您的位置 首页 FPGA

根据新式CMAC操控办法的电动加载体系

在电动加载系统中,多余力矩强扰动和其他非线性因素直接影响力矩跟踪精度,传统的控制方法难以得到满意的控制效果。文中分析了传统CMAC算法不稳定的原因,提出了一种新型CMAC控制策略,并对其结构及算法进行

摘要 在电动加载体系中,剩余力矩强扰动和其他非线性要素直接影响力矩盯梢精度,传统的操控办法难以得到满足的操控效果。文中剖析了传统CMAC算法不安稳的原因,提出了一种新式CMAC操控战略,并对其结构及算法进行了研讨。在操控结构上以体系的指令输入和实践输出作为CMAC的鼓励信号,选用差错作为练习信号,并依据鼓励信号的特色,提出了非均匀量化的思维。动态仿真成果标明,该办法有用按捺了加载体系的剩余力矩及冲突等非线性要素搅扰,提高了电动加载体系的操控精度,且增强了体系的安稳性

电动负载模拟器是典型的被动式加载体系,存在着由被加载体系自动运动引起的剩余力矩。剩余力矩的存在会严重影响加载体系的操控精度,因而怎么按捺甚至消除剩余力矩是电动负载模拟器有必要处理的关键问题。传统的操控办法有结构不变性原理和同步补偿等,这些办法需求相对准确的数学模型,但在实践的电动负载模拟器中,存在非线性(如冲突、机械衔接空隙等)以及参数改动问题,一般达不到抱负效果。CMAC(Cerebellar Model Articulation Controller)神经网络,具有学习速度快、对学习数据呈现次第不灵敏、不存在部分极优,结构简略易于软硬件完成等长处,被广泛应用于神经网络建模、操控、模式识别等范畴。现在常用的是Miller等人提出的CMAC和PD的复合操控战略,这种操控结构在盯梢阶跃输入或方波信号时,具有输出差错小、实时性好、鲁棒性强等特色,但在盯梢接连改动信号如正弦波时,会因累积差错的影响产生过学习现象,然后导致体系的不安稳,安稳性问题是操控体系得以完成的前提条件,本文对CMAC复合操控算法进行了研讨和改善,提出了一种新式根据最优权值法的CMAC复合操控战略,改善后的操控算法在确保体系安稳性的前提下,提高了动态特性和盯梢精度,适合于实时操控,仿真成果证明了该算法的有用性。

1 惯例CMAC复合操控剖析

现在常用的CMAC和PD复合操控器结构如图1所示。

a.jpg

1.1 CMAC差错校正值分配剖析

惯例CMAC差错的校正值被均匀地分配给一切激活存储单元,并未考虑这些存储单元的可信度。这种权值更新算法违反信度分配的概念,降低了 CMAC的收敛速度,实践更新的效果应该与激活存储单元的可信度成份额。权值调整的进程,本质上反映了网络“学习”与“忘记”的联系,学习次数越多,存储的常识越多,可信度越高,权值改动越少,因而在网络权值的调整进程中,有必要考虑“新常识学习”和“旧常识忘记”的平衡问题。

1.2 安稳性剖析

1.2.1 CMAC算法不安稳原因剖析

针对无人机舵机电动负载模拟器的操控需求,选用惯例CMAC和PD复合操控处理模拟器的转矩操控问题,以文献中的电动负载模拟器模型为根底进行仿真,采样时刻取0.001 s。本文中加载指令设为rin=10 sin(2πk/100)N·m。取CMAC量化级数N=100,泛化常数C=10,学习率η=0.05,不考虑剩余力矩影响,操控成果如图2(a)所示,其间横坐标标明仿真周期数,仿真周期等同于加载指令周期,每个周期包含100次仿真,纵坐标标明每个仿真周期的最大差错,操控体系显着不安稳;别的为了验证CMAC和PD相互效果对安稳性的影响,独自对CMAC操控进行仿真剖析,操控成果如图2(b)所示。为验证加载指令信号幅值、频率对安稳性的影响,别离对加载指令取不同幅值和频率进行仿真,仿真成果如图3所示。比照图3(a)、图3(b)及图2可看出,指令信号的幅值影响了盯梢差错的巨细,但对操控体系发散快慢的影响不显着。比照图3(e)、图3(d)及图2可看出,跟着指令信号频率的添加,操控体系的盯梢差错变大,发散变快。

b.jpg

比照图2和图3可知,CMAC+PD复合操控和独自CMAC操控时差错改动趋势是共同的,即开端阶段算法都能起到操控效果,但跟着差错的累积会产生过学习现象,然后导致体系发散。因而,排除了CMAC和PD相互效果引起不安稳的可能性,算法不安稳的原因应在CMAC自身。由图2和图3还能够看出,PD算法的参加的确能在必定程度上增强体系的安稳性,加速体系的收敛速度。CMAC算法的作业进程包含概念映射、实践映射、输出算法以及学习算法。剖析可得影响 CMAC操控成果的主要要素是参数以及权值更新算法。

