智能控制步进电机驱动器外文翻译Word文档格式.doc
《智能控制步进电机驱动器外文翻译Word文档格式.doc》由会员分享，可在线阅读，更多相关《智能控制步进电机驱动器外文翻译Word文档格式.doc（17页珍藏版）》请在冰点文库上搜索。
关键词：
智能控制；
神经模糊法；
ANFIS研究方法；
步进电机
1简介
步进电机可以看作是没有换向器的电机[9]。
通常，定子上绕线圈构成定子绕组；
转子是用永久性磁铁或在磁阻式步进电机中用软磁性材料做成的凸极结构。
所有的变换必须由电机控制器进行外部处理,一般情况下,电机及控制器的设计是为了其能准确定位和任意旋转。
大多数步进电机通过加强脉冲频率，使其加快旋转速度，并且选用一个适当的控制器可在方向控制中实现瞬间开始和停止。
对于一些应用软件，在使用伺服电机和步进电机之间可以有一个选择。
两种电机在精确定位控制方式上相似，但在许多方面都有区别。
伺服电机需要某种类型的模拟反馈控制系统。
通常，这涉及到一个电位器，以提供有关转子位置反馈和一些电路组合，通过电机与期望位置和当前位置之差成反比来驱动电流。
在选择步进电机和伺服电机时，一些问题必须予以考虑；
哪一个符合将取决于应用软件。
例如，用步进电机进行重复定位取决于电机的转子几何，而用伺服电机进行重复定位一般取决于反馈电路中的电位器和其他模拟组件的稳定性。
步进电动机可用于简单的开环控制系统，这类电机能够在静态负荷低加速度的操作系统中充分运作。
但闭环控制可能对于高加速度至关重要。
尤其是当涉及变载荷作用【1】。
如果在一个开环控制系统步进电机的扭力过大，转子位置的数据丢失，系统就必须重新初始化。
然而伺服电机不受此问题的影响。
此论文中模糊逻辑程序的运用旨在控制步进电机的速度。
闭环控制方案必须通过设计者的直觉和经验把工程学方面的知识运用到自动控制系统中。
这个方案是由Zadeh[22–25]提出，用来阐述那些用传统数学难以分析的复杂体系。
的确，Mamdani[11]是第一个报道关于用模糊逻辑控制小型实验室蒸汽机的人。
这一研究的成功使许多科学家尝试着利用模糊算法去控制工业生产，如化学反应器，自动电机或核反应器。
实验结果显示，模糊控制器的表现与经典控制器不相上下甚至更好。
不仅如此，该项技术还具有只需要通过一台数字电脑来执行用一个简单的数学模式来规定算法的优势。
这些特征被理解成为非线性的过程，这是因为没有可靠的复杂的系统，并且这些系统在涉及到大量方程式的时候都是无效的[3]。
另外，在电机的控制方面，直流电机和感应电机有着更为广泛的应用[10]。
然而，模糊逻辑面临的主要问题是在模糊控制器的设计上没有系统的程序。
因此，在论文中我们建议利用合适的神经模糊推理系统（ANFIS）研究方法[7,8]来改变模糊系统控制的参数[2,4]。
我们利用这种神经模糊方法和该问题的真实数据来研发这个控制器。
2步进电动机的基本概念
步进电动机分成两类：
永磁式和磁阻式（从控制器的角度无区别于永磁式也有混合式）你可以利用电阻表将这两类区分开来。
磁阻式电机通常有三个（有时四个）绕组和一个公共回线。
然而一个普通的永磁式步进电机通常包含有或无中心抽头的两个独立的绕组。
中心抽头绕组用于单极性永磁式步进电机[9]。
步进电机拥有广泛的角分辨率。
最劣质的电机转速达到90o每步,而高分辨率永磁式步进电机通常能够处理转速达到1.8o甚至0.72o每步。
在一个适当的控制器下，大多数永磁式和混合型步进电机可以以半步运行，一些控制器能处理较小分步或者微步。
A、磁阻式步进电机
假如您的电机有三个绕组，通常与一个终端共同绕组链接，如示意图.1。
那么它最有可能是磁阻式步进电机。
在使用中，共有的电线通常连接在正极，绕阻也就依次通电。
示意图.1中横截面展示的30o每步的磁阻式步进电机。
这种电机有4颗齿状的转子和6个极点的定子，以及每个绕组包裹在对立极点的上。
1号绕组通电，标有X的转子齿会被吸引到这个绕组的极点。
如果通过绕组1的电流关闭，绕组2打开，转子将会逆时针旋转30o使标有Y极点和标有2的极点在一条直线上。
有的磁阻式式步进电机有4和5个线组，则需要5或者6根线。
这些电机的驱动原理与3绕组的电机一样，但是它对于编制出正确的顺序来激发绕组使得电机很好的步进越显重要。
如图。
1的电机几何说明：
30o每步，用最少的转子齿和定子极点圆满完成。
允许用更多的电动机极点和转子齿获取较小的步距角。
图1、示例磁阻式电动机
