• 沒有找到結果。

以數位訊號處理器實現之智慧型音圈馬達定位控制系統

N/A
N/A
Protected

Academic year: 2021

Share "以數位訊號處理器實現之智慧型音圈馬達定位控制系統"

Copied!
134
0
0

加載中.... (立即查看全文)

全文

(1)國立臺灣師範大學電機工程學系 碩士論文 指導教授:陳瑄易博士 以數位訊號處理器實現之 智慧型音圈馬達定位控制系統 Development of Intelligent Voice Coil Motor Position Control System using Digital Signal Processor. 研究生:李承諺 撰 中 華 民 國 一 百 零 五 年 七 月.

(2) 以數位訊號處理器實現之智慧型音圈馬達定位控制系統 學生:李承諺. 指導教授:陳瑄易博士. 國立臺灣師範大學電機工程學系碩士班. 摘. 要. 本論文目標為針對非線性時變之音圈馬達,設計一具強健性與高精度之控制 系統,本論文首先提出基於比例積分微分型細菌覓食模糊類神經網路控制系統, 由於傳統的類神經網路控制系統,網路參數初值設計會導致控制系統陷入區域最 佳解,所以本篇論文以最佳化演算法改良型細菌覓食演算法在馬達運動前先進行 歸屬函數最佳化,避免系統陷入區域最佳解。 為了簡化控制系統計算複雜度,進一步提出具動態參數估測能力之補償型模 糊類神經網路,此控制系統利用動態粒子群演算法於控制過程中即時最佳化 Jacobia 項,可有效提高系統控制指標性能。在此架構中,主控制器為補償型模糊 類神經網路,另使用 Elman 類神經網路即時估測音圈馬達動子位置。 為提高系統之強健性,本論文提出智慧型分數階滑動模式系統,此系統以補 償型類神經網路對不確定項估測,可解決傳統分數階滑動模式控制中切換控制之 抖動現象,另外亦設計一平滑補償器,可補償估測誤差與確保系統之漸進穩定。 本論文以數位訊號處理器實現上述控制法則,並設計兩種追隨軌跡與兩種測 試情況。實驗結果顯示所提出之控制系統確實能有效控制音圈馬達之動子位置。. 關鍵字:音圈馬達、控制系統、數位訊號處理器、模糊類神經網路、滑動模式控 制. I.

(3) Development of Intelligent Voice Coil Motor Position Control System using Digital Signal Processor. Student: Cheng-yen Lee. Advisors: Syuan-Yi Chen. Department of Electrical Engineering National Taiwan Normal University. ABSTRACT This paper aimed to design robust and precise control systems for the position control of a non-linear and time-varying voice coil motor (VCM). First, a proportionalintegral-derivative based fuzzy neural network with elitist bacterial foraging optimization (PIDFNN-EBFO) control strategy was proposed in which the initial parameters of the network were optimized to avoid falling into local optimal solutions. Subsequently, a compensatory fuzzy neural network with dynamic particle swarm optimization (CFNN-DPSO) control approach was further developed to simplify the computational burden of the PIDFNN-EBFO control system. In CFNN-DPSO, the CFNN and DPSO were used to derive the control effort and estimate the Jacobian term, respectively. Besides, an Elman neural network (ENN) was used to serve as a virtual VCM system for the online estimation of the mover position. In order to improve the robustness of the VCM control system, an intelligent fractional order sliding mode control (IFOSMC) system was proposed in this study. In the IFOSMC, a CFNN observer was designed to observe a lumped uncertainty and replace the hitting control directly. Besides, a switching compensator was employed to compensate the observation error considering the system stability and control II.

(4) smoothness. All the real-time control systems were implemented via the digital signal processor (DSP). Moreover, two reference trajectories and two test conditions were provided to evaluate the control performances in this study. From the experimental results, the VCM can be controlled to track the reference trajectories efficiently and accurately via the proposed control systems.. Keywords:Voice coil motor, position control system, digital signal processor, neural network, sliding mode control.. III.

(5) 誌. 謝. 在國立臺灣師範大學電機工程學系碩士班求學兩年中,首先感謝指導教授陳 瑄易博士。感謝老師這兩年的時間,不論是學術的知識或是人生與人際關係的分 享,老師總是不厭其煩的給予指點,使筆者碩士論文能順利完成,僅此致上最誠 摯的謝意。. 接著感謝口試委員周柏寰博士與談光雄教授對於本論文給予很多指導與寶貴 的意見,使本論文能更加完善。在求學過程中感謝學長旻翰與聖賢,在筆者碩一 還不懂帶筆者融入實驗室並且給與很多建議與幫忙,再者感謝實驗室的夥伴東鴻、 冠緯與東昇,當實驗有問題能跟筆者討論或是幫忙處理實驗室各項事情,感謝冠 安與承益時常去你們實驗室聊天與詢問系上的相關問題,感謝位於對面的通訊實 驗室德生、孟原、啓銘、方儒當實驗遇到問題瓶頸跟你們聊天總是能想到新的方 法,同樣也是控制領域實驗室的冠東、仕華、銘偉、顥瀚、孟哲、陪伴筆者吃飯 玩樂且在筆者遇到問題時能幫助筆者解決問題,感謝學妹采玲、儀如筆者如何報 帳與時常的幫助筆者訂便當,感謝苹源學長時常給予學業上的建議。. 最後,將此論文獻給最敬愛的家人以及親朋好友們,感謝你們一路上的關心 與鼓勵,讓筆者在求學過程中能無後顧之憂的專心完成學業,願將成長喜悅與他 們共享,並貢獻自己所學與社會。. IV.

(6) 目錄 摘. 要 ..................................................................................................................... I. ABSTRACT ................................................................................................................... II 誌謝 .............................................................................................................................. IV 目錄 ................................................................................................................................ V 圖目錄 ........................................................................................................................ VIII 表目錄 ....................................................................................................................... XIV 第一章. 緒論 .................................................................................................................1. 1.1 研究背景與動機 ..............................................................................................1 1.2 研究目的 ..........................................................................................................2 1.3 控制器介紹 ......................................................................................................4 1.3.1 類神經網路 ...........................................................................................4 1.3.2 模糊控制理論 .......................................................................................6 1.3.3 模糊類神經網路 .................................................................................10 1.3.4 滑動模式控制 .....................................................................................12 1.4 研究架構 ........................................................................................................16 第二章. 音圈馬達實驗平台介紹 ...............................................................................17. 2.1 音圈馬達的結構與運作原理 ........................................................................17 2.2 音圈馬達動態分析 ........................................................................................21 2.3 實驗平台設計 ................................................................................................22 2.4 數位訊號處理器軟體規劃 ............................................................................28 第三章. 基於比例積分微分型細菌覓食模糊類神經網路之音圈馬達定位控制系 V.

(7) 統 ...................................................................................................................................30 3.1 前言 ................................................................................................................30 3.2 比例積分微分類神經網路 ............................................................................30 3.3 基於比例積分微分模糊類神經網路定位控制器 ........................................31 3.3.1 基於比例積分微分模糊類神經網路架構 .........................................31 3.3.2 基於比例積分微分模糊類神經網路線上學習演算法 .....................34 3.3.3 基於比例積分微分模糊類神經網路收斂性分析 .............................36 3.4 細菌覓食演算法 ............................................................................................38 3.5 改良型細菌覓食演算法 ................................................................................39 3.6 基於比例積分微分型細菌覓食模糊類神經網路音圈馬達定位控制系統 42 3.7 實驗結果與討論 ............................................................................................43 第四章. 具動態參數估測能力之補償型模糊類神經網路之音圈馬達定位控制系. 統 ...................................................................................................................................51 4.1 前言 ................................................................................................................51 4.2 補償型模糊類神經網路 ................................................................................51 4.3 補償型模糊類神經網路定位控制器 ............................................................54 4.3.1 補償型模糊類神經網路架構 .............................................................54 4.3.2 補償型模糊類神經網路線上學習演算法 .........................................56 4.3.3 補償型模糊類神經收斂性分析 .........................................................58 4.4 數學模型估測器 ............................................................................................61 4.4.1 Elman 類神經網路架構 .......................................................................62 4.4.2 Elman 類神經網路線上學習演算法...................................................63 4.5 粒子群演算法 ................................................................................................64 4.6 動態粒子群演算法 ........................................................................................65 VI.

(8) 4.7 具動態參數估測能力之補償型模糊類神經網路音圈馬達定位控制系統 67 4.8 實驗結果與討論 ............................................................................................69 第五章. 智慧型分數階滑動模式之音圈馬達定位控制系統 ...................................80. 5.1 前言 ................................................................................................................80 5.2 系統鑑別 ........................................................................................................80 5.3 分數階計算 ....................................................................................................82 5.4 滑動模式定位控制器 ....................................................................................86 5.5 分數階態滑動模式定位控制器 ....................................................................87 5.6 智慧型分數階滑動模式位控制器 ................................................................88 5.7 智慧型分數階滑動模式控制架構之音圈馬達定位控制系統 ....................96 5.8 實驗結果與討論 ............................................................................................97 第六章. 結論 .............................................................................................................108. 參考文獻 ..................................................................................................................... 115 自傳 ............................................................................................................................. 119. VII.

