伺服運(yùn)動系統(tǒng)CMAC神經(jīng)網(wǎng)絡(luò)算法研究

方 強(qiáng)，宋福民

(深圳市大族數(shù)控科技有限公司，廣東深圳 518057)

高速高精度加工是目前最重要的研究領(lǐng)域之一，其目的在于提高機(jī)械加工生產(chǎn)率并改善加工質(zhì)量。然而，實(shí)現(xiàn)高速高精度加工也面臨著許多挑戰(zhàn)。最主要的問題在于存在擾動、非線性、模型和參數(shù)不確定性的情況下如何設(shè)計(jì)高性能的伺服控制器。當(dāng)使用有限帶寬的伺服控制器時，伺服延遲也成為引起位置誤差的主要原因，并會隨著高速加工時進(jìn)給速度的提高而更加嚴(yán)重。

智能控制技術(shù)（如模糊控制、神經(jīng)網(wǎng)絡(luò)控制、遺傳算法控制等）的出現(xiàn)，為彌補(bǔ)PID控制策略的不足提供了良好的解決途徑。其中PID控制與智能控制方式的結(jié)合，產(chǎn)生了許多復(fù)合式的PID控制策略。例如，模糊PID控制，專家PID控制，模糊+PID復(fù)合控制、神經(jīng)元網(wǎng)絡(luò)PID控制等。復(fù)合式PID控制策略可以揚(yáng)長避短發(fā)揮各自優(yōu)勢，是智能控制的一個重要研究方向。

本文就是利用小腦模型具有不依賴于被控對象的精確數(shù)學(xué)模型、極強(qiáng)的非線性擬合能力、對運(yùn)行工況的適應(yīng)能力強(qiáng)的特點(diǎn)，將其與PID控制相結(jié)合形成PID+CMAC控制策略，并借助Turbo PMAC的“開放伺服”功能，在Turbo PMAC運(yùn)動控制器上研究了PID+CMAC控制策略的實(shí)現(xiàn)方法。

1 CMAC控制原理與特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)是由許多具有并行運(yùn)算、功能簡單的信息處理單元（神經(jīng)元）相互連接組成的網(wǎng)絡(luò)。雖然單個神經(jīng)元的結(jié)構(gòu)簡單，功能有限，但其構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的功能卻是極其豐富和復(fù)雜。神經(jīng)網(wǎng)絡(luò)的智能處理能力及控制系統(tǒng)所面臨的問題是人工神經(jīng)網(wǎng)絡(luò)控制的發(fā)展動力。人工神經(jīng)網(wǎng)絡(luò)處理非線性問題是這個領(lǐng)域最有意義的事情，它主要處理傳統(tǒng)技術(shù)不能解決的復(fù)雜非線性、不確定、不確知系統(tǒng)的控制問題。主要有如下優(yōu)勢：

(1)可以處理難以用模型或規(guī)則描述的過程或系統(tǒng)；

(2)采用并行分布式信息處理方式，具有很強(qiáng)的容錯性；

(3)神經(jīng)網(wǎng)絡(luò)的本質(zhì)是非線性系統(tǒng)；

(4)神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有自學(xué)習(xí)功能，能不斷提高對非線性系統(tǒng)的逼近能力；

（5）神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的信息綜合能力，非常適合多變量系統(tǒng)。

根據(jù)神經(jīng)網(wǎng)絡(luò)在控制器中的作用不同，神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)設(shè)計(jì)中的應(yīng)用一般分為兩類：一類是神經(jīng)控制，它是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)而形成的獨(dú)立智能控制系統(tǒng)；另一類稱為混合神經(jīng)網(wǎng)絡(luò)控制，它是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和優(yōu)化能力來改善其它控制方法的控制。

人工神經(jīng)網(wǎng)絡(luò)經(jīng)過多年的發(fā)展出現(xiàn)了多種形式的網(wǎng)絡(luò)，常用的如BP網(wǎng)絡(luò)（誤差反向傳播網(wǎng)絡(luò)）、CMAC網(wǎng)絡(luò)（小腦模型）、ELMAN 網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)等。

