小脑模型应用于死区补偿及控制-龙华科技大学.pdfVIP

小腦模型應用於死區補償及控制 小腦模型應用於死區補償及控制 1,* 2 蔡瓊星 呂韋廷 1 2 龍華科技大學機械工 龍華科技大學工程技 程系助理教授 術研究所研究生 摘要 在本文中，使用適應控制及小腦模型(Cerebellar Model Articulation Controller) 理論來學習補償油壓伺服系統的非線性死區(D eadzone) 現像，把受控動態系統模型分 解成非線性的死區系統及線性非時變系統。在系統中使用兩個小腦模型，一個小腦模型 用來鑑別死區參數。鑑別出來的死區參數用來訓練另一個反死區補償的小腦模型，反死 區補償可用來消除非線性死區現像。線性系統的參數使用遞迴鑑別理論來作系統鑑別， 鑑別得到的參數使用參考模型適應控制極點配置法來設計控制器，模擬可以得到良好結 果。 關鍵詞： 死區，反死區補償，小腦模型，極點配置 效的。 一、前言 小腦模型(CMAC) 最早於 1975 年由 傳統工業運動控制系統會包含很多非 美國學者 J.S.Albus 所發表[7-8]， CMAC 線性特性，例如死區、間隙、飽和、等等， 的發展，是為了改善類神經網路學習收斂 這些特性會引起控制精度的下降及系統不 慢的缺點，它具有較可靠的學習行為，及 穩定。在這些非線性中，死區經常會出現 較快的學習收斂速度，學習過程中只需修 在油壓伺服閥及致動器。精確的死區參數 正部分相關記憶體權值，適合應用於線上 是無法分析的，而且死區參數也可能會因 學習的控制系統。可微分小腦模型(DCMAC) 操作條件改變而影響系統變化，所以適應 最早由 Lane 等人於 1992 年所提出，是 控制線上學習技術是解決死區非線性特性 為了使 CMAC 具有可微分訊息[9]。Chiang 的重要技術，良好的適應控制法則會增加 與 Lin提出可調整型高斯基礎函數(Gauss 控制系統準確性[1-6 ]。 Basis Function)植入感應場(Receptive 目前對於包含有未知死區的非線性系 Field)中之方式，使DCMAC有優異的非 統，可能的控制方式為把系統分解成一個 線性函數學習能力[10-11]。 非線性死區及一個線性系統。理論上，死 本文主要目的是發展一個小腦模型網 區的非線性的效應是可以透過適應學習的 路來鑑別非線性死區系統參數然後設計一 反死區補償技術來取消 [1-2，6 ]。 Lewis 個參考模型適應控制系統及死區補償器。 [3]使用模糊邏輯理論，線上學習未知的死 為了達到這目的，使用二個小腦模型網 區參數，設計一個適應死區補償器。在CNC 路。其中一個小腦模型網路，用來鑑別死 機械數位控制中證明模糊理論補償器是有 區參數 。精確的死