(9) 圖目錄 圖 2. 1 音圈馬達實體圖[27] ........................................................................17 圖 2. 2 佛萊明左手定則圖[28] ....................................................................18 圖 2. 3 音圈馬達動作原理圖 .......................................................................19 圖 2. 4 音圈馬達動作側面原理圖 ...............................................................19 圖 2. 5 音圈馬達定位原理圖 .......................................................................20 圖 2. 6 音圈馬達追隨軌跡圖 .......................................................................20 圖 2. 7 音圈馬達定位原理圖 .......................................................................20 圖 2. 8 音圈馬達追隨軌跡圖 .......................................................................20 圖 2. 9 音圈馬達定位原理圖 .......................................................................21 圖 2. 10 音圈馬達追隨軌跡圖 .....................................................................21 圖 2. 11 音圈馬達動態模型圖 .....................................................................22 圖 2. 12 音圈馬達實驗架構圖 .....................................................................23 圖 2. 13 音圈馬達之實驗設置 .....................................................................23 圖 2. 14 驅動器 Elmo CEL-5/60[29] ............................................................24 圖 2. 15 Elmo 驅動器系統方塊圖[30] .........................................................24 圖 2. 16 Mercury II 1600S 光學編碼器[31] ................................................25 圖 2. 17 DSP 模組實體圖:(a) DSP 模組、(b) TMS320F2877xD 浮點 DSP 運算控制卡、(c) DAQ 資料擷取卡 ....................................................27 圖 2. 18 參考命令之弦波追隨軌跡圖 .........................................................28 圖 2. 19 參考命令之梯形波追隨軌跡圖 .....................................................28 圖 2. 20 以 DSP 數位訊號處理器基礎之音圈馬達控制平台軟體流程圖 29 圖 3. 1 基於比例積分微分之模糊類神經網路架構 ...................................31 圖 3. 2 比例積分微分類神經網路架構圖 ...................................................33 VIII.

(10) 圖 3. 3 趨化示意圖 .......................................................................................39 圖 3. 4 修剪與再生示意圖 ...........................................................................40 圖 3. 5 細菌覓食流程圖 ...............................................................................41 圖 3. 6 傳統細菌覓食演算法與改良型細菌覓食演算法比較圖 ...............42 圖 3. 7 基於比例積分微分型細菌覓食模糊類神經網路控制系統控制方塊 圖 ...........................................................................................................42 圖 3. 8 區域最佳解示意圖 ...........................................................................43 圖 3. 9 傳統對稱型高斯函數圖 ...................................................................44 圖 3. 10 適應函數變化圖 .............................................................................44 圖 3. 11 通過 EBFO 搜索之高斯函數圖型 .................................................45 圖 3. 12 採用 PID 控制器情況一之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................46 圖 3. 13 採用 PID 控制器情況二之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................47 圖 3. 14 採用 PIDFNN 控制器情況一之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差 ......................................................47 圖 3. 15 採用 PIDFNN 控制器情況二之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差 ......................................................48 圖 3. 16 採用 PIDFNN -EBFO 控制器情況一之音圈馬達系統實驗結果: (a)追隨響應、(b)控制電流、(c)位置誤差 .........................................48 圖 3. 17 採用 PIDFNN -EBFO 控制器情況二之音圈馬達系統實驗結果: (a)追隨響應、(b)控制電流、(c)位置誤差 .........................................49 圖 3. 18 弦波之音圈馬達控制性能指標量測圖情況一 .............................49 圖 3. 19 弦波之音圈馬達控制性能指標量測圖情況二 .............................50. IX.

(11) 圖 4. 1 補償型模糊類神經網路架構圖 .......................................................53 圖 4. 2 Elman 類神經網路架構圖 ................................................................61 圖 4. 3 粒子群演算法向量示意圖 ...............................................................64 圖 4. 4 DPSO 流程圖 ...................................................................................67 圖 4. 5 補償型模糊類神經網路控制系統方塊圖 .......................................68 圖 4. 6 具動態參數估測能力之補償型模糊類神經網路制系統方塊圖 ...68 圖 4. 7 情況一之 DPSO 適應函數變化圖 ...................................................70 圖 4. 8 情況二之 DPSO 適應函數變化圖 ...................................................70 圖 4. 9 採用 PID 控制器情況一之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................71 圖 4. 10 採用 PID 控制器情況二之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................71 圖 4. 11 採用 CFNN 控制器情況一之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差 ..........................................................72 圖 4. 12 採用 CFNN 控制器情況二之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差 ..........................................................72 圖 4. 13 採用 CFNN-DPSO 控制器情況一之音圈馬達系統實驗結果:(a) 追隨響應、(b)控制電流、(c)位置誤差、(d) K1 與 K2 之變化 ..........73 圖 4. 14 採用 CFNN-DPSO 控制器情況二之音圈馬達系統實驗結果:(a) 追隨響應、(b)控制電流、(c)位置誤差、(d) K1 與 K2 之變化 ..........73 圖 4. 15 採用 PID 控制器情況一之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................74 圖 4. 16 採用 PID 控制器情況二之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差 ..................................................................74 圖 4. 17 採用 CFNN 控制器情況一之音圈馬達系統實驗結果:(a)追隨響 X.

(12) 應、(b)控制電流、(c)位置誤差 ..........................................................75 圖 4. 18 採用 CFNN 控制器情況二之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差 ..........................................................75 圖 4. 19 採用 CFNN-DPSO 控制器情況一之音圈馬達系統實驗結果:(a) 追隨響應、(b)控制電流、(c)位置誤差、(d) K1 與 K2 之變化 ..........76 圖 4. 20 採用 CFNN-DPSO 控制器情況一之音圈馬達系統實驗結果:(a) 追隨響應、(b)控制電流、(c)位置誤差、(d) K1 與 K2 之變化 ..........76 圖 4. 21 弦波之音圈馬達控制性能指標量測圖情況一 .............................77 圖 4. 22 弦波之音圈馬達控制性能指標量測圖情況二 .............................77 圖 4. 23 梯形波之音圈馬達控制性能指標量測圖情況一 .........................78 圖 4. 24 梯形波之音圈馬達控制性能指標量測圖情況二 .........................78 圖 5. 1 系統鑑別之補償型模糊類神經網路控制系統控制方塊圖 ...........81 圖 5. 2 採用 CFNN 控制器之音圈馬達系統實驗 SIN 波形:(a)期望位置 預測、 ...................................................................................................81 圖 5. 3 分數階微分與整數微分比較圖 .......................................................83 圖 5. 4 分數階 PID 控制器示意圖 ...............................................................83 圖 5. 5 分數階面積示意圖(總和) ................................................................84 圖 5. 6 分數階面積示意圖(上底) ................................................................84 圖 5. 7 分數階面積示意圖(下底) ................................................................85 圖 5. 8 智慧型分數階滑動模式控制系統控制方塊圖 ..............................97 圖 5. 9 採用 SMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨響應、 (b)控制電流、(c)位置誤差、(d)滑動平面 .........................................99 圖 5. 10 採用 SMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差、(d)滑動平面 .................................99 XI.

(13) 圖 5. 11 採用 FOSMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................100 圖 5. 12 採用 FOSMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................100 圖 5. 13 採用 IFOSMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................101 圖 5. 14 採用 IFOSMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................101 圖 5. 15 採用 SMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...............................102 圖 5. 16 採用 SMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨響 應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...............................102 圖 5. 17 採用 FOSMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................103 圖 5. 18 採用 FOSMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................103 圖 5. 19 採用 IFOSMC 控制器情況一之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................104 圖 5. 20 採用 IFOSMC 控制器情況二之音圈馬達系統實驗結果:(a)追隨 響應、(b)控制電流、(c)位置誤差、(d)滑動平面 ...........................104 圖 5. 21 弦波之音圈馬達控制性能指標量測圖情況一 ...........................105 圖 5. 22 弦波之音圈馬達控制性能指標量測圖情況二 ...........................105 圖 5. 23 梯形波之音圈馬達控制性能指標量測圖情況一 .......................106 圖 5. 24 梯形之音圈馬達控制性能指標量測圖情況二 ...........................106. XII.

(14) 圖 6. 1 弦波之音圈馬達控制性能指標量測圖情況一(最大值) ..............109 圖 6. 2 弦波之音圈馬達控制性能指標量測圖情況一(誤差值) ..............109 圖 6. 3 弦波之音圈馬達控制性能指標量測圖情況一(標準差) .............. 110 圖 6. 4 弦波之音圈馬達控制性能指標量測圖情況二(最大值) .............. 110 圖 6. 5 弦波之音圈馬達控制性能指標量測圖情況二(誤差值) .............. 111 圖 6. 6 弦波之音圈馬達控制性能指標量測圖情況二(標準差) .............. 111 圖 6. 7 梯形波之音圈馬達控制性能指標量測圖情況一(最大值) .......... 112 圖 6. 8 梯形波之音圈馬達控制性能指標量測圖情況一(誤差值) .......... 112 圖 6. 9 梯形波之音圈馬達控制性能指標量測圖情況一(標準差) .......... 113 圖 6. 10 梯形波之音圈馬達控制性能指標量測圖情況二(最大值) ........ 113 圖 6. 11 梯形波之音圈馬達控制性能指標量測圖情況二(誤差值) ........ 114 圖 6. 12 梯形波之音圈馬達控制性能指標量測圖情況二(標準差) ........ 114. XIII.

