一种伺服电机的建模仿真方法

技术领域

本发明涉及半实物仿真技术领域，尤其涉及一种伺服电机的建模仿真方法。

背景技术

在飞行器半实物仿真过程中，伺服电机作为重要的执行机构通常需要参控，从而建立完整控制回路。伺服电机参控的模式可以有实物参试和模型参试，实物参试的优势在于能够最大程度的将伺服电机的机械和电气特性表现出来，但是实物参试也有局限性，受到环境条件和设备状态的限制，尤其在开展快速短期控制系统验证的条件下，组织伺服电机及其配套设备到位将影响试验进度，因此利用伺服电机模型替代伺服电机实物将是更好的解决方法。

例如，舵机是一个角位置伺服系统，舵机信号包含驱动舵机舵面偏转的控制信号以及表示舵面受控偏转角度的反馈信号，舵机建模的主要任务是找到舵机控制信号a与舵机反馈信号b之间的关系b＝F(a)，通常F()很大程度上是非线性的。

建模仿真的方式有很多种，比较常用的有原理机理建模方法和数据驱动建模方法。原理机理建模是根据伺服电机组成，通过对电气回路、机械回路和控制回路等进行抽象，从而在拉普拉斯变换的基础上建立伺服电机的传递函数，完成伺服电机的复频域建模。这种建模方式需要对伺服电机系统的系统组成和工作原理极其了解，才能建立起特性更合理、还原度更高的模型。因此也存在以下问题，在模型中存在非线性环节或存在认知以外的环节时，如由齿间隙引入的死区非线性环节，系统很难以常规的解析形式表示，同时所建立的模型无法很好的还原伺服电机的特性。

数据驱动建模的方式可以很好的应对上述情况，将伺服电机模型作为黑匣子，基于控制数据(输入)和测量数据(输出)，利用回归、拟合或似然等方式对伺服电机模型进行抽象和逼近。数据驱动建模的方式虽然避免了给出完整模型的难题，但是在建模过程中仍需要给定正确的环节模式，数据驱动的主要作用是完成各个环节的模型参数辨识。

现有的伺服电机建模仿真过程复杂、无法准确的还原伺服电机的特性。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种伺服电机的建模仿真方法，用以解决现有的伺服电机建模仿真过程复杂、无法准确的还原伺服电机的特性的问题。

一方面，本发明实施例提供了一种伺服电机的建模仿真方法，包括以下步骤：

确定伺服电机的频率上限和采样频率；根据所述频率上限和采样频率生成控制信号，采集伺服电机根据控制信号输出的反馈信号；

对所述控制信号和对应的反馈信号进行预处理得到样本数据集；

构建神经网络模型，基于所述样本数据集训练所述神经网络模型，将训练好的神经网络模型作为所述伺服电机的仿真模型；

将待仿真信号输入所述伺服电机的仿真模型，得到所述伺服电机的信号仿真结果。

基于上述技术方案的进一步改进，所述神经网络模型为BP神经网络模型，采用以下公式所述神经网络模型的损失：

其中，y'

进一步地，所述控制信号包括不同频率的控制信号；

对所述控制信号和对应的反馈信号进行预处理得到样本数据集，包括：

对每个频率的控制信号和对应的反馈信号分别进行降噪；

对不同频率的控制信号和对应的反馈信号进行重组；

根据信号最大延迟对重组后的控制信号和对应的反馈信号进行维度扩充，构建样本数据集。

进一步地，对不同频率的控制信号和对应的反馈信号进行重组，包括：

S221、按照频率大小对控制信号排序，生成原始控制信号序列；设重组控制信号序列为空，重组反馈信号序列为空；

S222、生成1-f

S223、若原始控制信号序列中存在频率为s的控制信号，则提取频率为s的控制信号的最靠前的一个周期的信号子序列加入重组控制信号序列；将原始控制信号序列中频率为s的控制信号的最靠前的一个周期的信号子序列删除；将该信号子序列对应的反馈信号加入重组反馈信号序列中；

