基于机器学习的多轴联动控制系统设计

吕 娜

(广东中恒安检测评价有限公司，广东 惠州 516000)

多轴联动控制系统涵盖范围较广，在短短30多年内，已经广泛应用于工业社会，尤其是纺织、印刷、自动化程度高的机械控制设备，采用该控制系统可提高机械制造的质量。由多轴构成的联动控制系统主要由机械机构和控制器两部分组成[1]。目前对于联动控制系统，我国学者大多是通过平面图像来研究机械的运行模式，并以运动方向为指标对伺服电机驱动进行控制[2]。然而，若运动方向上机械轴承承受的负载力较大，通过一台伺服电机驱动，则无法保证控制系统的平稳性。

基于此，本文设计了基于机器学习的多轴联动控制系统。

1 控制系统硬件结构设计

多轴联动控制系统硬件结构主要包括运动控制器、伺服系统以及I/O系统，为满足系统稳定控制标准，选择工控主机作为信息处理平台，通过人机交互界面管理与控制系统监控工作[3]。采用DSP(digital signal processor,数字信号处理器)作为系统设计的核心组件，该控制器基于RS-232串行通信工作原理，可用于多轴联动控制。根据负载惯量，主轴升降机选择2kW的伺服驱动器[4]。系统硬件设计框架如图1所示。

该系统硬件结构具有器件少、线路简单的特点。为确保系统整体稳定运作，需根据硬件结构的基本性能要求选取电机[5]。图1中，通过电机CAN总线连接运动控制器与伺服控制器，且运动控制器与电机开关连接，主要用于控制机械结构运动，考虑到系统运行的安全性，对于运动控制器还需设计相关程序使伺服电机能紧急停止[6]。

图1 系统硬件设计框架

1.1 DSP运动控制微处理器

DSP运动控制微处理器具有处理大量信息的能力，能对相关数字信号进行高效的修改与删除，在多轴联动控制系统中其能将数字数据解译成模拟数据[7]。

DSP2812加密运动控制微处理器主要用于并行处理相关指令的多数据流，利用数模转换器获取并转换相关数据，得到模拟信号[8]。DSP和FPGA(field programmable gate array， 现场可编程门阵列)相结合，配以辅助电路，可适用于各种PC主机配置。基本结构如图2所示。

图2 DSP2812加密运动控制微处理器基本结构

在该处理器产品设计与制造过程中，可根据整个系统功能对器件、电路板进行组态设置[9]。FPGA芯片包括16 000个逻辑门，通过触发器可为用户提供多个接口，实现控制器的译码、计数与定时[10]。DSP2812加密运动控制微处理器可将控制程序中的某些数据全部写入到RAM中，并通过上位机读取、监控、管理数据[11]。

1.2 伺服系统

随着技术的不断进步，交流伺服电机逐渐取代了直流电机，伺服系统能够精确跟随整体机构的反馈过程，保证驱动装置的运行更加灵活[12-13]。开环式伺服系统架构如图3所示，可实现远距离同步传输，通过跟踪电信号并结合控制指令，保证驱动装置的控制更加灵活方便[14]。

图3 开环式伺服系统架构

1.3 通信接口电路

应用RS-485串行通信接口电路时，必须在PC主机上安置RS-485转换器，并持有适合PC主机的RS-485卡，在Windows 10环境下利用Win32API函数，实现单片机和主机之间的高效通信[15]。

单片机和PC主机之间的RS-485通信接口电路如图4所示。

图4 RS-485通信接口电路

采用RS-485芯片设计通信电路，有效简化了各类应用所需要的元件数。由于通讯载体是双绞线，因此在485通信接口的起始端接有150 Ω的电阻，该电阻可减少线路传输信号的反射。如果总线上所有的发送器被禁止，那么接收器此时的接收逻辑为0，出现“帧错误”。为避免产生通信故障，需人为使A端电位高于B端电位，保持总线空闲时呈现高电平状态。

2 控制系统软件结构设计

采用机器学习算法对数据进行主动学习，并从已知数据中分析出潜在的概率，通过认知回归方程进行同步载入，使机器具备学习能力，进一步提高工作效率。

机器学习算法的具体步骤如下：

1)对自变量x(x=x1,x2,…,xm)进行n次观测并取均值，得到其测量数据矩阵X，X=(x1,x2,…,xm)n，其中m表示特征根数量。

2)当观测次数n较大时，观测数据矩阵X的协方差矩阵C为：

(1)