(15) 表目錄. 表 2. 1 音圈馬達系統規格 ...........................................................................18 表 2. 2 使用 PIDFNN-EBFO 之控制性能指標量測情況一 .......................50 表 2. 3 使用 PIDFNN-EBFO 之控制性能指標量測情況二 .......................50 表 4. 1 DPSO 演算法參數初始值 ................................................................69 表 4. 2 使用 CFNN-DPSO 控制性能指標量測情況一 ...............................79 表 4. 3 使用 CFNN-DPSO 控制性能指標量測情況二 ...............................79 表 5. 1 An z -1 ,r  離散化模型 .........................................................................86 表 5. 2 使用 IFOSMC 之控制性能指標量測情況一 ................................107 表 5. 3 使用 IFOSMC 之控制性能指標量測情況二 ................................107. XIV.

(16) 第一章 緒論 1.1 研究背景與動機 由於科技的蓬勃發展,光電、通訊、半導體等產品的精密化,加上精密工業 的快速發展,使得本來侷限於製程的產品因科技的蓬勃發展使技術能有效發展, 而定位控制的技術是產品製造、量測物體尺寸等,工業界重要的技術之一,定位 技術的好壞能直接影響製造出來產品的品質。 線型馬達越來越普遍,基於工業應用之需求線型馬達已經被廣泛應用在許多 的領域之中,線型馬達具有以下優點-不受齒隙影響、長距離與高速移動、具有較 小摩擦力,常見的線性馬達-永磁無刷線型馬達大多用於運動機台、龍門平台,適 合長距離位移[1]。而本篇論文所採用的為音圈馬達(Voice Coil Motor, VCM),也 為線性馬達的一種,但是較適合用在短距離高精密定位的場合中,構造相對於永 磁無刷線性馬達簡單,定子為一個永磁鐵,動子則由單一線圈組成,最初應用於 音響的喇叭上,現今也被應用在定位運動平台上、汽車避震器…等[2, 3]。 現 今 工 業 界 在 定 位 控 制 方 面 都 是 以 比 例 積 分 微 分 (Proportional Integral Derivative, PID)控制器為主,藉由調整參數的方式達到性能需求,然而在未來精 密度與速度的要求越來越高,若外部干擾過大或是參數變化太大,導致控制器沒 有足夠的強健性應付外部干擾,本篇論文希望能夠以自行學習的方式調整參數, 並且能夠隨著負載改變而調整適當的參數以達到精密控制,本篇論文會提出多種 方法做比較並且驗證。. 1.

(17) 1.2 研究目的 本篇論文研究目的在於使用不同的控制策略,來實現音圈馬達的精密定位, 音圈馬達為一個非線性且時變的受控體,已經有許多關於速度與位置的控制方法 被提出來。Park 等人在 2008 年提出以四組音圈馬達控制三自由度混和精密步階 驅動[4]。在[5]音圈馬達應用於光學對焦鏡頭,主要的控制方法以自適應模糊 PID 控制演算法,此控制法能快速達到音圈馬達動態性能(Dynamic Performance),並 以最小穩態誤差並補償外界干擾。Hsu 與 Chen 提出了以 B-spline 類神經網路控 制系統(B-spline neural position control, BNPC) 對音圈馬達控制[6],主要以定位控 制器與模糊補償器組成,實驗結果得知 BNPC 具有高精密度運動響應。本篇論文 會提出多組新的控制方法,以改善現有的方法。 模糊類神經網路具有模糊推論與類神經網路的學習能力,所以適合處理無法 得知或是需要數學模型的輸出,因此已經被廣泛應用工業界與科學應用[7],在傳 統的模糊類神經網路系統,模糊歸屬函數與權重值能通過固定的模糊運算進行調 整,如最小與最大值的調整,近幾年已經有需多演算法與網路結構被用於改良傳 統模糊類神經網路其性能與學習效率,而一個優良的模糊類神經網路需要同時具 備,自適應調整模糊歸屬函數還要能優化模糊運算[8-10],在多個不同的改型模糊 類神經網路中,補償型模糊類神經網路比傳統模糊類神經網路更具有效率與適應 性,補償型模糊類神經網路能有效解決收斂不佳或是前饋神經網絡常遇到的發散 [11]。 自從分數階計算的出現已經有三百年的歷史應用已經越來越廣,起初只是理 論課題,而近十年來由於分數階計算能提供更廣泛的自由度,因此在控制領域越 來越多人關注,在[12]分數階計算被應用於 PID 分數階控制器,能比傳統的 PID 控制器更具有自由度,實驗最後比較 PID 分數階控制器比 PID 整數階控制器更具 有強健性。滑動模式控制的優點是能夠克服系統的不確定性,對外部干擾具有很 強的強健性,滑動模式控制中,狀態需要在有限的時間達到滑動平面,滑動平面 2.

(18) 的設計為滑動控制很重要的依據,但是滑動平面往往都是採用整數階微積分,為 了使滑動平面具有更為廣泛的自由度,在[13]分數皆計算被應用於永磁同步馬達 速度控制中的滑動模式,改善傳統滑動平面的整數階的限制。 本篇論文的控制方法可以分為兩類,不需要動態方程式控制的無模型(Modelfree control),與需要動態方程式的模型控制(Model-based control),本篇論文會提 出無模型控制(Model-free control)與模型控制(Model-based control)後面章節會更 詳細的介紹。 本論文使用無模型控制的方法,首先會使用控制領域中最為基本的控制器 PID 控制器,但因為傳統 PID 控制的參數為定值,無法應付音圈馬達非時變的特 性,所以第二組控制器加入了類神經概念的以比例積分微分類神經網路 (Proportional-Integral-Derivative Neural Network, PIDNN)控制器為基礎,並且加入 的模糊理論而改良的基於比例積分微分模糊類神經網路 (Proportional-IntegralDerivative based Fuzzy Neural Network, PIDFNN)控制器,由於多了模糊規則的描 述,始控制效果得到改善,但是改善效果有限,於是加入改良型細菌覓食演算法, 基於比例積分微分型細菌覓食模糊類神經網路(PID-based fuzzy neural network with Elitist Bacterial Foraging Optimization, PIDFNN -EBFO)能改善系統因不當初 值而陷入區域最佳解。 第二種方法會提出一個新的控制架構,由於系統的 Jacobia 當中 K1 與 K2,不 成熟的 K1 與 K2 會造成系統的不穩定,難以手動的方式求得 K1 與 K2,提出一種 動態調整的方式動態粒子群演算法(Dynamic Particle Swarm Optimization, DPSO), 主控制器為補償型模糊類神經網路(Compensatory Fuzzy Neural Network, CFNN), 由於還無法得知系統的模型,所以會希望類神經網路以 Elman 類神經網路(Elman Neural Network, ENN)當作估測器取代未知的數學模型。 接著本論文使用模型控制的方法,會根據音圈馬達的物理特性,建立其動態 模型,並推導出來的方程式設計出分數階滑動模式(Fractional Order Sliding Mode 3.

(19) Control, FOSMC),由於傳統滑動模式會因為切換函數所造成的擾動現象,本論文 以補償型模糊類神經網路對不確定項估測,並加入平滑補償器消除估測誤差,於 是設計出智慧型分數階滑動模式(Intelligent Fractional Order Sliding Mode Control, IFOSMC),能確保系統之漸進穩定,最後會分析各個控制器的優缺點。. 1.3 控制器介紹 本篇論文採用音圈馬達為受控體,而本篇論文會比較已經被提出來的控制方 法與本篇論文所提出的新控制方法,並做實驗與驗證其中的好壞。本章節會介紹 本篇論文所使用的控制器,無模型控制有類神經網路(Neural Network, NN)、模糊 控制(Fuzzy)、模糊類神經網路(Fuzzy Neural Network, FNN),模型控制則有滑動控 制(Sliding Mode Control, SMC)。. 1.3.1 類神經網路 類神經網路理論起於 1950 年到,當時為了能夠模仿人類的大腦的組織運作而 衍伸的方法,為了使電腦能夠與人一樣具有推論能力的人工智慧的機器,而在控 制領域方面的應用,類神經網路並不需要了解系統的數學模型,便能將系統直接 以類神經網路取代系統的數學模型[14],如圖 1. 1 類神經網路示意圖圖 1. 1。 取代 輸入. 模型 類神經網路. 輸出. 系統. 圖 1. 1 類神經網路示意圖 類神經網路的基本組成為人工神經元,由人工神經元組成層(layer),再由層組 成網路(network),單一神經元的數學模型如圖 1. 2,而多組神經元所組成的類神 經網路如圖 1. 2。. 4.

(20) x1 w1. x. x. 2 . . .. i. . . .. w2. w. i. n n. w. y. w x f (w x ) n n. n. xn. 圖 1. 2 類神經網路神經元示意圖 x n :神經元輸入. wn :鍵結值(權重值). f (x) :狀態方程式 y :輸出. 每一種類神經網路的演算法階不相同,但是基本架構都是類似的,主要包含 和三層分別是,第一層為 s 輸入層,h 隱藏層,y 輸出層,每一層的原點代表一個 神經元,而每一層之間的連線稱之為神經鏈。隱藏在此範例圖中只有一層,對於 複雜的網路架構會有更多層的設計。圖 1. 3 為一個兩個輸入的倒傳遞網路模型。. y1. 輸出層 隱藏層. h1. 輸入層. h2. h2. s1. s2. 圖 1. 3 倒傳遞網路模型. 5.

