[发明专利]基于模糊神经网络的超声电机转速控制

说明书

技术领域

本发明涉及一种超声电机速度控制，具体涉及一种基于蚁群一粒子群混合算法优化模糊神经网络的超声电机速度控制方法，属于计算机应用与自动控制领域。

背景技术

超声电机(USM)是20世纪末发展起来的一种微小型驱动电机。与传统的电磁电机相比，超声电机结构紧凑、体积小、重量轻、微位移、低转速、大转矩、运行无噪声、不受电磁干扰、耐低温等特性，可谓是一种较为理想的伺服驱动执行器件，已广泛应用于航空航天、医疗器械、精密微动机构、办公自动化、机器人工业、高档汽车、军事及工业控制等领域。因超声电机自身参数的高度非线性、时变性，特别是电机工作过程中伴随严重的磨擦过程，运行特性呈现很多非线性和不确定因素，而且USM受温度和外加负载的影响较大，所以难以建立其精确的数学模型，很难通过传统控制方法实现高精度的速度伺服控制。目前很多学者和科技人员为解决超声电机的驱动问题，做了许多探索和实验，如应用PID控制、模糊控制、神经网络等优化控制USM。然而采取以上方法时，仍然不能有效解决超声电机转速波动较大及运行不稳定性的问题，从而不能保证超声电机精确的转速跟踪和优良的动态控制性能。为此，需要采取性能更优的控制器用于超声电机的转速控制系统，以便增强USM控制系统转速跟踪与响应能力，提高系统的控制精度高及抗干扰能力。

发明内容

为克服上述现有方法存在的问题与不足，增强控制系统的鲁棒性和抗扰动能力，精准地实现超声电机的转速控制，本发明提出一种基于蚁群-粒子群混合算法优化模糊神经网络的超声电机转速控制方法。即将蚁群算法和粒子群算法组成递阶结构优化模糊神经网络，应用蚁群算法的全局搜索和粒子群算法的局部搜索功能，优化模糊神经网络控制器的结构参数，并且将该控制器引入超声电机的转速控制系统。本发明的技术方案是：

基于蚁群-粒子群混合算法优化模糊神经网络的超声电机转速控制，由速度参考模型设定电机的转速跟踪目标，可以是恒定转速、阶跃转速等。在系统转速控制内环中引入电机定子振动信号检测单元，以增强USM速度跟踪准确度，提高USM的速度响应快速性。控制原理结构中的模糊神经网络(即FNN)控制器的功能是控制超声电机的转速，其输入量分别为转速误差e和误差e的变化率Δe，e由系统结构中参考模型的给定转速信号n^*与USM转速检测部件实际转速量n比较计算得出，即e＝n*^-n。模糊神经网络控制器结构参数通过蚁群——粒子群算法在线优化求取，以保证超声电机控制系统的实际输出转速n能及时准确跟踪参考模型的转速输出n^*，即e→0。

对模糊神经网络控制器结构参数的优化过程，就是通过学习训练不断调整和更新高斯隶属度函数参数m_ij和δ_ij、连接权值ω_jk和ω_ko过程。蚁群算法全局搜索能力强，但比较容易产生停滞现象，搜索时间较长，而粒子群算法具有较快的寻优求解速度，将全局搜索的蚁群算法作为主级，将局部搜索的粒子群算法作为从级，组成主从递阶结构对模糊神经网络参数进行训练优化，提高模糊神经网络的泛化能力和快速全局收敛性。蚁群算法将网络需要训练的参数在取值范围内求得有限个离散值；粒子群算法搜索寻优实际上是粒子速度和位置的改变过程，所以模糊神经网络中的高斯隶属函数均值、标准差和权重应该与粒子的位置相对应。具体优化步骤为：

第1步：初始化。蚁群初始化主要设定时间、迭代次数NC、最大迭代次数NC_max、蚂蚁数目S、初始信息素ρ等，且让全部蚂蚁放置在蚁巢；粒子群初始化包括设置粒子数h、粒子初始位置、速度、惯性因子ω_max和ω_min、加速因子C₁和C₂、最大迭代次数M_p等。

第2步：启动全部蚂蚁，每只蚂蚁K(K＝1，2……S)从集合I_Pi开始，按次序从I_Pi中选取元素，直至蚁群中所有蚂蚁均搜寻到食物源。

第3步：将每只蚂蚁选取值作为FNN结构参数训练样本，然后按照下式求取网络输出平均相对误差，记录目前FNN结构参数最好解。且根据蚁群算法对全部集合中各元素信息素更新调整。