Nothing Special   »   [go: up one dir, main page]

CN116991068A - 基于分布式预设时间梯度下降法的电机控制方法及系统 - Google Patents

基于分布式预设时间梯度下降法的电机控制方法及系统 Download PDF

Info

Publication number
CN116991068A
CN116991068A CN202310978296.3A CN202310978296A CN116991068A CN 116991068 A CN116991068 A CN 116991068A CN 202310978296 A CN202310978296 A CN 202310978296A CN 116991068 A CN116991068 A CN 116991068A
Authority
CN
China
Prior art keywords
fuzzy
preset time
motor
function
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310978296.3A
Other languages
English (en)
Inventor
周琪
郑晓宏
陈广登
李晓孟
胡涛
于胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Shenzhen Institute of Information Technology
Original Assignee
Guangdong University of Technology
Shenzhen Institute of Information Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology, Shenzhen Institute of Information Technology filed Critical Guangdong University of Technology
Priority to CN202310978296.3A priority Critical patent/CN116991068A/zh
Publication of CN116991068A publication Critical patent/CN116991068A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本公开涉及永磁同步电机控制技术领域，提出了一种基于分布式预设时间梯度下降法的电机控制方法及系统，方法包括建立具有未知非线性的状态空间模型；建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑系统的自适应律；构建预设时间模糊控制器；以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数，从而调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到具体的电机控制动作。通过引入预设时间概念和基于梯度下降法的模糊逻辑控制策略，能够实现对电机伺服系统的精确控制和快速收敛。

