一种基于数字孪生技术的伺服驱动器及伺服系统的制作方法

1.本技术涉及伺服驱动器技术领域，尤其涉及一种基于数字孪生技术的伺服驱动器及伺服系统。


背景技术：

2.现有伺服驱动器由内嵌的主控制dsp（数字信号处理器）控制伺服电机的运转，伺服电机的性能参数不仅与驱动器本身的控制性能有关，也与实时负载特性、运行环境条件及电机温升带来的电机参数的变化等因素息息相关。如果能在运行过程中实时监控、识别必要的相关参数进而相应的调节控制特性以便持续保持最佳伺服性能是一个技术挑战。然而，受制于实时控制dsp进行复杂计算的有限能力以及伺服系统本身是一个非线性系统的特点，要成功达到上述目的面临着巨大挑战。
3.通常情况下，伺服控制算法需要提前知晓伺服电机及负载的相关参数，并且把这些参数设置到伺服控制的算法中，以满足伺服控制性能的需要。但是，伺服电机运行工况面临诸多不确定性，运行过程负载惯量的变化，负载大小的变化，长时间运行电机本体发热升温引起电机绕组电阻的变化等等，这些参数随时间的变化直接影响伺服控制的性能。通常为了实现高性能控制，在伺服控制中往往采用近似的、间接的离线或者在线估计这些参数的方法，根据估计值对控制参数进行一定的修正补偿。但实际系统中受限于dsp的有限的算力，这类方法往往在实时性、准确性等方面存在局限性。


技术实现要素：

4.有鉴于此，本技术实施例提供一种基于数字孪生技术的伺服驱动器及伺服系统，可根据伺服电机运行时产生的实际参数，实时对相关数据进行迭代算法分析，从而修正电机及负载模型参数，使其有效反映电机和负载的真实情况。
5.第一方面，本技术实施例提供一种基于数字孪生技术的伺服驱动器，包括通信连接的第一数字信号处理器和第二数字信号处理器，所述第一数字信号处理器运行伺服电机控制算法，用于接收外部指令并对伺服电机进行控制；所述第二数字信号处理器运行数字孪生模型，所述数字孪生模型根据所述伺服电机的控制参数和负载建立并进行在线迭代学习，用于实时预估伺服电机和负载的相关特性参数，所述相关特性参数用于反映所述伺服电机的实际运行情况。
6.根据本技术实施例的一种具体实现方式，所述第一数字信号处理器内设有控制环，所述控制环运行伺服电机控制算法对伺服电机进行控制；所述数字孪生模型包括控制环孪生离散模型、电机和负载模型以及学习模块，所述控制环孪生离散模型和所述控制环采用相同的控制参数，所述控制环孪生离散模型的输出控制所述电机和负载模型，所述学习模块用于根据所述电机和负载模型的输出以及所述伺服电机的输出进行在线迭代学习，以获得相关特性参数，所述相关特性参数被所述控制
环调用对所述伺服电机进行补偿控制。
7.根据本技术实施例的一种具体实现方式，所述控制环包括依次设置的位置控制环、速度控制环和电流控制环，所述电流控制环的输出端与所述伺服电机的输入端连接，所述伺服电机的输出端与所述位置控制环的反馈端连接；所述控制环孪生离散模型包括依次设置的位置控制环模型、速度控制环模型和电流控制环模型，所述电流控制环模型的输出端与所述电机和负载模型的输入端连接，所述电机和负载模型的位置输出端与所述位置控制环模型的反馈端连接。
8.根据本技术实施例的一种具体实现方式，在所述控制环孪生离散模型中，所述位置控制环模型和所述速度控制环模型之间设有增益补偿模型，所述增益补偿模型用于对所述位置控制环模型的输出进行补偿。
9.根据本技术实施例的一种具体实现方式，所述伺服电机的位置编码器输出端与所述位置控制环的反馈端之间以及所述电机和负载模型的位置输出端与所述位置控制环模型的反馈端之间均设有低通滤波器。
10.根据本技术实施例的一种具体实现方式，所述相关特性参数包括电机电枢电阻估计值、弹性系数估计值、负载惯量估计值、负载位置角度估计值和负载转矩估计值。
11.根据本技术实施例的一种具体实现方式，在d-q旋转坐标系中，所述电机和负载模型中的电机模型公式为：式中，ud为在d轴上施加在电机上的电压，uq为在q轴上施加在电机上的电压，rs为电机电枢电阻，ls为电机电枢电感，id为d轴电流，iq为q轴电流，ωm为电机速度，λ
pm
为永磁磁链；负载模型公式为：式中，jm为电机转子惯量，j
l
为负载惯量，t
l
为负载转矩，te为电磁转矩，ts为柔性传动转矩，ks为传动轴弹性系数，ω
l
为负载速度。
12.根据本技术实施例的一种具体实现方式，所述第二数字信号处理器外部连接有eeprom和ram，所述eeprom和ram用于实时处理数据。
13.根据本技术实施例的一种具体实现方式，所述第一数字信号处理器与所述第二数字信号处理器通过并行数据总线进行数据交换。
14.第二方面，本技术实施例还提供一种伺服系统，包括伺服电机和如第一方面任一实施例所述的基于数字孪生技术的伺服驱动器，所述伺服驱动器用于对所述伺服电机进行控制以及实时预估伺服电机和负载的相关特性参数。
15.有益效果本技术实施例中的基于数字孪生技术的伺服驱动器及伺服系统，伺服驱动器通过设置第一数字信号处理器和第二数字信号处理器，将实时控制伺服电机算法和数字孪生模型并行运行，数字孪生模型可实时反映实际系统的多个相关特性参数，这些特性参数可以被运行伺服电机控制算法的第一数字信号处理器所取用，用以实时调整、优化控制性能，也可以利用这些特性参数对实际系统进行评估以及健康预测等，提高了伺服系统的运行稳定性和有效监测的性能。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
17.图1为根据本发明一实施例的基于数字孪生技术的伺服驱动器的框架图；图2为根据本发明一实施例的基于数字孪生技术的伺服驱动器的内部结构图；图3为根据本发明一实施例的伺服系统硬件及功能框架图；图4为根据本发明一实施例的学习模块框架图。
具体实施方式
18.下面结合附图对本技术实施例进行详细描述。
19.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
20.要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本技术，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
21.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本技术的基本构想，图式中仅显示与本技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可
能更为复杂。
22.另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
23.本技术实施例提供了一种基于数字孪生技术的伺服驱动器及伺服系统，下面参照图进行详细描述。
24.参照图1，伺服驱动器控制核心采用两个数字信号处理器dsp1和dsp2，分别作为第一数字信号处理器和第二数字信号处理器，第一数字信号处理器（dsp1）上运行实际控制算法，即伺服电机控制算法，第二数字信号处理器（dsp2）上运行数字孪生模型，所述数字孪生模型根据所述伺服电机的控制参数和负载建立并进行在线迭代学习，用于实时预估伺服电机和负载的相关特性参数，所述相关特性参数用于反映所述伺服电机的实际运行情况。
25.需要说明的是，第一数字信号处理器和第二数字信号处理器可以设置为两个单独的dsp芯片；还可以是一颗dsp芯片中的2个dsp核，即使用多核dsp芯片中的两个核分别作为第一数字信号处理器和第二数字信号处理器。
