基于分數階自適應神經網絡的電動舵機伺服系統摩擦干擾補償控制

陳渝豐 徐曉璐 張金鵬 張昆峰 岳強 張文靜

摘 要：????? ?摩擦干擾力矩影響電動舵機伺服系統的跟蹤性能， 造成位置和速度跟蹤偏差， 甚至可能導致伺服系統不穩定。 針對摩擦力矩干擾下的電動舵機伺服系統跟蹤性能差的問題， 本文提出了一種分數階自適應神經網絡摩擦補償算法（FOANN）， 估計并補償摩擦干擾力矩。 首先， 建立基于LuGre模型的電動舵機伺服系統模型， 利用徑向基神經網絡估計模型中的不可測狀態變量。 其次， 設計FOANN摩擦補償控制器， 利用李雅普諾夫穩定性理論證明電動舵機閉環系統的穩定性。 最后， 利用仿真和實驗平臺， 對比分析了FOANN、 傳統PD控制和模型自適應控制的性能。 結果表明， 基于本文所提出的FOANN摩擦力矩補償控制算法， 電動舵機伺服系統的位置跟蹤誤差和速度跟蹤誤差均大幅減小， FOANN算法能夠有效估計并補償摩擦力矩， 降低摩擦干擾對電機舵機伺服系統的影響， 提高伺服系統的動態性能。

關鍵詞：???? 電動舵機； 摩擦； LuGre模型； 分數階控制； 自適應控制； 徑向基神經網絡

中圖分類號：??? ?TJ765

文獻標識碼：??? A

文章編號：??? ?1673-5048（2024）01-0133-08

DOI： 10.12132/ISSN.1673-5048.2023.0104

0 引? 言

電動舵機是控制導彈飛行軌跡的執行機構， 其性能的優劣決定了導彈的制導精度和快速機動能力［1-2］。 電動舵機伺服系統的跟蹤性能受到諸多因素的影響， 其中， 摩擦力矩會造成“抖動”或“爬行”現象， 是導致電動舵機伺服系統跟蹤性能降低的重要因素［3-6］。 利用控制方法消除摩擦干擾的影響， 能夠提高舵機系統的性能。

近年來， 國內外眾多學者對摩擦力矩補償算法進行了研究， 主要分為無模型摩擦補償算法和基于模型的摩擦補償算法兩類。 無模型摩擦補償控制方法將摩擦視為一種擾動， 控制算法實現簡單但補償效果有限［7］。 為了追求更高的控制性能， 需建立摩擦模型來設計摩擦補償控制方法。 常見的摩擦模型有Stribeck模型、 Karnopp模型、 LuGre模型等。 LuGre模型能夠全面精確地反映預滑動位移、 摩擦滯環、 變化的臨界摩擦、 爬行以及Stribeck效應等摩擦特性， 得到了廣泛應用［8-12］。 基于LuGre模型， 提出了各種不同的先進摩擦補償控制方法， 如自適應控制［13］、 自適應滑模［14］、 魯棒自適應［15］以及自適應反步［16］等， 一定程度上降低了摩擦干擾的影響。 隨著分數階控制理論的發展， 分數階控制算法以其控制精度更高和魯棒性更強的優點［17-20］， 逐漸成為一種重要的控制方法。

本文基于LuGre模型， 利用徑向基神經網絡估計LuGre模型中的不可測狀態變量， 引入分數階控制理論， 提出一種基于分數階自適應神經網絡（Fractional Order Adaptive Neural Network， FOANN）的電動舵機伺服系統補償控制方法。 該控制器由四個模塊組成： PD、 前饋、 速度反饋以及分數階神經網絡摩擦力矩補償模塊， 并利用李雅普諾夫穩定性理論證明了電動舵機伺服系統穩定性。

該控制方法可以實時估計并補償系統受到的LuGre摩擦力矩， 從而降低摩擦干擾對系統控制性能的影響， 提高系統跟蹤性能。 通過與PD控制器和模型參考自適應控制器（Model Reference Adaptive Control， MRAC）的仿真和實驗平臺對比實驗， 驗證了所提控制方法的有效性。