Description

基于分布式预设时间梯度下降法的电机控制方法及系统
技术领域
本公开涉及永磁同步电机控制相关技术领域，具体地说，是涉及一种基于分布式预设时间梯度下降法的电机控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
随着现代工业的发展，电机伺服系统在自动化控制领域扮演着重要的角色。电机伺服系统广泛应用于机器人、工业生产线、医疗设备等领域，用于实现精确的位置控制和运动控制。其中，永磁同步电机作为一种高性能电机，因其响应快、效率高、扭矩密度大等优点，得到了广泛应用。
发明人在研究中发现，传统的电机伺服系统控制方法往往存在一些问题。首先，电机伺服系统具有复杂的非线性特性，包括电机本身的非线性、负载的非线性以及传感器的非线性等，对系统的控制性能产生不利影响，导致较长的收敛时间和较大的跟踪误差。为了克服这些挑战，预设时间控制方法被引入到电机伺服系统中。预设时间控制的核心思想是通过预先指定系统的收敛时间，将控制系统的设计和分析与所需的响应速度和性能要求相匹配，应用范围广。这种方法使得系统在不需要准确模型的情况下，仍能实现良好的性能。但是已有的有限\固定时间控制方法，其稳定时间往往受限于初始条件和调节参数，当系统复杂时往往难以得到，不利于实际应用。
其次，电机伺服系统的参数常常存在不确定性，例如由于温度变化、磨损和老化等因素引起的参数漂移。这些不确定性因素会导致控制系统的稳定性和鲁棒性受到挑战，影响系统的可靠性和性能。在电机伺服系统的控制中，模糊控制是非线性的一种常用的方法。模糊控制通过建立模糊规则和基于模糊逻辑的推理机制，将模糊的输入和输出映射到具体的控制动作，实现对系统的控制。但是，传统的模糊控制算法在处理未知非线性函数时存在诸多不足，无法精确处理非线性的影响，可能会造成系统不稳定，影响工作效率。
发明内容
本公开为了解决上述问题，提出了一种基于分布式预设时间梯度下降法的电机控制方法及系统，克服电机伺服系统中的非线性和不确定性因素，实现更快的收敛速度和更高的控制精度。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了基于分布式预设时间梯度下降法的电机控制方法，包括如下步骤：
建立永磁同步电机运动学方程，并转换为对应的具有未知非线性的状态空间模型；
建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
基于搭建的状态空间模型，构建预设时间模糊控制器；
以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到电机控制动作。
一个或多个实施例提供了基于分布式预设时间梯度下降法的电机控制系统，包括：
第一构建模块：被配置为用于建立永磁同步电机运动学方程，并转换为对应的具有未知非线性的状态空间模型；
第二构建模块：被配置为用于建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
第三构建模块：被配置为用于基于搭建的状态空间模型，构建预设时间模糊控制器；
自适应调整模块：被配置为用于以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
控制动作输出模块：被配置为用于根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到电机控制动作。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的一种基于分布式预设时间梯度下降法的电机控制方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的一种基于分布式预设时间梯度下降法的电机控制方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开能够实现收敛时间与初始条件无关，并且允许由独立参数自由地预先指定收敛时间，实现对电机伺服系统的精确控制和预设时间的快速收敛。这一创新方法不仅提高了系统的动态性能和跟踪精度，还增强了系统对不确定性和非线性特性的适应能力，为电机伺服系统的应用领域带来了显著的优势。
与基于模型的电机伺服系统控制方案相比，不需要准确地电机伺服系统模型，不同于已有的模糊控制方法，采用梯度下降法能够更充分消除未知非线性带来的误差，显著提高了电机伺服系统的动态性能和跟踪精度。
本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是本公开实施例1的控制方法流程图；
图2是本公开实施例1的仿真示例电机伺服系统的转动角度的跟踪变化曲线图；
图3是本公开实施例1的仿真示例电机伺服系统的转动角速度的变化曲线图；
图4是本公开实施例1的仿真示例模糊基函数估计的变化曲线。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
本公开提出了一种基于梯度下降法的电机伺服系统的分布式预设时间控制方法，旨在克服传统方法存在的问题，并提高电机伺服系统的控制性能和稳定性。该方法通过引入预设时间概念和基于梯度下降法的模糊逻辑控制策略，并且允许由独立参数自由地预先指定收敛时间，能够实现对电机伺服系统的精确控制和快速收敛。与传统方法相比，本公开不需要准确的系统模型和参数信息，能够充分消除非线性和不确定性因素对系统控制的影响，提高系统的鲁棒性和适应性，本公开提出的分布式预设时间模糊控制方法在电机伺服系统领域具有重要的应用价值，能够有效地解决非线性和不确定性带来的挑战，提高电机伺服系统的性能和精度，推动自动化控制技术的发展。下面以具体的实施例进行说明。
实施例1
在一个或多个实施方式公开的技术方案中，如图1至图4所示，一种基于分布式预设时间梯度下降法的电机控制方法，包括如下步骤：
