论文部分内容阅读
以微型无人机激光无线电力传输为应用背景,通过研究现有二轴转台伺服电机的工作原理和控制方法,分别从理论上设计了针对该伺服电机的6种不同控制器,包括PID控制器、模糊控制器、模糊PID控制器、神经网络PID控制器和模糊神经网络PID控制器,搭建出相应的伺服电机控制系统,并对六种控制系统做仿真分析,比较了它们的控制精度、速度及优缺点。首先以实验室现有的二轴转台的伺服电机为研究对象,通过分析其工作原理和传统电流环、位置环、速度环(三环)的控制方法,建立了伺服电机的动力学模型,并利用Matlab中的Simulink模块模拟仿真了伺服电机的伯德图和阶跃响应曲线,探究了其动态性能和静态性能。在此基础上,基于激光束为移动微型无人机充电过程中对激光跟踪精度和速度的需求,尝试了采用不同控制方法改善二轴转台伺服电机工作性能,从而提高激光束对移动目标跟踪精度和速度的可行性。先尝试用传统PID控制方法控制伺服电机模型,仿真结果表明,该方法明显存在参数整定不便、鲁棒性不好,在移动目标运动时,跟踪速度较慢等缺点。为了对此进行改进,又尝试在上述传统PID控制器上添加另一个模糊控制器的方法,改善了PID控制器的自适应调参能力和鲁棒性能。但模糊PID控制也有其本身的缺点,如推理规则是一种近似行为,选取固定的量化因子取值会导致控制系统产生不稳定响应等。考虑实际跟踪过程中,由于无人机飞行的灵活性,无法通过模糊PID控制器来调节。同时,在理论层面上,模糊PID控制方法对控制非线性系统存在很大局限性。而神经网络具有可通过学习找到最佳非线性函数的功能。因此,为克服上述模糊PID控制系统的缺点,提出将神经网络添加到上述模糊PID控制系统中,在模糊PID控制器中添加了BP神经网络,以期望的伺服电机转角作为神经网络的输入,构建一个包含输入层、隐藏层和输出层的三层神经网络系统,输出量为模糊控制器的量化因子,采用期望的伺服电机转角与人工整定的量化因子作为输入输出训练样本,对构建的三层神经网络进行拟合训练,实现了对模糊控制器量化因子的在线调节。该模糊神经网络PID控制器与伺服电机构成的模糊神经网络PID控制系统不仅具有模糊PID控制器的鲁棒性好和自适应调参能力强的特点,还拥有对非线性模型拟合逼近能力佳的优点。最后,通过在Matlab中Simulink搭建控制系统模型,并在模糊控制模块和神经网络模块中添加S函数,将编程与建模相结合,对几种控制系统做仿真实验。结果表明,模糊PID伺服电机控制系统的动态性能与静态性能均优于单一的模糊伺服电机控制系统和PID伺服电机控制系统;而通过BP神经网络学习,在线调整模糊控制器的量化因子,模糊神经网络PID伺服电机控制系统的性能得到更进一步优化,使得原有PID伺服电机控制系统性能有极大改善。