基于自适应遗传优化递归神经网络的木工送料平台补偿控制研究

【目的】针对结构较为复杂的并联式多轴联动的新型木工带锯送料平台加工精度较低,控制参数无法优化,有多种不确定因素影响精度等问题。结合遗传算法寻优速度快和递归神经网络具有抑制不确定性因素的优点,设计一种将递归神经网络和自适应遗传算法结合的全局优化的控制策略。【方法】分析送料平台结构和误差产生来源,从而建立了相应的误差源模型;结合自适应遗传算法优化RNN网络参数进而对PID参数进行优化,通过Matlab和Adams联合仿真的方法对该补偿控制策略进行验证,并与传统PID、遗传算法优化PID参数和RNN网络优化PID参数3种补偿控制算法进行对比;分析不同算法下控制参数、送料平台位移与角度变化曲线,并搭建了实际电路和控制器进行实验。【结果】分析仿真结果可知:该控制策略与其他3种控制策略相比,超调量最小,响应最快,大约在0.6 s达到稳定,且其在外部干扰下,更快达到稳定,大约0.3 s达到稳定。经过该控制策略补偿后,Y方向的偏移误差从补偿前6 mm降低至小于3 mm,X方向的偏移误差从6 mm降低到2 mm,倾斜角误差从5.5°减小至3°,平台轨迹曲线大部分曲线段与目标曲线完全重合;传统PID控制时,Y方向的偏移误差为6 mm,X方向的偏移误差6 mm,倾斜角误差5.5°,平台轨迹曲线与目标曲线偏差较大;遗传算法优化PID参数控制时,Y方向的偏移误差从补偿前6 mm降低至小于4.8 mm,X方向的偏移误差从6 mm降低到5 mm,倾斜角误差从5.5°减小至4.5°,平台轨迹曲线部分曲线段与目标曲线重合;RNN网络优化PID参数控制时,Y方向的偏移误差从补偿前6 mm降低至小于4.5 mm,X方向的偏移误差从6 mm降低到4.8 mm,倾斜角误差从5.5°减小至4°,平台轨迹曲线部分曲线段与目标曲线重合。【结论】该方法与其他3种方法相比,响应速度快,超调量小,具有很好的抗干扰性能和较强的鲁棒性,且可有效补偿误差,提高其运动精度,满足驱动要求。

锯切木材送料平台仿人工送料姿态的误差与控制策略

以锯切木材平台的仿人工送料姿态为研究对象,依据神经网络的实时更新算法估计轮廓误差,并结合改进的猫群算法对PID参数进行优化,设计了多轴联动的运动控制策略,按照规定指令做出更加精准送料动作,补偿送料平台的系统误差;运用多体动力学软件(ADAMS)、矩阵实验室(MATLAB)进行建模仿真,分析补偿前传统PID优化算法与改进后优化算法的差异,检验改进后优化算法的有效性。结果表明:改进后的优化算法优化过的系统,最大轮廓误差从4.5 mm缩小至1.5 mm;与进给方向垂直方向(x轴方向)的跟踪误差从0.6 mm以内减小到0.2 mm以内,进给方向(y轴方向)的跟踪误差从6.0 mm以内减小到2.1 mm以内;且补偿后的三轴丝杠滑块运动路线以及送料平台的运动路线与对应的理论轨迹基本重合,说明应用改进后优化算法的送料平台,运动精度符合精密曲线锯切的要求。