伺服电机NCS神经网络PID趋近律滑模控制
发布时间：2021-12-17 20:47
针对直流伺服驱动电机的网络控制系统的非线性控制系统特性和神经网络多包传输的特性,提出一种基于滑动窗口策略的多核LS-SVM神经网络PID趋近滑模控制器。该控制器可以在线控制和预测丢包补偿,并将其控制系统实现为一种具有延迟和丢包的多包数据传输直流控制器的伺服驱动电机神经网络自动控制补偿系统。其主要方法为,首先基于等效变换、无延迟和滑动窗口相结合的LS-SVM在线数据包损耗预测,建立系统的延迟补偿模型。其后通过神经网络的非线性映射对PID参数进行在线调整,实现稳态并进行分析。仿真结果表明,组合内核LS-SVM预测策略可以提高数据包损失补偿的准确性,减少系统抖振,在响应速度较快的情况下完成整定。
【文章来源】：火力与指挥控制. 2020,45(08)北大核心CSCD
【文章页数】：8 页
【部分图文】：
丢包补偿器的多包传输NCS结构
定义为以上两个内核函数的线性组合：（11）满足并求解了相应核函数的权重（式（10）），以得到最小二系数之和，以获得最小二系数相乘支持的向量代数回归模型：（12）定义特征矩阵：，其中（13）直流伺服电机网络控制系统在实际工作的过程中会自动产生大量的工作过程数据。系统在线建模过程需要一个新的工作过程来用于跟踪系统的工作动态和特性。它有助于吸收新的信息并更好地保持样本的大校在线建模的基本思想是滑动时间窗口策略，该策略吸收最新样本，删除最旧样本并且不更改样本大校滑动时间窗口策略如图2所示。每当时间窗口L移动时，训练样本也会移动。时间窗口的宽度设置与样本数量成比例。从多核LS-SVM矩阵模型可以很清楚地看出，建立最小二维一乘矩阵需要支持一个向量Q的逆Q-1，在此定义特征矩阵为。其中，，为核矩阵，，。在此内核模型的基本定义也可以用来作为一个新的内核矩阵。因此，滑动时间窗策略的在线建模问题，导致了不断吸收新样本以及减少和更新旧样本的过程［13］。图2滑动窗口策略示意图1）该模型的一个重要关键特点是QL需要快速求解一个具有特征二乘矩阵的逆（xnew，ynew）。一个新的特征内核矩阵：（14）其中，，。当核函数选用RBF核函数时，·24·1352
夭愕囊桓錾窬??G0的输出恒为一，而令输出单元与其相联的权值为。设训练样本集为，其中任一训练样本，对应的实际输出为，期望输出为。当网络输入训练样本Xk时，网络第j个输出神经元的实际输出为：（37）如果“基本函数”是高斯函数，可以表示如下：（38）其中，是高斯函数的中心和高斯函数的方差。使用文献［19］的方法确定相应的RBF加权因子。4仿真验证直流发电机伺服负载在发电机网络自动控制系统的状态采样周期一般定义为0.1s。参数矩阵被定义为：定义时延状态转移矩阵（39）图4为对应的时延分布图4时延分布图未来被丢弃的系统惩罚效果因子中的数据和封包数量可以直接用于优化训练，通过优化训练可以获得更好的系统惩罚效果因子C=196，核离子函数参数的值为0.9，并且两个核函数相对应。权值分别是棕1=0.681，棕2=0.319。相应地，滑模控制器参数的初始值为比例系数l=30、积分系数m=1、微分系数n=5，神经网络层数设置为8，隐藏层中神经元数为4。使用训练样本获得相应的加权因子，然后从极点位置计算出滑模表面常数矩阵（40）可以根据式（39）进行计算控制变量。使用Truetime进行模拟和验证。首先，验证了基于滑动窗口多核LS-SVM数据在线的预测和补偿。两个数据包变化和丢失率的平均值分别显示为30%和60%。图5显示了基于滑动窗口策略使用的单核LS-SVM和多核LS-SVM传感器执行丢包数据在线预测和补偿时的在线预测补偿比较的结果。图5丢包预测与补偿比较图5中的最大丢包机概率曲线预测结果曲线和信号补偿器的曲线计算分析结果表明，即使用的是一个单核的最大丢包机概率通常为30%或60%，多核LS-SVM最大丢包机概率的曲线预测也非常容易接?