S224、若原始控制信号序列为空，则重组结束，得到重组控制信号序列和重组控制信号序列；

S225、否则，返回步骤S222。

进一步地，根据信号最大延迟对重组后的控制信号和对应的反馈信号进行维度扩充，构建样本数据集，包括：

将重组后的控制信号和对应的反馈信号按照信号的频率划分为多个信号段；对于每个信号段：

S231、令k＝1；

S232、提取第i个信号段的控制信号中第k到k+p-1个数据作为一个样本数据的输入数据，提取第i个信号段的反馈信号中第k到k+p-1个数据作为该样本数据的标签数据，得到一个完整的样本数据；

S233、若k＝l'

S234、否则，k＝k+1，返回步骤S232。

进一步地，对每个频率的控制信号和对应的反馈信号分别进行降噪，包括：

采用小波降噪分别对每个频率的控制信号和对应的反馈信号进行降噪处理。

进一步地，所述小波降噪的小波基采用bior3.3或bior5.5小波基。

进一步地，所述系统最大延迟p根据公式

进一步地，采用以下方式确定伺服电机的频率上限和采样频率：

S101、以初始频率为当前测试频率；

S102、将当前测试频率对应的信号输入伺服电机，采集伺服电机的反馈信号；

S103、若输入信号的相位与反馈信号的相位差大于第一阈值，或者反馈信号的最大幅值与输入信号的最大幅值之比小于第二阈值，则停止测试，将f

S104、否则，将当前频率加上第一步长得到的结果作为当前频率，返回步骤S102；

其中，采样频率为大于所述频率上限两倍的频率值。

进一步地，根据所述频率上限和采样频率生成控制信号，包括：

S111、以初始频率为当前频率；

S112、根据当前频率和采样频率生成当前频率对应的整周期的正弦信号作为当前频率对应的控制信号，其中周期个数大于第三阈值；

S113、若当前频率等于频率上限，则生成结束；

S114、否则，将当前频率加上第二步长得到的结果作为当前频率，返回步骤S112。

与现有技术相比，本发明采用神经网络方法可全面减少了深入了伺服电机模型所要消耗的时间，避免了建立详细伺服电机模型的难题，增加了伺服电机建模的快速性和准确性。通过根据伺服电机的频率上限和采用频率生成控制信号，根据控制信号和对应的反馈信号生成样本数据，从而利用实测数据进行了伺服电机模型的建立和校核，可以覆盖伺服电机的有效工作频率，且很好的体现出了伺服电机的非线性特性，可以快速准确的得到伺服电机的仿真结果，同时以参数形式表现的人工神经网络可以很容易的实现跨平台和跨代码嵌入，十分适合工程应用。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例基于伺服电机的建模仿真方法的流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

在飞行器半实物仿真过程中，伺服电机作为重要的执行机构通常需要参控，从而建立完整控制回路。伺服电机参控的模式可以有实物参试和模型参试，实物参试的优势在于能够最大程度的将伺服电机的机械和电气特性表现出来，但是实物参试也有局限性，受到环境条件和设备状态的限制，尤其在开展快速短期控制系统验证的条件下，组织伺服电机及其配套设备到位将影响试验进度，因此利用伺服电机模型替代伺服电机实物将是更好的解决方法。

例如，舵机是一个角位置伺服系统，舵机信号包含驱动舵机舵面偏转的控制信号以及表示舵面受控偏转角度的反馈信号，舵机建模的主要任务是找到舵机控制信号a与舵机反馈信号b之间的关系b＝F(a)，通常F()很大程度上是非线性的。

仿真建模的方式有很多种，比较常用的有原理机理建模方法和数据驱动建模方法。原理机理建模是根据伺服电机组成，通过对电气回路、机械回路和控制回路等进行抽象，从而在拉普拉斯变换的基础上建立伺服电机的传递函数，完成伺服电机的复频域建模。这种建模方式需要对伺服电机系统的系统组成和工作原理极其了解，才能建立起特性更合理、还原度更高的模型。因此也存在以下问题，在模型中存在非线性环节或存在认知以外的环节时，如由齿间隙引入的死区非线性环节，系统很难以常规的解析形式表示，同时所建立的模型无法很好的还原伺服电机的特性。

数据驱动建模的方式可以很好的应对上述情况，将舵机模型作为黑匣子，基于控制数据(输入)和测量数据(输出)，利用回归、拟合或似然等方式对伺服电机模型进行抽象和逼近。数据驱动建模的方式虽然避免了给出完整模型的难题，但是在建模过程中仍需要给定正确的环节模式，数据驱动的主要作用是完成各个环节的模型参数辨识。

现有的伺服电机建模仿真过程复杂、无法准确的还原伺服电机的特性。

本发明的一个具体实施例，公开了一种基于伺服电机的建模仿真方法，如图1所示，包括以下步骤：

S1、确定伺服电机的频率上限和采样频率；根据所述频率上限和采样频率生成控制信号，采集伺服电机根据控制信号输出的反馈信号；

S2、对所述控制信号和对应的反馈信号进行预处理得到样本数据集；

S3、构建神经网络模型，基于所述样本数据集训练所述神经网络模型，将训练好的神经网络模型作为所述伺服电机的仿真模型；

S4、将待仿真信号输入所述伺服电机的仿真模型，得到所述伺服电机的信号仿真结果。

采用神经网络方法可全面减少了深入了伺服电机模型所要消耗的时间，避免了建立详细伺服电机模型的难题，增加了伺服电机建模的快速性和准确性。通过根据伺服电机的频率上限和采用频率生成控制信号，根据控制信号和对应的反馈信号生成样本数据，从而利用实测数据进行了伺服电机模型的建立和校核，可以覆盖伺服电机的有效工作频率，且很好的体现出了伺服电机的非线性特性，可以快速准确的得到伺服电机的仿真结果，同时以参数形式表现的人工神经网络可以很容易的实现跨平台和跨代码嵌入，十分适合工程应用。

需要说明的是伺服电机的频率上限为伺服频率上限或者工作频率上限，伺服电机根据控制信号输出的反馈信号，为伺服电机根据控制信号伺服输出的反馈信号。

具体的，步骤S1中采用以下方式确定伺服电机的频率上限和采样频率：

S101、以初始频率为当前测试频率；

S102、将当前测试频率对应的信号输入伺服电机，采集伺服电机的反馈信号；

S103、若输入信号的相位与反馈信号的相位差大于第一阈值，或者反馈信号的最大幅值与输入信号的最大幅值之比小于第二阈值，则停止测试，将f

S104、否则，将当前频率加上第一步长得到的结果作为当前频率，返回步骤S102；

其中，采样频率为大于所述频率上限两倍的频率值。

需要说明的是，步骤S101～S104是在伺服电机的额定负载条件下，对伺服电机实物进行扫频测试。例如，初始频率为1Hz，以1Hz作为第一步长(即f

根据控制理论，信号跟踪要求幅值不低于2分之根号2，相位不超过90度，因此，第一阈值取为90°，第二阈值取0.707，即反馈采集信号相位落后控制输出信号大于90°或者反馈信号的最大幅值与输入信号的最大幅值之比小于0.707，则停止扫频并记录当前频率f

根据奈奎斯特采样定理，采样频率应满足f

根据得到伺服电机的频率上限和采样频率后可生成控制信号。为了得到更加准确的仿真模型，控制信号应尽量覆盖伺服电机的有效工作频率。具体的步骤S1中，根据所述频率上限和采样频率生成控制信号，包括：

