超声波电机的速度智能控制研究

《超声波电机的速度智能控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、深圳职业技术学院学报2009年第3期JournalofShenzhenPolytechnicNo.3,2009超声波电机的速度智能控制研究乔维德（常州市广播电视大学，江苏常州213001）摘要：针对超声波电机参数的时变性、系统内在的非线性和系统的强耦合性等特点，提出基于免疫遗传算法的超声波电机模糊神经网络速度控制策略．实验结果表明，与传统模糊神经网络速度控制相比，采用该方法的系统能较好地实现设定的超声波电机速度参考模型的自适应跟踪，响应速度脉动小，具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．关键词：免疫遗传算法；超声波电机；模糊

2、神经网络；速度控制中图分类号：TM346文献标识码：A文章编号：1672-0318（2009）03-0019-04超声波电机（USM）是近几十年发展起来的基本思想是：应用免疫遗传算法在线优化模糊神经一种全新原理、结构的新型电机．它利用压电陶网络控制器参数，并将优化设计好的控制器用于建瓷材料PZT或高分子PVDF薄膜材料的逆压电效立超声波电机的速度自适应控制系统模型．应，将电能转换为定子弹性体在超声域内的振动，1超声波电机的速度智能控制系统再通过定子与转子界面之间的摩擦将超声振动转换为转子的振动．与传统的电磁电机相比，超声图1给出了超声波

3、电机模型参考自适应闭环速波电机具有结构紧凑简单、能量密度大、低速、度控制系统结构．速度参考模型是控制系统的跟踪大扭矩、噪声小、制动和响应特性好以及抗电磁目标，可以是恒定转速，也可以是阶跃转速等．为干扰能力强等优点，所以已经在仪器仪表、家用提高电机速度跟踪的快速性与准确性，本系统速度电器、机器人、办公自动化、航空航天等领域得控制内环中引入定子振动检测信号．模糊神经网络[1]到了越来越广泛的应用，而它所具有的响应快、控制器（FNNC）作用是控制超声波电机的速度，断电自锁等特点使其成为一种较理想的伺服驱动其输入为转速误差e及其变化△e，e是由

4、参考模型器件．然而由于USM参数的高度非线性和其特的给定转速n*与USM速度检测单元的实际转速n性的时变性、强耦合性等，迄今为止，尚没有精相比较求得，即e=n*－n．FNNC参数通过免疫遗确的数学模型，因而很难及传统的理论和控制方传算法在线获得，最终目的是使超声波电机实际转法来实现高精度的超声波电机的伺服控制．为此，速能够跟踪参考模型输出，即e→0．近年来国内外许多学者和科技人员针对超声波电参考模型机的驱动问题，进行了大量研究和试验，并取得*nn扰动了不少研究成果，如将模糊控制理论、PID控制速度检测++USM理论、神经网络等应用到US

5、M的优化控制，达USM驱动电路Uset-Uf-到了一定的控制效果．但上述方法电机仍存在着较大的波动，不能使系统获得精确的跟踪响应和模糊神经网络e△e控制器（FNNC）d/dt良好的控制性能．鉴于以上所述，本文提出基于免疫遗传算法免疫遗传算法的超声波电机模糊神经网络速度控制新方法，其图1USM参考模型自适应速度控制系统收稿日期：2008-11-19项目来源：江苏广播电视大学学术带头人基金资助项目作者简介：乔维德（1967-），男，江苏宝应人，副教授，研究方向为智能控制、电机控制等．20深圳职业技术学院学报第8卷层到第3层的连接权值．2模糊

6、神经网络控制器（FNNC）第4层是输出层，它只有一个节点，其输出为本控制系统中模糊神经网络控制器结构如图所有输入信号处理后的总和，即超声波电机控制输2所示．它由4层前向神经网络构成，分别为输入的变化量．入层（i层）、隶属函数层（j层）、规则层（k层）(4)(4)(4)(4)yo=fo(net0)=åwkoxk,k=1-49;o=1（5）和输出层（o层）．k(4)ωjk式中，xk为到达第4层的第k个输入，wko为第3ω0层和第4层之间的连接权值．k3基于免疫遗传算法的FNNC设计┇┇y(4)(2)o(1)(1)yj(3)xiyiyk3.1

7、免疫遗传算法┇┇由于上述模糊神经网络的梯度信息不容易获取，所以基于非梯度的遗传算法成为模糊神经网络学习的重要手段之一．标准遗传算法（SGA）是进输入层i隶属函数层j规则层k输出层O化算法的一种，它随机产生若干候选解作为进化的图2模糊神经网络控制器结构模型初始个体集，通过交叉、变异等遗传操作产生新的第1层是输入层，它将输入信号e及其变化个体，并设置一个适应度函数来对个体的优劣作出△e通过节点输入到下一层．输入和输出的关系客观评价，直至获得满足要求的优化解．但由于可以表示为：SGA无法很好地保持个体的多样性，经常会出现未(1)(1)neti

8、=xii=1,2（1）成熟收敛和在接近全局最优解附近时搜索速度变(1)(1)(1)慢，甚至陷入局部最优解等缺陷．y=f(net)=xi=1,2（2）iii免疫遗传算法（IGA）是近年来基于生物免疫第2层是隶