1.2.2 CMAC算法安稳性根底剖析

影响CMAC操控成果的参数有泛化常数C,量化级数N和学习率η,下面别离研讨其对操控成果的影响。

(1)泛化常数C。

由表1可知,跟着泛化常数C的增大,可在必定程度上增强体系的安稳性,延伸安稳时刻,可是终究仍会发散,并跟着泛化常数的增大,算法的运转时刻也会相应变长。

c.jpg

(2)量化级数N。

为了减小泛化常数的影响,在此试验中对不同的量化级数确保相同的量化区间堆叠率。

由表2可知,量化级数只需选取适宜即可,当量化级数大于某一值时,体系安稳时刻并没有太大改动。

d.jpg

(3)学习率η。

由表3可知,学习率越小,体系安稳的时刻越长,学习率越大,体系安稳的时问越短,当学习率大于某一值时,体系直接发散。可是减小学习率只能在必定程度上延伸安稳的时刻,并不能从根本上处理不安稳问题,且过小的学习率会导致体系的快速性变差。

e.jpg

综上所述,改动CMAC的参数只能在必定程度上延伸体系的安稳时刻,但不能从根本上处理不安稳的问题,处理不安稳问题有必要从其他方面着手。

2 改善的CMAC算法

由图3可知,体系差错是按先收敛再发散的趋势进行。即开端阶段,操控算法能对差错起到操控效果,但当差错收敛到某一值后,因为差错的累积而产生过学习现象,然后导致体系开端发散。根据此,本文提出了一种新的权值更新办法——最优权值法。如式(1)所示

f.jpg

即当开端阶段差错减小,操控算法正常学习时,选用公式wj(t)=wj(t-1)+△wj(t)进行权值的更新,进行正常的学习进程,此刻权值为增量式更新;当算法开端过学习,即体系差错开端由小变大时,将此刻的权值wj取为最优权值wbest,选用公式wj(t)=wbest+△wj(t)进行更新,此刻,权值为原地式更新,这样一方面可防止过学习现象,另一方面又可对差错进行及时的呼应。如果在电动加载的进程中,加载指令或许加载目标运动产生遽然改动,导致加载差错超越目标要求,权值更新从头进入增量式更新阶段,当权值变为最优值时,进入原地式更新阶段,然后确保加载进程中的精度和安稳性。

3 仿真及成果剖析

对电动负载模拟器模型,选用如图4所示的改善的CMAC和PD复合操控结构。

g.jpg

其间,PD参数设定为Kp=2,Kd=0.005;CMAC的参数设定为:N=100,C=15,η=0.2,α=0.2,k=1.3。下面别离对改善的CMAC+PD操控算法以及传统CMAC+PD复合操控算法进行仿真剖析。

h.jpg

相同,加载指令为rin=10 sin(2πk/100)N·m,参加剩余力矩影响,角速度搅扰信号设为rin=1.74sin(5×2π×t)。图5为改善后的CMAC+PD复合办法的盯梢曲线,差错可收敛到0.314 9。图6为传统CMAC+PD复合办法的盯梢曲线,差错可收敛到0.527 4,在1 000次时已呈现发散趋势。为了检测改善算法和文献死区算法的安稳性,在第100个仿真周期,对两种算法遽然进入一个幅值为2 nm的大噪声信号,如图7所示,死区算法终究发散;而改善算法,体系依然保持安稳,具有较强的鲁棒性。

i.jpg

4 结束语

本文针对飞机电动负载模拟器的操控需求,对CMAC和PD复合操控战略在差错校正值分配、盯梢接连改动信号时的不安稳现象进行了研讨和剖析,提出了一种根据最优权值法的新式CMAC操控算法,即当CMAC算法正常学习时,权值正常更新,当CMAC算法过学习时,具有较高的安稳性。仿真标明,比较于传统CMAC和PD的复合操控战略,改善的CMAC和PD复合操控战略既可确保体系的安稳性又可确保体系的盯梢精度,既能及时呼应差错且又具有较强的鲁棒性,适合于非线性体系的实时操控。

声明:本文内容来自网络转载或用户投稿,文章版权归原作者和原出处所有。文中观点,不代表本站立场。若有侵权请联系本站删除(kf@86ic.com)https://www.86ic.net/fangan/fpga/295119.html

为您推荐

联系我们

联系我们

在线咨询: QQ交谈

邮箱: kf@86ic.com

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

返回顶部