一种基于机器学习的标定系统电机控制方法及装置与流程

1.本发明涉及电机控制技术领域，尤其涉及一种基于机器学习的标定系统电机控制方法及装置。


背景技术：

2.汽车rgb-led氛围灯是一种具有创建并装饰驾驶舱内灯光场景功能的汽车室内照明系统。它既可以用来向汽车内的人员传达各种车况信息，又可以带来一定观赏性的灯光效果。然而车载氛围灯一般根据混光原理，将不同比例的红光、绿光、蓝光进行混合而得到不同的灯光颜色，这就需要对led的颜色品质进行检验和校准(标定)。
3.在led颜色标定系统中，一个光电探头若想移动到某一特定位置采集灯头的颜色信息，需要通过控制x、y、z三个方向上的直流伺服电机将其带到目标位置。由于未能充分利用位置环、速度环的pid控制参数，有时在一个灯头标定结束后，竖直方向上的电机z响应不够及时，未能将光电探头从标定板中拔出，控制探头在水平面上移动的电机x、y就强行开始移动，导致标定探头被灯板拦腰斩断。因此需要对标定系统中伺服电机的pid参数调节方法进行研究，提高标定电机的实时性，实现对电机位置、转速的实时高效控制。


技术实现要素：

4.本发明的目的是为了至少解决现有技术的不足之一，提供一种基于机器学习的标定系统电机控制方法及装置。
5.为了实现上述目的，本发明采用以下的技术方案：
6.具体的，提出一种基于机器学习的标定系统电机控制方法，包括以下：
7.获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；
8.获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；
9.以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；
10.基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环pid控制器的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；
11.将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环pid控制器的给定输入，得到速度环pid控制器输出的误差信号e3(t)；
12.将误差信号e3(t)输入电流环pid控制器得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。
13.进一步，具体的，位置环混合算法pid参数求解模块以及速度环混合算法pid参数求解模块基于改进的遗传算法以及改进的粒子群算法构建，其作用原理包括，
14.首先利用遗传算法前期搜索速度快、所求解为全局最优解的特点对种群进行初步
筛选，求出接近最优解的精英种群，再利用改进的粒子群算法的局部求解能力，对遗传算法给出的精英种群进行进一步筛选得到最终参数。
15.进一步，具体的，改进的遗传算法的改进部分在于采用实数编码，直接将p、i、d三个参数作为一组基因进行求解。
16.进一步，具体的，改进的粒子群算法部分引入了邻居粒子的位置对该粒子位置的影响，通过增强粒子的社会性进一步扩大它的全局搜索能力，防止陷入局部最优解，改进的粒子群搜索算法如下所示：
17.v
ij
(t+1)＝ωv
ij
(t)+c1r1(t)(p
ij
(t)-x
ij
(t))+c2r2(t)(gj(t)-x
ij
(t))+c3r3(t)(s
kj
(t)-x
ij
(t))x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
18.其中，下标t表示当前粒子的代数，i表示众多粒子中第i个粒子，j表示该向量中的第j维元素，即，vij(t)为第t代粒子中第i个粒子的速度向量中的第j维元素，xij(t)为t代中第i个粒子的位置向量中的第j个元素，pij(t)为第t代粒子中第i个粒子的最优位置向量中的第j维元素，gj(t)为第t代粒子中的全局最优位置向量中的第j维元素，skj(t)为t代中邻居粒子k位置向量中的第j个元素，ω为惯性权值，调整其值可改变粒子的搜索范围和搜索速度，当ω较小时，微粒主要在当前解的附近搜索，局部搜索能力强，需要根据实际情对ω的值进行调整，c1和c2为加速常量，在(0,2)间取值，r1和r2为取值介于(0,1)之间的两个相互独立的随机函数，
19.假设以上元素构成的向量维度为d,则向量xi＝(xi1,xi2,xi3,...,xid)为某一代粒子i的位置向量，vi为粒子速度，pi为该粒子最优位置，gi为全局最优位置向量，sk为邻居粒子k的位置向量。
20.本发明还提出一种基于机器学习的标定系统电机控制装置，包括以下：
21.给定量确定模块，用于获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；
22.反馈量确定模块，用于获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；
23.位置误差计算模块，用于以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；
24.位置环输出计算模块，用于基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；
25.速度环输出计算模块，用于将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环的给定输入，得到速度环输出的误差信号e3(t)；
26.电机控制模块，用于将误差信号e3(t)输入电流环得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。
27.本发明还提出一种基于机器学习的标定系统电机控制系统，包括以下，
28.上位机，用于给定位置信号r(t)以及接收下位机反馈的电机实时位置信息y(t)，并计算得到位置误差e1(t)；
29.位置环混合算法pid参数求解模块，包括设置有由开关s1控制开闭的遗传粒子群pid参数整定模块的位置环pid控制器，用于根据接收到的位置误差e1(t)计算得到误差信
号e2(t)；
30.速度环混合算法pid参数求解模块，包括设置有由开关s2控制开闭的遗传粒子群pid参数整定模块的速度环pid控制器，用于根据接收到的误差信号e2(t)计算得到误差信号e3(t)；
31.电流环pid控制器，用于根据接收到的误差信号e3(t)计算得到电流环的输出；
32.svpwm电机驱动器，用于根据接收到的所述电流环的输出对伺服电机进行驱动。
33.进一步，所述系统还包括，
34.所述上位机与位置环pid控制以及速度环pid控制器的连接位置之间还并联设置有由开关s3控制开闭的遗传粒子群pid参数整定模块，当开关s3闭合时，所述遗传粒子群pid参数整定模块能够同时对位置环pid控制器以及速度环pid控制器进行作用。
35.本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述一种基于机器学习的标定系统电机控制方法的步骤。
36.本发明的有益效果为：
37.本发明提供的一种基于机器学习的标定系统电机控制方法，将改进的遗传算法和粒子群搜索算法相结合应用到电机控制的pid中，既保留了遗传算法前期能迅速向全局最优解逼近的特点，弥补粒子群算法前期易陷入局部最优的不足，又利用改进的粒子群算法高效的求解能力弥补了遗传算法后期向全局最优解靠时近耗时较长效率不高的缺陷。同时遗传算法中基因变异、交叉互换等过程有利于增强系统的鲁棒性，粒子群算法中引入邻居粒子位置信息，有利于进一步防止陷入局部最优解。两者优势互补，取长补短，共同筛选出全局最优解，实现对标定系统伺服电机位置、速度的精准、稳定控制。
附图说明
38.通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的输出电压，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图，在附图中：
39.图1所示为本发明一种基于机器学习的标定系统电机控制方法的流程图；
40.图2所示为本发明一种基于机器学习的标定系统电机控制系统的结构原理图；
41.图3所示为本发明一种基于机器学习的标定系统电机控制方法的遗传粒子群pid参数整定算法流程图。
具体实施方式
42.以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
43.参照图1，实施例1，本发明提出一种基于机器学习的标定系统电机控制方法，包括以下：
44.步骤110、获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；
45.步骤120、获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；
46.步骤130、以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；
47.步骤140、基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环pid控制器的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；
48.步骤150、将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环pid控制器的给定输入，得到速度环pid控制器输出的误差信号e3(t)；
49.步骤160、将误差信号e3(t)输入电流环pid控制器得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。
50.作为本发明的优选实施方式，具体的，位置环混合算法pid参数求解模块以及速度环混合算法pid参数求解模块基于改进的遗传算法以及改进的粒子群算法构建，其作用原理包括，
51.首先利用遗传算法前期搜索速度快、所求解为全局最优解的特点对种群进行初步筛选，求出接近最优解的精英种群，再利用改进的粒子群算法的局部求解能力，对遗传算法给出的精英种群进行进一步筛选得到最终参数。
52.在本优选实施方式中，首先利用遗传算法前期搜索速度快、所求解为全局最优解的特点对种群进行初步筛选，求出接近最优解的精英种群。再利用改进的粒子群搜索算法强大的局部求解能力，对遗传算法给出的精英种群进行进一步筛选，求出pid控制参数的全局最优解，弥补了遗传算法后期求解速度缓慢，难以迅速向全局最优解更进一步的缺陷。最优解的整个求解过程形似一个金字塔，普通种群在最底端，精英种群在中间，全局最优解在塔尖，三者通过改进的遗传算法和改进的粒子群算法结合起来。
53.作为本发明的优选实施方式，具体的，改进的遗传算法的改进部分在于采用实数编码，直接将p、i、d三个参数作为一组基因进行求解。
54.在本优选实施方式中，改进的遗传算法的目标函数j的选取如下所示：
[0055][0056]
式中|e(t)|为控制系的位置误差大小，用来衡量控制系统对电机位置的跟随性能。tp为系统输出量的上升时间，其值越小，控制系统响应越快，实时性越好。但是系统响应越快就越容易产生较大超调量，降低系统稳定性。因此引入输出位置y(t)的变化率大小|dy(t)/dt|来衡量系统输出是否产生明显的超调，对系统的稳定性做出评价。u(t)为系统的位置输入，用来反映系统的输入电压或电流是否过大，防止损坏标定设备。ω1～4为各项指标的权重大小，为了取得较好的位置控制精度，ω1的取值要比其他权重偏大。此外，目标函j的取值越小，代表所求pid参数对伺服电机的控制性能越好。
[0057]
所述改进的所述改进的遗传算法，其适应度函数计算公式如下：
[0058]fi
＝j
max-ji[0059]
其中，fi为第i个个体的适应度，jmax为当前种群中目标函数的最大值，ji为第i个个体的目标函数。个体适应度越大，其对应的pid参数的控制性能越好。
[0060]
所述改进的遗传算法，基因复制概率的计算公式如下：
[0061][0062]
其中，pi为选择第i个基因并复制的概率，fi为第i个个体的适应度，m为当前种群中的个体数，为当前种群中所有个体的适应度。显然适应度越大的个体被复制的概率越高。
[0063]
所述改进的遗传算法，基因交叉互换过程的计算公式如下：
[0064][0065]
其中，h是由kp、ki、kd组成的解向量构成的解空间，即种群。hrs和hrt是第r代中两个不同的解向量，即个体基因。λ是两个体基因间交叉互换的比重，取0到1之间的随机数。而发生交叉互换的概率pc一般取0.4到0.9之间的数值。
[0066]
所述改进的遗传算法，基因突变过程的计算公式如下：
[0067][0068]
其中，hrti表示第第r代的种群中第t个解的第i个元素。m是该元素取值范围的中值，d为该取值范围上下边界的差值，λ是介于-0.5到+0.5之间的随机数。此外,基因突变的概率pm介于0.0001至0.1000之间。
[0069]
粒子群算法是一种通过模拟飞鸟集群飞行来找最优解的仿生算法。其本质是将个体信息和社会信息联合起来，从而使无序的群体慢慢收敛于最优粒子周围。每个粒子的当前位置x(t)代表一种解。
[0070]
作为本发明的优选实施方式，具体的，改进的粒子群算法部分引入了邻居粒子的位置对该粒子位置的影响，通过增强粒子的社会性进一步扩大它的全局搜索能力，防止陷入局部最优解，改进的粒子群搜索算法如下所示：
[0071]vij
(t+1)＝ωv
ij
(t)+c1r1(t)(p
ij