B、单极性步进电机
单极性步进电机，永磁式和混合式步进电机有5或6根线连线如示意图.2所示。
每两绕组有一个中心插头。
在使用过程中，绕组的中心抽头通常被连接到正极,每组绕组的两端交替的接地，使励磁绕组按规定反向。
电机截面图.2所示是一台30o每步的永久式或者混合式步进电机。
对于更高的角度分辨率，转子必须有适量多的极点。
该图中30o每步的电机是最常见的永磁式步进电机的设计之一，然而15o和7.5o每步的电机也被广泛使用。
图2、单极性步进电机
C、双极性步进电机
双极性步进电机和混合型永磁式步进电机均完全采用单极性步进电机上使用的机制原理，但两个绕组的布线更简单，无中心抽头。
原理图图3显示了这种电机是怎么布线的，然而在这里的电机截面图清楚地显示出与图2截面图一样。
图3、双极性步进电机
3步进电机的动态特性
每当你步进一步，你将自动地在平衡位置移动S弧度。
这可以使整个曲线距离上条曲线S弧，如示意图.4：
图4、步进电机的动态
首先要注意首步的进程，当转子中途从一个步骤到下一步的时候，应让最大的扭矩尽可能小。
电机的最大扭矩能够驱动是因为其缓慢步进，这决定着旋转力矩。
对于常见的理想正弦扭矩的双绕组永磁式步进电机比上位置曲线和保持转矩h,应为h/（20.5）.如果每次由双绕组驱动电机步进，理想双绕组永磁式步进电机的旋转力矩和单绕组旋转力矩相同。
应该指出的是，以更高步进速度，旋转力矩有时被定义为拨出扭矩。
由此产生的一个类似于显示在图.5的轨迹。
图5、电机转子轨迹
电机的转子共振频率取决于振幅，但由于振幅减小，共振频率上升到一个明确界定的小幅度的频率。
从形式上看，小振幅共振可以计算如下：
T=μA
其中：
T是应用于转子的扭矩，是转子和负载的转动惯量以及A是角加速度（弧度/秒）。
我们假设，对于小振幅，转子上的扭矩可以近似于平衡位置位移的线性函数。
因此，应用胡克定律：
T=-kΘ
k是系统的“弹性常量”单位是力矩每弧度，Θ是转子角位置的弧度。
我们可以通过扭矩相等得到以下公式：
A=-KΘ
注意，加速度是位置相对于时间的第二次导数：
A=d2Θ/dt2
因此，我们以微分方程形式重写以上公式：
d2Θ/dt2=-（K/）Θ
为了解决这一点，我们必须的回忆一下：
因f（t）=asinbt演变而来的：
注意的是，在整个讨论中，我们假设转子共振。
因此，它有一个类似的运动方程：
其中a为振幅的共振角；
f为共振频率。
这将是上述微分方程的一个允许解，如果我们设定：
在实践中，当步进率接近系统的任何一个共振频率会造成重大问题，其结果时常出现随机和不可控制的运动。
4步进电机的模糊逻辑控制器
模糊逻辑控制器提供了一个算法，它是转变成语性言控制，以专门知识为基础的自动进入控制策略[14]。
因此，比之于传统逻辑系统，模糊逻辑算法更加接近人的思维[5,15]。
模糊逻辑控制器产生的主要问题是有关调节器参数的选择[12]。
基于此种理由,我们根据实际有关问题的数据用ANFIS方法来调节模糊控制器的参数[13]。
实验如图.6所示，PC机把产生的步骤输入到系统并储存和反应，该模糊控制器包含在PC中并且根据相应的操作系统响应。
现在，我们简要地描述了系统的模块。
图6、框图实验系统
1。
电机/驱动器：
微型步进电机VextaPV266-01E。
5个相数和500步每转（电机如图.7）。
多分辨率功率驱动器VextaDFR1514A（最低500步每转;
最大：
125000步每转）。
图7、电机VextaPV266-01E
2。
编码器：
40000转每分光学编码器。
这种编码器生成两个90o方波信号。
这些信号的大小确定电机的运动。
我们用Altera（EP5032）可编程逻辑器件（PLD）来确定电机的运动。
3。
数据采集卡：
研华PCL-818。
8个模拟输入和2个模拟输出（12位），16个数字输入，16个数字输出。
采样时间使用0.25毫秒。
4。
计算机/软件：
733MHz的奔腾III。
我们在C语言中设计了一个小型实时内核控制和数据采集，并在MATLAB里进行糊控制器编程[16].语言控制规则的制定考虑了步进马达驱动的动态特性，分析了误差及其变化。
这些控制规则表示如下：
假如错误是LP和更改错误是LP
ThenSpeed=P1*Error+q1*change_Error+r1
假如错误是LP和更改错误是MP
ThenSpeed=P2*Error+q2*change_Error+r2.....