1 基于LuGre模型的電動舵機模型

在兩相旋轉d-q坐標系下， 基于永磁同步電機（PMSM）的電動舵機伺服系統的動力學模型如下：

式中： ud， uq為d， q軸電壓； id， iq為d， q軸電流； ψd， ψq為d， q軸磁鏈； Ld， Lq為d， q軸電感； Rs為相電阻； ωr為轉子角速度； ψf為永磁鏈； Tem為電磁轉矩； p為電機極對數； J為轉動慣量； ω為旋轉的機械角度； Ffriction為摩擦力矩； B為阻尼系數。

對于電動舵機伺服系統， 為了消除磁場定向控制中產生轉矩脈動， 令id=0。 不失一般性， 令Ld=Lq=L， ψd=ψq=ψf。 電動舵機運動方程改寫為

令控制器輸出u=iq， 電動舵機伺服系統模型改寫為

式中： σ0為鬃毛的剛度系數； σ1為阻尼系數； σ2為黏性摩擦系數； v為相對運動速度； vs為Stribeck效應速度； g（v）描述Stribeck現象； Fc為庫侖摩擦力； Fs為最大靜摩擦力； Ff為LuGre摩擦力矩； z表示鬃毛的平均形變， 為不可測狀態變量。

定義參數σ、 （v）如下：

σ=σ1+σ2

將上兩式代入式（12）， LuGre摩擦力矩可改寫為

Ff=σ0z－σ1|v|（v）z+σv（13）

2 基于神經網絡的不可測狀態變量估計

利用徑向基神經網絡估計LuGre摩擦力矩中的不可測狀態變量z：

z=wTh（i（t））+ε（i（t））（14）

式中： w∈Rp為未知權重向量； i（t）為輸入向量； ε（i（t））為有界估計誤差； h（i（t））為基向量， h（i（t））=［h0（i（t））， …， hp（i（t））］T∈Rp。

將式（14）代入式（13）中， LuGre摩擦力矩可改寫為

Ff=σ0wTh（i（t））－σ1v（v）wTh（i（t））+σv+ε（i（t））（σ0－σ1v（v））（15）

LuGre摩擦力矩的估計誤差εf可表示為

εf=ε（i（t））（σ0－σ1v（v））（16）

若速度v有界， 則估計誤差εf有上界ε0， 即εf≤ε0。

3 分數階自適應神經網絡補償控制器設計

為了減小LuGre摩擦力矩干擾對電動舵機伺服系統的不利影響， 基于LuGre模型的電動舵機伺服系統模型和徑向基神經網絡的不可測狀態變量估計， 結合分數階控制理論， 設計FOANN控制器， 并根據李雅普諾夫穩定性定理， 證明系統穩定性。

3.1 分數階微積分

分數階微積分利用分數階微積分算子， 使得控制系統可調參數增加， 提供更豐富的系統信息， 提高系統控制性能和魯棒性， 是整數階微積分的延伸。 分數階微積分定義種類繁多， 本文選擇RL分數階微積分定義：

RL分數階積分定義如下：

式中： RaIηt為積分算子； t、 a為積分算子的上、 下限； η為積分階次。

性質1： 已知微分階次α=1， 若f（t）為常量， 則在微分區間［a， t］內有RaDαtf（t）=0。

性質2： 若微分階次α和積分階次η都為正實數， 則在微分區間［a， t］內有RaDαt［RaIηtf（t）］=RaDα-ηtf（t）。

為了簡化分數階微積分的計算， 提高其實用性， 本文采用改進型Oustaloup算法［21］擬合分數階微積分， 其在擬合頻段［ωb， ωh］內的近似公式為

式中： b， d∈R+； 零點ωz、 極點ωp和增益K分別表示為

3.2 FOANN控制器設計

電動舵機伺服系統誤差eω， ev和e定義如下：

eω=ω－ωd（24）

ev=v－vd（25）

e=ev+λeω（26）

神經網絡參數ε0的估計誤差定義如下：

由于待設計正參數λ>0， 系統的誤差傳遞函數Ge（s）=eω（s）/e（s）=1/（s+λ）始終保持穩定， 因此e和eω具有相同的收斂性。 為減小電動舵機伺服系統摩擦干擾的影響， 以系統誤差e盡可能小為控制目標。

