一种数控立车伺服系统及其跟踪精度自愈调控方法与应用

1.本发明属于数控机床伺服驱动控制相关技术领域，更具体地，涉及一种数控立车伺服系统及其跟踪精度自愈调控方法与应用。

背景技术：

2.伺服驱动控制系统作为高端数控机床的重要关键部件，其性能将直接影响数控机床的加工精度和效率。随着装备制造业的不断发展，对伺服系统的控制性能也提出了越来越高要求。伺服系统在各类不确定性扰动下的跟踪精度自愈问题已成为制约数控机床迈向高速高精的关键因素之一。
3.对于数控机床伺服系统而言，负载的变化、复杂的电磁干扰、非线性摩擦、温度的变化、机械装置和电子元器件的老化等各类不确定性因素都会使系统状态偏离预定域，导致跟踪精度无法满足预定的指标。为此，国内外研究学者提出了各类控制策略，以实现伺服系统的跟踪精度自愈。例如，专利202010659860.1提出一种无刷直流电机伺服系统扰动抑制与高精度跟踪控制方法，该方法通过降阶扩张状态观测器对非匹配总扰动进行实时辨识与补偿，确保系统在受到复杂扰动后能及时回归稳定域。相比于基于观测器的跟踪精度自愈调控策略，模糊pi控制器可以利用模糊推理，通过专家知识构建的模糊规则库，在线调整pi控制增益，实现对各类不确定性扰动的实时补偿。该策略具有无需精确模型，适用性好等优势，已在数控机床进给伺服系统的控制中得到了应用。
4.然而，现有的伺服系统跟踪精度自愈调控策略主要关注于特定工作任务下运动过程中的系统状态调控，当工作任务或者工况发生改变时，需要手动调整控制律。否则，固定的控制律将难以使得伺服系统在复杂的任务需求和工况中始终获得预定精度指标。因此，需要探索合适的精度自愈调控策略实现多尺度的控制律及系统状态自调整，以降低人工干预，提高作业效率和跟踪精度。