(21) 1.3.2 模糊控制理論 模糊控制器的設計能在不需要知道受控體的數學模型情況下,就能設計出控 制器,所以也很適合用在控制領域方面的應用,這跟上述所提到類神經網路很類 似,後面會把者兩個系統做比較。 模糊理論雖然早在 1920 年,數學家 Bertrand Arthur William Russell 就有出簡 單的模糊概念及出來,但當時是應用在數學計算,隨著模糊理論的出現才更被廣 泛的應用在各個領域。模糊理論的出現是在 1965 年由 Lotfi A. Zadeh 所提出[15], 並奠定現在模糊理論的基礎,許多的控制理論也都是以此而來,像是基於 T-S 模 糊模型自適應控制用於非線性系統[16, 17]。 模糊系統主要分為四個部分圖 1. 4,模糊化(Fuzzifier) 、模糊規則庫(Fuzzy rule base)、模糊推論引擎(Interence engine)、解模糊化(Defuzzifier),下面會分別介紹 [18]。. 模糊化. Crisp 輸入. 模糊推論系統. 模糊輸入集合. 去模糊化. 模糊輸出集合. 模糊規則庫. 圖 1. 4 模糊邏輯系統架構流程. 6. Crisp 輸出.

(22) A 模糊化: 模糊化主要的功能是將明確的輸入變數轉換成模糊規則所能判斷的模糊變數, 此行為稱為模糊化,首先需要使輸入變數量化映射(Quantization mapping),下面 介紹常用的模糊方式,其中 x 為 x 軸輸入, f (x) 為 y 軸輸出, x 為初始位置點, *.  為波型標準差:. 1. 單值型模糊化 (2-1). 1 ,x  x1 f ( x)   0 ,其他情況 f(x) 1. 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1. x. 0 -5. -4. -3. -2. -1. 0. 1. 2. 3. 4. 5. x1. 圖 1. 5 單值型模糊化圖 2. 三角型模糊化  x  x1 *  x*  x ,x1  x  x 1   xx f ( x)   * 2 ,x*  x  x2  x  x2 0 ,其他情況  . (2-2). f(x) 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 -5. x -4. -3. x1. -2. -1. 0. 1. x*. 2. 3. 4. 5. x1. 圖 1. 6 三角型模糊化圖. 7.

(23) 3. 高斯模糊化 f ( x)  e.  ( x  x* ) 2   2 .    . (2-3) f(x) 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1. x. 0 -5. -4. -3. -2. -1. 0. x. 1. 2. 3. 4. 5. *. 圖 1. 7 高斯型模糊化圖. 歸屬函數層裡的轉移函數的設計,會影響整個網路特性,本篇論文主要是以 高斯函數為主,高斯函數的通式可以修改如下以方便解釋: f ( x)  e.  ( x  m) 2   2 .    . (2-4). 其中 m 為初始位置,圖片為從位置-2 移動到位置 2,  為波形的標準差,可以發 現圖片從較窄的波形變為較寬的波形。 1. 1. 0.9. 0.9. 0.8. 0.8. 0.7. 0.7. 0.6. 0.6. 0.5. 0.5. 0.4. 0.4. 0.3. 0.3. 0.2. 0.2. 0.1 0 -5. 0.1. -4. -3. -2. -1. 0. 1. 2. 3. 4. 0 -5. 5.   0.5  1  1.5  2. -4. -3. -2. -1. 0. 1. 2. 3. 4. 5. m  -2  1  0  1  2. 圖 1. 8 高斯函數示意圖. 8.

(24) B 模糊規則庫: 模糊規則是由眾多 IF-THEN 所組成的,模糊規則的輸入與輸出值可以透過實 驗嘗試(try)與除錯(error)得到,或是藉由專家經驗來取得。模糊規則需要包含前件 部與後件部,x1i 與 x2i 表示輸入,Ai 與 Bi 表示模糊集合前件部,wi 表示模糊集合 後件部,yi 表示輸出,其第 i 條規則表示如下: x1 i. If. is Ai. AND. x2 i. is. Bi. Then. yi = wi. (2-5). C 模糊推論引擎: 模糊推論引擎會根據模糊規則來進行推論運算,模糊推論引擎也相當於模糊 系統的主要核心,模擬人類的思考模式並進推論,下面舉例常用的推論引擎廣義 肯定前提式(Generalized Modus Tollens, GMS)。 前提 1: x is A' 前提 2: If. x is. A, Then. y is B. 結論: y is B '. D 解模糊化: 解模糊化與前面所提的為相反的觀念,需要把模糊變數轉為明確的數值,以 至於能使控制器得到有效的輸出,下面會介紹最常使用方法重心法。 l.  ( y )  y i. y. i. i 1. (2-6). l.  ( y ) i. i 1. 其中 yi 為第 i 個模糊規則輸出結果,  代表第 i 個模糊規則符合的前件程度, l.  ( y ) i. 為  ( y i ) 總合。. i 1. 9.

(25) u. u B A. A  B. x. y. 圖 1. 9 解模糊化示意圖. 1.3.3 模糊類神經網路 由於類神經網路與模糊控制有許多的相似的地方,兩個系統常常被拿來做比 較,兩個系統均是智慧型理論,模擬輸入與輸出的對應關係,由於兩者如此的相 似,所以也有結合兩者優點的人工智慧系統「模糊類神經」被提出[7, 19-21]。 簡易的比較類神經網路與模糊系統的差異性,兩者均是模擬人類大腦,類神 經網路模仿大腦內細胞的行為,但模糊理論模仿人類心理的部分。兩者的均是可 以在不需要知道系統數學模型,便能估測出系統輸出的數學關係,以至於常常被 用在控制領域當中[22]。 在這篇[23]文章中,介紹了模糊理論轉為模糊類神經的方法,首先會定義出本 論文的模糊規則,歸屬函數選用高斯函數,選用兩個輸入變數分別為 x1 與 x2 如圖 1. 10 所示。 If. x1 is A. and. x2. is B. Then. 10. y =wk. (2-7).

(26) If. x1 is A1. AND x2 is B1. a. 1. 0.8. 0.8. 0.6. 0.6. 0.4. 0.4. 0.2. 0.2. 0 -5. 0. 0. AND x2 is B2. 1. 1. 0.8. 0.8. 0.6. 0.6. c. 0.4. 0.4. 5. w1. then y is w2. d. 0.2. 0.2. 0 -5. b. 0 -5. 5. If x1 is A2. then y is w1. 1. 0. 0 -5. 5. x1. 0. 5. w2. x2. 圖 1. 10 模糊規則輸出圖 Rule1 取兩值相乘: a  b  y1 Rule2 取兩值相乘: c  d  y2. 模糊理論輸出: y. w1 y1  w2 y2 y1  y2. (2-8). 所以使用此概念把模糊理論繪製成類神經網路就如圖 1. 11,其中高斯函數裡 的變數裡的變數與 wk 都是能學習自行調整的參數,因此模糊類神經網路能比模 糊理論多自行學習的機制,此系統為本篇文主要的控制器之一。. 11.

(27) y ( 4). 第4層. . 輸出層. wk. 第3層 . y1(3). . y2(3). …. . yn(3). 規則層. 1. 第2層. y11( 2 ). y12( 2 ) ... y1(1). 第1層. ( 2) y21. y1n( 2 ). ( 2) ( 2) y2n y22 .... 1. y2(1). e1. 1. 歸屬函數層. 輸入層. e2 圖 1. 11 模糊類神經網路. 模糊類神經網路輸出: y. (2-9). w1 y1(3)  w2 y2(3) ...  wk yn(3) y1(3)  y2(3) ...  yn(3). 模糊類神經是結合類神經的優點(學習能力、最佳化能力、連結式結構)與模糊 邏輯系統的優點(相較於人類的思考行為、結合專家知識),如果把類神經比喻為 硬體的部分,模糊理論就像是軟體的部分,藉此相輔相成,來模擬人類的思考行 為。而本篇論文所採用的類神經網路為 PIDFNN 控制系統與 CFNN 控制系統,用 來改善傳統 PID 控制只有固定參數無法因應負載的缺點,藉由線上學習的機制最 速下降法(Gradient descent),以達到當下最適合的控制參數。. 1.3.4 滑動模式控制 滑動模式控制[5]是可變結構控制系統(variable structure control systems, VSCS) 的延伸,最早的理論起源於蘇聯學者 Aizerman 等人所提出的滑動面(slidng surface) 12.

(28) 的觀念,但直到 1977 由蘇聯學者 Utkin,提出較為完整的 SMC 架構與理論[24]。 可變結構是採用兩種以上的子結構,利用刻意的切換條件達到改變狀態變數為對 象,滑動模式控制的優點是能夠克服系統的不確定性,對外部干擾具有很強的強 健性。 首先要了解可變結構之前,需要簡單的介紹二階系統相位平面,一般線性二 階系統微分方程表示如下: x(t )  a2 x (t )  a1 x(t )  0. (2-10). 根據特徵向量 1 與  2 的變化會有九張不同的相位圖,本章節指介紹兩個相位 圖,當特徵向量 1  0 與 2  0 時會產生圖 1. 12 的相位圖,當特徵向量為 1 與 1 為 純虛根且 a2  0 a1  1 會產生如圖 1. 13 相位圖。. 圖 1. 12 軌跡為雙曲線(Hyperbola). 圖 1. 13 軌跡為橢圓形( Ellipse) 13.