根據電動舵機伺服系統模型式（8）～（9）以及LuGre摩擦力矩表達式（15）， 設計FOANN控制律如下：

式中： c為待設計的正參數。

FOANN控制器結構框圖如圖1所示， 主要包括4個

式中： kε、 kσ、 k0、 k1和Υ0、 Υ1分別為待整定的正參數和正定矩陣； α和β分別為待整定的微分階次和積分階次。

定理1： 對于LuGre摩擦力矩式（15）干擾下的電動舵機伺服系統式（8）～（9）， 利用FOANN控制律式（28）以及參數更新律式（29）～（34）， 可以保證系統全局漸進穩定， 且當t→∞時， 系統誤差e→0。

證明1： 系統的李雅普諾夫方程V定義如下：

根據性質2， 對李雅普諾夫方程V求導得

將式（8）～（9）、 （15）、 （20）～（21）、 （24）～（28）代入（36）得

根據性質1以及性質3得

將參數更新律式（29）～（34）代入式（38）得

至此， 定理1證明完畢。

4 仿真及實驗驗證

基于如圖2所示的舵機實驗平臺及其參數， 驗證所提出的分數階自適應神經網絡摩擦補償算法的有效性。 在實驗平臺中， 利用實時仿真器控制負載電機驅動器， 驅動負載電機， 模擬舵機系統的摩擦干擾。 利用PD控制器以及MRAC控制器和所提出的FOANN控制器進行仿真及實驗驗證， 電動舵機參數如表1所示。

4.1 控制器參數整定

步驟1： PD控制參數整定

MRAC控制器和FOANN控制器中均包含相同結構的PD控制模塊。 選取合適的PD參數， 可以提高系統的動態性能。 參數整定時， 量化性能指標如下：

（1） 無摩擦干擾時， 3種控制器的最大位置誤差均小于3%；

（2） 存在基于LuGre模型的摩擦干擾時， MRAC控制器和FOANN控制器的最大位置誤差小于6%。

根據上述指標， 選擇如下PD參數：

（1） PD控制器參數： kP=2.36×102， kD=6.8。

（2） MRAC控制器的PD控制模塊參數： cm=6.1×10－2， km=5.2×101。

（3） FOANN控制器的PD控制模塊參數： c=3.15， λ=13。

步驟2： 自適應參數整定

理論上， 自適應參數可以選擇任意大于零的值， 但在實際應用中， 自適應參數對系統性能存在如下影響：

（1） 隨著kσ和k0增大， 估計參數收斂速度加快， 系統性能提高， 但相應的控制輸出波動變大；

綜合考慮系統跟蹤性能和穩定性， 選擇如下的自適應參數：

（1） MRAC控制器的自適應參數： k0，m=2.28×10-3， k1，m=5.04×10-5， kσ，m=5.45×10-3。

（2） FOANN控制器自適應參數： k0=2.2， k1=5.1×10－3， kσ=2.9×10－1。

步驟3： 分數階參數整定

分數階參數過小會導致系統對LuGre摩擦力矩的估計速度下降， 過大則會導致估計的LuGre摩擦力矩出現震蕩， 甚至過擬合， 導致系統控制精度降低， 穩定性下降。 綜合考慮LuGre摩擦力矩估計參數的收斂速度、 控制精度以及系統穩定性， 選擇如下的FOANN控制器分數階參數：

（1） FOANN控制器分數階神經網絡參數： Υ0=1.3·E， Υ1=（9.5×10-1）·E， kε=1×10－4。 E為單位矩陣。

（2） FOANN控制器的分數階微積分參數： α=0.45， β=0.54。

4.2 仿真結果分析

設置電動舵機位置伺服系統的采樣時間為10-4 s， 運行時間為10 s， 期望位置軌跡ωd（t）=sin（2πt）。

圖3～4分別給出了3種控制器的位置跟蹤曲線和位置跟蹤誤差曲線。 由圖可知， PD控制器的位置跟蹤曲線出現了明顯的“平頂”現象， 未能準確跟蹤輸入信號， 最大位置跟蹤誤差為1.19×10-1 rad； MRAC控制器在一定程度上補償了摩擦力矩， 改善了“平頂”現象， 最大位置跟蹤誤差為2.59×10-2 rad； FOANN控制器更準確地估計并補償了LuGre摩擦力矩， 大幅削弱了“平頂”現象， 最大位置跟蹤誤差僅為2.85×10-3 rad， 低于PD控制器兩個數量級， 低于MRAC控制器一個數量級。 最大位置跟蹤誤差如表2所示。