CMAC是 J.S.Albus在 1975年提出的一種模擬小腦功能的神經(jīng)網(wǎng)絡(luò)模型。它是一種聯(lián)想網(wǎng)絡(luò)，對每一輸入只有少部分神經(jīng)元與之有關(guān)，它的聯(lián)想具有局部泛化能力。基本思想是：將學(xué)習(xí)的數(shù)據(jù)（知識）存儲在交疊的存儲單元（記憶空間）中，其輸出為相應(yīng)激活單元數(shù)據(jù)的累加和。CMAC算法實(shí)現(xiàn)過程包含兩個階段：結(jié)果輸出階段和權(quán)值學(xué)習(xí)階段。在結(jié)果輸出階段，CMAC將所有被輸入狀態(tài)激活的存儲單元的權(quán)值（存儲數(shù)據(jù)）相加，即：

其中N為存儲單元數(shù)目；ys為狀態(tài)s(s＝1，2，……n)的實(shí)際輸出值，n為總狀態(tài)數(shù)；Wj為第j個存單元的權(quán)值；Cs為第j個存儲單元是否被狀態(tài)s激活的指示，當(dāng)某個狀態(tài)僅有m個存儲單元被激活時，其Cs為1，而其他存儲單元的Cs均為 0。

CMAC的學(xué)習(xí)算法采用簡單的δ算法，收斂速度極快，且不存在局部極小問題，這使它非常適合在線應(yīng)用。

CMAC網(wǎng)絡(luò)權(quán)向量的δ學(xué)習(xí)算法是：W(k＋1)＝W(k)＋η(u－ut)/c，其中η為學(xué)習(xí)率，c為泛化參數(shù)，u為PID+CMAC復(fù)合控制器的輸出，ut為CMAC控制器的輸出，系統(tǒng)以u－ut為誤差信號進(jìn)行訓(xùn)練，因而是“目標(biāo)導(dǎo)向”的。

經(jīng)過一段時間的學(xué)習(xí)后，CMAC網(wǎng)絡(luò)的輸出ut將逐漸接近u，而反饋控制器PID的輸出將逐漸減小，充分訓(xùn)練后，CMAC網(wǎng)絡(luò)將成為被控制對象的逆模型。和BP網(wǎng)絡(luò)不同的是，CMAC網(wǎng)絡(luò)是局部的逆動態(tài)模型，而非全局的，但由于其學(xué)習(xí)速度很快，所以可以在線適應(yīng)被控對象的參數(shù)變化。

2 Turbo PMAC的“開放伺服”功能

Turbo PMAC是美國Delta Tau公司發(fā)布的PMAC升級版本，保持了PMAC系列控制器的優(yōu)良性，并具有更高的運(yùn)算速度和控制能力。Turbo PMAC面向用戶進(jìn)一步開放了底層特性，其特有的“開放伺服”功能為用戶定義自己的伺服算法提供了條件。

Turbo PMAC的“開放伺服”功能允許用戶使用高級語言來編寫自定義的算法，并能運(yùn)行在高優(yōu)先級的伺服中斷上，不僅可用于電機(jī)伺服控制，也可用于其他高優(yōu)先級任務(wù)，如高速I/O處理，反饋信號的預(yù)處理和伺服指令的后處理。而在以前是通過匯編語言實(shí)現(xiàn)的，需要掌握Motorola的DSP56300系列匯編指令，編程困難，可靠性低。開放伺服算法程序采用高級語言編寫，規(guī)則類似于PLC程序或運(yùn)動程序，但在運(yùn)行機(jī)制上不同于PLC程序。如果PLC程序運(yùn)行在實(shí)時中斷上，有可能被運(yùn)動程序搶先，若PLC作為后臺程序運(yùn)行，則無確定的運(yùn)行周期。開放伺服算法程序運(yùn)行在伺服中斷上，能確保在每個周期運(yùn)行。此外，開放伺服算法程序還可采用特定的訪問機(jī)制訪問伺服功能寄存器。