(t)-x
ij
(t))+c2r2(t)(gj(t)-x
ij
(t))+c3r3(t)(s
kj
(t)-x
ij
(t))
[0072]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0073]
其中，下标t表示当前粒子的代数，i表示众多粒子中第i个粒子，j表示该向量中的第j维元素，即，vij(t)为第t代粒子中第i个粒子的速度向量中的第j维元素，xij(t)为t代中第i个粒子的位置向量中的第j个元素，pij(t)为第t代粒子中第i个粒子的最优位置向量中的第j维元素，gj(t)为第t代粒子中的全局最优位置向量中的第j维元素，skj(t)为t代中邻居粒子k位置向量中的第j个元素，ω为惯性权值，调整其值可改变粒子的搜索范围和搜索速度，当ω较小时，微粒主要在当前解的附近搜索，局部搜索能力强，需要根据实际情对ω的值进行调整，c1和c2为加速常量，在(0,2)间取值，r1和r2为取值介于(0,1)之间的两个相互独立的随机函数，
[0074]
假设以上元素构成的向量维度为d,则向量xi＝(xi1,xi2,xi3,...,xid)为某一代粒子i的位置向量，vi为粒子速度，pi为该粒子最优位置，gi为全局最优位置向量，sk为邻居粒子k的位置向量。
[0075]
只闭合开关s1或s2时，对位置环或速度环的pid参数单独调整，xi＝(kp,ki，kd)，即d＝3。当只闭合开关s3时，对位置环和速度环pid参数同时调整，此时d＝6。
[0076]
所述混合算法中改进的粒子群算法部分的目标函数和适应度函数与改进的遗传算法部分相同。
[0077]
所述混合算法一方面采用实数编码，降低了求解难度，另一方面引入邻居粒子位置信息，防止在精英种群中求解时陷入局部最优。将改进的遗传算法和粒子群搜索算法相结合，既保留了遗传算法前期能迅速向全局最优解逼近的特点，弥补粒子群算法前期易陷入局部最优的不足，又利用改进的粒子群算法高效的求解能力弥补了遗传算法后期向全局最优解靠时近耗时较长效率不高的缺陷。同时遗传算法中基因变异、交叉互换等过程有利于增强系统的鲁棒性，粒子群算法中引入邻居粒子位置信息，有利于进一步防止陷入局部最优解。两者优势互补，取长补短，共同筛选出全局最优解，实现对标定系统伺服电机位置、速度的精准、稳定控制。
[0078]
本发明还提出一种基于机器学习的标定系统电机控制装置，包括以下：
[0079]
给定量确定模块，用于获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；
[0080]
反馈量确定模块，用于获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；
[0081]
位置误差计算模块，用于以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；
[0082]
位置环输出计算模块，用于基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；
[0083]
速度环输出计算模块，用于将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环的给定输入，得到速度环输出的误差信号e3(t)；
[0084]
电机控制模块，用于将误差信号e3(t)输入电流环得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。
[0085]
参照图2，本发明还提出一种基于机器学习的标定系统电机控制系统，包括以下，
[0086]
上位机，用于给定位置信号r(t)以及接收下位机反馈的电机实时位置信息y(t)，并计算得到位置误差e1(t)；
[0087]
位置环混合算法pid参数求解模块，包括设置有由开关s1控制开闭的遗传粒子群pid参数整定模块的位置环pid控制器，用于根据接收到的位置误差e1(t)计算得到误差信号e2(t)；
[0088]
速度环混合算法pid参数求解模块，包括设置有由开关s2控制开闭的遗传粒子群pid参数整定模块的速度环pid控制器，用于根据接收到的误差信号e2(t)计算得到误差信号e3(t)；
[0089]
电流环pid控制器，用于根据接收到的误差信号e3(t)计算得到电流环的输出；
[0090]
svpwm电机驱动器，用于根据接收到的所述电流环的输出对伺服电机进行驱动。
[0091]
作为本发明的优选实施方式，所述系统还包括，
[0092]
所述上位机与位置环pid控制以及速度环pid控制器的连接位置之间还并联设置有由开关s3控制开闭的遗传粒子群pid参数整定模块，当开关s3闭合时，所述遗传粒子群pid参数整定模块能够同时对位置环pid控制器以及速度环pid控制器进行作用。
[0093]
在本系统运行时，
[0094]
步骤1：结合图2以及图3所示，当只有开关s1闭合时，系统对位置环控制器的pid参数进行整定。根据系统的位置误差、超调量、上升时间等指标，利用改进的遗传算法模块对生成的普通种群进行初筛并保留控制效果相对较好的个体，构成精英种群。
[0095]
步骤2：将精英种群送入改进的粒子群算法模型中，求取全局最优pid位置控制参数。
[0096]
步骤3：如图1所示，在各个pid控制器的参数都调整好后，首先通过上位机发送电机目标位置指令，分别将其作为位置环的给定量r(t)。同时上位机读取下位机发送来的电机实时位置息y(t),将其作为位置环的反馈量。用给定量r(t)减去输出位置反馈量y(t)即得到输出量与给定量之间的误差e1(t)，即位置误差，并将误差e1(t)送入调好参数的位置pid控制器中，得到位置环输出e2(t)，此误差即为转速环pid控制器的给定输入。将速度环输出误差e3(t)作为电流环的给定输入，并将电流环的输出送到svpwm电机驱动模块中，控制电机的精准运转。
[0097]
步骤4：只有开关s2闭合时，系统单独对速度环pid控制参数进行整定，此时将依据速度误差，超调量，上升时间等指标，利用混合算法模型单独对转速环pid控制器参数进行整定，整体过程参考步骤1至3。
[0098]
步骤5：只有开关s3闭合时，系统对位置环和速度环的pid控制器参数同时进行整定，混合算法模型根据系统的位置误差、超调量、上升时间等指标求解pid控制器参数，整体实施过程参考步骤1至3。
[0099]
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述一种基于机器学习的标定系统电机控制方法的步骤。
[0100]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
[0101]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0102]
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码
可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0103]
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
[0104]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

技术特征：
1.一种基于机器学习的标定系统电机控制方法，其特征在于，包括以下：获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环pid控制器的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环pid控制器的给定输入，得到速度环pid控制器输出的误差信号e3(t)；将误差信号e3(t)输入电流环pid控制器得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。2.根据权利要求1所述的一种基于机器学习的标定系统电机控制方法，其特征在于，具体的，位置环混合算法pid参数求解模块以及速度环混合算法pid参数求解模块基于改进的遗传算法以及改进的粒子群算法构建，其作用原理包括，首先利用遗传算法前期搜索速度快、所求解为全局最优解的特点对种群进行初步筛选，求出接近最优解的精英种群，再利用改进的粒子群算法的局部求解能力，对遗传算法给出的精英种群进行进一步筛选得到最终参数。3.根据权利要求2所述的一种基于机器学习的标定系统电机控制方法，其特征在于，具体的，改进的遗传算法的改进部分在于采用实数编码，直接将p、i、d三个参数作为一组基因进行求解。4.根据权利要求2所述的一种基于机器学习的标定系统电机控制方法，其特征在于，具体的，改进的粒子群算法部分引入了邻居粒子的位置对该粒子位置的影响，通过增强粒子的社会性进一步扩大它的全局搜索能力，防止陷入局部最优解，改进的粒子群搜索算法如下所示：v
ij
(t+1)＝ωv
ij
(t)+c1r1(t)(p
ij
(t)-x
ij