圖5～6分別給出了3種控制器的速度跟蹤曲線和速度跟蹤誤差曲線。 由圖可知， PD控制器沒有補償LuGre摩擦力矩， 其速度跟蹤軌跡零點的鄰域附近出現了明顯的“死區”現象， 最大速度跟蹤誤差為1.38 rad/s；MRAC控制器在一定程度上補償了LuGre摩擦力矩， 改善了“死區”現象， 最大速度跟蹤誤差為1.23 rad/s， 誤差略小于PD控制器； FOANN控制器更準確地估計并補償了LuGre摩擦力矩， 大幅削弱了“死區”現象， 最大速度跟蹤誤差僅為6.22×10-2 rad/s， 低于PD控制器和MRAC控制器兩個數量級。 最大速度跟蹤誤差如表2所示。

圖7比較了給定LuGre摩擦力矩與MRAC控制器以及FOANN控制器所估計的LuGre摩擦力矩。 由圖可知， MRAC控制器估計LuGre摩擦力矩與給定LuGre摩擦力矩之間存在較大誤差；? FOANN控制器估計的LuGre摩擦力矩與給定LuGre摩擦力矩之間存在微小誤差， 估計準確性較高。

3種控制器的控制輸出如圖8所示。 由圖可知，? FOANN控制器的控制輸出曲線平滑， 沒有明顯的抖動。 雖然FOANN控制器需要提供額外的補償控制輸出來補償LuGre摩擦力矩， 但其控制輸出與PD控制器和MRAC控制器近似相同。

4.3 實驗結果分析

為了進一步驗證分數階自適應神經網絡補償控制方法的有效性， 基于圖2所示的實驗平臺， 采用與仿真相同的控制器參數， 對比分析PD控制器、 MRAC控制器以及本文所提出的FOANN控制器的控制性能。

圖9～10分別給出了3種控制器的實驗平臺位置跟蹤曲線及其誤差曲線， 表3給出了3種控制器的最大位置跟蹤誤差。 可以看出， 相比仿真結果， 3種控制器的位置跟蹤性能均有所下降， 但FOANN控制器的性能仍然優于PD控制器和MRAC控制器。

圖11～12分別給出了3種控制器的實驗平臺速度跟蹤曲線及其誤差曲線， 表3給出了三種控制器的最大速度跟蹤誤差。 可以看出， 在速度跟蹤軌跡零點的鄰域附近， 3種控制器作用下的電動舵機伺服系統速度跟蹤曲線均出現了波動， MRAC控制器和PD控制器的波動幅度較大， 但FOANN控制器的波動不明顯。 實驗結果表明， FOANN能夠有效改善“死區”現象， 速度跟蹤更平穩， 精度更高。

MRAC控制器和FOANN控制器的實驗平臺LuGre摩擦力矩估計曲線如圖13所示。 可以看出， 相較于MRAC控制器， FOANN控制器對LuGre摩擦力矩的估計更平穩， 抖動更小， 雖相比于仿真時震蕩略大， 但仍能較好地估計摩擦力矩。

綜合以上仿真和實驗結果可知， 相比于PD控制器和MRAC控制器， FOANN控制器更準確實時地估計并補償電動舵機位置伺服系統的LuGre摩擦力矩， 以微小的額外控制輸出， 可以實現更好的控制效果。

5 結? 論

針對電動舵機伺服系統中的摩擦干擾問題， 本文基于LuGre模型， 利用徑向基神經網絡估計了系統模型中的不可測狀態變量， 設計了分數階自適應神經網絡摩擦補償控制器。 該控制器由PD、 前饋、 速度反饋和分數階自適應神經網絡摩擦力矩補償四個模塊組成， 并利用李雅普諾夫穩定性理論證明了系統穩定性。 與PD控制器和MRAC控制器的對比仿真和實驗結果表明， FOANN控制器以微小的額外控制輸出， 更準確實時地估計并補償了舵機伺服系統受到的摩擦力矩， 使舵機伺服系統跟蹤性能顯著提高。

參考文獻：

［1］ 王婷， 張昆峰， 武飛. 基于模型的舵機非線性因素補償控制研究［J］. 航空兵器， 2018（2）： 34-37.

