一种基于AI算法的伺服驱动器在线模型参数辨识方法与流程

一种基于ai算法的伺服驱动器在线模型参数辨识方法
技术领域
1.本发明涉及伺服驱动器参数辨识技术领域，特别涉及一种基于ai算法的伺服驱动器在线模型参数辨识方法。


背景技术：

2.伺服驱动器是一种重要的基本工业产品，广泛的应用于各类工业电机控制之中。伺服驱动器主要由驱动电路等硬件和控制算法两部分构成。传统的伺服驱控器采用pid控制算法等传统方法进行各类控制。传控的伺服控制器，在高精度的控制任务中(例如点到点运动中的快速振动抑制，高精度轨跟踪等)，会因为各类原因产生控制性能不够的问题。基于模型的控制，是一种可以有效有提控制精度的方法。但是，传统的模型辨识大多采用离线标定的方法。这些方法首先需要较高的标定成本，其次要求产品的生产装配一致性较高，才可以进行抽样标定。这都极大的限制了这类方法在工业领域中的大规模使用。由于被控对象的多样性，在伺服驱动器领域中高精度的在线辨识方法就显得更加重要。在线辨识不能采用事先设计好的系统激励信号，同时又需要可以进行高速和高精度的求解计算。这给在线高精度的辨识算法带来了较大的困难，目前传统的的方法很难同时满足上面两个要求。
3.现代人工智能技术的发展日新月异，已经在技术应用领域产生翻天覆地的影响，引领着新一代的技术革命。相比于传统方法，ai方法的模型表征能力更强，求解速度非常快。
4.因此，基于ai算法设计一种伺服驱动器在线模型参数辨识方法，具有显著的意义。


技术实现要素：

5.本发明的目的在于提一种基于ai算法的伺服驱动器在线模型参数辨识方法，以解决包括现有技术中伺服驱动器参数辨识精度低、效率低下等问题，以推广在工业领域中的应用。
6.鉴于此，本发明的方案如下：
7.一种基于ai算法的伺服驱动器在线模型参数辨识方法，包括如下步骤：
8.s1.构建被伺服对象的参数辨识网络，以当前状态及目标值为输入，以辨识的参数及下一时刻的预测状态为输出；所述参数包括负载的惯量、减速器的刚度、减速器的阻尼，以及电机输出轴的刚度；所述状态包括电机的速度、电机的位置和电流数据；
9.s2.进行采样策略与参数辨识网络迭代式训练；
10.s3.经真机采样的数据对网络的调优后进行参数识别。
11.本发明中，所述参数辨识网络包括三层输入全连接层，接三层lstm层，连接有两个head，分别为由两层全连接构成的识别参数输出层，以及由两层全连接构成的预测状态输出层。
12.本发明中，所述步骤s2中训练总loss由包括辨识指标loss和状态预测loss加权得到，具体为：
[0013][0014][0015]
loss＝k1*loss
x
k2*losss；
[0016]
其中：x为四个预测的系统辨识参数，x’为四个系统辨识参数的真实值；s代表预测的下一时刻的系统状态，包括电机的速度、电机的位置和电流；s’代表下一时刻系统状态的真实值；k1和k2分别为辨识参数loss的权重和下一时间系统状态loss的权重。
[0017]
本发明中，所述步骤s2基于驱动器的控制算法采集训练数据，网络参数与采样数据交替更新，至控制算法与辨识网络同时达到稳收敛。
[0018]
本发明中，所述步骤s2训练后通过线性插值法提高推理频率。
[0019]
本发明中，所述步骤s2采用非均匀分布来进行初始化采样，在辨识参数的边界处提高采样率。
[0020]
本发明中，所述步骤s2采用经验回放策略进行采样，通过随机抽取所采样中连续的一段数据做为训练数据，多条训练数据经过shuffle操作后，形成训练batch，进行batch式训练。
[0021]
相对于现有技术，本发明的有益效果为：
[0022]
1.传统的系统辨识算法，强烈的依赖于建模的准确度，并且表征能力和自动辨识能力在复杂情况下均不易满足控制要求，本发明所述辨识方法将ai算法用于伺服电机的系统辨识可以有效的提高辨识的精度，并且不依赖于先验知识。
[0023]
2.与现有同类技术相比，本发明提供的辨识网络采用两个head的网络结构，通过增加一个符加的状态预测loss，可使得主干网本身具备回归状态转移方程的能力，降低训练数据噪声的影响，可有效的提高回归过程的稳定性。
[0024]
3.本发明所述辨识方法采用采样数据与网络更新的交替迭代，可以有效的提高训练数据的一致性，同时降低所必须的采样量，以较快的速度，使得辨识网络在控制器可能产生的状态空间处收敛，进而降低了采样了训练时间，降低模型规模，提高辨识精度。
[0025]
4.本发明所述辨识方法采用随机抽样和经验回放的训练方式，可以提高训练数据的独立性，有效的提高回归过程的稳定性。
附图说明
[0026]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
[0027]
图1为本发明所述辨识方法流程示意图。
[0028]
图2为本发明所述辨识网络双head网络结构图。
[0029]
图3为本发明所述采样策略与辨识网络的迭代更新示意图。
具体实施方式
[0030]
为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
[0031]
本方案结合传统控制算法，提供一种基于ai算法的伺服驱动器的在线模型参数辨识方法，可以为传统基于模型的控制方法，如model reference control，mcp，基于滤波器的整形控制，等多种方法服务。所述伺服驱动器在线模型参数辨识方法流程图如图1所示，该方法包括如下步骤：
[0032]
第一步：构建被控伺服对象的参数辨识网络。对于一般的伺服控制系统，其特性由动力学所表征，考虑到减速器柔性的控制动力学可以如下动力学方程表示如下：
[0033][0034][0035][0036][0037][0038][0039]
其中，物理量m表示扭矩，j表示转动惯量，α表示角加速度，b表示旋转阻尼，ω表示角速度，θ表示角度，物理量的下角标分别表示所对应的物体，其中下角标m代表电机，ml代表联轴器，l代表载荷。特别的，m
in
代表输入扭矩，k
in
表示联轴器的等效扭转刚度。
[0040]
从动力学分析可知，影响控制性能的系统参数主要包括：负载的惯量、减速器的刚度、减速器的阻尼、以及电机输出轴的刚度四个主要指标。这四个指标会影响，从当前时刻的状态和控制动作，所产生的下一时刻的状态，状态包含电机的速度、电机的位置和电流。
[0041]
参数辨识网络的输入为{状态-动作}数据对的时间序列，本方案中序列长度为10。在本案例中状态具体指：电机的位置、速度和实际电流。动作为驱动器的目标值，可以是目标电流或是目标速度。主干网络由三层输入全连接层，接三层lstm层构成。网络的输出为下四个主要的参数指标，以及一个下一个时刻的预测状态，做为附加输出。因此，本网络有两个head。第一个为由两层全连接构成的四个指标输出层，第二个由两层全连接构成的预测状态输出层。网络结构如图2所示。
[0042]
第二步：在仿真环境下，采用随机抽样、经验回放等方法，进行采样策略与参数辨识网络迭代式预训练，采用驱动器的控制算法进行训练数据的收集。由于驱动器的控制算法依赖于系统参数的辨识精度，同时辨识识的训练数据又是依控制算法获取的。因此，数据
收集与网络训练采用交替更新方式。每进行10次网络参数更新，进行一次采样数据更新。最终，辨识网络和控制算法同时达到稳收敛，如图3所示。
[0043]
为了提高网络的泛化能力，采用两个措施：1)采用随机分布初始化方法。通过实验可知边界点的回归效果会比较差，因此采用非均匀分布来进行初始化采样。在辨识参数的边界处提高采样的概率，可以用weibull分布等非均匀采样分布。2)采用采样经验回放策略。收集到的样本，通过随机的抽取其中连续的一段数据做为一条训练数据。多条训练数据经过shuffle操作后，形成训练batch，进行batch式训练。
[0044]
本训练包括两个loss，第一个为辨识指标loss，第二个为状态预测loss。总loss由两个loss加权获取。loss由如下公式计算：
[0045][0046][0047]
loss＝k1*loss
x
k2*losssꢀꢀꢀ⑥
。
[0048]
其中x代表四个预测的系统辨识参数，x’四个系统辨识参数的真实值。s代表预测的下一时刻的系统状态共有三个值分别为：电机的速度、电机的位置和电流。s’代表下一时刻系统状态的真实值。k1和k2分别为辨识参数loss的权重和下一时间系统状态loss的权重。经过上述训练过程，可以得到一个基于仿真的预训练模型。
[0049]
第三步：采用线性插值算法，提高推理频率。本方案中以低频4k的频率进行推理，但是应用时要产生高频16k的辨识数据用于控制算法。因此，采用线性插值的方式来获取高频辨识数据，具体如下：
[0050]
y(0)＝a0ꢀꢀꢀꢀꢀꢀꢀ⑦
；
[0051]
y(1)＝a0 (a
3-a0)/3
ꢀꢀꢀ⑧
；
[0052]
y(2)＝a0 2(a
3-a0)/3
ꢀꢀꢀ⑨
；
[0053]
y(3)＝a3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ⑩
。
[0054]
其中a0为前一时刻的ai推理的动作，a3为当前时刻ai推理的动作。y为第i时间的插值结果。通过线性插值，可以将推理频率进行整数倍的提高。
[0055]
第四步：通过真机采样的数据进行网络的精细调优。步骤同第二步，训练数据来自于目标真机数据，而并非仿真数据。一般来说，仅需要不同负载的几十条采样轨迹数据即可。通过进一步的精细调优后，可达更好的效果。
[0056]
在本发明的一个实施例中，按照本发明以上提供的基于ai算法的伺服驱动器在线模型参数辨识方法，具体的实验结果数据表1所示，不难看出，负载惯量、减速器刚度、减速器阻尼及电机输出轴刚度等核心指标辨识误差小于5％。同时对状态的预测误差小于10％，这也说明了本方法的辨识指标的有效性。
[0057]
表1：
[0058]
序号名称平均误差方差
1负载惯量5％0.22减速器刚度3％0.23减速器阻尼5％0.24电机输出轴刚度3％0.15状态预测10％0.1
[0059]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。