第19卷第6期常州工學院學報Vol 19 No 62006年12月Journal of Changzhou Institute of TechnologyDec.2006RBFN在USM中的應用周晨暉劉應紅福建師范大學福清分校福建福州350300)摘要油于超聲波電機運行的高度非線性在建立超聲波電機的數(shù)學模型很困難的情況下采用神經(jīng)網(wǎng)絡的方法對馬達的溫度或速度等數(shù)據(jù)采集進行訓練是比較理想的方法。文章建立了BF神經(jīng)網(wǎng)絡的方法進行離線和在線相結合的訓練用LABⅤEW7.0建立控制平臺直接調(diào)用MATLAB的神經(jīng)網(wǎng)絡工具箱。仿真表明該系統(tǒng)可以達到速度精確控制的要求。關鍵詞RBFN匯ABⅤIEW超聲波電機 MATLAB中圖分類號TM383/TP183文獻標識碼A文章編號671-0436(200606-0018-040引言性使得數(shù)學建模非常困難至今仍沒有能夠完全表達USM穩(wěn)態(tài)和動態(tài)特性的精確數(shù)學模型。而超聲波電機〔 Ultrasonic motor簡稱USM)是且USM壓電陶瓷的諧振頻率會隨著溫度、電源20世紀末期發(fā)展起來的一種新型驅(qū)動電機。它電壓、負載轉(zhuǎn)矩以及定轉(zhuǎn)子之間靜壓力等外界條的基本結構及工作完全不同于傳統(tǒng)的電磁馬達,件的變化而發(fā)生漂移。這些都增加了對USM的沒有繞組與磁路不以電磁作用傳遞能量而是控制難度。在目前已有的智能控制方式中,人工種利用超聲波振動能作為驅(qū)動源的新原理電機,神經(jīng)網(wǎng)絡控制因其可以較好地解決非線性、不確是電機制造、機械振動學、摩擦學、功能材料、電子定性控制問題所以人工神經(jīng)網(wǎng)絡在超聲波電機技術和自動控制等學科綜合交叉發(fā)展的產(chǎn)物。它的控制中得到極大的應用。如日本學者 Senjyu將電能通過壓電陶瓷轉(zhuǎn)變?yōu)闄C械振動能然后漢和Fa- Jeng lin先后將BP神經(jīng)網(wǎng)絡和模糊神經(jīng)借助摩擦力將杋械振動能轉(zhuǎn)變?yōu)橹本€運動或旋轉(zhuǎn)網(wǎng)絡應用于USM的控制取得了較好的效果。運動。由于具有其他電機所沒有的特性因此引但是BP神經(jīng)網(wǎng)絡在函數(shù)逼近方面存在學習收斂起了學術界和企業(yè)界的重視在機器人、微型機速度慢、易于陷入局部極小等缺點且在理論上與械、醫(yī)學、航空航天、儀器儀表等領域有著廣泛的生物背景不十分相符。模糊神經(jīng)網(wǎng)絡用神經(jīng)網(wǎng)絡應用前景。與法拉第電磁式電機相比超聲電機實現(xiàn)了模糊系統(tǒng)從而可以通過訓練來求得其中的優(yōu)點是泜轉(zhuǎn)速、大轉(zhuǎn)矩、無需減速機構就可直的參數(shù)。但由于要對數(shù)據(jù)進行模糊化和反模糊化接驅(qū)動負載結構簡單體積小重量輕記起動、停處理需要增加一個隱層這將增加結構的復雜程止響應快響應時間小于毫秒級不產(chǎn)生也不受電度和計算時間網(wǎng)絡的訓練速度通常比較慢且很磁干擾不怕輻射,可用于低溫的環(huán)境洧有自保持難中國煤化工力矩無齒輪間隙,精密定位不需潤滑劑運行M控制策略,系統(tǒng)采安靜、噪聲小?？梢哉f超聲電機技術是處于當今用從環(huán)玩小用丁下償定子機械振動頻率世界高新技術之的漂移外環(huán)采用徑向基神經(jīng)網(wǎng)絡 RBFNN)控制但是USM的高度非線性、時變性和強耦合器調(diào)節(jié)USM的驅(qū)動頻率,實現(xiàn)速度的自適應控收稿日期2006-10-11第6期周晨暉劉應紅 cRBFNN在USM中的應用19制。該控制系統(tǒng)具有響應迅速適應性強等優(yōu)點,1超聲波電機的驅(qū)動控制系統(tǒng)具有較高的控制精度和較好的穩(wěn)定性。本文將 RBFNN應用于USM的參數(shù)識別和1.1超聲波電機驅(qū)動系統(tǒng)結構圖自適應控制彌補了上述方法的不足。 RBFNN是USM需要兩相同幅、同頻、相差90°的高頻驅(qū)種新型的三層前饋式神經(jīng)網(wǎng)絡,與傳統(tǒng)的動信號由于電機的等效電路呈容性可以將方波BPNN相比具有良好的生物背景和函數(shù)逼近能信號的高次諧波成分濾除變成正弦波。信號發(fā)生力不僅結構簡單收斂速度快泛化能力強而且電路采用DDS系統(tǒng)采用雙閉環(huán)控制內(nèi)環(huán)反饋具有全局最優(yōu)和最佳逼近的性質(zhì)。