当前位置:主页 > 科技论文 > 自动化论文 >

基于神经网络和DSP-TMSF2812的风力摆伺服控制系统设计

发布时间:2020-01-29 19:16
【摘要】:现今,国内使用于风力摆上的伺服控制器多为简单的PID控制且核心处理器大多为MCU。鉴于MCU的数据处理能力欠佳、数据运算速度慢,灵活性不足等诸多局限,难以满足风力摆的功能要求和精确控制等因素,设计以32位浮点DSP-TMSF2812@150 MHz为核心的高精度风力摆伺服控制系统,包含三维陀螺仪加速度计传感器集成模块MPU-6050、LED显示屏、人机交互系统及万向节结构等组成闭环控制系统,采用陀螺仪经姿态解算为控制系统提供神经网络PID精确控制的风机转速数据和脉冲宽度调试技术控制大电流驱动芯片BTN7971,精确控制直流风机的转速、方向、启停等诸多工况,实现对激光笔位置的精确控制,具有仅以直流风机为动力控制下快速起摆、画线、恢复静止的功能,并能准确画圆,且受风力影响后能够快速恢复画圆状态,具有很好的鲁棒性。实验结果表明:该神经网络风力摆伺服控制系统具有控制精度高、灵活性好、实时性好等优点。
【图文】:

示意图,原理,示意图,风力


工业、航天飞行器、机器人行走控制中都有着很重要的研究意义,如行走过程中的平衡控制、人造卫星在空中的姿态控制和飞行器发射中的垂直度控制等,具有很高的研究价值和使用意义[1-2]。1风力摆伺服控制系统概述风力摆伺服控制系统,它以DSP数字信号处理器TMS320-F2812作为核心,用陀螺仪、电机驱动模块、风机及万向节结构等搭建伺服风力摆控制系统,F2812处理器通过基于神经网络PID控制算法的电机控制模块精确控制4个风机的转速,使风力摆按照一定规律运动,同时让激光笔在地面画出所要求的运动轨迹(原理如图1所示),同时系统采用三维角度陀螺仪传感器MPU-6050反馈模块实时监控检测风力摆的姿态。图1风立摆原理示意图设计的系统利用PWM脉冲宽度调控技术通过电机驱动模块更好地去驱动电机,这样可以十分有效地对4个风机的转速、方向以及加速度等进行适合的调控,可以精确控制风机的状态,同时设计的这个风力摆系统精确控制并实现了在直流电机提供动力的情况下画直线,进行摆动和静止以及画圆或椭圆,并能准确画出各种想要的图形,同时希望它在受外力扰动影响下,也可以实现自己想要的运动。风力摆风机控制是风力摆整个系统中最重要的控制环节[3],它以TI公司TMS320F2812DSP伺服控制器为核心,通过先进神经网络PID控制算法,由三维角速度陀螺仪加速度计模块MPU-6050对风力摆三维运动状态的数字信号进行采集、计算,得出相应的输出值,输出到风机控制回路参与风力摆姿态控制。图2为风力摆伺服控制系统框图。图2风力摆伺服控制系统原理图2伺服控制系统关键硬件设计2.1总体结构设计此系统以TMS320F2812为主控制芯片,片上集成丰富的片内、外设资源。在设计时充分利用主控制芯片32位浮点进行数字信号处理,主

原理图,伺服控制系统,风力,原理图


飧龇缌?摆系统精确控制并实现了在直流电机提供动力的情况下画直线,进行摆动和静止以及画圆或椭圆,并能准确画出各种想要的图形,同时希望它在受外力扰动影响下,也可以实现自己想要的运动。风力摆风机控制是风力摆整个系统中最重要的控制环节[3],它以TI公司TMS320F2812DSP伺服控制器为核心,通过先进神经网络PID控制算法,由三维角速度陀螺仪加速度计模块MPU-6050对风力摆三维运动状态的数字信号进行采集、计算,得出相应的输出值,输出到风机控制回路参与风力摆姿态控制。图2为风力摆伺服控制系统框图。图2风力摆伺服控制系统原理图2伺服控制系统关键硬件设计2.1总体结构设计此系统以TMS320F2812为主控制芯片,片上集成丰富的片内、外设资源。在设计时充分利用主控制芯片32位浮点进行数字信号处理,主频150MHz,,处理性能高达150MPIS。根据设计实际需要各部分所实现的功能,将控制系统大体分四大部分:主控制器部分、陀螺仪加速度计调理模块、电源OLED模块和键盘输入报警模块部分,控制器的总体硬件结构见图3。图3DSP伺服控制器基本结构框图此系统通过键盘来进行功能切换修改参数,通过接受MPU-6050传回的姿态数据,闭环控制风机的输出,达到对风力摆的控制,完成指定任务后报警模块提示任务的结束。外部接有OLED显示屏,以便用户去读取重要数据[4-5]。2.2电源调理部分设计由于主控制器DSP芯片需要DC1.8V内核供电、DC3.3V的I/O外部电压、DC3.3V内部Flash电压,同时外设调理电路所需的5V、±15V等供电电压,加之控制系统承担大量数据运算[4]等,因此必须有良好的电源供电调理电路设计。综合各项指标,此系统选取TI公司芯片TPS767D318双路稳压芯片,分别输出可调至DC3.3V供I/O电源和可调至DC1.8V内

【相似文献】

相关期刊论文 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

相关会议论文 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集(上册)[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年

9 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 董卫军;蔡美峰;张永华;;利用神经网络确定生产矿山的合理规模[A];第六届全国采矿学术会议论文集[C];1999年

相关重要报纸文章 前6条

1 记者 孙刚;“神经网络”:打开复杂工艺“黑箱”[N];解放日报;2007年

2 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

3 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

4 木公;有界微分网络技术:信息处理新时代[N];中国石化报;2002年

5 本报记者 范毅波 张旭军;带上望远镜上路[N];网络世界;2005年

6 尼克;“想啥来啥”和“吃啥补啥”的人工智能之争[N];东方早报;2014年

相关博士学位论文 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

8 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

9 胡文凭;基于深层神经网络的口语发音检测与错误分析[D];中国科学技术大学;2016年

10 李晓刚;基于神经网络的码垛机器人视觉位姿测量及伺服控制研究[D];北京林业大学;2015年

相关硕士学位论文 前10条

1 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

2 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

3 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

4 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

5 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

6 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

7 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

8 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

9 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

10 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年



本文编号:2574450

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2574450.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户547d9***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com