用于残余振动抑制的深度神经网络输入整形器

针对多轴伺服系统在高速运动急停段因系统柔性产生的残余振动问题,提出了一种适用性广的后置自适应输入整形器算法。该算法无需辨识系统模态参数,以递归最小二乘法(RLS)为基础,残余振动信号作为算法输入,优化得到当前轨迹下抑振效果最优的整形器系数向量,并引入自适应遗忘因子更新算法,以提高整形器在非平稳环境下的跟踪性能。同时建立多层全连接神经网络模型,选择多组激励轨迹作为样本对网络模型进行训练,解决了原有算法在轨迹多次变更的工况下,重新进行优化引起的时间成本显著增加的问题。实验结果表明:相比普通后置自适应输入整形器,应用带自适应遗忘因子后置输入整形器整形后的轨迹停止后的残余振动幅值平均减小了28.3%,最多的减小36.9%,残余振动收敛时间缩短28.4%。应用基于多层神经网络模型的输入整形器整形后的残余振动幅值相比普通后置自适应输入整形器平均减小了21.6%,最多的减小29.8%,残余振动收敛时间缩短23.7%。本研究提出的算法对于提高多轴伺服系统定位精度、缩短定位等待时间具有一定的应用意义,并且多层神经网络模型的引入在期望轨迹变化频繁的工况下提高了整体工作效率。