本發明涉及精密運動平臺協同控制領域。

背景技術：

1、作為現代工業的關鍵組成部分，高端裝備正在越來越多的領域中發揮著重要作用。精密運動平臺因具有高剛度和出色的動態性能已經成為高端裝備運動系統的重要組成部分，而雙驅運動平臺則是精密運動平臺中最為常見的一種，被廣泛應用在電子封裝、半導體制造等行業中。雙驅運動平臺通常采用兩個并聯對稱的直線電機來驅動運動軸，并通過額外的直線電機控制平臺沿直線路徑的移動。驅動運動軸的兩臺電機之間的同步精度是影響系統整體性能的關鍵限制因素。兩臺電機之間較大的同步誤差可能會嚴重削弱平臺的任務跟蹤能力，甚至可能導致平臺損壞。

2、近年來，研究人員針對該問題已經相繼提出了許多控制方法，例如pid、滑模、自適應魯棒等控制方法，一定程度上緩解了雙驅運動平臺運動過程中同步誤差過大的問題。然而，這些方法仍然具有一些局限性：首先，以滑模控制為代表的魯棒控制方法具有高保守性，不利于控制過程所追求的高精密的目標追蹤；其次，盡管自適應魯棒控制方法因其兼具自適應和魯棒控制方法的優勢而被廣泛應用，但許多研究人員已經指出該方法在時變環境下的對于模型參數的自適應性能大幅降低，這在實際工業應用中是非常不利的。

3、此外，直線電機受到的齒槽力和端部效應等非線性因素、平臺在運動過程中遭遇的負載變化和外部干擾等對于精密運動控制也是一個很大的挑戰。傳統控制方法多采用提高控制增益來抑制干擾，但這種方法對于精密運動控制并不完全適用，過高的控制增益反而會使得平臺發生顫振。為了解決這一問題，“控制器+神經網絡補償”的控制方法成為了越來越多研究人員的研究重點，但大多數神經網絡由于其復雜的結構而導致計算量過大，不利于保證精密運動控制的高實時性。為此，相關研究人員提出了一種b樣條小波神經網絡，該神經網絡通過設計特殊的激活函數來提高計算效率，并能夠根據平臺特性來調整參數，為網絡結構設計提供了依據。盡管在補償平臺所遭遇的不確定性等非線性因素方面取得了以上進展，但這些方法大多數還是依賴于使用李亞普諾夫理論進行神經網絡權重的更新，忽略了神經網絡對非線性因素逼近的精度，這將導致逼近誤差的增加，影響神經網絡的補償性能，從而最終降低同步控制性能。

4、復合自適應控制方法的提出為雙驅運動平臺的同步控制問題提供了新的解決方案。與傳統自適應方法僅僅依賴系統的跟蹤誤差更新參數不同，復合自適應控制采用跟蹤誤差和參數預測誤差同時驅動系統未知參數的更新，在時變環境中提高了對于模型參數的跟蹤能力。但是現有的復合自適應控制是一種脆弱的自適應控制，魯棒性較差，在外界強干擾下會導致同步控制性能下降，因此，以上問題亟需解決。

技術實現思路

1、本發明目的是為了解決雙驅運動平臺任務跟蹤性能差、同步性能低的問題；本發明提供了一種基于復合自適應在線估計的精密雙驅運動平臺同步控制方法。

2、基于復合自適應在線估計的精密雙驅運動平臺同步控制方法，該方法基于復合自適應魯棒控制器、神經網絡權值復合更新模型和系統參數復合更新模型實現，并且復合自適應魯棒控制器包括期望補償模型、b樣條小波神經網絡在線辨識模型和魯棒反饋控制器；方法包括：

3、步驟一、建立雙驅運動平臺的剛柔耦合動力學模型，并設定初始時刻下剛柔耦合動力學模型的系統未知參數向量中各參數初始值、以及初始時刻下的虛擬控制向量；

4、步驟二、神經網絡權值復合更新模型，根據雙驅運動平臺在t-1時刻下的橫梁位置向量ps(t-1)、速度向量參考位置向量pd(t-1)、參考速度向量以及t-2時刻下的橫梁位置向量ps(t-2)、速度向量參考位置向量pd(t-2)、參考速度向量得到t時刻下的神經網絡權值矩陣同時，

5、系統參數復合更新模型，根據雙驅運動平臺在t-1時刻下的橫梁位置向量ps(t-1)、速度向量參考位置向量pd(t-1)、參考速度向量虛擬控制向量τ(t-1)和系統未知參數向量估計t時刻下系統未知參數向量的取值，并將發送至期望補償模型；

