资源描述：
《基于CMAC的高精度泵控马达位置伺服系统研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于CMAC的高精度泵控马达位置伺服系统研究西安交通大学机电系(710049)贾志勇林廷圻咸阳机电部202研究所韩崇伟任瑞伍摘要:本文运用CMAC神经网络处理非线性系统的能力来消除摩擦对泵控马达系统跟踪精度的影响,并提出了具体的控制结构与算法、仿真结果表明该方法的有效性。关键词:CMAC神经网络泵控马达伺服系统摩擦1前言一标量输出。如何提高液压伺服系统的性能是许多液压技术人映射X把输入状态S映射为权存储空间W中ng员一直研究的目标之一。随着控制理论的发展,出现个存储单元,ng称为泛化尺寸(Generalization了许多新型的控制技术,其中一些也成功地
2、应用于液Size)。这个映射是通过在n维的输入空间中构造ng压系统中,神经网络就是其中之一。多层前传网络是个局部搭接的n维超立方体,每一个超立方体对应于神经网络中应用最为广泛的网络结构之一,例如多层权存储空间W中的一个存储单元,其中超立方体称感知器(MLPS)。如果它具有足够多的隐节点数,为接受域(ReceptiveField)。如果输入状态位于第i则多层前传网络能以任意的精度逼近任意的非线性函个接受域,则第i个接受域被激活(Active)。A中相1数,多层前传网络是对函数全局逼近的一种网络结应于第i个接受域的存储单元ai为1其余为0,即:构,对于每一个训练数据,它
3、通过调整所有的权值来1相应的接受域被激活ai=(3)学习。这就使得这种in网络结构的学习速度慢并且学习0其它结果与训练数据的输入顺序有关,这些就限制了它的为了对于每一个输入状态有ng个激活元素,状态S1应用范围。必须位于ng个接受域交集中,以使对于状态S有ngCMAC(CerebellerModelArticulationController)4个接受域被激活。在实际应用中,这一映射简化为神经网络,也即小脑模型,能克服多层前传网络的缺一量化过程:把输入按一定规则量化为整数,然后根点。它与多层前传网络不同,它的结构使得它对函数据量化结果来进行寻址
4、,即在W中找到与输入相对2的学习是采用局部逼近的方法。本文从实用角度出应的存储单元wi。把wi及其随后ng-1个单元中的发,把CMAC神经网络应用于泵控马达跟踪系统中,内容相加作为CMAC的输出。并进行了仿真研究。图2给出了n=1、ng=4时CMAC的接受域。2CMAC神经网络由于映射X的作用,对于W中的一个存储单元3CMAC结构是1975年Albus提出的,它本质对应状态空间的一个闭区间,这就使得CMAC具有上是一种查表的方法,且结构简单,容易实现,具有泛化能力,即:相似的输入产生相似的输出。适应能力与泛化(Generalization)能力,它的适应能CM
5、AC权的调整通过如下算法来实现:力是通过以一定的学习算法来调整表中的内容来实现d-ywi+j=(4)的。由于在CMAC中信息的分布形式使它具有泛化ng式中:为学习速度;d为期望输出;y为CMAC的能力。实际输出;i=0~ng-1。CMAC的基本结构如图1所示。它的输入输出关33系统介绍系为y=g(s)。这一关系可分为如下两部分:本文研究的是泵控马达位置伺服系统,结构如图3实线部分所示。对于泵控马达系统,由于构成的各元件线性度较好,因此在忽略齿轮传动间隙及马达摩5擦的情况下,它是相当线性的系统。此处忽略齿轮传动间隙非线性,着重研究系统中的摩擦对系统性能的影
6、响,并应用CMAC神经网络来提高系统的性能。2框图中,转动惯量J=00058kgm,液压油的体积弹性模量K=800MPa,马达排量Dm=334图1图210-6m3/rad,减速器传动比k=306,系统的泄漏系MappingXSW(1)-125数Ct=46610m/Pa,系统工作体积V0=72Outputcomputationy=wi(2)10-5m3。iX为输入空间到权空间的映射,S为n维输入4CMAC控制器的实现状态空间,W为权存储空间,有nw个可调权,y为CMAC的学习能力使得它能学习泵控马达系统中
7、1998年第3期9图3的非线性摩擦力。在本文所研究的系统中,CMAC神最低点所对应的角速度。为确保在角速度比较大的时经网络与泵控马达系统的关系如图3所示。CMAC控候,具有一定数量的存储单元,本文在采用非线性量制器简单地并行叠加于已有的经典控制器上。在这里化速度的同时,采用了速度的线性量化。状态向量所应用的经典控制器为PD控制器。CMAC控制器中(不是系统的状态,而是CMAC的输入)的其它元素各存储单元的启动值为0。因此,在系统运行的开都采用线性量化。始,CMAC控制器对系统的控制贡献为0。Sinpinpi S1q=+(8)Sim
