论文部分内容阅读
音圈电机(Voice Coil Motor,简称VCM)作为高速、高精度驱动电机,被广泛应用于各种微位移定位系统中。近年来,从一些实验结果可以看出音圈电机输出重复性误差较大,严重影响了其控制精度,尤其是在往复式定位系统中。一些专家从音圈电机的工作原理和具体的实验结果分析得出,音圈电机存在多值对应的迟滞非线性特性。从研究现状看,音圈电机迟滞特性的建模和控制开始受到重视。本文从高速、高精度定位角度出发,研究往复式音圈电机迟滞特性的建模与控制,主要获得成果如下: (1)针对PI(Prandtl-Ishlinskii)模型对音圈电机迟滞建模时,结构复杂,不具有动态特性等缺点,将PI和神经网络相结合,提出了PI和神经网络混合模型。该模型分为两部分:第一部分是通过少量不同阈值的Backlash算子累加生成,产生迟滞环;第二部分为RBF神经网络。整个模型充分利用神经网络的逼近能力,使得整个模型与PI模型相比结构变得更加简单和灵活,可同时表述静、动态迟滞特性。实验表明,PI和神经网络混合模型与PI模型相比结构简单,动态建模精度高。提出的PI和神经网络混合模型主要用于音圈电机迟滞特性的分析研究。 (2)一般的神经网络不能直接用于迟滞控制,因此,将一种应用于非线性控制的动态神经网络引入到音圈电机的迟滞建模和自适应逆控制中。通过实验发现,该动态神经网络虽然对一般的非线性控制有效,但用于迟滞非线性建模和自适应逆控制时,误差大,无法达到控制要求。针对该动态神经网络应用于迟滞建模和自适应逆控制时的缺点,对该动态神经网络进行改进:在神经网络的权值学习中加入低通滤波,增加权值学习的动态信息,解决曲率下降变化缓慢导致学习信息不够的问题;将神经网络改进为具有内外部动态特性的神经网络,满足音圈电机动态迟滞的控制要求。用改进的动态神经网络实现了对音圈电机动态迟滞特性的建模和自适应逆控制,并与未改进的动态神经网络进行比较,建模精度与自适应逆控制效果都显著提高,实现了对音圈电机动态迟滞非线性的精确控制。 (3)提出了可描述信号变化趋势的函数,将信号趋势函数加入到动态神经网络输入端,采用(2)中改进的动态神经网络结构,利用动态神经网络自适应逆与PID相结合控制方法,实现了往复式VCM迟滞特性控制。实验结果证实,改进的动态神经网络自适应逆与PID相结合的控制方法对音圈电机迟滞特性的控制是有效的。与常规PID控制相比,具有较高的精度。