6、步驟三、期望補償模型，根據接收到的當前t時刻下的參考位置向量pd(t)、參考速度向量參考加速度向量和系統未知參數向量生成模型補償信號τa(t)；

7、b樣條小波神經網絡在線辨識模型，根據實時采集的雙驅運動平臺在當前t時刻下的橫梁位置向量ps(t)、速度向量和神經網絡權值矩陣生成前饋補償信號τnn(t)；

8、魯棒反饋控制器，根據實時采集的雙驅運動平臺在當前t時刻下的橫梁位置向量ps(t)、速度向量以及參考位置向量pd(t)和參考速度向量生成魯棒反饋補償信號τs(t)；

9、步驟四、將模型補償信號τa(t)、前饋補償信號τnn(t)和魯棒反饋補償信號τs(t)進行疊加后，根據得到的虛擬控制向量τ(t)計算出實際控制向量τu(t)，對雙驅運動平臺的兩直線電機進行控制。

10、優選的是，步驟二中，得到t時刻下的神經網絡權值矩陣的實現方式包括

11、步驟二一一、根據橫梁位置向量ps(t-1)、速度向量參考位置向量pd(t-1)和參考速度向量計算t-1時刻下的滑模面向量ρ(t-1)；

12、根據t-2時刻下的橫梁位置向量ps(t-2)、速度向量參考位置向量pd(t-2)、參考速度向量計算t-2時刻下的滑模面向量ρ(t-2)；

13、根據t-2時刻下的橫梁位置向量ps(t-2)和參考位置向量pd(t-2)，計算t-2時刻下的系統跟蹤誤差z(t-2)；

14、步驟二一二、根據ρ(t-1)、ρ(t-2)和z(t-2)，得到t-1時刻下的神經網絡預測誤差向量δ(t-1)，具體的，

15、

16、ms為系統的質量，kρ為滑模控制增益矩陣，kz為比例控制增益矩陣，為ρ(t-1)的一階導；

17、步驟二一三、根據δ(t-1)和ρ(t-1)，得到t-1時刻下運動方向的神經網絡權值變化率和橫梁旋轉方向的神經網絡權值變化率

18、步驟二一四、將和進行積分處理得到和

19、根據和得到

20、根據和得到

21、其中，和分別為t-1時刻下橫梁運動方向和橫梁旋轉方向的神經網絡權值估計向量，和分別為t時刻下橫梁運動方向和橫梁旋轉方向的神經網絡權值估計向量；

22、步驟二一五、根據和得到

23、優選的是，步驟二一三中，得到和的實現方式為：

24、首先、將δ(t-1)和ρ(t-1)進行改寫，得到：

25、δ(t-1)＝[δy(t-1)，δα(t-1)]t；

26、ρ(t-1)＝[ρy(t-1)，ρα(t-1)]t；

27、其次、根據δy(t-1)和ρy(t-1)，得到t-1時刻下橫梁運動方向的神經網絡權值變化率根據δα(t-1)和ρα(t-1)，得到t-1時刻下橫梁旋轉方向的神經網絡權值變化率其中，

28、

29、χy和χα分別為橫梁運動方向和橫梁旋轉方向下的神經網絡權值復合學習增益，和分別為神經網絡權值復合更新模型的神經網絡在橫梁運動方向和橫梁旋轉方向下的隱藏層激活函數；

30、κry和κrα分別為橫梁運動方向和橫梁旋轉方向下的神經網絡預測誤差權重矩陣，projy(·)和projα(·)分別表示橫梁運動方向和橫梁旋轉方向下的投影映射函數，δy(t-1)和δα(t-1)分別為t-1時刻下的橫梁運動方向預測誤差和橫梁旋轉誤差，ρy(t-1)和ρα(t-1)分別為t-1時刻下的滑模面向量在橫梁運動方向的分量和橫梁旋轉方向的分量。