Wang Ting， Zhang Kunfeng， Wu Fei. Study of Model-Based Nonlinear Compensate Control for the Servo System［J］. Aero Weaponry， 2018（2）： 34-37. （in Chinese）

［2］ 梁建， 王春艷， 段麗華， 等. 電動舵機剛柔耦合動力學仿真研究［J］. 航空兵器， 2019， 26（5）： 77-82.

Liang Jian， Wang Chunyan， Duan Lihua， et al. Rigid-Flexible Coupling Kinetic Simulation Study on the Electromechanical Actuator［J］. Aero Weaponry， 2019， 26（5）： 77-82.（in Chinese）

［3］ 楊堯， 趙岳樓， 閆杰. 高超聲速飛行器舵機摩擦的影響及其抑制方法［J］. 指揮控制與仿真， 2014， 36（2）： 85-87.

Yang Yao， Zhao Yuelou， Yan Jie. Effection and Restrained of Acutaor Friction on Hypersonic Vehicle［J］. Command Control & Simulation， 2014， 36（2）： 85-87.（in Chinese）

［4］ 彭書華， 李華德， 蘇中. 非線性摩擦干擾下的電動舵機滑模變結構控制［J］. 信息與控制， 2008， 37（5）： 637-640.

Peng Shuhua， Li Huade， Su Zhong. Sliding Mode Variable Structure Control for Electromechanical Actuator with Nonlinear Friction［J］. Information and Control， 2008， 37（5）： 637-640.（in Chinese）

［5］ 李冬輝， 王立獻， 周滿， 等. 基于改進徑向基網絡的電動舵機滑?？刂疲跩］. 兵器裝備工程學報， 2023， 44（4）： 217-223.

Li Donghui， Wang Lixian， Zhou Man， et al. Sliding Mode Control of Electromechanical Actuators Based on an Improved RBF Network［J］. Journal of Ordnance Equipment Engineering， 2023， 44（4）： 217-223.（in Chinese）

［6］ 盧晉， 吳志剛， 楊超. 電動舵機模塊化建模及動剛度仿真［J］. 北京航空航天大學學報， 2021， 47（4）： 765-778.

Lu Jin， Wu Zhigang， Yang Chao. Modular Modeling and Dynamic Stiffness Simulation of Electromechanical Actuator［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（4）： 765-778.（in Chinese）

［7］ Kang M S. Robust Digital Friction Compensation［J］. Control Engineering Practice， 1998， 6（3）： 359-367.

［8］ Simoni L， Beschi M， Visioli A， et al. Inclusion of the Dwell Time Effect in the LuGre Friction Model［J］. Mechatronics， 2020， 66： 102345.

［9］ Capace A， Cosentino C， Abidi H， et al. Modelling and Identification of the Asymmetric Hysteresis in the Viscoelastic Response of the Fingertip under Indentation： A Multistate Friction Model with Switching Parameters［J］. Mechatronics， 2021， 77： 102578.

［10］ Sun Y H， Chen T， Wu C Q， et al. A Comprehensive Experimental Setup for Identification of Friction Model Parameters［J］. Mechanism and Machine Theory， 2016， 100： 338-357.

［11］ Marques F， Woliński L， Wojtyra M， et al. An Investigation of a Novel LuGre-Based Friction Force Model［J］. Mechanism and Machine Theory， 2021， 166： 104493.

［12］ Hieu N N， Chung P N. Analysis of Stability and Stick-Slip Motion of a Friction-Induced Vibrating System with Dwell-Time Effect［J］. International Journal of Mechanical Sciences， 2021， 205： 106605.

［13］ Yao J Y， Deng W X， Jiao Z X. Adaptive Control of Hydraulic Actuators with LuGre Model-Based Friction Compensation［J］. IEEE Transactions on Industrial Electronics， 2015， 62（10）： 6469-6477.

［14］ 譚文斌， 李醒飛， 裘祖榮， 等. 基于改進型LuGre模型的自適應滑模摩擦補償方法［J］. 天津大學學報： 自然科學與工程技術版， 2015， 48（5）： 463-467.

Tan Wenbin， Li Xingfei， Qiu Zurong， et al. Adaptive Sliding Friction Compensation Method Based on Modified LuGre Model［J］. Journal of Tianjin University： Science and Technology， 2015， 48（5）： 463-467.（in Chinese）

［15］ 殷婷婷， 賈方秀， 于紀言， 等. 基于改進LuGre摩擦模型的雙旋彈丸固定舵翼滾轉位置魯棒自適應控制算法［J］. 兵工學報， 2019， 40（12）： 2425-2432.

Yin Tingting， Jia Fangxiu， Yu Jiyan， et al. Robust Adaptive Control of Roll Position of Fixed Rudder for Dual-Spin Projectile with Improved LuGre Friction Model［J］. Acta Armamentarii， 2019， 40（12）： 2425-2432.（in Chinese）

［16］ Ahmed F S， Laghrouche S， Harmouche M. Adaptive Backstepping Output Feedback Control of DC Motor Actuator with Friction and Load Uncertainty Compensation［J］. International Journal of Robust and Nonlinear Control， 2015， 25（13）： 1967-1992.

［17］ 管萍， 羅宗樾， 戈新生. 基于RBF神經網絡的撓性航天器分數階滑模姿態控制［J］. 飛行力學， 2021， 39（6）： 68-74.

Guan Ping， Luo Zongyue， Ge Xinsheng. Fractional Order Sliding Mode Attitude Control of Flexible Spacecraft Based on RBF Neural Network［J］. Flight Dynamics， 2021， 39（6）： 68-74.（in Chinese）

［18］ Wang T H， Zhao X M， Jin H Y. Robust Tracking Control for Permanent Magnet Linear Servo System Using Intelligent Fractional-Order Backstepping Control［J］. Electrical Engineering， 2021， 103（3）： 1555-1567.

［19］ Sun G H， Wu L G， Kuang Z A， et al. Practical Tracking Control of Linear Motor via Fractional-Order Sliding Mode［J］. Automa-tica， 2018， 94： 221-235.

［20］ Sun G H， Ma Z Q. Practical Tracking Control of Linear Motor with Adaptive Fractional Order Terminal Sliding Mode Control［J］. IEEE/ASME Transactions on Mechatronics， 2017， 22（6）： 2643-2653.

［21］ 齊乃明， 秦昌茂， 王威. 分數階系統的最優Oustaloup數字實現算法［J］. 控制與決策， 2010， 25（10）： 1598-1600.

Qi Naiming， Qin Changmao， Wang Wei. Optimal Oustaloup Digi-tal Realization of Fractional Order Systems［J］. Control and Decision， 2010， 25（10）： 1598-1600.（in Chinese）

A Friction Disturbance Compensation Method for Electromechanical

Actuator

Based on Fractional Order Adaptive Neural Network

Abstract：Friction torque disturbance affects the tracking performance of electromechanical actuator servo system， bringing position and speed tracking errors， and even may leading to instability of the servo system. Aiming at the problem of poor tracking performance of electromechanical actuator servo system under friction torque disturbance， a FOANN friction compensation algorithm is proposed to estimate and compensate the friction torque. Firstly， base on LuGre friction model， a electromechanical actuator model is established， and the unmeasured state variable in the LuGre model is estimated by radial basis function neural network. Secondly， a FOANN controller is designed， and the stability of corresponding closed-loop system is proved by Lyapunov stability theory. Finally， through simulation and experimental platform， the dynamic performance of FOANN is compared with those of traditional PD and MRAC. The simulation and experimental results show that， with the proposed FOANN friction torque compensation algorithm， the tracking errors of both position and velocity of electromechanical actuator servo system are greatly reduced. FOANN algorithm can effectively estimate and compensate friction torque， reduce the impact of friction disturbance and enhance the dynamic performance of the servo system.

Key words： electromechanical actuator； friction； LuGre model； fractional order control； adaptive control； radial basis function neural network