步骤1、针对待控制的电机伺服系统，建立未知非线性的状态空间模型；
建立永磁同步电机运动学方程，并根据永磁同步电机的物理特性，将其转换为对应的具有未知非线性的状态空间模型，即为得到状态空间方程；
步骤2、建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
其中，建立模糊逻辑逼近模型用以近似逼近电机伺服系统的非线性特性；
步骤3、基于搭建的状态空间模型，构建预设时间模糊控制器；
其中，预设时间模糊控制器包括虚拟控制器和实际控制器；
步骤4、以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，基于自适应律，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
步骤5、根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到具体的电机控制动作。
具体的，根据步骤2得到的自适应律调节其中的学习因子κ，能够自适应调整模糊逻辑逼近模型的模型信息，使模糊逻辑逼近模型能够逼近上未知非线性函数。基于步骤3中得到的虚拟控制器和实际控制器，调节控制器中的设计参数，可以提前设定系统的收敛时间并且保证系统的稳定性，实现对系统状态的快速响应和准确控制。
进一步地，还包括步骤6：通过李雅普诺夫稳定性理论对控制系统进行稳定性分析和证明，确保系统在各种工作条件下具有稳定的性能，并能够实现预设时间的收敛。
本实施例中，能够实现收敛时间与初始条件无关，并且允许由独立参数自由地预先指定收敛时间，实现对电机伺服系统的精确控制和预设时间的快速收敛。这一创新方法不仅提高了系统的动态性能和跟踪精度，还增强了系统对不确定性和非线性特性的适应能力，为电机伺服系统的应用领域带来了显著的优势。
与基于模型的电机伺服系统控制方案相比，不需要准确地电机伺服系统模型，不同于已有的模糊控制方法，采用梯度下降法能够更充分消除未知非线性带来的误差，显著提高了电机伺服系统的动态性能和跟踪精度。
步骤1中的实现过程，可以包括如下过程：
步骤1.1，根据电机运行的转角、转速以及电流的关系，，建立永磁同步电机运动模型，其方程如下：
其中，θ为电机转角，ω表示电机转速。TL为负载转矩，J表示转动惯量，Kt为电机转矩常数，iq为电机q轴电流，B表示滑动摩擦系数。
步骤1.2，考虑复杂运行环境下电机伺服系统可能会受到未知非线性的影响。令s1＝θ和s2＝ω，通过对永磁同步电机运动模型变换，得到电机伺服系统中未建模的部分，将永磁同步电机的运动模型转换为具有未知非线性的状态空间方程，如下：
其中，f＝J-1(-Bs2-TL)表示电机伺服系统中未建模的部分，即为包含的非线性部分。u＝iq为输入信号即为电机q轴电流，y表示输出信号即为电机的转角。
考虑更一般的情况，电机伺服系统包含高度非线性特征，无法提前确定模型的所有参数信息，如公式(1.1)所示。
进一步的技术方案，步骤2中构建模糊逻辑逼近模型，，即采用模糊逻辑系统来逼近未知的非线性；模糊逻辑逼近模型包括：模糊规则库、模糊推理机、模糊器和解模糊器。
本实施例中，模糊逻辑逼近模型也称为模糊逻辑系统，可以如下：
其中，x＝[x1,x2,…,xn]T和y分别是模糊逻辑逼近模型的输入变量和输出变量；和Gι分别是变量xi和y对应的模糊集合，其中i＝1,2,…,n。
其中，表示/>的隶属度函数，/>表示Gι的隶属度函数。
本实施例中，针对电机伺服系统构建的模糊逻辑逼近模型的输入变量，即为电机伺服系统的运行数据，运行数据包括电机的转速、角速度等，即为s1＝θ和s2＝ω；输出变量为系统未知非线性的拟合函数，拟合函数对应后面的公式(8)。
选择模糊基函数为：
其中，定义理想权重向量和基函数向量对应ι＝1,2,…N，故模糊逻辑逼近模型，为权重向量/>与模糊基函数/>的乘积，可以表示为：
作为一类特殊的非线性函数，模糊逻辑逼近模型可以用于非线性函数的逼近，故对于任意的为正实数，都存在模糊逻辑逼近模型/>使下式成立：
其中，ΩF是上的一个紧集，/>为n维实数集，f(x)是定义在ΩF上的给定连续函数。
其次，传统的模糊控制算法在处理未知非线性函数时存在诸多不足，如模糊基函数往往不能收敛到理想值，从而导致模糊逻辑系统无法工作，即无法消除未知非线性对电机伺服系统的影响，可能会造成系统不稳定，影响工作效率。
进一步的技术方案，基于梯度下降法，对传统的模糊算法进行改进，重新设计模糊基函数的更新权重，得到模糊基函数的更新律，具体如下：
其中，κ为学习参数，为基函数向量，ζT为估计权重，f(x)是定义在ΩF上的给定连续函数，ΩF是/>上的一个紧集，/>为n维实数集。
本实施例中，ζ*表示理想权重，ζT为估计权重，如果能达到理想权重肯定是最好，在实际中是做不到的，因此设计了一个估计权重。
更新律的作用是允许模糊逻辑逼近模型根据输入数据的变化自适应地调整模糊基函数，提高系统的逼近能力和泛化能力。
步骤3中，基于搭建的状态空间模型，构建预设时间模糊控制器，包括基于梯度下降法的模糊规则的构建和预设时间模糊控制器的设计。
其中，基于梯度下降法的模糊规则得到的模糊逻辑逼近模型的自适应律，构建预设时间模糊控制器的方法，包括如下步骤：
步骤3.1，设定预设时间函数，基于跟踪参考信号设计对应的误差变换系统；
定义yd设为跟踪参考信号，设计对应的误差变换系统如下：
其中，ω1为跟踪误差，ω2为虚拟误差，x1和x2分别为输入变量值，α1表示虚拟控制器的输出值；
本实施例中，η为预设时间函数，满足η(0)＝1和其一阶导数/>满足：
且/>为正的常数；
L1＝2+m，L2＝1+m，L3＝m和L0＝3+m，其中m>0，为正数；
在此说明，η是一类函数，并不是特指一个函数，只要满足以上要求的都可以称之为预设时间函数，如：T为预先设定的收敛时间，通过改变T可以调整系统的收敛时间。