31、優選的是，

32、

33、bwy和bwα分別為橫梁運動方向和橫梁旋轉方向下的神經網絡權重上界。

34、優選的是，步驟二一四中，

35、h為系統采樣時間間隔。

36、優選的是，步驟二中，估計t時刻下系統未知參數向量的取值的實現方式包括：

37、步驟二二一、根據橫梁位置向量ps(t-1)、速度向量參考位置向量pd(t-1)和參考速度向量計算t-1時刻下的滑模面向量ρ(t-1)；其中，

38、

39、z(t-1)＝ps(t-1)-pd(t-1)；

40、

41、為z(t-1)的導數，z(t-1)為t-1時刻的系統跟蹤誤差，λ為2×2的正定對角增益矩陣；

42、同時，根據虛擬控制向量τ(t-1)和系統未知參數向量計算系統未知參數預測誤差向量ξ(t-1)；其中，

43、

44、τf(t-1)為對虛擬控制向量τ(t-1)進行濾波后的值；

45、步驟二二二、根據ρ(t-1)和ξ(t-1)，得到t-1時刻下系統未知參數變化率

46、步驟二二三、對進行積分處理，得到t-1時刻下系統未知參數向量

47、步驟二二四、根據和得到t時刻下系統未知參數向量

48、優選的是，步驟二二二中，得到t-1時刻下系統未知參數變化率的實現方式包括：

49、

50、其中，為系統未知參數的投影映射函數，γ(t-1)為t-1時刻的系統未知參數復合更新自適應增益矩陣，ψd(t-1)為t-1時刻下使用了參考軌跡信號的廣義回歸矩陣，q為系統未知參數預測誤差權重矩陣，為系統未知參數估計向量，i為單位矩陣，為時的單位法向量，ωθ表示對未知參數向量限制的閉包集合，和分別表示ωθ的邊界和內集，代表時的單位法向量。

51、優選的是，步驟二二四中，

52、

53、優選的是，魯棒反饋控制器生成魯棒反饋補償信號τs(t)的實現方式為：

54、τs(t)＝-kρρ(t)-kzz(t)；

55、z(t)＝ps(t)-pd(t)，

56、ρ(t)為t時刻的滑模面向量，z(t)為t時刻的系統跟蹤誤差，為z(t)的導數，λ為2×2的正定對角增益矩陣；

57、期望補償模型生成模型補償信號τa(t)的實現方式為：

58、

59、ψd(t)為由參考位置向量pd(t)、參考速度向量參考加速度向量所構成的廣義回歸矩陣；

60、b樣條小波神經網絡在線辨識模型生成前饋補償信號τnn(t)的實現方式為：

61、τnn(t)＝[τnny(t)，τnnα(t)]t；

62、其中，

63、

64、τnny(t)為橫梁運動方向的前饋補償信號，τnnα(t)為橫梁旋轉方向的前饋補償信號，iy為b樣條小波神經網絡的隱藏層中被標記為橫梁運動方向的節點橫坐標序號，為b樣條小波神經網絡的隱藏層中被標記為橫梁運動方向的節點縱坐標序號，iα為b樣條小波神經網絡的隱藏層中被標記為橫梁旋轉方向的節點橫坐標序號，為b樣條小波神經網絡的隱藏層中被標記為橫梁旋轉方向的節點縱坐標序號，by為橫梁位置向量ps(t)中橫梁質心位置yg的平移因子，為速度向量中橫梁質心速度的平移因子，bα為橫梁位置向量ps(t)中橫梁旋轉角度α的平移因子，為橫梁位置向量ps(t)中橫梁旋轉角速度的平移因子，

65、為b樣條小波神經網絡的隱藏層中被標記為橫梁運動方向的節點激活函數值；

66、為b樣條小波神經網絡的隱藏層中被標記為橫梁旋轉方向的節點激活函數值。

67、優選的是，

68、τu(t)＝π-1τ(t)；

69、π＝[1，km，-lm1，kmlm2]；

70、其中，π為推力分配矩陣，km為兩臺直線電機的推力系數之比，lm1和lm2分別為橫梁質心分別到兩臺直線電機m1和m2的距離。

71、本發明帶來的有益效果是：

72、1、本發明設計的基于復合自適應在線估計的精密雙驅運動平臺同步控制方法，基于由魯棒反饋控制器、帶有神經網絡權值復合更新模型的b樣條小波神經網絡在線辨識模型、帶有系統參數復合更新模型的期望補償模型構成，并且本發明方法基于復合自適應在線估計構造了一種復合自適應魯棒控制器，該復合自適應魯棒控制器包含魯棒反饋控制器、b樣條小波神經網絡在線辨識模型和期望補償模型；

73、其中，b樣條小波神經網絡在線辨識模型通過特殊設計的神經網絡權重復合更新模型生成神經網絡權值矩陣進行更新；

74、通過構造的系統參數復合更新模型對系統未知參數進行更新；通過構造的期望補償模型對雙驅運動平臺進行實時的模型補償，通過構造的b樣條小波神經網絡在線辨識模型來對雙驅運動平臺系統未建模動態和外部干擾進行模型補償，然后通過構造魯棒反饋控制器進行魯棒鎮定，從而提高雙驅運動平臺的任務跟蹤性和同步控制性。

75、2、本發明在控制器設計方面，采用復合自適應控制對現有自適應魯棒控制方法進行改進對于處在時變環境下的雙驅運動平臺具有重要意義；同時，在神經網絡設計方面，采用該方法設計一種新型的b樣條小波神經網絡也可以在保證系統實時性的同時實現非線性因素和干擾的高精度補償。

76、3、采用本發明設計的基于復合自適應在線估計的精密雙驅運動平臺同步控制方法，可以實現雙驅運動平臺系統在實際工業生產中面臨復雜未建模動態和未知干擾情況下對于任務跟蹤性能和同步性能的兼顧。