(29) 此時會設計一個滑動平面 s(x)如圖 1. 14,把系統的參數帶進去後,當系統 s(x)>0 時會設計控制力把系統的特徵向量切換軌跡為橢圓如圖 1. 12,而當 s(x)<0 時會設計一個控制力把系統的特徵向量切換為軌跡為雙曲線如圖 1. 13,如此反覆 切換如圖 1. 14 所示,便能使控制在滑動平面切換,最終達到滑動平面的目標點。. s(x)=0. 圖 1. 14 滑動模式動作原理示意圖. 滑動模式必須滿足兩個條件:迫近條件(Approaching condition)與滑動條件(Sliding condition)[25]。. 迫近模式. 順滑模式 s(x)=0. 圖 1. 15 理想滑動控制示意圖. 14.

(30) 迫近條件:系統需在有限的時間內接觸到滑動平面 s(x),本章節使用 Lyapunov 函 數來證明軌跡在短時間接觸到滑動面 s(x): 首先會定義 Lyapunov 函數 (2-11). V  S2. 取 Lyapunov 函數的微分 V  2 SS. (2-12). 當迫近條件成立時可推導下式(2-13)。 V  2SS  2 S  2 V  0. (2-13). 其中   0 ,由此得知 V  0 , V 會在(2-14)的時間內接觸到滑動平面。 t. V (0). (2-14). . 滑動條件:使系統限制在滑動平面上並且最後逼近目標,可以觀察到圖 1. 16 滑 動平面 S ( x )  0 與 S ( x)  0 示意圖。 當 S ( x)  0 時, S (x) 隨著時間而遞減,即為 S ( x)  0 當 s ( x )  0 時, S (x) 隨著時間而增加,即為 S ( x)  0 以數學方程式表示如下 lim SS  0. (2-15). s. s(x) 0. s(x) 0. s(x) 0 圖 1. 16 滑動條件示意圖. 15.

(31) 1.4 研究架構 本論文共分為六個章節,各章內容分述如下: 第一章. 緒論:敘述本論文之研究背景及動機、研究方法、論文架構,控制 器介紹,會介紹實驗所需要用到的控制器基本介紹,改良的部分會 在各個章節介紹。. 第二章. 音圈馬達實驗平台介紹: 首先會介紹音圈馬達的構造及運作的原 理,接著會對介紹音圈馬達的動態方程式以便後面章節的使用,之 後會進入實驗平台的設計,會介紹各個硬體規格,最後介紹所用的 控制器軟體規劃。. 第三章. PIDFNN-EBFO 控制系統: 首先會介紹 PIDNN 的網路原理,之後 介紹改良後的 PIDFNN-EBFO 的網路架構,並且介紹各層的動作 說明,之後介紹類神經網路之線上學習機制,最後附上實驗圖與控 制器的比較。. 第四章. CFNN-DPSO 控制系統:首先介紹 CFNN 的網路架構,之後介紹改 良後的 CFNN-DPSO 的網路架構,並且介紹各層的動作說明,之 後介紹類神經網路之線上學習機制,最後附上實驗圖與控制器的 比較。. 第五章. IFOSMC 控制系統:首先介紹 FOSMC 的架構,之後根據第三章 2.2 節所推導出來的動態方程式推導滑動平面,再利用 CFNN 模糊 類神經估測其中的不確定項,設計 IFOSMC 控制系統,並介紹網 路的線上學習法則,最後證明滑動平面之穩定性,接著附上實驗結 果圖。. 第六章. 結論: 將第三章、第四章與第五章所提到的控制方法的實驗結果 作分析、比較,並且說明各個控制器的優缺點。. 16.

(32) 第二章 音圈馬達實驗平台介紹 2.1 音圈馬達的結構與運作原理 音圈馬達最早是應用於喇叭中,喇叭能發出聲音,主要原理是當電流通過線 圈產生電磁場,磁場的方向為右手法則,能推動膈膜並以每秒 20 赫茲至 20000 赫 茲來發出各個音色。 但是自從 IBM 公司把它應用在磁碟機的讀寫臂的致動器後[26],音圈馬達的 應用也越來越廣泛使用,像是隨身攜帶的物品中,手機的變焦鏡頭就是採用音圈 馬達所製成[5],而音圈馬達在近幾年越來越多應用在工具機上,簡單的分析音圈 馬達應用於工具機的優點,音圈馬達與傳統的線型馬達和旋轉馬達相比,具有無 齒輪、直接傳動、高響應、高速線型運動、完全無接觸和機械摩擦,體積小,故 適合用於需要高精密且空間狹小的地方。本篇論文所採用的馬達為司麥德公司的 MGV41(AVM40-20)音圈馬達如表 2. 1 所示,行程為 20mm、固定推力 12.9N/A、 音圈重量 67g、含鐵心重量 226.2g、最大推力 58.05、建議工作電壓 54.45v,與 Elmo CEL-5/60 驅動器來進行實驗,音圈馬達實體如圖 2. 1 所示。. 圖 2. 1 音圈馬達實體圖[27]. 17.

(33) 表 2. 1 音圈馬達系統規格. 圖 2. 2 佛萊明左手定則圖[28] 音圈馬達的運動原理相較於傳統的線型馬達簡單,可以藉由佛萊明左手定則 解釋圖 2. 2,觀察圖 2. 3 可以知道中間橙色線條為線圈,外圈藍色部分為永久磁 鐵,當線圈電流方向指向上方,而磁力線的方向指向前方,根據佛萊明左手定則 受力方向會往左邊移動,馬達運動方向就會往右邊方向移動,而當電流方向往下 則相對的運動方向往右邊移動,圖 2. 4 為音圈馬達側面剖面圖。 18.

(34) F  i( L  B). (2-1). 其中 F 為推力大小, i 為電流大小, L 為位移距離, B 為磁場大小。 移動距離. 磁通路徑. 氣隙. 負載. 滑軌. 動子. S N. 受力方向. 定子 永久磁鐵. 線圈. 圖 2. 3 音圈馬達動作原理圖 S N. 線圈. 永久磁鐵. 圖 2. 4 音圈馬達動作側面原理圖 下面會簡單的介紹音圈馬達能定位原理,本篇論文以傳統 PID 控制中的 Kp 來 舉例,首先定義一個位置 Position A 為追隨目標,圖 2. 5 虛線為音圈馬達的起始 位置,圖 2. 6 x 軸為時間 y 軸為目前位置 Position A 為想追隨的目標,因為目標相 對於起始位置的右邊,所以控制器會下達往右方推力的電流命令給驅動器。圖 2. 7 與圖 2. 8 由於追隨目標的力太大導致位置超過 Position A,此時控制器會下達反 向往左 方推 力的電 流命令 給驅 動器 。 反覆上 述的 步驟直 到音圈 馬達 定位 置 Position A,波形圖如圖 2. 9 與圖 2. 10 所示,只有使用 PID 控制器的 Kp 控制的效 果非常差。定位控制器為本篇論文主要的主旨,本篇論文會提出有別於傳統控制 的新的控制方法,以改善現有音圈馬達定位器不足的地方。. 19.

(35) SN. Electric Driving Force NS. Position A. 圖 2. 5 音圈馬達定位原理圖 Position. 150. Position A 100. 50. Time 0. 1. 1.05. 1.1. 1.15. 1.2. 1.25. 1.3. 1.35. 1.4. 1.45. 1.5. 圖 2. 6 音圈馬達追隨軌跡圖 SN. Electric Driving Force NS. Position A. 圖 2. 7 音圈馬達定位原理圖 Position. 150. Position A 100. 50. Time 0. 1. 1.05. 1.1. 1.15. 1.2. 1.25. 1.3. 1.35. 1.4. 1.45. 1.5. 圖 2. 8 音圈馬達追隨軌跡圖 20.

(36) SN NS. Position A. 圖 2. 9 音圈馬達定位原理圖 Position. 150. Position A 100. 50. Time 0. 1. 1.05. 1.1. 1.15. 1.2. 1.25. 1.3. 1.35. 1.4. 1.45. 1.5. 圖 2. 10 音圈馬達追隨軌跡圖. 2.2 音圈馬達動態分析 音圈馬達動態方程式可藉由克希荷夫電壓定律圖 2. 11 與牛頓第二定律求得 如(2-2)式[5, 6]。 va  ia Ra  La. dia  K a x dt. (2-2). 其中 va 為電壓大小、ia 電流大小、La 為電樞電感、x 音圈馬達移動位置。 Fe  F f  (m  M ) x  Bm x. (2-3). 其中 Fe 音圈馬達受力大小、Ff 為摩擦力、Bm 黏滯係數、M 定子重量、m 負 載重量。 為了能求得本論文控制所需的二階動態方程,因此必須了解控制器與驅 動器之間的關係,在實際定位控制時控制器會送入一筆電流值 ia 給驅動器, 驅動器會有轉換倍率 Kf,把電流訊號轉為所需推動音圈馬達的推力如(2-4)式。 21.