步骤3.2，根据步骤2中构建的模糊逻辑系统，模糊逻辑逼近模型对电机伺服系统存在未知非线性进行逼近，可得系统未知非线性的拟合函数为：
其中，ζ*表示理想权重，ζ*T是理想权重的转置，表示基函数向量；δe为逼近误差，满足/>为任意小的正常数。
步骤3.3，对状态空间方程中的电机转角s1求导，基于选择的第一李雅普诺夫函数得到虚拟控制器；
选择合适的第一李雅普诺夫函数为：
对第一李雅普诺夫函数V1进行求导，可以得到对应的虚拟控制器：
α1＝-k1ηs1-yd (10)
其中，为正的设计参数；L1＝2+m，其中m为大于零的数；yd为设定的跟踪参考信号，η为预设时间函数；
步骤3.4，对状态空间方程中的电机转速s2求导，基于选择的第二李雅普诺夫函数得到对应的实际控制器；
选择合适的李雅普诺夫函数为：
对V1进行求导，可以得到对应的实际控制器，具体形式如下所示：
其中，ω2为虚拟误差，虚拟控制器的导数，λ为一个正的常数，/>为理想权重ζ*的估计。
基于步骤2的梯度下降算法，得到模糊逻辑逼近模型的自适应律，过程如下：
(1)设计关于非线性函数与模糊逻辑逼近模型的代价函数，并证明代价函数为凸函数；
(2)构造关于模糊逻辑逼近模型权重的李雅普诺夫函数，以使得构造的李雅普诺夫函数导数小于0，基于代价函数设计模糊逻辑逼近模型的自适应律。
设计自适应律，如下：
其中，表示正的设计参数。/>为理想权重ζ*的估计。/> 滤波器/>的输出信号，其中h为正的设计参数，η为预设时间函数。
根据得到的自适应律可以调整模糊逻辑系统的模型，使其能够逼近系统的未知非线性，具体步骤为：通过调节自适应律中的学习因子，使模糊逻辑逼近模型自适应地调整模型信息直到模糊逻辑逼近模型能够逼近上未知非线性函数。
模糊基函数是直接给出的，通过输入数据能够自适应选择调整。主要是通过自适应律，自适应调整模糊逻辑逼近模型的权重。给出自适应律就能够自动调整权重即为：通过调节自适应律中的学习因子，使模糊逻辑逼近模型自适应地调整模型信息直到模糊逻辑逼近模型能够逼近上未知非线性函数。
步骤4中，通过自适应律中的学习因子作为独立参数能够预先地制定收敛时间，能够实现收敛时间不受初始条件的限制。
根据步骤3中得到的虚拟控制器α1和实际控制器u可以提前设定系统的收敛时间并且保证系统稳定运行，最终求解状态空间模型得到具体的电机控制动作，具体步骤为：
步骤51、设定控制器中预设时间函数即η函数的形式；
步骤52、根据实际场景需要设定预设时间T，从而确定预设时间函数η的数值，得到收敛时间值；
步骤53、在收敛时间内，以使电机伺服系统的输出y能够跟踪上给定的参考信号yd为目标，基于确定的模糊基函数调整预设时间模糊控制器的设定参数使电机伺服系统的输出y能够跟踪上给定的参考信号yd，得到时间模糊控制器；
步骤54、基于确定的时间模糊控制器，求解状态空间模型得到具体的电机控制动作。
本实施例中，引入了基于梯度下降法的模糊逻辑逼近模型设计方案，以更好地适应电机伺服系统的非线性特性和不确定性。得益于梯度下降优化算法，通过自动调节模糊逻辑逼近模型的参数和动力学模型参数，我们能够有效地抑制系统中的干扰和噪声，提高系统的稳定性和控制性能。
进一步地，通过李雅普诺夫稳定性理论对控制系统进行稳定性分析和证明，确保系统在各种工作条件下具有稳定的性能，并能够按照预设的时间要求实现精确的收敛。通过基于模糊逻辑逼近模型的分布式预设时间算法，结合电机伺服系统跟踪误差，自动调节模糊逻辑逼近模型的参数和动力学模型参数。
本实施例中，融合了电机系统的运动学和动力学建模、模糊逻辑控制、梯度下降法、预设时间的引入以及稳定性分析方法，可以在不依赖精确模型的情况下，实现对电机伺服系统的精确控制和快速响应。对于推动电机伺服系统的自动化控制技术发展，提升工业自动化和机器人应用的效率和性能具有重要的研究和应用价值。
为了证明本实施例的有效性，进行如下仿真验证：
为了进一步说明发明技术方案的技术效果，本发明提供的基于梯度下降法的电机伺服系统的分布式预设时间控制方法的仿真实验验证过程如下：
在仿真实验中，电机的参考转角为：yd＝sin(0.5t)。根据实际系统，本例采用的模型中的系统物理参数可以选为TL＝0.06125kg·m2，B＝0.008，其余可以根据实际情况调整。系统的初始状态设置为：s1(0)＝0和s2(0)＝0。自适应参考的初始状态设置为：控制参数设置为：k1＝5，k2＝5，/>λ＝10，/>和T＝1。运用MATLAB软件，对本实施例控制方法中所建立的数学模型进行仿真得到仿真图2-图4。图2为具体实施例中电机伺服系统的转动角度的跟踪变化曲线；图3为具体实施例中电机伺服系统的转动角速度的变化曲线；图4为具体实施例中模糊基函数估计的变化曲线。由以上仿真结果可知，在所提出的分布式预设时间模糊算法下，电机伺服系统的转动角都能在预设时间T＝1s内快速收敛跟踪上参考轨迹，并且保证了整个系统的稳定运行。
实施例2
基于实施例1，本实施例中提供基于分布式预设时间梯度下降法的电机控制系统，包括：
第一构建模块：被配置为用于建立永磁同步电机运动学方程，并转换为对应的具有未知非线性的状态空间模型；
第二构建模块：被配置为用于建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
其中，模糊逻辑逼近模型用以近似逼近电机伺服系统的非线性特性；
第三构建模块：被配置为用于基于搭建的状态空间模型，构建预设时间模糊控制器；
自适应调整模块：被配置为用于以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
控制动作输出模块：被配置为用于根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到具体的电机控制动作。
