基于CMAC的伺服系统MRAC方法研究.doc

文档介绍：基于CMAC的伺服系统MRAC方法研究
扈宏杰梁敏学
北京航空航天大学
摘要:将小脑模型(CMAC)神经网络应用于模型参考自适应控制(MRAC)系统中,利用神经网络来在线消除系统的非线性及不可建模因素对系统的影响,使实际系统具有参考模型的外部特征,结合经典的控制方法,实现系统的高精度控制。实验结果表明了该方法的有效性。
关键词:模型参考自适应控制小脑模型神经网络伺服系统
A Model Reference Adaptive Control Scheme Based on work for Servo-system
Hu Hongjie Liang Minxue
Abstract:This paper proposes a model reference control method based on CMAC(cerebellar model articulation controller ) work. Take advantage of work to reduce its sensitivity to parameter variations and load disturbances. The experimental results demonstrate the efficiency of proposed control scheme .
Keywords:MRAC CMAC work servo-system
1 引言
控制系统,通常可以视为一个电动机的位置或速度闭环系统。影响系统性能的因素又很多,在不考虑传感器、机械加工精度的情况下,影响系统控制性能的因素主要是机械摩擦和电动机轴上的不平衡力矩、转动惯量的变化等。在实际伺服系统过程中,无论是被控对象本身的参数,还是操作条件和运行环境都是变化的,而且大部分的变化规律是未知的。但是在建模的过程中考虑到可实现性,通常是用一个一阶或者一个二阶线性微分方程来近似描述被控对象。这就使得在经典控制器设计中那些被忽略了的不确定因素会引起控制系统品质的恶化。本文是针对控制系统中的这些问题进行改进。消除系统中的不确定性,使系统表示出线性、定常、低阶、时不变的特性,这样就有利于在利用传统的控制方案来实现高精度控制。
近年来,神经网络的发展给控制领域增添了新的活力。在众多学者的研究中,真正大量用于过程控制的神经网络通常也都是三层[1]。迭代算法一般都是采用误差反向传播(BP——back propagation)算法或者是径向基函数(RBF——
radial basis function)。尽管这两种算法有着很好的逼近能力,但是由于在数据处理时有一些超越函数(指数函数)的运算,这就增加了控制器的负担。所以实现时通常会采用查表的方式,但是要想得到比较精确的函数值就需要增大表的规模,这又增加了存储器的负担。本文针对神经网络这个问题,选取了计算量小、单层的CMAC这种有利于进行实时控制的神经网络,并且给出了迭代算法。
2 CMAC 神经网络
小脑模型神经网络(CMAC—cerebellar model articulation controller),是一种表达复杂非线性函数的表格查询自适应神经网络,该网络可以通过学习算法改变表格的内容,具有信息分类