij(k-1)-c_ij(k-2)) (7)

b_ij(k)＝b_ij(k-1)+Δb_ij(k)+α(b_ij(k-1)-b_ij(k-2)) (8)

其中α為慣性系數，i＝1，2，j＝1，2…5；

FCMAC的輸出為

其中為第四層第n個神經元的輸出，為第三層第n個神經元的輸出，ω_n(k)＝ω_n(k-1)+Δω_n(k)+α(ω_n(k-1)-ω_n(k-2))，i＝1，2，j＝1，2…5，n為正整數。