(t))+c2r2(t)(g
j
(t)-x
ij
(t))+c3r3(t)(s
kj
(t)-x
ij
(t))x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)其中，下标t表示当前粒子的代数，i表示众多粒子中第i个粒子，j表示该向量中的第j维元素，即，vij(t)为第t代粒子中第i个粒子的速度向量中的第j维元素，xij(t)为t代中第i个粒子的位置向量中的第j个元素，pij(t)为第t代粒子中第i个粒子的最优位置向量中的第j维元素，gj(t)为第t代粒子中的全局最优位置向量中的第j维元素，skj(t)为t代中邻居粒子k位置向量中的第j个元素，ω为惯性权值，调整其值可改变粒子的搜索范围和搜索速度，当ω较小时，微粒主要在当前解的附近搜索，局部搜索能力强，需要根据实际情对ω的值进行调整，c1和c2为加速常量，在(0,2)间取值，r1和r2为取值介于(0,1)之间的两个相互独立的随机函数，假设以上元素构成的向量维度为d,则向量xi＝(xi1,xi2,xi3,...,xid)为某一代粒子i的位置向量，vi为粒子速度，pi为该粒子最优位置，gi为全局最优位置向量，sk为邻居粒子
k的位置向量。5.一种基于机器学习的标定系统电机控制装置，其特征在于，包括以下：给定量确定模块，用于获取上位机发送的电机目标位置指令，将指令中的目标位置作为位置环的给定量r(t)；反馈量确定模块，用于获取下位机反馈的电机实时位置信息y(t)，将y(t)作为位置环的反馈量；位置误差计算模块，用于以给定量r(t)减去反馈量y(t)计算位置误差e1(t)；位置环输出计算模块，用于基于所述位置误差e1(t)通过位置环混合算法pid参数求解模块计算位置环的pid参数，并将所述位置误差e1(t)输入调好参数的位置pid控制器中，得到位置环输出的误差信号e2(t)；速度环输出计算模块，用于将误差信号e2(t)输入速度环混合算法pid参数求解模块求得转速控制器的最优pid值，并将误差信号e2(t)作为pid参数调整后的速度环的给定输入，得到速度环输出的误差信号e3(t)；电机控制模块，用于将误差信号e3(t)输入电流环得到电流环的输出，将电流环的所述输出输入svpwm电机驱动器，控制电机的精准运行。6.一种基于机器学习的标定系统电机控制系统，其特征在于，包括以下，上位机，用于给定位置信号r(t)以及接收下位机反馈的电机实时位置信息y(t)，并计算得到位置误差e1(t)；位置环混合算法pid参数求解模块，包括设置有由开关s1控制开闭的遗传粒子群pid参数整定模块的位置环pid控制器，用于根据接收到的位置误差e1(t)计算得到误差信号e2(t)；速度环混合算法pid参数求解模块，包括设置有由开关s2控制开闭的遗传粒子群pid参数整定模块的速度环pid控制器，用于根据接收到的误差信号e2(t)计算得到误差信号e3(t)；电流环pid控制器，用于根据接收到的误差信号e3(t)计算得到电流环的输出；svpwm电机驱动器，用于根据接收到的所述电流环的输出对伺服电机进行驱动。7.根据权利要求6所述的一种基于机器学习的标定系统电机控制系统，其特征在于，所述系统还包括，所述上位机与位置环pid控制以及速度环pid控制器的连接位置之间还并联设置有由开关s3控制开闭的遗传粒子群pid参数整定模块，当开关s3闭合时，所述遗传粒子群pid参数整定模块能够同时对位置环pid控制器以及速度环pid控制器进行作用。8.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。

技术总结
本发明涉及一种基于机器学习的标定系统电机控制方法，在各个PID控制器的参数都调整好后，首先通过上位机发送电机目标位置指令，分别将其作为位置环的给定量R(t)。同时上位机读取下位机发送来的电机实时位置息Y(t),将其作为位置环的反馈量。用给定量R(t)减去输出位置反馈量Y(t)即得到输出量与给定量之间的误差E1(t)，即位置误差，并将误差E1(t)送入调好参数的位置PID控制器中，得到位置环输出E2(t)，此误差即为转速环PID控制器的给定输入。将速度环输出误差E3(t)作为电流环的给定输入，并将电流环的输出送到SVPWM电机驱动模块中，控制电机的精准运转。本发明能够实现对标定系统伺服电机位置、速度的精准、稳定控制。稳定控制。稳定控制。


技术研发人员：张永祥 贾翠杰 莘炜杰
受保护的技术使用者：广东新晨汽车科技股份有限公司
技术研发日：2023.04.26
技术公布日：2023/7/20