(37) Fe  K f ia. (2-4). 把(2-2)與(2-4)代入(2-3)式,為了方便後面公式的推導,電樞電感可以忽略不計算, 以便推導二階動態方程式,最後能求得(2-5)式。 x  f n  g nu  l. 其中為 f n . (2-5).  ( K f K a  Ra Bm ) (m  M ) R a. x 、 g n . Kf (m  M ) R a. 、l .  Ff (m  M ). 控制力 u 為 Va。. di La a i a Ra dt   . va. . . I. em  K a x. VCM. . . 圖 2. 11 音圈馬達動態模型圖. 2.3 實驗平台設計 本論文硬體架構圖如圖 2. 12 所示,以 TI 所生產的 DSP(F28377D)為主要控 制核心,透過 DSP 的 DAQ card,把所計算好的訊號傳至驅動器(ELMO CEL-5/60), 驅動器主要的功用是可以把輸入的電流訊號轉成牛頓(N)的推力,傳統的線型馬 達的驅動器會把複雜的三相電流控制方法在內部計算完,因此只需要輸入簡單的 電流命令就能讓馬達推動,而音圈馬達所使用的驅動器的原理也是一樣的,但是 音圈馬達的不是通過三相電流而是單相電流,之後藉由裝設在音圈馬達上的編碼 器(encoder),所讀取到的位置命令傳回至驅動器,驅動器會把位置轉成 A、B、Z 三種訊號,給至 DSP 的 DAQ card 以達到閉迴路控制,除此之外 DSP 的 DAQ card 還把目前的各個資訊藉由 DAC 傳至示波器上,整個實驗的結果能從示波器上觀 察到如圖 2. 13。. 22.

(38) Encoder signal. Motor driver ELMO CELL 5/60. Analog signal (Control signal). Encoder signal (A、B、Z signal ). DAQ data acquisition card. Microcontroller Dsp TMS320F28377. Voice coil actuators MGV41. Analog signal. JTAG emulator XDS100 ISO. Personal computer. Digital oscilloscope GDS-2074E. 圖 2. 12 音圈馬達實驗架構圖. DSP數位訊號處理器 電源供應器 馬達驅動器. 音圈馬達 圖 2. 13 音圈馬達之實驗設置. 23. 示波器.

(39) A. 馬達驅動器. 圖 2. 14 驅動器 Elmo CEL-5/60[29] Elmo 成立於 1988 年位於以色列,長期以來以發展高精密運動控制產品為主, 包括運動控制器、有刷與無刷馬達驅動器,與高效率伺服放大器。本篇論文使用 Elmo Cello 系列驅動器如圖 2. 14,Elmo Cello 驅動器有分為三種模式電流模式、 速度模式、位置模式,本篇論文主要是以電流模式為主,Cello 驅動器必須搭配 Elmo composer 軟件使用,Elmo Cello 驅動器可支援獨立操作或是操作在多軸網 路的一部份,Elmo Cello 驅動器工作電壓為 24V 需要外部給予電源供應,圖 2. 15 為 Elmo Cello 驅動器系統方塊圖。. 圖 2. 15 Elmo 驅動器系統方塊圖[30]. 24.

(40) B. 光學編碼器. 圖 2. 16 Mercury II 1600S 光學編碼器[31] MicroE Systems Inc.是一間位於美國麻薩諸塞州內蒂克市的公司,主要的產品 為精密光學編碼器,MicroE 的光學編碼器與其他間光學編碼器相比具有高集成、 高精度、高速度、全系列、調整方便、低價格、體積小、重量輕、安裝快速及強 大的軟件管理功能,且 MicroE 的光學編碼器可應用於直線形與圓形光學編碼器。 MicroE 的光學編碼器可可分為三個系列(1) MercuryII 系列;(2) MercuryI 系列;(3) ChipEncoder 系列;,本篇論文採用的是 Mercury II 1600S 系列光學編碼器如圖 2. 16,其功能如下[31]: . 特色:數位量輸出 0.5μm 解析度, 緊湊微小的讀數頭, 粘貼式原點指示, 易 使用的設定工具和軟體. . 晶片支援浮點運算功能. . 輸出: A-quad-B 原點指示金屬尺. C. 數位訊號處理器 嵌入式數位訊號處理器(Digital Signal Processor, DSP),將訊號以數位的方式 表示的技術,在微處理器的領域上DSP常常與微控制器 (Microcontroller Unit, MCU)做比較,DSP採用的是哈佛結構(Harvard architecture) ,數據空間和儲存空 間是分開的,透過獨立數據線在程序空間和數據空間之間做溝通,而MCU採用的 是馮·紐曼結構Von Neumann model) ,數據空間和儲存空間是公共用的,通過一組 數據線與CPU溝通,在運算能力方面MCU較不如DSP,但是價格方面卻便宜DSP 25.

(41) 許多,兩個處理器都有自己的優缺點,都有各自適合的地方。 本論文所使用的晶片為TI的TMS320系列,而TMS320的DSP晶片依其功能分 類成三大類: C2000、C5000及C6000。C6000以高效率及高效能為主,C5000以省 電及效率為主,而在控制領域方面主要以C2000系列為主。目前市面上常見的 C2000型號為TMS320F240x及TMS320F28x,TMS320F240x用於工業自動化、電 機控制、馬達控制等;TMS320F28x系列晶片增強了界面能力和嵌入功能,拓寬 了數位訊號處理器的應用領域。 . TMS320F28377D 數位信號處理器(DSP)與執行在 200MHz. . 雙 C28x 內核與雙 CLA 內核,提供最多 800 MIPS 的整合效能,無需使用 多個嵌入式處理器。. . 採用兩個即時控制加速器或平行加速器 (CLA) 替代主要 CPU (C28x 內核) 執行要求嚴格的控制回路分析,不僅可產生額外的頻寬,還可允許主處理器 重點執行系統診斷或應用管理任務。. . 晶片支援浮點運算功能. . 204K byte 的 RAM. . 1024K byte 的內含 Flash ROM DAQ 資料擷取卡為馬唯科技所開發的 DSP 擴充版,主要功能為類電壓資料. 擷取擴充介面卡如圖 2. 17。包含八組 14-bit 同步化 ADC、八組 14-bit 同步化 DAC 與三組 ENCODER 其功能如下: . 支援德州儀器公司 TMS320F28377D/S 處理器,可達基本八個同步 16 位元 類比-數位轉換及數位-類比轉換通道。. . 可使用軟體設定取樣率從 1Hz 至 200kHz(八通道同時)。. . 使用標準端子台當成輸入/輸出端子。. . 可透過硬體選擇輸入電壓範圍+/-5V 或+/-10V。. . 可透過硬體選擇輸出電壓範圍+/-10V。 26.

(42) . 三軸編碼器模組。. (a). (b). (c) 圖 2. 17 DSP 模組實體圖:(a) DSP 模組、(b) TMS320F2877xD 浮點 DSP 運算控 制卡、(c) DAQ 資料擷取卡. 27.

(43) 2.4 數位訊號處理器軟體規劃 在程式規劃上包含了主程式與兩個中斷副程式,主程式會先把所需要用到的 參數與腳位初始化,並設置中斷間隔時間與中斷旗標,之後進入無窮迴圈,當設 置時間到後會分別進入中斷副程式,直到中斷副程式流程跑完結束並復歸中斷旗 標回到主迴圈。其中一組副程式為負責產生追隨軌跡命令,目的是為了防止演算 法過大導致追隨軌跡延遲,另一組副程式主要控制方法都包含在其中,當切入副 程式後會先把編碼器上的馬達位置讀取下來,並計算馬達誤差能給智慧型演算法 做運算。 在實驗上追隨軌跡會分為兩種弦波圖 2. 18 與梯形波圖 2. 19,橫軸時間一格 為 1 秒總時間為 10 秒,縱軸位置一格為 3mm,弦波具有變頻的效果,第一個波 形頻率為 0.25Hz 位置範圍從-3mm 變化到 3mm,第二個波形頻率為 0.5Hz,位置 範圍從-6mm 變化到 6mm,梯形波也是具有變頻效果,第一個波形頻率為 0.25Hz 位置範圍從 0mm 變化到 3mm,第二個波形頻率為 1Hz,位置範圍從 0mm 變化到 6mm,其中系統中斷副程式 1 的取樣時間為 0.1ms,中斷副程式 2 的取樣時間為 0.2ms,編碼器解析度為 0.001mm 如圖 2. 20。 Trajectory function. 6mm. 0mm 3mm. -3mm. 1sec. 圖 2. 18 參考命令之弦波追隨軌跡圖 Trajectory function. 6mm. 0mm 3mm. 1sec. 圖 2. 19 參考命令之梯形波追隨軌跡圖 為了評估各個控制器的誤差追隨性能,故需要定義性能的指標大小,分別為 28.

(44) 最大位置誤差 TM 、平均位置誤差 TA 、位置誤差之標準差 TS ,方程式的表示如下。 TM  max (Te ( I )) ,其中 Te  xm ( I )  x( I ). (2-7). N. (2-8). R. TA . . (Te ( I )). I. R R. TS .  I 1. (2-9). (Te ( I )  TA ) 2 R. 其中梯形波的二階數學模型表示如下: n2 168.099  2 2 2 s  2n s  n s  25.9306s  168.099. (2-6). 其中  與  n 為阻尼係數(臨界阻尼係數設為 1)與自然無阻尼頻率(Undamped Natural Frequency)。. 主程式 初始化 各個演算法參數. 中斷副程式2 輸入/輸出 腳位初始化 經由編碼器 讀取馬達位置 設定中斷時間點. 馬達位置 誤差計算. 中斷副程式1 等待迴圈. 計算 追隨軌跡命令. 智慧型 控制法計算. 是 否 存入暫存器. 結束. 判斷是否 進入迴圈. 經由類比轉換器 輸出電壓命令. 結束 進入中斷副程式. 圖 2. 20 以 DSP 數位訊號處理器基礎之音圈馬達控制平台軟體流程圖 29.