【参考文献】：
期刊论文
[1]基于遗传算法LS-SVM直接逆模型的闭环脑机接口单关节控制[J]. 孙京诰,王硕,杨嘉雄,薛瑞,潘红光. 信息与控制. 2018(06)
[2]基于全局反步滑模控制的舰炮随动系统齿隙补偿方法[J]. 姜尚,田福庆,梁伟阁. 海军工程大学学报. 2018(05)
[3]基于分段趋近律的航天器对地凝视姿态滑模控制[J]. 杨新岩,廖育荣,倪淑燕. 科学技术与工程. 2018(25)
[4]航空发动机分布式系统解耦控制研究[J]. 段进峰,彭靖波,谢寿生,王立国. 火力与指挥控制. 2017(05)
[5]基于ITD复杂度和PSO-SVM的滚动轴承故障诊断[J]. 张小龙,张氢,秦仙蓉,孙远韬. 振动与冲击. 2016(24)
[6]基于RBF神经网络电液恒功率调速自整定PID控制[J]. 王雪丽. 机床与液压. 2016(22)
[7]Chattering analysis for discrete sliding mode control of distributed control systems[J]. Litong Ren,Shousheng Xie,Yu Zhang,Jingbo Peng,Ledi Zhang. Journal of Systems Engineering and Electronics. 2016(05)
[8]基于SVD的直线电机动子位置的高精度测量方法[J]. 王辉,赵静,赵吉文,宋俊材,窦少昆. 仪器仪表学报. 2016(09)
[9]电磁力反馈中磁场特性分析与线圈姿态计算[J]. 朱炜煦,袁志勇,童倩倩. 电子测量与仪器学报. 2016(04)
[10]时延分布式控制系统的Truetime仿真分析[J]. 张驭,谢寿生,苗卓广,任立通,田虎森. 火力与指挥控制. 2016(01)
本文编号：3540911
【文章来源】：火力与指挥控制. 2020,45(08)北大核心CSCD
【文章页数】：8 页
【部分图文】：
丢包补偿器的多包传输NCS结构
定义为以上两个内核函数的线性组合：（11）满足并求解了相应核函数的权重（式（10）），以得到最小二系数之和，以获得最小二系数相乘支持的向量代数回归模型：（12）定义特征矩阵：，其中（13）直流伺服电机网络控制系统在实际工作的过程中会自动产生大量的工作过程数据。系统在线建模过程需要一个新的工作过程来用于跟踪系统的工作动态和特性。它有助于吸收新的信息并更好地保持样本的大校在线建模的基本思想是滑动时间窗口策略，该策略吸收最新样本，删除最旧样本并且不更改样本大校滑动时间窗口策略如图2所示。每当时间窗口L移动时，训练样本也会移动。时间窗口的宽度设置与样本数量成比例。从多核LS-SVM矩阵模型可以很清楚地看出，建立最小二维一乘矩阵需要支持一个向量Q的逆Q-1，在此定义特征矩阵为。其中，，为核矩阵，，。在此内核模型的基本定义也可以用来作为一个新的内核矩阵。因此，滑动时间窗策略的在线建模问题，导致了不断吸收新样本以及减少和更新旧样本的过程［13］。图2滑动窗口策略示意图1）该模型的一个重要关键特点是QL需要快速求解一个具有特征二乘矩阵的逆（xnew，ynew）。一个新的特征内核矩阵：（14）其中，，。当核函数选用RBF核函数时，·24·1352
夭愕囊桓錾窬??G0的输出恒为一，而令输出单元与其相联的权值为。设训练样本集为，其中任一训练样本，对应的实际输出为，期望输出为。当网络输入训练样本Xk时，网络第j个输出神经元的实际输出为：（37）如果“基本函数”是高斯函数，可以表示如下：（38）其中，是高斯函数的中心和高斯函数的方差。使用文献［19］的方法确定相应的RBF加权因子。4仿真验证直流发电机伺服负载在发电机网络自动控制系统的状态采样周期一般定义为0.1s。参数矩阵被定义为：定义时延状态转移矩阵（39）图4为对应的时延分布图4时延分布图未来被丢弃的系统惩罚效果因子中的数据和封包数量可以直接用于优化训练，通过优化训练可以获得更好的系统惩罚效果因子C=196，核离子函数参数的值为0.9，并且两个核函数相对应。权值分别是棕1=0.681，棕2=0.319。相应地，滑模控制器参数的初始值为比例系数l=30、积分系数m=1、微分系数n=5，神经网络层数设置为8，隐藏层中神经元数为4。使用训练样本获得相应的加权因子，然后从极点位置计算出滑模表面常数矩阵（40）可以根据式（39）进行计算控制变量。使用Truetime进行模拟和验证。首先，验证了基于滑动窗口多核LS-SVM数据在线的预测和补偿。两个数据包变化和丢失率的平均值分别显示为30%和60%。图5显示了基于滑动窗口策略使用的单核LS-SVM和多核LS-SVM传感器执行丢包数据在线预测和补偿时的在线预测补偿比较的结果。图5丢包预测与补偿比较图5中的最大丢包机概率曲线预测结果曲线和信号补偿器的曲线计算分析结果表明，即使用的是一个单核的最大丢包机概率通常为30%或60%，多核LS-SVM最大丢包机概率的曲线预测也非常容易接?
【参考文献】：
期刊论文
[1]基于遗传算法LS-SVM直接逆模型的闭环脑机接口单关节控制[J]. 孙京诰,王硕,杨嘉雄,薛瑞,潘红光. 信息与控制. 2018(06)
[2]基于全局反步滑模控制的舰炮随动系统齿隙补偿方法[J]. 姜尚,田福庆,梁伟阁. 海军工程大学学报. 2018(05)
[3]基于分段趋近律的航天器对地凝视姿态滑模控制[J]. 杨新岩,廖育荣,倪淑燕. 科学技术与工程. 2018(25)
[4]航空发动机分布式系统解耦控制研究[J]. 段进峰,彭靖波,谢寿生,王立国. 火力与指挥控制. 2017(05)
[5]基于ITD复杂度和PSO-SVM的滚动轴承故障诊断[J]. 张小龙,张氢,秦仙蓉,孙远韬. 振动与冲击. 2016(24)
[6]基于RBF神经网络电液恒功率调速自整定PID控制[J]. 王雪丽. 机床与液压. 2016(22)
[7]Chattering analysis for discrete sliding mode control of distributed control systems[J]. Litong Ren,Shousheng Xie,Yu Zhang,Jingbo Peng,Ledi Zhang. Journal of Systems Engineering and Electronics. 2016(05)
[8]基于SVD的直线电机动子位置的高精度测量方法[J]. 王辉,赵静,赵吉文,宋俊材,窦少昆. 仪器仪表学报. 2016(09)
[9]电磁力反馈中磁场特性分析与线圈姿态计算[J]. 朱炜煦,袁志勇,童倩倩. 电子测量与仪器学报. 2016(04)
[10]时延分布式控制系统的Truetime仿真分析[J]. 张驭,谢寿生,苗卓广,任立通,田虎森. 火力与指挥控制. 2016(01)
本文编号：3540911
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3540911.html