此处需要说明的是，本实施例中的各个模块与实施例1中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例3
本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1所述的基于分布式预设时间梯度下降法的电机控制方法中的步骤。
实施例4
本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1所述的基于分布式预设时间梯度下降法的电机控制方法中的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.基于分布式预设时间梯度下降法的电机控制方法，其特征在于，包括如下步骤：
建立永磁同步电机运动学方程，并转换为对应的具有未知非线性的状态空间模型；
建立模糊逻辑逼近模型，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
基于搭建的状态空间模型，构建预设时间模糊控制器；
以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到电机控制动作。
2.如权利要求1所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于，状态空间模型的构建方法，包括：
根据电机运行的转角、转速以及电流的关系，建立永磁同步电机运动模型；
对永磁同步电机运动模型变换，得到电机伺服系统中未建模的部分，将永磁同步电机的运动模型转换为具有未知非线性的状态空间方程。
3.如权利要求1所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于，模糊逻辑逼近模型，为更新权重与模糊基函数的乘积。
4.如权利要求3所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于：基于梯度下降法，设计模糊基函数的更新权重，得到模糊基函数的更新律，具体如下：
其中，κ为学习参数，为基函数向量，/>为估计权重，f(x)是定义在ΩF上的给定连续函数，ΩF是/>上的一个紧集，/>为n维实数集。
5.如权利要求1所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于：基于梯度下降算法，得到模糊逻辑逼近模型的自适应律，过程如下：
设计关于非线性函数与模糊逻辑逼近模型的代价函数，并证明代价函数为凸函数；
构造关于模糊逻辑逼近模型中模糊基函数的更新权重的李雅普诺夫函数，以使得构造的李雅普诺夫函数导数小于零，基于代价函数设计模糊逻辑逼近模型的自适应律。
6.如权利要求1所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于，构建预设时间模糊控制器的方法，包括如下步骤：
设定预设时间函数，基于跟踪参考信号设计对应的误差变换系统；
采用模糊逻辑逼近模型对电机伺服系统存在未知非线性进行逼近，确定系统未知非线性的拟合函数；
对状态空间方程中的电机转角求导，选择第一李雅普诺夫函数得到虚拟控制器；
对状态空间方程中的电机转速求导，选择第二李雅普诺夫函数得到对应的实际控制器。
7.如权利要求1所述的一种基于分布式预设时间梯度下降法的电机控制方法，其特征在于，确定预设时间控制器参数，求解得到电机控制动作的过程，包括：
确定预设时间控制器中预设时间函数的形式；
根据实际场景需要设定预设时间，从而确定预设时间函数的数值，得到收敛时间值；
在收敛时间内，以使电机伺服系统的输出y能够跟踪上给定的参考信号yd为目标，基于确定的模糊基函数调整预设时间模糊控制器的设定参数，得到时间模糊控制器；
基于确定的时间模糊控制器，求解状态空间模型得到具体的电机控制动作。
8.基于分布式预设时间梯度下降法的电机控制系统，其特征在于，包括：
第一构建模块：被配置为用于建立永磁同步电机运动学方程，并转换为对应的具有未知非线性的状态空间模型；
第二构建模块：被配置为用于建立模糊逻辑逼近模型，用以近似逼近电机伺服系统的非线性特性，并基于梯度下降优化算法确定模糊逻辑逼近模型的自适应律；
第三构建模块：被配置为用于基于搭建的状态空间模型，构建预设时间模糊控制器；
自适应调整模块：被配置为用于以模糊逻辑逼近模型能够逼近电机伺服系统的未知非线性特性，调节自适应律中的学习因子，基于获取的电机伺服系统的运行数据的变化，自适应地调整模糊逻辑逼近模型的模糊基函数；
控制动作输出模块：被配置为用于根据得到的模糊基函数以及学习因子，调节时间模糊控制器的设计参数，得到模糊控制的收敛时间，求解状态空间模型得到具体的电机控制动作。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的一种基于分布式预设时间梯度下降法的电机控制方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的一种基于分布式预设时间梯度下降法的电机控制方法中的步骤。
CN202310978296.3A 2023-08-04 2023-08-04 基于分布式预设时间梯度下降法的电机控制方法及系统 Pending CN116991068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310978296.3A CN116991068A (zh) 2023-08-04 2023-08-04 基于分布式预设时间梯度下降法的电机控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310978296.3A CN116991068A (zh) 2023-08-04 2023-08-04 基于分布式预设时间梯度下降法的电机控制方法及系统

