一种大扭矩舵机的自适应自锁控制方法与流程

摘要: 本技术涉及舵机控制,尤其涉及一种大扭矩舵机的自适应自锁控制方法。背景技术:1、大扭矩舵机广泛应用于重型机械、船舶、航空航天等领域,其自锁性能直接决定系统运行的安...
一种大扭矩舵机的自适应自锁控制方法与流程

本技术涉及舵机控制,尤其涉及一种大扭矩舵机的自适应自锁控制方法。

背景技术:

1、大扭矩舵机广泛应用于重型机械、船舶、航空航天等领域,其自锁性能直接决定系统运行的安全性与稳定性。

2、传统舵机自锁方式多为单一机械自锁或纯电磁锁定:机械自锁依靠固定结构实现锁定,无法适应变负载、强冲击工况,且长期使用易因磨损、润滑劣化失效;纯电磁锁定需持续通电,能耗高、可靠性受电气元件寿命限制,断电时存在失锁风险。现有自适应控制技术多聚焦轨迹跟踪或故障容错,存在负载适应性差、抗冲击能力弱、缺乏健康度感知、无法实现软硬自锁模式的智能切换等共性问题,难以满足大扭矩舵机在复杂工况下的高可靠自锁需求。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够实现在复杂工况下的高可靠自锁的大扭矩舵机的自适应自锁控制方法。

2、第一方面,本技术提供一种大扭矩舵机的自适应自锁控制方法,所述方法包括:

3、实时采集反映舵机负载、环境扰动以及自身健康状态的多源传感信号,所述多源传感信号至少包括电机驱动电流信号、输出轴角度信号、机体振动信号以及关键点温度信号;

4、基于所述多源传感信号,通过信息融合与状态估计算法,实时确定输出轴的实际负载扭矩、外部冲击扰动的幅值与频率以及表征系统健康度的退化指标;

5、构建包含自锁模式的自锁策略库,所述自锁模式至少包括动态软自锁模式及静态硬自锁模式;

6、根据所述实际负载扭矩、所述幅值与频率以及所述退化指标,从所述自锁策略库中动态选择目标自锁模式,并在线调整所述目标自锁模式的控制参数;

7、根据所述目标自锁模式及所述控制参数,生成控制指令,驱动执行机构实现自适应锁定。

8、在其中一个实施例中,所述基于所述多源传感信号,通过信息融合与状态估计算法,实时确定输出轴的实际负载扭矩、外部冲击扰动的幅值与频率以及表征系统健康度的退化指标包括:

9、基于电机电磁模型与减速器传动模型,将所述电机驱动电流信号映射为初始负载扭矩估算值,并对所述机体振动信号进行快速傅里叶变换,提取振动频谱特征;

10、基于信息融合与状态估计算法,将所述初始负载扭矩估算值、所述振动频谱特征、所述输出轴角度信号以及所述关键点温度信号输入扩展卡尔曼滤波器,构建联合状态空间模型,通过迭代预测与量测更新,实时输出输出轴的实际负载扭矩、外部冲击扰动的幅值与频率;

11、融合关键点温度累积值、电流谐波畸变率、输出轴角度信号微漂移量、振动衰减系数,构建退化评估模型,量化计算得到表征系统健康度的退化指标。

12、在其中一个实施例中,所述基于信息融合与状态估计算法,将所述初始负载扭矩估算值、所述振动频谱特征、所述输出轴角度信号以及所述关键点温度信号输入扩展卡尔曼滤波器,构建联合状态空间模型,通过迭代预测与量测更新,实时输出输出轴的实际负载扭矩、外部冲击扰动的幅值与频率包括:

13、对所述初始负载扭矩估算值、所述振动频谱特征、所述输出轴角度信号以及所述关键点温度信号进行时序同步校准与维度归一化处理,形成格式统一、时序对齐的结构化观测向量;

14、基于信息融合与状态估计算法,建立包含负载扭矩动态变化、外部冲击扰动演化、输出轴位置漂移以及温度耦合效应的联合状态空间模型;

15、将所述结构化观测向量输入扩展卡尔曼滤波器,基于上一时刻的最优状态估计与所述联合状态空间模型,递推预测当前时刻负载扭矩、外部冲击幅值、外部冲击频率及输出轴角度的先验状态估计与先验协方差矩阵;

16、根据当前时刻输出轴角度、振动频谱以及关键点温度信号的实测信息,计算观测残差与卡尔曼增益,对所述先验状态估计与所述先验协方差矩阵进行修正,得到当前时刻最优后验状态估计;

17、从所述当前时刻最优后验状态估计中解析提取输出轴的实际负载扭矩、外部冲击扰动的幅值与频率。

18、在其中一个实施例中,所述融合关键点温度累积值、电流谐波畸变率、输出轴角度信号微漂移量、振动衰减系数,构建退化评估模型,量化计算得到表征系统健康度的退化指标包括:

19、对所述多源传感信号进行处理,得到温度累积值、电流谐波畸变率、角度信号微漂移量以及振动衰减系数;

20、基于信息融合与状态估计算法,构建退化评估模型,并将所述温度累积值、所述电流谐波畸变率、所述角度微漂移量以及所述振动衰减系数输入至所述退化评估模型,得到分项健康指标,所述分项健康指标包括传动部件磨损度、线圈老化度、润滑衰减度;