这是一个用于控制步进电机的Sugeno模糊模型[17，19]。
我们使用ANFIS方法论估计从属函数的参数及相应的功能。
我们使每个语言变量有9个规则和3从属度函数的模糊模型。
这会使模糊控制器给出最好的结果。
我们再如图.8中显示了ANFIS方法模糊系统的结构。
与此同时我们也在图.9中ANFIS方法的构造显示了自动适配网络中的模糊规则。
由ANFIS的方法产生的模糊规则如图10所示，这些规则由ANFIS方法自动生成。
在图11中从属函数也由ANFIS方法自动生成。
在图.12，我们显示了该模糊模型的非线性表面。
最后，我们在如图13中展示了MATLAB的模糊规则指示器，它显示了用模糊系统来计算特定输出值下的模型的输入值。
图8、体系结构与ANFIS的Sugeno型模糊系统的方法
图9、自适应模糊神经网络结
图10、所产生的模糊规则自适应神经模糊推理方法
图11、用ANFIS产生从属函数的方法
图12、非线性表面的Sugeno模糊模型
图13、模糊系统计量特定输出值下的模型输入值指示器
5ANFIS的硬件执行
在这一部分，对硬件执行进行了详细的描述。
真正实现拥有一个智能步进电机ANFIS控制器的使用是必须的。
该神经模糊方法使电机有能力适应变换条件的环境。
装有智能控制器的步进电机将能够本能地运用新数据更新自身的参数，以至于最终相应地改变性能。
我们必须首先提及的是，ANFIS的执行需要一个特定的能够达到所要求数值计算的微处理器。
ANFIS方法要求必须在自动适配网络上进行演示，作为数据使用的是该问题的相关变量的时间序列。
由于这个原因，选中了“Jstamp“微处理器。
这种特殊的微处理器使用Java作为编程语言的母语，它拥有512KB的RAM存储器和512KB的闪存。
我们在如图.14中显示了研究工作中所用到的Jstamp微处理器。
执行应用的ANFIS构架所拥有的大体形式如图.15所示。
在此图中，为了简化，我们只展示了4个模糊规则的情况，但是其构造与9个模糊规则的情况类似。
我们还可以从中鉴别出ANFIS方法的数字混合属性，因为在正向用到了最小平方法，反向用到了反向算法[18，21]。
在JAVA语言中也执行过这些方法,也被下载到Jstamp微处理器去取得模糊控制器。
我们也用微型控制器来检测编码器的位置。
这种特定型号的微型控制器出自于Ubicom公司的SX28。
SX28微型控制器是基于在闪存和拥有RISC型上构造的。
如图.16是用于检测编码器位置的连接框图。
图14、Jstamp微处理器使用执行
图15、ANFIS的结构显示了该系统的输入和输出
图16、微控制器的连接
6实验结果
在本节中，我们应用步进电机测试模糊控制的跟踪和适应性特征来进行模拟和实验。
我们首先在图.17中显示应对于一系列输入信号（我们使用400个样本）步进电机的响应。
在如图.18中显示应用了演示数据和ANFIS研究方法的测试数据的结果。
我们花了20次进行演示使得误差降到了0.000001，非常有利于应用的精确度。
在如图.19中我们通过系统模糊模型和实际值来绘制了预测值，可以看出两条曲线是很难分辨的。
最后在如图.20中显示了绘制通过模糊模型实际信号和预计信号的差值。
我们还比较了传统PID控制器和Mamdani模糊控制器的结果，来衡量自动适配模糊方法能提高多少性能。
当然，我们的模糊控制器（ANFIS设计）在跟踪和适应性方面比其他控制器更好。
较之于传统定量控制器的另一个优势在于它不需要固定的采样时间。
由此可以证实的是模糊控制与非线性进程的控制速度有关,就好像步进电机去驱动器一直都没有合适计量方法（因此，建议设计确认的事实，模糊控制是相关的非线性过程控制快速步进电机驱动器，如在定量方法并不总是适当的。
）。
我们也在如图.21中显示了对于某个步骤的步进电机系统的实际和预计输出的比较。
从这些数字可以清楚地看出模糊模型值非常接近真实的实验值。
最后在如图.22中进行了3个不同频率下步骤案例，也相应的得到了很好的结果，这种结果显示了智能控制方法的稳定性。
图17、应对于一系列输入信号步进电机的响应
图18、预测数据和ANFIS研究方法测试数据的结果
图19、模糊模型预测值和实际值的比较
图20、实际信号与估计信号的差值
图21、实际输出与估计值的比较
图22、三个不同的频率的连续步骤案例
7结论