Publications (1)

Publication Number Publication Date
CN116991068A true CN116991068A (zh) 2023-11-03

Family

ID=88528020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310978296.3A Pending CN116991068A (zh) 2023-08-04 2023-08-04 基于分布式预设时间梯度下降法的电机控制方法及系统

Country Status (1)

Country Link
CN (1) CN116991068A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311330A (zh) * 2023-11-29 2023-12-29 江西五十铃汽车有限公司 一种整车控制器的控制方法、系统、存储介质及电子设备
CN117478017A (zh) * 2023-12-27 2024-01-30 东莞市天一精密机电有限公司 一种伺服电机的控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311330A (zh) * 2023-11-29 2023-12-29 江西五十铃汽车有限公司 一种整车控制器的控制方法、系统、存储介质及电子设备
CN117311330B (zh) * 2023-11-29 2024-03-15 江西五十铃汽车有限公司 一种整车控制器的控制方法、系统、存储介质及电子设备
CN117478017A (zh) * 2023-12-27 2024-01-30 东莞市天一精密机电有限公司 一种伺服电机的控制方法
CN117478017B (zh) * 2023-12-27 2024-04-09 东莞市天一精密机电有限公司 一种伺服电机的控制方法

Similar Documents

Publication Publication Date Title
CN112817231B (zh) 一种具有强鲁棒性的机械臂高精度跟踪控制方法
CN116991068A (zh) 基于分布式预设时间梯度下降法的电机控制方法及系统
CN111596545B (zh) 一种多输入多输出机械系统自适应容错预设性能控制方法
CN107544256A (zh) 基于自适应反步法的水下机器人滑模控制方法
CN112904728A (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN106774379B (zh) 一种智能超螺旋强鲁棒姿态控制方法
CN111273544B (zh) 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
CN114895564B (zh) 一种电驱动柔性关节机械臂自适应神经网络控制器设计方法
CN105045103B (zh) 一种基于LuGre摩擦模型伺服机械手摩擦补偿控制系统及方法
CN107193210B (zh) 一种非线性系统的自适应学习预设性能控制方法
CN112207834B (zh) 一种基于干扰观测器的机器人关节系统控制方法及系统
CN112077839B (zh) 一种机械臂的运动控制方法及装置
CN111142404A (zh) 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法
CN113589689A (zh) 一种基于多参数自适应神经网络的滑模控制器设计方法
CN115268260B (zh) 考虑瞬态性能的无人艇预设时间轨迹跟踪控制方法及系统
CN113283090B (zh) 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法
CN115473467A (zh) 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法
CN114035436B (zh) 一种基于饱和自适应律的反步控制方法、存储介质及设备
CN114859725A (zh) 一种非线性系统自适应事件触发控制方法及系统
CN113377006B (zh) 一种基于不变流形观测器的全局快速终端滑模控制方法
CN109995278B (zh) 一种考虑输入受限的电机伺服系统自调节控制方法
CN111880483A (zh) 一种雷达天线四电机驱动伺服系统预定性能控制方法
CN114384800B (zh) 一种具有输入信号延时的未知非线性系统反推控制方法
CN111856941B (zh) 一种基于主动抗扰的自适应终端动态滑模控制方法
CN118012125B (zh) 基于强化动态学习的2-dof直升机多轨迹跟踪控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination