[发明专利]超声波电机瞬态特性测试装置及其控制系统有效
| 申请号: | 201310288488.8 | 申请日: | 2013-07-10 |
| 公开(公告)号: | CN103513181A | 公开(公告)日: | 2014-01-15 |
| 发明(设计)人: | 傅平 | 申请(专利权)人: | 闽江学院 |
| 主分类号: | G01R31/34 | 分类号: | G01R31/34 |
| 代理公司: | 福州元创专利商标代理有限公司 35100 | 代理人: | 蔡学俊 |
| 地址: | 350108 福建*** | 国省代码: | 福建;35 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 超声波 电机 瞬态 特性 测试 装置 及其 控制系统 | ||
1.一种超声波电机瞬态特性测试装置,包括基座和设于基座上的超声波电机,其特征在于:所述超声波电机一侧输出轴与光电编码器相连接,另一侧输出轴与飞轮惯性负载相连接,所述飞轮惯性负载的输出轴经联轴器与力矩传感器相连接,所述光电编码器的信号输出端、所述力矩传感器的信号输出端分别接至控制系统。
2.根据权利要求1所述的超声波电机瞬态特性测试装置,其特征在于:所述控制系统包括超声波电机驱动控制电路,所述超声波电机驱动控制电路包括控制芯片电路和驱动芯片电路,所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连接,所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连接,以驱动所述驱动芯片电路,所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接。
3.根据权利要求1所述的超声波电机瞬态特性测试装置,其特征在于:所述联轴器为弹性联轴器。
4.根据权利要求1所述的超声波电机瞬态特性测试装置,其特征在于:所述超声波电机、光电编码器、力矩传感器分别经超声波电机固定支架、光电编码器固定支架、力矩传感器固定支架固定于所述基座上。
5.一种如权利要求1所述的超声波电机瞬态特性测试装置的控制系统,其特征在于:由自回归神经网络辨识器和自回归神经网络控制器组成;
所述自回归神经网络辨识器由输入层、隐含层和输出层三层网络组成;所述自回归神经网络辨识器的输入层有s个节点,s为不小于4 的偶数,所述自回归神经网络辨识器的输入层的输入信号为:
(1)
其中,,,,,,为时刻所述自回归神经网络控制器的输出,为时刻所述自回归神经网络控制器的输出,为时刻所述自回归神经网络控制器的输出,为时刻光电编码器或力矩传感器的输出,为时刻光电编码器或力矩传感器的输出,为时刻光电编码器或力矩传感器的输出;
所述自回归神经网络辨识器的输入层的输出信号为:
(2)
所述自回归神经网络辨识器的隐含层有p个节点,所述自回归神经网络辨识器的隐含层的输入信号为:
(3)
其中表示自回归神经网络辨识器的输入层与隐含层之间的联接权重,表示自回归神经网络辨识器的隐含层节点自身的权重调整;
所述自回归神经网络辨识器的隐含层的输出信号为:
(4)
其中函数为
所述自回归神经网络辨识器的输出层有2个节点,所述自回归神经网络辨识器的输出层的输入信号为:
(5)
其中表示自回归神经网络辨识器的输出层与隐含层之间的联接权重;
所述自回归神经网络辨识器的输出层的输出信号为:
,其中表示输出向量;
所述自回归神经网络辨识器的误差函数为:
(6)
其中表示所述光电编码器或力矩传感器的信号输出,表示所述自回归神经网络辨识器的输出;
所述自回归神经网络辨识器的联接权重、、的学习速率按照梯度最快下降原理进行调整,即
(7)
(8)
(9)
其中=,=,=,、、是所述自回归神经网络辨识器的联接权重、、的学习速率;
令,,则
(10)
(11)
(12)
(13)
(13-2)
所述自回归神经网络控制器由输入层、隐含层和输出层三层网络组成;所述自回归神经网络控制器的输入层的输入信号为:
(14)
其中,,,为时刻外部给定的参考轨迹或曲线;
所述自回归神经网络控制器的输入层的输出信号为:
(15)
所述自回归神经网络控制器的隐含层有q个节点,所述自回归神经网络控制器的隐含层的输入信号为:
(16)
其中表示所述自回归神经网络控制器的输入层与隐含层之间的联接权重,表示所述自回归神经网络控制器的隐含层自身的权重调整;
所述自回归神经网络控制器的隐含层的输出信号为:
(17)
所述自回归神经网络控制器的输出层有2个节点,所述自回归神经网络控制器的输出层的输入信号为:
(18)
其中表示所述自回归神经网络控制器的输出层与隐含层之间的联接权重;
所述自回归神经网络控制器的输出层的输出信号为:
(19)
所述自回归神经网络控制器的误差函数:
(20)
其中,表示所述光电编码器或力矩传感器的信号输出,表示外部输入的参考轨迹或曲线的控制信号;
所述自回归神经网络控制器的联接权重、、的学习速率也按照梯度最快下降原理进行调整,即
(21)
(22)
(23)
其中=,=,=;
令,,则
(24)
(25)
(26)
神经网络学习完成后,由自回归神经网络辨识器估计的值,即,则
(27)
(28)
(29)。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于闽江学院,未经闽江学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201310288488.8/1.html,转载请声明来源钻瓜专利网。





