基于最优数据深度学习的音圈电机位置伺服控制研究

发布时间：2020-07-10 18:57

【摘要】：深度学习作为近年来热门的研究方向受到越来越多人的关注。在控制领域,传统的控制方法需要基于被控对象的模型,但是并不能很好的掌握其中的规律。而深度学习是基于数据学习的一种方法,它通过对数据的学习掌握其中的规律,能够实现良好的控制性能。本文对旋转型音圈电机的位置伺服控制系统展开分析。设计了一个基于深度神经网络的位置伺服控制系统,使其能够实现在不同位置要求下的精准的位置控制。首先,需要获取训练神经网络的数据,先从被控对象音圈电机展开讨论。介绍了音圈电机的结构和数学模型,根据实际的位置控制目标分析了优化对象并建立了音圈电机的优化模型,利用CPLEX优化求解器获取了在不同工作条件下的音圈电机的优化控制数据,结合工作条件和电机的参数分析了优化数据的特点。其次,对比三种神经网络的控制性能并选取最优的作为重点研究的网络。介绍了BP神经网络、Elman神经网络和RBF神经网络这三种神经网络的网络结构和主要的算法特点,分别对三种神经网络进行了结构和参数的设计。基于结构和算法的特点对比了三种神经网络设计的区别,又利用设计的网络结构对三种神经网络进行了学习和训练。搭建了基于神经网络的音圈电机的位置伺服控制系统的仿真模型,对比分析了三种神经网络的控制效果,选择最优的网络做进一步的分析。接着,主要针对由BP神经网络控制的系统进行了深层次的分析。讨论了浅层网络和深层网络的区别和控制特点,对比了神经网络隐含层神经元个数对控制效果的影响,分析了神经网络输入变量的选取问题以及参数变化对位置控制效果的影响,研究了速度滤波对位置控制带来的变化。最后,根据所建立的旋转型音圈电机的位置伺服控制系统搭建了实验平台,进行了相关的实验研究和实验数据的分析,证明了基于数据的控制方法虽然只是学习了有限的数据,但是能学到数据中的规律,能够实现很好的控制效果。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM359.4
【图文】：

曲线,参考位置,曲线,响应曲线

图 2-6 不同参考位置下位置响应优化曲线我们可以看出，五条响应曲线在上升阶段的上升速度明对于不同的位置参考，位置响应曲线的上升速度都优化数据调用的是相同算法，因此不同位置的响应同样，从图中观察可知对应参考位置为 0.1rad、0.15ad 的位置响应曲线到达稳态的时间分别为 0.014s、0.0s。到达稳态的时间间隔也可以分析得出，位置响应曲条响应曲线都是从一开始的相对较缓到匀速上升再到时将上升速度降为零，使得总体的响应速度比较快稳态误差。从优化目标值obj以及位置响应优化曲线伺服控制的优化结果还是比较理想的。位置为 0.1rad 和 0.2rad 为例，分析优化控制下的音电枢端电压的变化情况。进行处理，可以得到如图 2-7 和图 2-8 的优化效果。经历了从开始的缓慢增大阶段到慢慢平稳接着快速

变化情况图,音圈电机,状态变量,变化情况

图 2-7 给定参考为 0.1rad 时音圈电机状态变量变化情况(rad)(rad/s)ia(A)ua(V)图 2-8 给定参考为 0.2rad 时音圈电机状态变量变化情况电机的电枢端电压从一开始是稳定在驱动电压 7V，接着两组.0105s 和 0.02s 开始快速下降紧接着又快速上升，然后又下降

变化情况图,音圈电机,状态变量,变化情况

- 16 -图 2-8 给定参考为 0.2rad 时音圈电机状态变量变化情况电机的电枢端电压从一开始是稳定在驱动电压 7V，接着两组.0105s 和 0.02s 开始快速下降紧接着又快速上升，然后又下降体控制效果来看，空载情况下的电流、电压和转速变化比较稳定状态，并且三个变量之间的变化情况也符合规律。对音圈电机在空载情况下的位置追踪优化效果进行了分析，负载转矩，也会得到不同的位置跟踪的优化数据。表 2-3 以为例给出不同负载转矩下的优化目标变量obj。表 2-3 不同负载转矩下的优化目标变量 obj矩（ N m） 0 0.1 0.15 0.2 0.25 obj 0.281308 0.335204 0.373537 0.424865 0.504703 0

【参考文献】