(45) 第三章 基於比例積分微分型細菌覓食模糊類神經網路之音 圈馬達定位控制系統 3.1 前言 由於音圈馬達屬於非線性且時變得控制特性,所以對於一般常用的 PID 控制 器是採用固定變數,因此本章節會使用具有線上學習能力模糊類神經網路,本章 節會改良原本的 PIDNN 架構當作主控制器基於 PIDFNN,最後會加上最佳化演 算法搜索歸屬函數初值 PIDFNN-EBFO,首先會先介紹 PIDNN 控制系統。. 3.2 比例積分微分類神經網路 PIDNN 最早是由 Shu Huailin 在 1997 年所提出的方法[32],相較於傳統的 PID 控制器如(3-1)式,它將靜態的神經元擴展到了動態的神經元,賦予神經元有 比例積分微分控制器的特性,不同於比例積分微分控制器的參數需要一直調整, 比例積分微分類神經網路控制器的各個參數會隨著每次的學習而調整,能有效的 提升控制性能,其架構包含三層輸入層(input layer)、隱藏層(hidden layer)、輸出 層(output layer),和兩個輸入與一個輸出。. . u  k P * e  ki * edt  k d * 其中. e. d e dt. (3-1). 為誤差大小,u 為控制力輸出,可以看到圖 3. 2 為 PIDFNN 的架構圖,. 其中隱藏層與輸出層之間權重值 ζ1k 、 ζ2k 、 ζ3k 會乘上三個值 o1 、 o2 、 o3 , 三個值由左而右分別代表 PID 控制器的比例(kp)積分(ki)微分(kd),比例積分微分類 神經網路會因自行的學習機制不斷的學習。 本篇論文所提出的 PIDFNN 包含五層類神經網路架構在圖 3. 1。首先需要先 定義出模糊規則 k 個模糊規則描述如下式: 3. If. e1. is. A1k. and. e2. is. A2k. Then. yˆ k    jk o j. (3-2). j 1. 其中 e1 與 e2 表示追隨誤差與追隨誤差的微分,e1 被定義成 e1=xd–x , xd 表示 30.

(46) 為參考軌跡, Aki 是模糊規則中第 i 個輸入所對應到第 k 個模糊規則 (1 ≤ k ≤ n), ζjk 表局部比例積分微分類神經網路連結權值, ŷk 表示局部 PIDFNN 輸出值。. y (5) Layer 5.  wk. ( 4) 1. y. y. . Layer 4. . ( 4) 2. …. yn( 4). . 1. y1(3). Layer 3. . . y2(3). …. . yn(3). yˆ1. yˆ 2. ∑. ∑. o1. 1. yˆ n .... ∑.  jk o3. o2 1. Layer 2. y11( 2 ). y12( 2 ) ... (1) 1. y Layer 1. y1n( 2 ). ( 2) y21. ( 2) ( 2) y2n y22 .... 1. y. e1. (1) 2. fP. Z 1. ∑. p1. fI. fD. 1. ∑. ∑. Z 1. p2. 1. e2. 1. p3. PIDNN. 圖 3. 1 基於比例積分微分之模糊類神經網路架構. 3.3 基於比例積分微分模糊類神經網路定位控制器 3.3.1 基於比例積分微分模糊類神經網路架構 PIDFNN 架構如圖 3. 1 所示,其各層分別詳細介紹如下: 第一層: 第一層或稱為輸入層,為輸入誤差值與輸入誤差值的微分: (3-3). y i(1)  ei. 31.

(47) 在本篇論文有兩個輸入變數 e1 與 e2,其中 e1 與 e2 分別為輸入誤差 e 與誤差微分 e ,此外追隨誤差能定義為 e1=xd–x,xd 為追隨軌跡,  為輸入增益值。. 第二層: 第二層或稱為歸屬層,為模糊類神經的模糊歸屬函數相當於模糊論中的模糊 化。而本篇論文在歸屬函數是採用高斯函數運算式表示如下: (3-4).  ( y (1)  m ) 2  yik( 2)  exp  i 2 ik  , k  1, 2,  , n  ik  . 其中 mik 和  ik 分別為高斯函數中的平均值及標準差。. 第三層: 第三層或稱為規則層,會將第一層的運算結果配對後進行 AND 或是相乘模 糊運算,因此神經元的表示方式會用  ,運算結果如下: 2. (3-4). yk(3)   yik( 2) i 1. 其中 yk(3) 為第三層的輸出,所代表的意義為模糊規則的強度,k 表示為節點數。. 第四層: 第四層為此 PIDFNN 較特別的貢獻之處,此神經元包含了局部的 PIDNN 輸 出 yˆ k 以及第三層的輸出 yk(3) 代表每條規則會分別對應 PIDNN 中的比例、積分、 微分,運算式能表示如下: (3-5). y k( 4)  y k(3) yˆ k. 32.

(48) A:比例積分微分類神經網路 yˆ k 為 PIDNN 輸出,  jk 為 PIDNN 輸出層與 PIDNN 之隱藏層之間的權重. 值[33]如圖 3. 2。 3. yˆ k ( I ) . . (3-6).  jk ( I )o j ( I ). j 1. oj 為 PIDNN 隱藏層之輸出,其神經元按照效果排序分別是比例、積分、微分。 o1 ( I )  e1 ( I )  e2 ( I ). (3-7). 2. (3-8). o2 ( I ) . . ei ( I )  o2 ( I  1). i 1 2. o3 ( I ) .  i 1. 2. ei ( I ) . . (3-9). ei ( I  1). i 1. yˆ k ∑. Layer 3 輸出層. 1. 2 o2. o1. 3 o3. 1 fP Layer 2 隱藏層. Z 1. ∑. fI ∑. p1. p2. fD. 1. ∑. Z 1. p3.  ij Layer 1 輸入層. e1. e2. 圖 3. 2 比例積分微分類神經網路架構圖. 33.

(49) 第五層: 第五層或稱為輸出層,相當於模糊理論當中的解模糊化,此神經元包含了第 三層與第四層的輸出,數學的表示如下: n. n. k 1. k 1. y (5)   wk yk( 4)   wk yk(3) yˆ k. (3-10). 其中 y (5) 為 PIDFNN 的最終輸出, wk 代表連接於第四層與第五層的模糊規則 強度。. 3.3.2 基於比例積分微分模糊類神經網路線上學習演算法 PIDFNN 其中一個重要的部分為它的線上學習機制,訓練方法採用負梯度法 (Gradient decent method)來作修正,需要對誤差能量函數 Lyapunov 定義為: E. 1 1 ( xd  x)2  e2 2 2. (3-11). 線上學習機制表示如下,總共分為五層。 第五層: 第五層的誤差倒傳遞誤差公式如下:  ( 5)  . E E x   x y (5) y (5). (3-12). 根據(3-12)式,PIDFNN 的連結權重 wk 的更新變化量表示如下: wk   w. (5) y ( 4) E E y   w (5)   w (5) n k wk y wk  yk(3). (3-13). k 1. 其中  w 為學習率(learning rate),而連結權重 wk 更新的修正公式如下: wk ( I  1)  wk ( I )  wk. (3-14). 34.

(50) 第四層: 第四層的誤差倒傳遞誤差公式表示如下: n.  k( 4)  . E E y   ( 5) ( 4 )   ( 5) ( 4) yk y yk ( 5). w k 1 n. y k 1. (3-15). k. ( 3) k. 第三層: 根據(3-15)式,在第三層的連結權重  jk 的更新變化量表示如下:  jk ( I  1)   jk ( I )   jk. (3-16).  為學習率,而連結權重  jk 更新的修正公式表示如下:  jk ( I  1)   jk ( I )   jk. (3-17). 第四層的誤差倒傳遞誤差公式表示如下:  k(3). (3-18). E E yk( 4)   (3)   ( 4) (3)   k( 4) yˆ k yk yk yk. 第二層: 第二層的誤差倒傳遞誤差公式表示如下: 1(k2). (3-19). E E yk(3)   ( 2)   (3) ( 2)   k(3) y2( 2k) y1k yk y1k.  2(k2)  . E E yk(3)     k(3) y1(k2) ( 2) ( 3) ( 2) y2 k yk y2 k. (3-20). 高斯函數裡的平均值和標準差的更新變化量表示如下: (1) E E yik( 2) ( 2 ) ( 2 ) 2( yi  mik ) mik   m   m ( 2)   m ik yik mik yik mik  ik 2.  ik  . 2( yi(1)  mik ) 2 E E y ( 2)   ( 2) ik    ik( 2) yik( 2)  ik yik  ik  ik 3 35. (3-21). (3-22).

