主页 > 产品新知 >

基于DSP的松下交流伺服马达控制

时间:2010-07-29 10:11来源:未知 作者:AutoIntelligent_ADMI 点击:次

概要：本文建立了基于DSP的松下交流伺服马达控制系统，并将模糊PD算法与单神经元自适应PID控制算法结合起来，使系统同时具有模糊算法的快速性和单神经元自适应控制的准确性。此外还采用基于模糊规则表的FCMAC控制算法进行控制，利用模糊规则表进行离线学习，提高系统的快速性。仿真结果表明，这两种控制方法都较好地满足了系统对实时性和精确性的要求。

随着被控系统越来越复杂，人们对控制系统的要求越来越高，特别是要求控制系统能适应不确定性，时变的对象环境。提高智能算法的快速性和准确性研究已经引起了人们广泛的关注。

控制系统总体结构

本文采用基于三级CPU控制的控制机模型，即上位计算机为一级CPU，它担当系统管理以及运动学计算、轨迹规划等；DSP为二级CPU，它完成电机的运动控制算法实现和控制量的给定；交流驱动器为第三级CPU，实现了交流伺服电机的三闭环数字控制。

本文所用松下伺服马达为永磁式同步交流伺服电机(PMSM)，具有位置反馈、速度反馈和电流反馈的三闭环结构的三相交流永磁同步电机系统的一般结构如图1所示：

伺服电机的结构图

其中，电流环和速度环是内环，位置环是外环。本文将驱动器设为速度控制模式，在驱动器内实现内环的控制，位置环的控制则在DSP控制器上通过智能算法实现。

模糊PD结合单神经元自适应PID的双模控制算法

模糊控制有较强的鲁棒性，适用于运动控制。为保证控制的实时性，大多先将连续的控制器输入量离散化，再离线计算出控制器输出量的查询表，在线控制时，通过查表的方式得出控制量，但这样会引入量化误差，给控制精度带来不良影响。单神经元因其结构简单，具有良好的调整性和自适应性，但单神经元控制在输入量大范围变化时调整速度变慢。本文采用模糊PD结合单神经元自适应PID的双模控制算法。

当位置偏差量较大时，模糊PD控制器起作用，即U=Uf;单神经元自适应PID控制器的连接权沿EV＝1/2e2v的负梯度方向进行修正，从而使Un跟踪Uf。这时系统利用模糊PD控制器加快响应速度，克服单神经元PID控制调节速度慢的缺陷。当偏差量Eq减小到一定程度时，单神经元自适应PID控制器起作用，即U=Un，而其连接权也改为沿Eq＝1/2e2q的负梯度方向进行修正，最终实现q=qd，从而克服模糊PD控制存在稳态抖动和稳态误差的缺陷。当被控对象的参数发生变化时也可通过单神经元的自学习自调整获得良好的控制品质。在系统从模糊PD控制器切换到单神经元自适应PID控制器之前，由于单神经元自适应PID控制器的连接权沿EV＝1/2e2v的负梯度方向进行修正，从而使Un跟踪Uf，所以当切换控制器时，可实现无冲击切换。

基于模糊规则表的FCMAC控制算法

模糊小脑模型关节控制器(FCMAC)是一种基于局部逼近的简单快速的神经网络，与BP网络之类的全局逼近算法相比，学习速度更快，适合于在线学习，迄今已广泛用于许多区域。

FCMAC的工作机理可以这样描述：通过对输入的模糊量化，得出输入向量激活联想强度的“活性”，进而激活联想强度以恢复系统的信息。

本文采用位置误差e和误差变化率ec作为FCMAC控制器的输入，通过经过量化、联想强度的激活、和输出求和过程，输出控制电压值U。U的最大、最小值分别为10、-10，通过pr50转化为相应的转速值，送入电机模型。

为了进一步提高系统在线学习的快速性，本文采用基于模糊规则表的FCMAC控制算法。先采用模糊规则表中的样本数据进行离线训练，训练的值包括wij以及高斯函数的参数aij、bij，在在线学习阶段将离线训练好的网络放入系统运行，根据定义的目标函数对权值进行微调，在线阶段只调整wij，保证系统的实时性。

定义FCMAC的目标误差函数为E(k)=1/2[qd(k)-q(k)]2，wij采用BP算法进行权值修正：

式中，η>0。

仿真结果及分析

图2分别给出了使用模糊算法、单神经元算法和双模控制算法的阶跃响应仿真结果。可以看出，双模控制算法较之前两种算法速度快、精度高，满足了系统对实时性和精确性的要求。图3给出了基于模糊规则的FCMAC控制算法的阶跃响应仿真结果，可以看出，该算法较好地完成了对阶跃曲线的跟踪，可以满足系统要求。

双模控制的仿真结果 FCMAC控制的仿真结果