式中：cij=Cov(xi,xj)，i=1,2,…,m;j=1,2,…,n，表示X的分量xi，xj的协方差，其中Cov(·)代表协方差。

3)求C的特征根λi及其相应的单位正交特征向量p1,p2,…,pm。

4)根据式(2)获取认知元素ti：

(2)

5)根据式(3)计算认知元素ti的方差潜在概率δi和前a个认知的累计潜在概率ηa：

(3)

式中：a为认知元素数量。一般累计潜在概率不小于85%。

6)自变量x对应m个观测值x1,k，x2,k，…，xm,k，k=1,2,…,n，计算前a个认知元素t1,t2,…,ta的n个样本值为ti,k，i=1,2,…,a；

(4)

式中：α为回归常数；T为认知观测系数。

(5)

通过机器学习算法得到认知回归系数，引入该系数以提高多轴速度变化的认知程度，多轴联动控制系统软件结果具体内容如下。

多轴速度交替模式：启动多轴联动控制系统，使多个型号的轴电机开始锁轴运动，并逐渐载入速度进行交替运行，直到获取全部参数。待运行停止后，完成多轴速度交替。

多轴速度同步模式：启动多轴联动控制系统，通过认知回归系数设置载入速度并进行记录，直到获取全部参数。与多轴速度交替模式一致，都是待运行停止后完成多轴速度交替。

主程序主要包含子程序入口和代码初始化程序，在主程序基础上设计触摸屏人机界面。采用图形化编程语言设计触摸屏界面，并对相关图形元件进行对应功能设计，该过程主要用到的元件有数值元件、按钮开关元件、切换开关元件和功能组件等。

基于机器学习的多轴联动控制流程为：

Step 1，通过控制模块对信号进行选择与设置，并将此信息传递给DSP2812加密运动控制微处理器。

Step 2，利用以太网接收DSP2812加密运动控制微处理器发送来的全部参数信息。

Step 3，计算认知回归系数，设置数据显示模块接收来自处理器的实时信息，并通过及时更新数据来显示相关动态曲线。

Step 4，控制载入速度，通过计算认知回归系数，开始轴电机锁轴运动，同步记录运行速度。

Step 5，对控制信号进行判断，并快速执行程序。

Step 6，DSP2812加密运动控制微处理器和驱动器之间的信息通过CAN总线进行交换，从而完成对电机的控制与监测，最终实现系统的高效运行。

3 实验

为了验证基于机器学习的多轴联动控制系统的性能，搭建了实验平台，如图5所示。

图5 实验平台

伺服驱动器额定功率较大，具有良好的通信功能。实验中每个伺服设备都具有唯一的轴地址，因此从伺服驱动器角度出发，对驱动器输入参数进行优化处理。

3.1 轴点信息采集

分别选取两个单轴点，并对其点位波形进行采集。为了避免受到触摸屏尺寸的限制，选取不同点位波形图进行分析，并在实验平台上选取8个节点进行实验验证。具体过程如下。

1)一号轴运行波形分析。

一号轴点位波形图如图6所示。通过不同点位反馈波形，获取指令速度对应的运行时间，反馈速度保持不变处为点位停止时间，由此计算出点位运行具体位置，见表1。

图6 一号轴单轴点位模式采集波形图

表1 不同点位运行情况

2)二号轴运行波形分析。

获取二号轴点位波形图，如图7所示。通过不同点位反馈波形，可获取不同点位时间和指令速度。二号轴8个点位的基础参数见表2。

图7 二号轴单轴点位模式采集波形图

3.2 系统控制效果对比分析

基于图1和2，分别采用传统系统与基于机器学习的多轴联动控制系统对一号轴和二号轴的控制效果进行对比分析，结果见表3。

表2 二号轴实验点位参数表

表3 不同系统下两种型号轴的控制效果对比分析 %

由表3可知，在不同系统下，两种型号轴的控制效果有差别。相比于传统方法，基于机器学习的系统控制效果更好，主要原因是该系统基于机器学习算法获取认知回归系数，能提高多轴速度变化的认知程度，提高系统协调性能，从而提高了控制效果。

4 结束语

为实现多轴高精度位置的高效控制，本文基于机器学习的思想提出并设计了多轴联动控制系统，以DSP2812加密运动控制微处理器为核心，结合软件设计完成机械装置的多轴联动控制。通过实验对比结果可知，基于机器学习的控制系统能够较好地实现多轴联动的控制。

受到条件限制影响，文中所涉及的控制方法并没有得到先进设备支撑，且研究内容更加偏向于理论研究，因此在后续工作中，应尽可能与相关企业合作进行实验研究，为进一步完善相关理论提供技术支持。