S111、以初始频率为当前频率；

S112、根据当前频率和采样频率生成当前频率对应的整周期的正弦信号作为当前频率对应的控制信号，其中周期个数大于第三阈值；

S113、若当前频率等于频率上限，则生成结束；

S114、否则，将当前频率加上第二步长得到的结果作为当前频率，返回步骤S112。

例如，初始频率为1Hz，首先生成频率为1Hz的整周期正弦信号，为了充分体现当前频率的特性、保证有充足的数据进行后续处理，)周期数应大于等于10，即n

将初始频率加上第二步长后的频率作为第二个频率，生成第二个频率对应的整周期的正弦信号，同样的，n

以此类推，直至生成频率上限f

实施时，第二步长应小于或等于第一步长，从而尽量多的覆盖伺服电机的不同工作频率。

每个频率对应的控制信号为子控制信号。

实施时，为了便于区分不同频率的输入信号对应的反馈信号，将不同频率的控制信号(即各子控制信号)间增加一定的间隔信号后拼接在一起得到完整的控制信号。间隔可以为0信号，即无信号状态为间隔。

生成完整的控制信号后，将控制信号输入伺服电机系统，同时以采样频率f

根据间隔信号对反馈信号进行分割，得到不同频率的控制信号对应的反馈信号，每个频率对应的反馈信号为子反馈信号。

得到控制信号和反馈信号后，对所述控制信号和对应的反馈信号进行预处理得到样本数据集，具体的，步骤S2包括：

S21、对每个频率的控制信号和对应的反馈信号分别进行降噪；

由于小波降噪在去噪的同时保留信号特征，因为采用小波去噪对控制信号和反馈信号降噪。

具体的，对每个频率的控制信号和对应的反馈信号进行降噪，包括：

采用小波降噪分别对每个频率的控制信号和对应的反馈信号进行降噪处理。

实施时，首先采用小波函数分别对控制信号和对应的反馈信号进行k层小波分解，得到每层的小波系数；根据预先设置的阈值对每一层的小波系数进行判断，说如果小波系数的幅值低于所述阈值，则认为是由噪声引起的，舍弃这个小波系数，否则，保留该小波系数。根据小波分解的第k层的低频系数和经过阈值筛选处理后的第1～k层的高频系数，进行信号的小波重构，从而得到去噪后的控制信号和对应的反馈信号。实施时，阈值可采用Stein无偏似然估计法估计得到。具体的小波去噪过程为现有技术，此处不再赘述。

需要说明的是，小波分解时由于信号长度需要是2的次幂数，因此，在分解前需要首先对不满足长度要求的信号进行对外延拓，使其成为2的次幂数。例如，然后根据公式

需要说明的是，经过去躁后的信号长度与原信号长度相同。

bior小波基为双正交小波，由于控制信号为正弦信号，因此采用bior系小波基进行降噪处理对信号的破坏较小。

实施时，小波降噪的小波基采用bior3.3或bior5.5小波基，从而充分降低高频信号对总体信号的贡献，减少非有效信息所携带的噪声对未来训练的干扰，防止训练无法收敛。

需要说明的是，降噪是对控制信号和对应的反馈信号分别进行的。例如，对频率为f

S22、对不同频率的控制信号和对应的反馈信号进行重组；

实施时，可按照不同的顺序对不同频率的控制信号和对应的反馈信号进行重组，使得不同频率的信号随机分布，从而防止在训练过程中神经网络受到频率组成的人工模式影响。

例如，原始的信号频率排布为123456789，对不同频率的子控制信号进行重组，例如重组为651294378，对应的子反馈频率也进行同样顺序的重组。

为了进一步消除模型输入顺序对训练的影响，步骤S22可采用以下方式：

S221、按照频率大小对控制信号排序，生成原始控制信号序列；设重组控制信号序列为空，重组反馈信号序列为空；

S222、生成1-f

S223、若原始控制信号序列中存在频率为s的控制信号，则提取频率为s的控制信号的最靠前的一个周期的信号子序列加入重组控制信号序列；将原始控制信号序列中频率为s的控制信号的最靠前的一个周期的信号子序列删除；将该信号子序列对应的反馈信号加入重组反馈信号序列中；