(51) 其中  m 與   為學習率(learning rate)。而平均值與標準差更新的修正公式表示 如下: mik ( I  1)  mik ( I )  mik. (3-23).  ik ( I  1)   ik ( I )   ik. (3-24). 由於無法得知音圈馬達的動態關係,所以系統的 Jacobia 項 δ 值難以求得, 為了克服這個問題,可把調整公式會修改如下式[34]: (3-25).  (5)  ( xd  x)  ( xd  x )  e  e. 3.3.3 基於比例積分微分模糊類神經網路收斂性分析 由於考慮到能量函數(3-11),此章節會用作為離散型 Lyapunov 函數來分析, 證明學習率可以確保系統追隨誤差收斂,Lyapunov 的變化可以表示如下: E ( N )  E ( N  1)  E ( N ). (3-26). 由於能量函數的變化,誤差方程式的線性化模型可以表示如下: E ( N  1)  E ( N )  E ( N ) n.  E(N ) . n. .  E ( N )  wk    wk  k 1 . . 2.  k 1 i 1.  E ( N )  mik     mik .  E ( N )   jk      jk j 1 . n. 3.  k 1. n. 2.  k 1 i 1. (3-27).  E ( N )   ik     ik . 因此可由(3-13)、(3-17)、(3-21)與(3-22)表示(4-31)如下所示: n. E ( N  1)  E ( N )   w.  k 1. n.  m. 2.  k 1 i 1. 2.  E ( N )       wk  2.  E ( N )       m ik  . n. n. 3. k 1. j 1.  2.  k 1 i 1.  E ( N )      jk .  E ( N )      ik . 2. 2. 可將補償型模糊類神經網路的學習率  w ,  ,  m 與  設計如下: 36. (3-28).

(52) w .  . m .  . E(N ). (3-29). 2  n   E ( N )    4     k 1  wk  . . E(N )  n  4  k 1. (3-30).   E ( N )        jk   2. 3.  j 1. E(N )  n  4  k 1. 2.  i 1. (3-31).   E ( N )       mik   2. E(N )  n  4  k 1. 2.  i 1. (3-32).   E ( N )        ik   2. 其中  為一個很小的大於零的常數,因此可以把(3-28)改寫如下: n. E(N ). .  E ( N )     wk . 2. n. E(N ). 1 1 k 1 E ( N  1)  E ( N )   E(N )  2 4  n  4  n  E ( N )     4 4     k 1  wk    k 1.  n.  k 1 j 1 3. . 2. .  E ( N )     mik . 2. 3. j 1. n.  E ( N )      jk . 2. 2   E ( N )        jk  . 2. .  E ( N )      ik . 2. E(N ) E(N ) 1 1 k 1 i 1 k 1 i 1  E(N )   E(N )  2 2 4  n 2  n 2  4   E ( N )   E ( N )      4 4         ik   k 1 i 1  mik      k 1 i 1 . . . . E ( N )  n   E ( N )    4     k 1  wk   2. . . . E ( N )  n  4  k 1. E ( N )  n  4  k 1. 2.  i 1.   E ( N )       mik   2. 3.  . j 1. 2   E ( N )        jk  . E ( N )  n  4  k 1. 2. . 37. i 1. 2   E ( N )        ik  .

(53) . E( N ) E( N ) E( N ) E( N )     E(N ) 4 4 4 4. (3-33). 根據式(3-33)式,可以確保能量函數 E 的收斂性,因此把學習率設計為  w ,  ,  m 與   ,誤差函數 e 將會有限時間收斂到零 t   。. 3.4 細菌覓食演算法 細菌覓食演算法(Bacterial Foraging Optimization Algorithm, BFO)是由 Passion 於 2002 年所提出的方法[35],主要是模擬大腸桿菌在人體腸道覓食的行為,主要 透過三種行為:趨化(chemotaxis)、複製(reproduction)、驅散(elimination and dispersal) 等過程。. A 趨化(chemotaxis): 細菌會往較營養的區域移動此種覓食行為稱為趨化,趨化會藉由擺動鞭毛來 達到兩種動作游泳與翻滾如(3-34)與(3-35)式,當細菌往任意放向移動單位步長此 過程稱為翻滾,當完成第一次翻滾後,若適應函數有提升,將沿著同一方向移動 設定的單位步伐次數,此過程稱為游泳如圖 3. 3 所示。.     C . (3-34). i. (3-35).  i T. 其中  為細菌所在的位置,C 為細菌游泳的單位步伐,  為翻滾後的方向, i 為 一個-1~1 區間的隨機亂數。. 38.

(54) 營養區域. 翻滾. 游泳. 圖 3. 3 趨化示意圖. B 複製(reproduction): 生物在演化的過程中常常會伴隨者適應者生存敗者淘汰的定律。當趨化經過 設定次數的游泳與翻滾後,會把適應值比較好前一半的細菌保留,另一半的細菌 死亡,較好的細菌分裂成兩個子細菌代死亡的細菌,複製的過程不會改變細菌的 總數或是適應函數的值,此過程稱為複製。. C 驅散(elimination and dispersal): 細菌生活的環境可能會因為突發的變化或是無法預測的變數,導致細菌死亡 或者擴散到另一個環境,此過程稱為驅散,而驅散會以隨機的機率發生。當細菌 執行複製行為後,會隨機與一個設定值比較,當條件符合後將此細菌淘汰並隨機 從新生成一組新的參數,驅散是為了避免細菌進入區域最佳解而無法達到全域最 佳解。. 3.5 改良型細菌覓食演算法 介紹完傳統的細菌覓食 BFO 後,本論文提出一個改良型細菌覓食演算法 (Elitist Bacterial Foraging Optimization, EBFO),比傳統的 BFO 多了兩個行為,修 剪(pruning) 與再生(cloning),改善整體 BFO 演算法的收斂速度。首先會先算出此 39.

(55) 次疊代細菌 θ 的平均值 θm,方程式表示如下: Np. t  mean. . . (3-36). . r 1. r. Np. 接著能把(3-36)代入(3-37),其中 θr 為細菌當前位置,可計算出此次疊代細菌 的標準差  d 。 t. Np. b .  r 1. (3-37). ( r   m ) 2 Np. t 以  d 為半徑 θm 為圓心畫圓如圖 3. 4 所示,當細菌當前標準差大於細菌 t 平均位置標準差  d 時,細菌進行修剪的行為把大於圓圈的修剪掉,之後進行. 再生行為把當前適應函數最高的細菌的位置 θbest 複製,填補剛剛被修剪掉的細 菌。. m. b. r.  r ,new   best 圖 3. 4 修剪與再生示意圖 與傳統的 BFO 相比多加了修剪與再生兩個行為,能避免細菌浪費無謂的時 間搜索,只會在有效的區域內找尋最佳解,此方法能有效增加執行的收斂速 度,圖 3. 5 為 BFO 流程圖。. 40.

(56) 初始化各個參數. 是 驅散是否結束 否 複製是否結束. 是. 否 是 趨化是否結束 否 翻滾. 結束. 複製. 是 游泳是否結束 否. 趨化. 否. 是. 適應值 是否改善 是. 否. 翻滾. 是否大於 隨機亂數. 驅散. 游泳. 圖 3. 5 細菌覓食流程圖 圖 3. 6 為傳統 BFO 演算法搜索的一組狀態變數(3-38)的適應函數變化圖,x 軸為時間軸 y 軸為適應函數的大小,此次實驗模擬適應函數越小代表所找的答案 越接近,圖 3. 6 為改良型 BFO 與傳統 BFO 比較兩張圖,改良型 EBFO 能比傳統 BFO 更快找到答案,模擬結果可以證明能有效提升傳統 BFO 的效率,其中𝑥1 與 𝑥2 為輸入變數。. f(x1 ,x2 )=-20e. (x )2 +(x2 )2 -0.2√ 1 2. (3-38) -ecos(2π)+ cos(2πx2 )/2 -e+20. 41.

(57) 4. 4. 3.5. 3.5. 3. 3. 2.5. 2.5. 2. 2. 1.5. 1.5. 1. 1 0.5. 0.5 0. 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 1. 2. BFO. 3. 4. 5. 6. 7. 8. 9. 10. EBFO. 圖 3. 6 傳統細菌覓食演算法與改良型細菌覓食演算法比較圖. 3.6 基於比例積分微分型細菌覓食模糊類神經網路音圈馬達定位控制 系統 本章節所採用的 PIDFNN-EBFO 控制系統如圖 3. 7 所示,控制器的輸入為期 望位置 xd 與實際位置 x 的相減的誤差量 e 與誤差量的微分 e ,並經由 PIDFNNEBFO 控制系統推得控制力 u 給驅動器,驅動器會把值轉為電流推力給受控體音 圈馬達,使馬達移動,移動的過程會經由編碼器,把當時刻位置回傳給驅動器, 驅動器再給主控制器 DSP。而類神經網路能藉由線上學習的法則,即時更新每條 權重值,能因應負載的變化,適當的調整各項的值。. 圖 3. 7 基於比例積分微分型細菌覓食模糊類神經網路控制系統控制方塊圖 42.

參考文獻

相關文件

Shih-Cheng Horng , Feng-Yi Yang, “Embedding particle swarm in ordinal optimization to solve stochastic simulation optimization problems”, International Journal of Intelligent

In this paper, we have studied a neural network approach for solving general nonlinear convex programs with second-order cone constraints.. The proposed neural network is based on

Wang, Solving pseudomonotone variational inequalities and pseudo- convex optimization problems using the projection neural network, IEEE Transactions on Neural Network,

Qi (2001), Solving nonlinear complementarity problems with neural networks: a reformulation method approach, Journal of Computational and Applied Mathematics, vol. Pedrycz,

Moreover, this chapter also presents the basic of the Taguchi method, artificial neural network, genetic algorithm, particle swarm optimization, soft computing and

To solve this problem, this study proposed a novel neural network model, Ecological Succession Neural Network (ESNN), which is inspired by the concept of ecological succession

This research is to integrate PID type fuzzy controller with the Dynamic Sliding Mode Control (DSMC) to make the system more robust to the dead-band as well as the hysteresis

This project integrates class storage, order batching and routing to do the best planning, and try to compare the performance of routing policy of the Particle Swarm