[发明专利]基于模糊小脑模型关节控制器的XY运动平台轮廓控制装置

权利要求书

1.一种基于模糊小脑模型关节控制器的XY运动平台轮廓控制装置，其特征在于该装置包括电压调整电路、整流滤波单元、IPM逆变单元、数字信号处理器DSP的事件管理器、霍尔传感器、光栅尺、电流采样电路、位置采样电路和IPM隔离驱动保护电路，DSP内还设置有位置信号给定器、直线电机信号采集器以及PI控制器、模糊小脑模型关节控制器FCMAC和驱动器，其中交流电压输出至整流滤波单元输入端，整流滤波单元输出端接入IPM逆变单元，IPM逆变单元与电机相连，电机机身装有光栅尺，光栅尺连接位置采样电路输入端，霍尔传感器采集电机电流信号，输出至电流采样电路，电流采样电路输出端和位置采样电路输出端均接入DSP，DSP输出信号至电压调整电路输入端和IPM隔离驱动保护电路，电压调整电路对交流电压进行调整，IPM隔离驱动保护电路接入IPM逆变单元，速度和位置信号是通过分辨率为400线的增量式光电编码器来检测的，它产生脉冲信号A和B，送至DSP的事件捕获口，利用捕获口单元的计数功能得到转子的转速，位置由Z信号获得；

用FCMAC设计速度控制器，减小跟踪误差，进而间接地提高直接驱动XY运动平台的轮廓加工精度，数字信号处理器DSP选用TMS320F2812数字信号处理器；

基于模糊小脑模型关节控制器的XY运动平台轮廓控制方法包括步骤如下：

步骤1：由TMS320F2812数字信号处理器内的位置信号给定器提供给XY运动平台两轴相应的位置信号指令，作为两轴的位置控制量输入；

步骤2：通过信号采集器对位置、速度以及电流信号进行采样且通过两轴给定与实际输出的比较获得位置偏差信号；

步骤3：通过DSP内置的PI位置控制器调节单轴的位置偏差信号，采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度控制器FCMAC的输入；

步骤4：通过速度信号采集器确定直线电机的速度；

步骤5：通过光栅尺采样，在TMS320F2812数字处理器内比较后，执行FCMAC控制器；

步骤6：通过内置的电流采样装置进行电流采样且在DSP内比较后，执行PI控制器；

步骤7：对电流值进行3/2变换；

步骤8：利用旋转的q轴计算出转矩；

步骤9：对输出计算转矩进行2/3变换；

步骤10：对变换后的电流值作为载波与三角波调制，让数字信号处理器DSP产生六路PWM脉冲信号，驱动XY运动平台的两轴按照电流指令的大小进行给定轮廓轨迹加工运动；

整流滤波电路把三相交流电转换成直流电给IPM逆变单元供电，IPM逆变单元根据DSP产生的六路PWM脉冲信号对IPM逆变单元内的六个IGBT开关元件的导通与关断进行控制，驱动直线电机运行；

步骤3中所述的采用轮廓误差计算器计算出任意轨迹的轮廓误差量并通过内置的轮廓误差补偿装置进行补偿控制，然后将两者控制的输出作为速度控制器FCMAC的输入，包括步骤如下：

步骤3-1：永磁直线同步电机PMLSM的运动方程为其中K_f是推力系数，i_q是动子q轴电流，M_i是动子的总质量，D_i为粘滞摩擦和铁耗系数，F_Li包括外部扰动和两轴之间存在的交叉耦合干扰，f_i(v)是摩擦力，为了方便起见，省略了所有的下标i，则PMLSM的动态方程可变为

步骤3-2：根据实时的位置、速度以及电流信号和位置偏差信号计算出轮廓误差值，且任意轨迹的轮廓误差值可由表示，其中，R₁(t)为期望轨迹的加工位置，P₁(t)为实际轨迹的加工位置，R₂′(t)是期望轨迹上的一点，e_x是X轴跟踪误差，e_y是Y轴跟踪误差，是X轴与直线R₁R₂′的夹角，ε为轮廓误差，是P₁(t)到直线R₁R₂′的距离；

步骤3-3：对于模型参数的摄动和外界干扰的影响，设计FCMAC速度控制器，FCMAC既具行CMAC较强的逼近能力又具行模糊控制器很好的自适应能力，而且能够提高系统的抗扰能力，FCMAC的输入变量为轨迹跟踪误差e和误差的变化率当单轴跟踪误差存在时，假设FCMAC的期望输出为实际输出为y，定义目标误差函数为

网络采用误差反向传播算法进行学习，则联想强度ω_n通过如下方式来调整

其中为第三层第n个神经元的输出，x_i＝e或η为学习速率，i＝1，2，j＝1，2…5，n为正整数；

则联想强度的迭代公式为

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

其中α为惯性系数，n为正整数；

高斯隶属函数中心值c_ij和宽度值b_ij分别通过如下方式来调整

式中

其中为第三层第n个神经元的输出，为第二层第n个神经元的输出，x_i＝e或η为学习速率，i＝1，2，j＝1，2…5，n为正整数；

则高斯隶属函数中心值和宽度值的迭代公式为

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为惯性系数，i＝1，2，j＝1，2…5；

FCMAC的输出为

其中为第四层第n个神经元的输出，为第三层第n个神经元的输出，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为正整数。