引言

由于永磁伺服電機（PMSM）是一個多變量、嚴重非線性、參數時變及強耦合的控制對象，很難用精確模型描述其動態過程。矢量變換控制得到的是電流穩態解耦數學模型，盡管變量電流和速度間仍然存在耦合，但在動態時仍存在耦合，模型對電機的運動過程有較強的依賴性，使其不易達到理想的控制目標。在伺服系統中一般還具有滯后、未建模動態、不確定性以及負載變化等因素，傳統的PID控制器不能很好地滿足高精度、快速響應要求。

與經典控制方法不同，智能控制顯著特點是不依賴于被控對象的精確模型，具有自適應和魯棒性強等特點，正好適于伺服系統這種被控對象。但是一般實現比較復雜，并且控制效果取決于模型樣本的質量，即專家經驗的定性信息。從實時控制的角度，神經網絡、模糊控制均不如單神經元簡單方便，而單神經元又不具備模糊控制快速性的優點。為此，本文基于逆動態模型的概念，采用一種FCMAC在線學習伺服裝置的逆模型，通過前饋通道與系統的原模型對消的方式，動態地克服系統的非線性和不確定因素，使輸出快速、準確地跟蹤輸入，達到良好的動態跟蹤性能。

1、系統結構及PMSM動態模型簡介

本文所介紹位置環采用FCMAC（模糊小腦模型神經關節器）和PD的復合控制器。速度、電流環為常規控制器，為研究對位置的跟蹤能力，故將轉速、電流環合起來近似為一階慣性環節。系統簡化結構如圖1所示。

圖1 系統簡化結構圖

2、FCMAC網絡概述

CMAC是一種模擬小腦功能的神經網絡模型，最初主要用于機器人的動態軌跡跟蹤控制。神經生理學研究表明，小腦的功能是負責指揮肢體運動，其決策過程是條件反射式迅速響應，而大腦則要經過思考才能作出決定。CMAC是一種具有聯想和學習功能的前向網絡，本質是一種表格查詢式神經網絡。由于它在局部網絡結構上存儲信息，而且每次修正的權數目很少，其學習速度要比BP神經網絡快約2～3個數量級，因此特別適合于實時控制。

FCMAC是模糊邏輯與CMAC神經網絡有機結合的產物。可以使模糊推理更加方便并具有自學習的功能，FCMAC的映射和存儲與CMAC相同。將FCMAC用于伺服電機這一復雜對象可以更準確及時地抑制非線性及不確定因素，達到優化控制的目的。FCMAC結構可描述如圖2。

圖2 FCMAC神經網絡模型

輸入信號從左至右依次經過模糊化、規則推理和加權求和過程。輸入量經量化映射到模糊感知層X為X1，同時激活相鄰C個單元，并獲得相應的隸屬度。C為網絡的泛化參數，即感受野。C個單元通過滾動組合方式得到M中C個概念地址，該C個單元再通過壓縮編碼映射到實際物理存儲器A中的C個單元，對應C個權值。

對一維輸入量的模糊輸出，隸屬度描述如圖3，隸屬度函數取底寬為6的等腰三角形，（論域可拓寬）。

圖3 隸屬度函數圖形

3、直接神經控制器的算法

更多資訊請關注伺服系統頻道