Turbo PMAC只能運(yùn)行一個開放伺服算法，可以用于多個電機(jī)控制。如果需要在各個電機(jī)上運(yùn)行不同的伺服算法，可以在算法程序中通過明確的邏輯控制，使不同電機(jī)具有不同的伺服算法和處理方法。

自定義伺服算法的運(yùn)行不會對編碼器轉(zhuǎn)換表處理，軌跡生成，位置跟隨，時基控制，跟隨誤差極限檢查等內(nèi)建的固件程序構(gòu)成影響。

自定義伺服算法程序可使用PEW IN32 PRO程序來編輯，也可使用其它任何無格式文本編輯器進(jìn)行編輯。編輯好的程序必須使用PEW IN32 PRO程序進(jìn)行編譯，并將編譯后的機(jī)器碼下載到Turbo PMAC的用戶程序RAM中。使用SAVE指令可將程序復(fù)制到不揮發(fā)的閃存中，在上電或復(fù)位時，該算法程序會自動從Turbo PMAC中載入，使伺服算法成為Turbo PMAC的固件程序。

3 CMAC算法在伺服運(yùn)動系統(tǒng)上的實(shí)現(xiàn)

Turbo PMAC為嵌入用戶自定義伺服算法提供了接口，然而數(shù)控機(jī)床的位置控制是一種高速高精的實(shí)時控制，位置環(huán)的控制周期一般不太長，大約都在10ms以內(nèi)。因此在如此短的時間內(nèi)伺服算法不可能完成復(fù)雜的神經(jīng)網(wǎng)絡(luò)控制和在線學(xué)習(xí)，常用的方法是從伺服運(yùn)動系統(tǒng)上采集一組樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到權(quán)矩陣參數(shù)，神經(jīng)網(wǎng)絡(luò)控制時通過查表權(quán)矩陣參數(shù)進(jìn)行實(shí)時控制。

本文所研究的CMAC小腦模型控制器是局部神經(jīng)網(wǎng)絡(luò)，而非全局的，由于其學(xué)習(xí)速度很快，所以很適合實(shí)時伺服控制過程。

在PID+CMAC控制策略中，CMAC控制器占據(jù)前饋環(huán)節(jié)，用于改善系統(tǒng)的跟蹤性能，不影響系統(tǒng)的穩(wěn)定性和抗干擾能力；前饋環(huán)節(jié)旁路了系統(tǒng)大部分的輸入信號，減小了系統(tǒng)相位滯后，極大地提高了系統(tǒng)響應(yīng)速度。所有型號的PMAC控制器缺省的伺服算法為PID+前饋控制算法，其中缺省的前饋控制算法包括速度前饋、加速度前饋算法。為了尊重用戶的使用習(xí)慣將CMAC控制器與缺省的前饋控制器并聯(lián)，作為前饋算法的有益補(bǔ)充。控制框圖如圖1所示。

圖1 基于Turbo PMAC的PID+CMAC算法框圖

CMAC算法的基本實(shí)現(xiàn)過程包括網(wǎng)絡(luò)權(quán)參數(shù)初始化、計(jì)算CMAC控制輸出un、將un加入到伺服控制過程中、在線更新網(wǎng)絡(luò)權(quán)參數(shù)（在線學(xué)習(xí)）。

在該算法中Ixx30、Ixx31和Ixx33為基本PID增益項(xiàng)，Kvff、Kaff分別為速度前饋增益和加速度前饋增益。以下是自定義PID+CMAC伺服算法程序中有關(guān)小腦模型控制部分的源程序示例：

4 CMAC算法控制效果測試

為了PID+CMAC控制策略對改善系統(tǒng)動態(tài)性能的有效性，在Turbo PMAC伺服運(yùn)動系統(tǒng)上植入上述自定義伺服算法分別對系統(tǒng)的正弦響應(yīng)和定位運(yùn)動進(jìn)行了測試。