S224、若原始控制信号序列为空，则重组结束，得到重组控制信号序列和重组控制信号序列；

S225、否则，返回步骤S222。

例如，原始控制信号序列为111122223334445555，频率为1Hz的控制信号的周期数为4，频率为2Hz的控制信号的周期数为4，频率为3Hz的控制信号的周期数为3，频率为4Hz的控制信号的周期数为3，频率为5Hz的控制信号的周期数为4。

随机数s为2，则提取频率为2Hz的控制信号的最靠前的一个周期的信号子序列加入重组控制信号序列，即重组控制信号序列此时为2。将原始控制信号序列中频率为2Hz的控制信号的最靠前的一个周期的信号子序列删除，此时，原始控制信号序列为11112223334445555。同时，将频率为2Hz的控制信号的最靠前的一个周期的信号子序列对应的反馈信号加入重组反馈信号序列中。

由于，原始控制信号序列不为空，则继续生成随机数s，直至原始控制信号序列为空，即将原始控制信号序列中的所有信号均移动至重组控制信号序列中，则重组结束。

S23、根据信号最大延迟对重组后的控制信号和对应的反馈信号进行维度扩充，构建样本数据集。

为了强化人工网络对惯性特性和积分特性的敏感，根据信号最大延迟对信号进行维度扩充。具体的，根据信号最大延迟对重组后的控制信号和对应的反馈信号进行维度扩充，构建样本数据集，包括：

将重组后的控制信号和对应的反馈信号按照信号的频率划分为多个信号段；

实施时，按照信号的频率划分为多个信号段，每个信号段内的频率相同，例如重组后的信号频率分布为122646331457，则将其划分的信号段为{1,22,6,4,6,33,1,4,5,7}。

对于每个信号段：

S231、令k＝1；

S232、提取第i个信号段的控制信号中第k到k+p-1个数据作为一个样本数据的输入数据，提取第i个信号段的反馈信号中第k到k+p-1个数据作为该样本数据的标签数据，得到一个完整的样本数据；

S233、若k＝l'

S234、否则，k＝k+1，返回步骤S232。

例如，第i个信号段的控制信号为

根据信号最大延迟p采用步骤S231～S234对控制信号维度扩充，从而得到控制信号为：

同样的方法，其对应的反馈信号为：

以上述矩阵中的对应的一行数据分别作为一个样本的输入数据和标签数据，从而得到样本数据集。

其中，所述信号最大延迟p根据公式

即，计算每个频率下输入伺服电机的控制信号和采集到的对应的反馈信号的最大延迟时间，取其中的最大值作为反馈信号与对应的输入信号的最大延迟时间。

实施时，神经网络模型可采用BP神经网络模型，模型包括连层隐藏层结构，第一层隐藏层第一层隐藏层节点数为p

实施时，采用以下公式计算模型的损失loss，进行反向传播更新模型参数：

其中，y'

在网络模型的训练过程中，每个Epoch可按照步骤S22的方式对不同频率的控制信号和对应的反馈信号进行重组，从而避免训练过程中神经网络受到频率组成的人工模式影响。

当模型的损失达到要求或者满足迭代次数要求，则模型训练结束，将训练好的神经网络模型作为舵伺服电机的仿真模型。对于待仿真的信号将其输入伺服电机的仿真模型，伺服电机的输出结果即为信号仿真结果。需要说明的是，每次输入的信号个数应该为p个。

本发明的基于神经网络的伺服电机的仿真建模方法，利用实测数据进行了伺服电机模型的建立和校核，构建的模型仿真结果更加准确，并可以覆盖伺服电机的有效工作频率，且很好的体现出了伺服电机的非线性特性，同时以参数形式表现的人工神经网络可以很容易的实现跨平台和跨代码嵌入，十分适合工程应用。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。