26.具体的，dsp1与dsp2之间通过并行数据总线交换数据，实际运行参数如电机电流，电机旋转角度和直流母线电压采样，以及外部指令等均通过dsp1输入，dsp1直接控制伺服电机；dsp2外扩有eeprom和ram,以利于实时处理样本数据的需要，dsp2中的数字孪生模型可通过并行数据总线读取实际运行参数进行迭代运算，产生相关系统特性参数并更新到控制环路参数中，用以实时调整、优化控制性能，提高实际控制系统性能。
27.在一个实施例中，所述第一数字信号处理器内设有控制环，所述控制环运行伺服电机控制算法对伺服电机进行控制；第二数字信号处理器内设有数字孪生模型，所述数字孪生模型包括控制环孪生离散模型、电机和负载模型以及学习模块，所述控制环孪生离散模型和所述控制环采用相同的控制参数，所述控制环孪生离散模型的输出控制所述电机和负载模型，所述学习模块用于根据所述电机和负载模型的输出以及所述伺服电机的输出进行在线迭代学习，以获得相关特性参数，所述相关特性参数被所述控制环调用对所述伺服电机进行补偿控制。
28.参照图2至图3，对第一数字信号处理器和第二数字信号处理器的内部架构进行详细描述，为了便于理解，图中g1(s)为位置控制环，g2(s)为速度控制环，g3(s)为电流控制环，lpf1(s)为低通滤波器1，gml(s)为电机和负载模型，gx(s)为学习模块，i(t)为实时电流，ω(t)为实时速度，θ(t)为实时位置，θ(s)为电机位置转换模块，im(t)为控制环孪生离散模型中的电机电流，ωm(t)为控制环孪生离散模型中的电机速度，θm(t)为控制环孪生离散模型中的电机位置，θref(t)为位置指令，kc(s)为增益补偿模型。本实施例中，第一数字信号处理器dsp1的控制环包括依次连接的位置控制环g1(s)、速度控制环g2(s)和电流控制环g3(s)，电流控制环g3(s)的输出端与伺服电机的输入端连接，伺服电机的位置传感器输出端与位置控制环g1(s)的反馈端连接。
29.所述控制环孪生离散模型包括依次设置的位置控制环模型g1(s)、速度控制环模型g2(s)和电流控制环模型g3(s)，所述电流控制环模型g3(s)的输出端与所述电机和负载模型gml(s)的输入端连接，电机和负载模型gml(s)的位置输出端与所述位置控制环模型g1(s)的反馈端连接。dsp2的控制环孪生离散模型的输出控制所述电机和负载模型gml(s)，学习模块gx(s)用于根据im(t)和ωm(t)以及i(t)和ω(t)进行在线迭代学习，以获得相关特性
参数，所述相关特性参数可以被所述控制环调用对所述伺服电机进行补偿控制，以及传输至电机和负载模型gml(s)中对其进行补偿控制等。
30.在上述实施例中，dsp2的控制环孪生离散模型和dsp1的控制环采用相同的控制参数，即速度环、电流环和位置环控制器参数相同，两者也采用同一个外部输入位置指令。dsp1和dsp2中的位置控制环具有相同的控制周期，例如，采用100us控制周期。dsp1和dsp2中的速度控制环和电流控制环也具有相同的控制周期，例如，均采用50us控制周期。dsp2中的学习模块也具有和电流控制环相同的控制周期。dsp2中运行的电机和负载模型理论上应该需要更快的控制周期，即控制周期小于等于50us。在一个实施例中，电机和负载模型采取最低限度可允许的控制周期50us，和电流控制环控制周期一致。需要说明的是，控制周期并不局限于本实施例中所例举的，其仅作为示例，可根据实际需求进行调整。
31.进一步的，相关特性参数包括电机电枢电阻估计值、弹性系数估计值、负载惯量估计值、负载位置角度估计值和负载转矩估计值等，利用相关特性参数可以预估反映实际系统对应的参数变化情况，间接的达到了对实际系统参数预估的目的；还可利用相关特性参数修正电机及负载模型参数，将使其运行特性更加接近真实情况，因此，通过dsp2可以对实际系统特征参数进行估计，对电机运行状态进行监控，对电机运行健康度进行预测以及系统特性优化补偿。