測試步驟如下：

（1）將自定義伺服控制算法程序下載到Turbo PMAC控制器中；

（2）激活自定義伺服算法（設(shè)置Ixx59=1），關(guān)閉CMAC控制功能Qx00=0；

（3）使用PMAC Tuning軟件整定控制器參數(shù)（Ixx30、Ixx31、Ixx32、Ixx35）；

（4）打開CMAC控制功能Qx00=1；

（5）驅(qū)動工作臺運(yùn)動，同時測量運(yùn)動數(shù)據(jù)、繪制運(yùn)動曲線；

（6）根據(jù)實(shí)際控制效果調(diào)節(jié)CMAC控制器網(wǎng)絡(luò)參數(shù)學(xué)習(xí)率Qx01和動量因子Qx02。測試效果如圖2～圖4所示。

說明：圖中橫坐標(biāo)為時間參數(shù)，縱坐標(biāo)為跟蹤誤差參數(shù)。

圖2 各種控制策略下系統(tǒng)正弦響應(yīng)誤差曲線

圖3 各種控制策略下系統(tǒng)定位運(yùn)動誤差曲線(5mm運(yùn)動位移)

圖4 各種控制策略下系統(tǒng)定位運(yùn)動誤差曲線(5cm運(yùn)動位移)

5 結(jié)束語

PID+CMAC控制策略對于改善系統(tǒng)的定位性能和跟蹤性能具有良好的效果，然而如何在實(shí)際伺服運(yùn)動系統(tǒng)上實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)控制策略一直是工程人員研究的難點(diǎn)。本文借助Turbo PMAC控制器的“開放伺服”功能開發(fā)出了自定義PID+CMAC伺服算法，并通過試驗(yàn)驗(yàn)證了該算法的有效性。對PID+CMAC伺服算法的設(shè)計(jì)與應(yīng)用作如下小結(jié)：

1） 利用Turbo PMAC的硬件資源嵌入自定義PID+CMAC伺服算法，對神經(jīng)網(wǎng)絡(luò)控制策略在伺服運(yùn)動系統(tǒng)上的應(yīng)用進(jìn)行了創(chuàng)新研究；

2） 開發(fā)出了小腦模型（CMAC）控制程序，實(shí)現(xiàn)了在線學(xué)習(xí)功能；

3） 網(wǎng)絡(luò)權(quán)參數(shù)學(xué)習(xí)率和動量因子直接影響到伺服運(yùn)動系統(tǒng)的動態(tài)跟蹤性能，需要根據(jù)實(shí)際控制效果反復(fù)測試與調(diào)整；

4） 網(wǎng)絡(luò)權(quán)參數(shù)學(xué)習(xí)率決定了誤差信號u-un-uff的收斂速度，學(xué)習(xí)率越大學(xué)習(xí)速度越快，然而過大會導(dǎo)致起始段波動增大；

5） 由于不同的輸入有可能激勵相同的單元，因此小腦模型（CMAC）存在學(xué)了新的忘了舊的之遺忘現(xiàn)象。

[1]朱大奇，張偉.基于平衡學(xué)習(xí)的CMAC神經(jīng)網(wǎng)路非線性辨識算法[J].控制與決策，2004，19（12）：1425.

[2]呂英俊，李敏花，柏猛.一種交流伺服系統(tǒng)中的神經(jīng)元自適應(yīng)控制器[J].煤礦機(jī)械，2005(11):125-127.

[3]蔣銳權(quán)，吳祖育，蔡建國.數(shù)控機(jī)床神經(jīng)元自適應(yīng)位置控制算法[J].上海交通大學(xué)學(xué)報(bào)，2001，35(7):1088-1092.

[4]李寶仁，江春華.基于神經(jīng)網(wǎng)絡(luò)PID的交流伺服系統(tǒng)位置控制[J].機(jī)床與液壓2005(1):136-137.