在这篇论文中，通过仿真和实验论证说明了步进电机驱动器的模糊控制的可行性。
模糊控制器的最佳参数通过使用ANFIS的研究方法并通过对步进电机进行动态模拟。
实验系统是用来验证跟踪能力和其不敏感性达到设定参数的变化。
模糊控制器提供了一个很有趣的跟踪特点并且可以对不同动力学条件产生反应。
此外，模糊控制计算是非常便宜，并且这个调节器可用于控制机床和机器人机械手[6，20]而没有使驱动器成本显著增加。
唯一的额外费用，用于光学编码器。
由此可以证实的是模糊控制与非线性进程的控制速度有关,就像步进电机驱动器一直都没有合适计量方法。
参考文献
1、BentinF,PinchonD,CapolinoGA（2000）模糊逻辑应用于高速步进电机驱动器控制，电气与电子工程学会期刊。
工业电子47：
610-622。
2、CastilloO,MelinP（1988）一种新的模糊分形遗传算法的自动数学建模和机器人动态系统仿真，Proc.ofFUZZ'
98,Anchorage,阿拉斯加州，2：
1182-1187
3、CastilloO,MelinP（1999）自动化数学建模，使用模糊分形遗传算法对机器人动力系统进行仿真和行为识别，J.RoboticsandAutonomousSys,28
（1）:
19-30
4、CastilloO,MelinP（2001）软计算非线性动力系统的控制。
施普林格出版社，德国海德堡
5、CatilloO,MelinP（2002）用混合模糊分形法实现时间序列分析和设备监测，Int.J.Int.Syst17（8）:
751-765
6、FuKs,GonzalezRC,LeeCSG（1987）机器人学：
控制，传感，视觉智能。
麦各劳希尔，纽约，美国
7、JangJSR,SunCT,MizutaniE（1977）模糊神经和软计算，普伦蒂斯.霍尔。
纽约，美国
8、JangJSR（1993）自适应神经模糊网络：
基于自适应模糊推论系统的IEEE传动系统,人与控制理论23：
665-685
9、KenjoT,SugawaraA（1994）步进电机。
牛津科学出版社，伦敦，英国
10、LiYF,LauCC（1989）基于模糊算法控制伺服系统的发展，IEEE控制系统杂志
11、MamdaniEH（1974）应用模糊算法对简单的动态装置进行控制，电气电子工程协会出版121：
1585-1588
12、MelinP,CastilloO（2001）一种基于运用神经模糊分形法的非线性动态控制对实现自适应模型的方法，SoftComputingJ5
（2）:
171-177
13、MelinP,CastilloO（2001）基于模糊神经遗传算法对复杂电化学系统实现智能控制，工业电子学汇刊48（5）：
951-955
14、MelinP,CastilloO（2002）建模，仿真和非线性动力学系统，泰勒和弗朗西斯出版商控制，伦敦，英国
15、MelinP,CastilloO（2002）基于自适应的神经模糊遗传算法控制非线性动力学系统，国际期刊智能工程系统的设计4
（1）：
41-47
16、NakamuraS（1997）MATLAB数值分析和可视化图形，Prentice-Hall出版社，纽约，美国
17、SugenoM,KangGT（1988）结构鉴定的模糊模型，模糊集与系统28：
15-33
18、SunCT（1994）基于模糊推论系统规则库结构鉴定自动化网络2
（1）：
64-73
19、TakagiT,SugenoM（1985）模糊识别系统及其建模与控制的应用，IEEE系统学报，人与控制理论15：
116-132
20、YagerRR,FilevDP（1994）模糊建模与控制概要，JohnWiley和Sons,纽约，美国
21、YenJ,LangariR（1999）模糊逻辑：
智能，控制和信息，Prentice-Hall出版社，纽约，美国
22、ZadehLA（1965）模糊集，信息与控制8：
338-353
23、ZadehLA（1971）模糊语义，J科技资讯3：
159-176
24、ZadehLA（1973）复杂系统和决策过程分析的新方法概要，IEEE系统学报，人与控制理论3
（1）：
28-44
25、ZadehLA（1975）语言变量及其应用于近似推论的概念，J科技资讯8：
43-80
升级会员 