[发明专利]一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法

说明书

本发明提出了一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法。本发明针对磁悬浮的X方向，建立系统模型；根据系统模型结合期望运动轨迹构建切换函数以及切换函数导数模型，将系统模型带入切换函数导数可得系统模型的转换表达式，通过系统模型的转换表达式设计迭代神经网络鲁棒控制器，构建相应的RBF神经网络，进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项；通过Lyapunov方法构建迭代能量函数，并计算相邻迭代能量函数之间的差值，构建能量函数约束条件，根据能量函数约束条件，进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新；本发明用于磁悬浮系统，有助于改善磁悬浮平面电机的重复轨迹跟踪效果。

背景技术

磁悬浮平面电机作为一种新型的驱动元件，无需机械导轨支撑就可以实现多自由度运动，且体积小、质量轻、无摩擦，可在真空条件下实现精密运动。因此，磁悬浮平面电机在半导体光刻，微机械加工以及其他高精度工业领域有着良好的应用前景。但应用场景的复杂性和其自身结构的多样性也不可避免地会带来运动控制问题。例如：系统建模误差、装配误差和外部干扰等都会给系统控制带来很大的不确定性，这些不确定性会严重影响磁悬浮平面电机的跟踪性能

传统的自适应鲁棒控制设计简单，鲁棒性较强，已广泛的应用于磁悬浮系统，但其对于系统中与状态相关的不确定项仅通过简单的鲁棒反馈进行抑制，不可避免的导致其跟踪效果过于保守，稳态跟踪误差较大。

由于神经网络具有通过学习机制近似任意非线性映射的能力，因此可以利用神经网络系统中的不确定性进行补偿。目前的结合神经网络的控制方法需要预先确定最优的神经网络参数，但实际应用中很难提前确定最佳的神经网络参数，不合适的神经网络参数会直接影响轨迹跟踪效果。此外，网络连接权值的微分自适应更新律是基于神经网络最优权值为固定值的假设，这使得神经网络对系统不确定性的近似精度有一定的局限性。

发明内容

本发明的主要目的在于：克服现有的磁悬浮平面电机控制方法的不足，兼顾跟踪精度的同时有效消除系统不确定性带来的影响，提出了一种磁悬浮平面电机迭代神经网络鲁棒控制策略，该策略通过其中的自适应鲁棒控制项保证系统的抗干扰能力和鲁棒性，同时，引入迭代神经网络补偿项进一步消除系统的不确定性干扰，利用迭代学习同时对神经网络的网络连接权值和网络参数进行迭代优化，从而进一步提升神经网络的近似精度，改善系统的轨迹跟踪效果。神经网络补偿项通过前馈补偿的形式与鲁棒控制项并联构成迭代神经网络鲁棒控制策略。

本发明的技术方案为一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法，其特征在于，包括以下步骤：

步骤1：针对磁悬浮的X方向，建立系统动力学模型；

步骤2：根据系统动力学模型结合期望运动轨迹构建切换函数，对切换函数求导得到切换函数导数模型，将系统动力学模型带入切换函数导数可得系统动力学模型的转换表达式，通过系统动力学模型的转换表达式设计迭代神经网络鲁棒控制器，构建相应的RBF神经网络，进而构建鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项；

步骤3：通过Lyapunov直接方法构建迭代能量函数，并计算相邻迭代能量函数之间的差值，构建相邻迭代能量函数约束条件，根据相邻迭代能量函数约束条件，进行鲁棒控制项、迭代神经网络项、迭代估计补偿量、误差自适应项的更新；

作为优选，步骤1所述系统动力学模型，定义为：

式中，x为系统x方向位置，为系统x方向加速度，u控制器输入，t表示时间，M_s为动子质量，f(x，t)为系统的与系统状态相关的不确定项，Δ_d为系统的非重复性干扰。

作为优选，步骤2所述切换函数，定义为：

e＝x_d-x