[发明专利]适用于重复性伺服系统的RBF自适应神经网络重复控制器

说明书

一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪。本发明提供一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，本发明针对重复性伺服系统的周期运行特性，一方面利用RBF神经网络逼近未知参数的系统模型，另一方面引入重复控制方法以消除重复操作过程中常见的周期性干扰。

技术领域

本发明涉及重复控制技术，尤其适用于周期参考信号下的电机参数未知的伺服系统，也适用于工业场合中其它周期性运行过程。

背景技术

在工业生产现场，存在许多重复运行的行为。比如工业机器人在执行焊接、搬运、码垛、铣切和喷漆等任务时，需要按照预设指令自动、重复执行工作。自动弧焊机器人在执行焊接操作时，通过焊缝轨迹跟踪技术，沿着焊缝运行同时焊条长度与质量逐渐减小，完成一次操作后又回到起点重复运行。码垛机器人则兼具反复搬运和码垛的功能，重复定位精度要求高，且需要在运行过程中按照设定的垛型调整目标位置的摆放高度和方向。在这些应用场合中，工业机器人本身的运动部件——伺服电机，也明显存在重复性、周期性的运行特征。为方便表述，本发明将这种在有限区间内重复运行、间歇操行的伺服系统称为重复性伺服系统。

在工程应用中，几乎所有的伺服系统都存在着非线性和不确定性。比如建模的偏差、模型参数的摄动、系统干扰和未建模特性等等。特别是对于一些大功率、强干扰或者要求精确控制的电机伺服系统，这种客观情况造成实际复杂系统与理论数学模型的偏差，为控制器设计带来困难。如何克服系统的非线性和不确定性，取得良好的控制性能是伺服系统设计的一个挑战。人工神经网络模拟大脑的信息处理机制，具有学习和构建非线性复杂关系的能力。利用其非线性映射能力，用于无模型系统的控制器设计，有助于提高控制系统学习和适应不确定动态特性的性能。David等人的研究工作表明，相比BP(backpropagation)神经网络，径向基函数(radical basis function,RBF)神经网络能够实现输入到输出的非线性映射，具有更好的函数逼近能力(DavidDaniel Sbarbaro.AnAdaptive Sliding-Mode Controller for Discrete Nonlinear Systems.IEEETransactions on Industrial Electronics,2000,47(3):574-583.)。已有工作主要考虑利用神经网络逼近未知参数的电机模型，简化控制系统结构。比如Hicham Chaoui等人提出一种无需电流环的永磁同步电机速度调速策略，以RBF神经网络逼近电机d轴电压，在部分电机参数未知的情况下实现了电机的速度跟踪控制(Hicham Chaoui,Mehdy Khayamy,andOkezie Okoye.Adaptive RBF Network Based Direct Voltage Control for InteriorPMSM Based Vehicles.IEEE Transactions on Vehicular Technology,2018,67(7):5740-5749.)。上述工作针对电机和控制系统本身解决问题，并没有考虑重复性伺服系统中电机运行过程的周期性。

发明内容

为了解决复杂工况中，重复性伺服系统中常见的周期性干扰和未知模型情况下的控制器设计问题，本发明提供一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，本发明针对重复性伺服系统的周期运行特性，一方面利用RBF神经网络逼近未知参数的系统模型，另一方面引入重复控制方法以消除重复操作过程中常见的周期性干扰。

本发明解决其技术问题所采用的技术方案是：

一种适用于重复性伺服系统的RBF自适应神经网络重复控制器，通过RBF神经网络自适应调节权值来逼近未知参数的伺服电机输入输出差分方程，并根据重复控制方法，在利用前一周期的运行信息来修正当前时刻的控制量，以克服周期性干扰，实现输出量对于给定周期性参考信号的跟踪；