21、采用模糊隶属度函数对所述分项健康指标进行归一化融合,生成预设数值区间的表征系统健康度的退化指标。

22、在其中一个实施例中,所述融合关键点温度累积值、电流谐波畸变率、输出轴角度信号微漂移量、振动衰减系数,构建退化评估模型,量化计算得到表征系统健康度的退化指标包括:

23、对所述多源传感信号进行处理,得到温度累积值、电流谐波畸变率、角度信号微漂移量以及振动衰减系数;

24、基于信息融合与状态估计算法,构建退化评估模型,并将所述温度累积值、所述电流谐波畸变率、所述角度微漂移量以及所述振动衰减系数输入至所述退化评估模型,得到分项健康指标,所述分项健康指标包括传动部件磨损度、线圈老化度、润滑衰减度;

25、采用模糊隶属度函数对所述分项健康指标进行归一化融合,生成预设数值区间的表征系统健康度的退化指标。

26、在其中一个实施例中,所述将所述温度累积值、所述电流谐波畸变率、所述角度微漂移量以及所述振动衰减系数输入至所述退化评估模型,得到分项健康指标包括:

27、将所述温度累积值、所述电流谐波畸变率、所述角度微漂移量以及所述振动衰减系数分别进行归一化预处理,形成统一尺度的标准化特征向量;

28、基于实时负载扭矩、外部冲击扰动幅值以及关键点温度工况,动态分配各项标准化特征向量的权重系数,强化当前工况下主导失效特征的贡献度;

29、将加权后的特征向量代入所述退化评估模型的分项评估子模块,分别量化计算得到各分项健康指标,并对所述各分项健康指标进行有效性校验,剔除异常工况下的畸变数据。

30、在其中一个实施例中,所述根据所述实际负载扭矩、所述幅值与频率以及所述退化指标,从所述自锁策略库中动态选择目标自锁模式,并在线调整所述目标自锁模式的控制参数包括:

31、将所述实际负载扭矩、所述幅值与频率以及所述退化指标分别映射至预设负载区间、冲击频段以及健康等级,形成多维工况特征集;

32、将所述多维工况特征集输入模糊决策模型,通过与所述自锁策略库中各自锁模式所预设的触发条件进行匹配,得到各模式与当前工况的初步关联结果;

33、基于所述初步关联结果,通过模糊推理计算各自锁模式的匹配度,并筛选匹配度最高的模式作为目标自锁模式,以实现多工况耦合下最优自锁策略的动态决策;

34、基于当前实际负载扭矩、外部冲击幅值、退化指标以及关键点温度,在线整定所述目标自锁模式的关键控制参数。

35、在其中一个实施例中,所述根据所述目标自锁模式及所述控制参数,生成控制指令,驱动执行机构实现自适应锁定包括:

36、基于所述目标自锁模式及所述控制参数,解析生成电机电流指令、电磁锁通断指令及机械锁啮合指令,形成分级式控制指令集;

37、对所述分级式控制指令集中的控制指令进行时序校验与优先级排序,并将所述控制指令转换为执行机构可识别的驱动信号,输出至电机驱动器、电磁锁以及机械锁驱动单元;

38、实时监测所述电机驱动器、所述电磁锁以及所述机械锁驱动单元的响应状态,获取反馈信号;

39、基于所述反馈信号,通过信息融合与状态估计算法动态修正所述控制指令,以补偿执行误差、抑制动作滞后。

40、在其中一个实施例中,所述动态软自锁模式包括:

41、根据所述实际负载扭矩,通过闭环pid控制器动态生成与负载扭矩方向相反、幅值相等的电磁保持扭矩,使输出轴处于零净力矩的悬浮锁定状态,同时,根据所述外部冲击扰动的幅值与频率实时调整pid控制器的比例增益与积分时间常数,以维持抗扰动刚度。

42、在其中一个实施例中,所述静态硬自锁模式包括:

43、当所述实际负载扭矩超过所述动态软自锁模式的保持能力阈值,或所述外部冲击扰动的幅值与频率超出预设的安全边界,或检测到系统断电指令,或所述退化指标低于预设的安全下限阈值时,向电磁锁发出解锁脉冲,使电磁锁在弹簧作用下机械锁入输出轴上的环形棘齿,实现零功耗的物理锁定,并在所述静态硬自锁模式下,持续监测所述输出轴角度信号,若检测到微动漂移量超过预设的误差范围,则通过电机输出补偿扭矩消除齿隙,形成机电协同的双重锁定。

44、综上所述,本技术包括以下有益技术效果:

45、实时采集多源传感信号,能全面获取舵机运行状态,避免单一信号片面性,为复杂工况识别奠定完整数据基础;通过信息融合与状态估计算法,确定输出轴的实际负载扭矩、外部冲击扰动的幅值与频率以及表征系统健康度的退化指标,能消除单传感器噪声与误差,解决传统估算不准、易受干扰的问题,实现复杂工况下状态的高精度辨识;构建包含动态软自锁、静态硬自锁的多模式自锁策略库,覆盖全工况自锁需求,打破传统单一自锁局限;实时状态动态选择目标自锁模式、在线整定控制参数,能实现工况自适应匹配,有效应对变载荷、强冲击、健康劣化等复杂工况;输出控制指令并驱动执行机构,能确保锁定动作精准、稳定,从而实现大扭矩舵机在复杂工况下的高可靠自适应自锁。