32.在一个实施例中，采用的伺服电机为典型的表贴式永磁同步电机，其电机模型基于该类型电机而建立，负载模型为基于有一定弹性系数的柔性传动轴而建立。在d-q旋转坐标系中，所述电机和负载模型中的电机模型公式为：式中，ud为在d轴上施加在电机上的电压，uq为在q轴上施加在电机上的电压，rs为电机电枢电阻，ls为电机电枢电感，id为d轴电流，iq为q轴电流，ωm为电机速度，λ
pm
为永磁磁链；负载模型公式为：式中，jm为电机转子惯量，j
l
为负载惯量，t
l
为负载转矩，te为电磁转矩，ts为柔性传动转矩，ks为传动轴弹性系数，ω
l
为负载速度。
33.在本实施例中，电机模型及负载模型在设置了正确的初始参数之后，在控制模型控制输出量作用下，形成一个实时运行的、离散化的数字孪生模型，进行闭环控制。该数字
孪生模型主要运行结果是否逼近实际系统，关键在电机及负载模型是否很好的反映了实际系统的特性。
34.为了使数字孪生模型运行特性实际逼近实际系统特性，在一个实施例中采用了基于迭代计算的最小二乘方法作为学习模块的核心，对电机及负载主要特性参数进行在线迭代学习，从而达到孪生模型运行特性和实际系统特性基本一致的目的。
35.具体的，在学习模块中，采用迭代最小二乘算法，以2个误差为最小目标进行迭代算法计算；其中一个误差是输入的实时电机电流和模型产生的反馈电流之间的误差；另一个误差是输入的实时电机速度和模型产生的反馈电机速度之间的误差。学习模块的框架结构参照图4，学习模块输入值包括第一数字信号处理器dsp1的i(t)和ω(t)，和第二数字信号处理器dsp2的im(t)和ωm(t)，并将i(t)和im(t)输入值传输至errk(i(t))模块（实时电机电流和模型反馈电流之间的误差计算模块），将ω(t)和ωm(t)输入值传输至errk(ω(t))模块（实时电机速度和模型反馈速度之间的误差计算模块），将两个误差计算模块的计算结果输出至迭代模块（g
recursive
(s)模块）进行在线迭代学习，通过迭代计算，估计出模型中的相关特性参数，包括负载惯量j
l
、弹性系数ks以及负载转矩t
l
，最终使负载模型运行特性接近实际系统。
36.为了使dsp2中的数字孪生模型更加真实的反映实际系统的工作性能，在所述控制环孪生离散模型中，所述位置控制环模型和所述速度控制环模型之间设有增益补偿模型，所述增益补偿模块用于对所述位置控制环模型的输出进行补偿。
37.进一步的，所述伺服电机的位置编码器输出端与所述位置控制器的反馈端之间设有低通滤波器，同样的，所述电机和负载模型的位置输出端与所述位置控制环模型的反馈端之间设有低通滤波器。
38.第二方面，本技术实施例还提供一种伺服系统，包括伺服电机和如第一方面任一实施例所述的基于数字孪生技术的伺服驱动器，所述伺服驱动器用于对所述伺服电机进行控制以及实时预估伺服电机和负载的相关特性参数。
39.本发明提供的实施例，采用了2个dsp的伺服驱动器，其中一个dsp运行伺服控制，另一个dsp运行数字孪生模型，数字孪生模型采用了参数自学习算法，能够准确的估计实际系统的相关参数，其运行的结果可为第一个dsp运行的实际控制所用；这种通过自学习算法持续在线对实际系统特性参数进行估计的方法，使数字孪生模型运行特性更加接近实际控制系统，从而数字孪生模型中运行的特性参数能够真实反映实际系统的运行特性，从而实现了一揽子的参数估计目的，为整个系统的运行提供了有效的监测和预估的途径，可保障系统安全稳定的运行。
40.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。