采用一個值為USM內(nèi)部傳感器由于正壓電效應產(chǎn)生的反RBFNN對USM驅(qū)動系統(tǒng)進行模型參考自適應映定子振動情況的電壓值ν對其采樣得出一適閉環(huán)速度控制的同時采用另一個 RBFNN在線當大小的直流電平與給定電壓一起輸入積分器,識別系統(tǒng)提供參數(shù)給控制用的 RBFNN進行在線積分器輸出的邏輯值ν與ⅤCO的電壓管腳相訓練使得控制輸岀能夠動態(tài)跟蹤系統(tǒng)參數(shù)的變連以自動補償υUSM諧振頻率的漂移;外環(huán)反饋化。通過離線和在線相結合的方法對兩個值為光電編碼器(與轉(zhuǎn)子和負載同軸相連)測得RBFNN的參數(shù)進行訓練試驗結果證明該方法不的轉(zhuǎn)速信號與給定轉(zhuǎn)速比較后輸入控制器部分,僅具有控制靈活、適應性強的優(yōu)點而且具有較高實現(xiàn)電機轉(zhuǎn)速的自適應控制。驅(qū)動系統(tǒng)結構框圖的控制精度和魯棒性如圖1所示。叵反轉(zhuǎn)控制兩相驅(qū)動振蕩逆變sn負載光電編碼器和USM移相升壓「GNDCD電路區(qū)樣與積分圖1USM驅(qū)動系統(tǒng)結構框圖1.2超聲波電機模型參考自適應速度控制系統(tǒng)由于 RBENN能夠?qū)崿F(xiàn)高度復雜的非線性映2 RBFNN及其自適應訓練方法射又具有自學習、自適應能力,所以將其作為2.1 RBFNNUSM的自適應控制器 RBFNNC)輸入為電機實RBFN是一種只含有一個隱層的前向神經(jīng)際轉(zhuǎn)速n與給定轉(zhuǎn)速n相比較得出的誤差e及網(wǎng)絡用徑向基函數(shù)作為隱單元的基”構成隱層其變化率ε。輸出為控制信號ν用以調(diào)節(jié)ⅴco空間對落入輸入空間的部分輸入產(chǎn)生非零響應輸入電壓,從而調(diào)節(jié)USM的驅(qū)動頻率。用作參即局部接受。而網(wǎng)絡的輸出是隱單元輸出的線性數(shù)識別的 RBENNO稱為 RBENNI),它的輸入信號加權和因此從總體上看網(wǎng)絡從輸入到輸出的映有兩部分,一部分為驅(qū)動系統(tǒng)的實際輸入(即射是非線性的而網(wǎng)絡輸出參數(shù)對可調(diào)參數(shù)而言RBFNNC的輸出值ν)一部分是驅(qū)動系統(tǒng)的又中國煤化工快了學習速度且可避實際輸出y。輸入信號通過 RBFNNI后輸出yCNMH GENN的生物背景以及計算ξ=ay/?v,用作 RBFNNC的在線訓練。相關的數(shù)學理論都已證明隱層單元的激活函數(shù)應USM模型參考自適應系統(tǒng)結構框圖如圖2所示。取具有局部感受野”的徑向基函數(shù)在這里取為速度參考模型可以為恒速、階躍轉(zhuǎn)速等是控制系通常采用的Gaus函數(shù)。此時第k個隱層單元輸統(tǒng)的跟蹤目標。出為常州工學院學報2006年p ( xi )=exp(1)接權為隱層節(jié)點總數(shù)ωo為偏移量網(wǎng)絡參數(shù)的學習分為:①在離線訓練中確定式1)中‖‖為歐幾里德范數(shù)x為第個輸入隱層節(jié)點的個數(shù)及其中心和寬度,計算出隱層與矢量κ為第k個隱層節(jié)點的中心為第k個輸出層之間連接權值的初始值2通過在線訓練隱層節(jié)點的寬度。自適應地調(diào)整隱層與輸岀層的連接權值。前者是整個網(wǎng)絡的輸出方程為為了加強網(wǎng)絡的快速響應能力后者是為了使網(wǎng)x1)=ω+∑od(x)〔2)絡適應環(huán)境的變化增強其魯棒性。式2)中ω為第k個隱層節(jié)點與輸出空間的連參考模型十擾動在線學習算法RBFNNUSM控制器驅(qū)動RBENN參數(shù)識D圖2USM模型參考自適應系統(tǒng)結構框圖2.2離線訓練每輸入一個新樣本x11)兩個RBFN都是兩輸入單輸出網(wǎng)絡離線1)分別按式1廂和式2川計算各個隱層單元的訓練所需的樣本均通過試驗方法獲得。 RBFNNC輸出中(x;)網(wǎng)絡的輸出y;的輸入樣本矢量為xa={c(t),e(t)},e(t))算誤差n(t)-n(t)n(t)為t時刻由光電編碼器測得(3)的電機轉(zhuǎn)速值n(t)為給定速度值e(t)=(t)-以及樣本與已存在的隱層單元的距離dt-1), RBFNNC的輸出樣本矢量為ya=dj=12r,(4){v(t-1)m(t-1)}t)由t時刻轉(zhuǎn)速所對應式4)中a為已存在的隱層單元個數(shù)。的驅(qū)動頻率與VCO的輸入電壓之間的線性關系計令dmn=min(d,)算得出。 RBFNNI的輸入樣本矢量為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)統(tǒng)前一時刻的實際輸入輸出值逼近當前時刻的實式5)為網(wǎng)絡期望的精度。際輸出值故其輸出樣本矢量取為yn=y(t)1凵中國煤化工絡的擬和精度隨著學本文所用的 RBFNN的隱層單元初始個數(shù)為習CNMHG g零在訓練過程中按照一定規(guī)則自適應地添加并為衰減因子9