技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种数控立车伺服系统及其跟踪精度自愈调控方法与应用，其利用光纤总线构建了低延时的信息物理系统，可综合利用上位机的计算资源和嵌入式平台的计算速度，为实现跨时间尺度精度自愈调控奠定基础。其中操作层的模糊调谐器和任务层的模糊神经网络监督决策器分别实现毫秒级和微秒级的控制律自调整，以应对运动过程中的干扰及工作任务或者工况的改变，确保伺服系统跟踪误差快速自动收敛至给定误差域内。
6.为实现上述目的，按照本发明的一个方面，提供了一种数控立车伺服系统，所述伺服系统包括感知及控制层、高速通信层及计算层，所述感知及控制层集成有非级联状态反馈控制器及模糊调谐器，所述高速通信层用于实现所述感知及控制层与计算层的通信链接；所述计算层包括实时监督调试软件，所述实时监督调试软件集成有模糊神经网络监督决策器；
7.所述感知及控制层用于调控伺服电机运转，实时监测电机运转过程中的电流、电压、转速、转矩以及执行机构的定位精度，使得电机角度能够以给定的精度逼近指令轨迹；所述计算层利用上位机平台的计算资源，根据作业需求和系统状态实现对感知及控制层的自学习调优。
8.近一步地，所述非级联状态反馈控制利用位置参考指令θr(t)、位置反馈θ(t)、速度反馈ω(t)、d-q轴的电流反馈(iq(t)、id(t))进行位置调控，其控制律可表示为：
9.u(t)＝k(t)
·
[e(t) ω(t) iq(t) id(t) ce(t)]
t
，式中，k(t)为具有合适维度的控制增益矩阵，e(t)为位置误差e(t)＝θ(t)-θr(t)，ce(t)为误差积分
[0010]
进一步地，所述模糊调谐器用于根据系统的跟踪误差和误差变化率，实时调控状态反馈控制器的可调增益矩阵k(t)，以应对伺服系统在数控机床加工作业过程中的各类扰动，防止系统跟踪误差超于预定约束值。
[0011]
进一步地，所述模糊神经网络监督决策器负责根据切削速度、进给量、切削深度、精度指标、负载力矩、转动惯量及伺服系统跟踪误差，在线优化状态反馈控制器的初始控制增益和模糊调谐器的可调参数，以应对作业任务的切换及工况的缓慢改变，实现伺服系统在全生命周期的跟踪精度自愈调整。
[0012]
进一步地，所述模糊调谐器根据系统的跟踪误差及误差变化律等状态信息，利用模糊推理机和模糊规则库生成主控制器的定量化增益调整值，以此间接生成当前扰动的补偿量，驱使系统跟踪误差稳定收敛至给定误差域。
[0013]
进一步地，所述模糊调谐器的设计包括以下步骤：
[0014]
(1)选择跟踪误差e(t)和误差变化率δe(t)作为输入变量，对应的模糊变量设定为e和δe，并利用输入量化因子ηe和η
δe
，将其从自然论域映射到模糊论域，从自然论域中输入变量到模糊论域中模糊变量的映射关系式为：
[0015][0016]
式中，ηe和η
δe
代表输入量化因子，e
max
为e模糊论域的最大值，δe
max
为δe模糊论域的最大值，sign()为符号函数；
[0017]
(2)根据mamdani型模糊逻辑，借助专家控制经验和伺服系统机理模型确定各类不确定性扰动对系统的影响机制，分析伺服系统在不同运动阶段的控制需求，以此明晰主控制器增益的变化规律，制定相应的模糊规则；
[0018]
(3)设定隶属度函数，将模糊数值变量转换为语言变量，以便利用模糊规则进行模糊推理。
[0019]
进一步地，所述模糊调谐器利用mamdani型模糊推理准则求解当前输入下每条规则的模糊输出：
[0020]
f＝η(e)^η(δe)，式中，η(
·
)是模糊变量的隶属度，^是取大算子。
[0021]
进一步地，所述模糊调谐器还根据上述模糊规则库，运用mamdani型模糊推理法则获得与模糊输入量对应的模糊输出量y(e(t+p),δe(t+p))，并使用重心法去模糊化法求解模糊输出：
[0022][0023]
式中，cj为模糊输出论域的离散值；
[0024]
所述模糊调谐器还利用输出量化因子α(t)将模糊输出量y转换为自然论域的清晰值δk(t)，即：
[0025]
δk(t)＝α(t)
·
y；清晰值即为所求控制增益调整量，将其应用至控制器中，作为初始控制增益k0的调节量，对扰动进行间接补偿，实现操作层的精度自愈调控：
[0026]
k(t)＝k0+δk(t)。
[0027]
进一步地，所述模糊神经网络监督决策器以精度需求指标、工艺参数、系统当前状态作为输入，利用五层的模糊神经网络推导生成相应的操作层可调控制变量的最优值；所述模糊神经网络监督决策器包括输入层、模糊化层、模糊推理层、归一化层及输出层；所述输入层负责输入量化处理，即输入变量从自然论域到模糊论域的转化；所述模糊化层用于将模糊数值变量转换为语言变量，并获得相应的隶属度；所述模糊推理层负责构建模糊规则库，并求解输入变量在每条规则下的模糊输出；所述归一化层负责求解模糊输出变量，每个节点代表一条模糊规则的求解法则；所述输出层负责去模糊化处理，得到模糊输出变量在实际论域的清晰值。
[0028]
按照本发明的另一个方面，提供了一种数控立车伺服系统的跟踪精度自愈调控方法，所述调控方法采用如上所述的数控立车伺服系统进行跟踪精度自愈调控。
[0029]
本发明还提供了一种如上所述的数控立车伺服系统在数控立车中的应用，即所述数控立车包括所述数控立车伺服系统。
[0030]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的数控立车伺服系统及其跟踪精度自愈调控方法与应用主要具有以下有益效果：
[0031]
1.所述伺服系统包括有信息物理系统，所述信息物理系统可以综合利用上位机的计算资源和嵌入式平台的实时性，为跟踪精度的跨尺度多层级自愈调控提供可靠有效的软硬件基础。
[0032]
2.本发明不仅可以确保系统在受到突发扰动时能够及时调整控制输入，使得系统输出误差维持在给定误差带内，还可以通过模糊神经网络监督决策器处理作业任务切换和工况缓时变对原始系统造成的精度偏差，将跟踪精度约束至给定指标内。
[0033]
3.本发明可以有效处理多元扰动，实现跨时间尺度的跟踪精度自愈调控，为伺服系统提供了全生命周期的自适应能力，减少了停机人工校正的环节，从而提高了伺服系统的作业效率。
附图说明
[0034]
图1是本发明提供的数控立车伺服系统的控制结构示意图；
[0035]
图2是图1中的数控立车伺服系统进行跨时间尺度的跟踪精度自愈调控示意图；
[0036]
图3是图1中的数控立车伺服系统的模糊神经网络监督决策器的结构示意图。
具体实施方式
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0038]
请参阅图1，本实施方式以数控机床的进给伺服系统为例，该伺服系统采用非级联的状态反馈控制策略进行位置调控，控制输入为位置参考指令θr(t)、位置反馈θ(t)、速度反馈ω(t)、d-q轴的电流反馈(iq(t)、id(t))，其控制律可表示为：
[0039]
u(t)＝k(t)
·
[e(t) ω(t) iq(t) id(t) ce(t)]
t
，式中，k(t)为具有合适维度的控制增益矩阵，e(t)为位置误差e(t)＝θ(t)-θr(t)，ce(t)为误差积分
[0040]
对于进给伺服系统而言，控制增益矩阵的值跟系统状态和性能需求密切相关。当系统受到扰动或者作业条件发生变化时，未加调节的控制增益可能无法满足预定精度需求，甚至无法确保系统稳定收敛。为保证伺服系统在各类不确定性扰动下能实现跟踪精度自愈，本实施方式基于信息物理融合进行精度自愈调控，充分利用上位机的计算资源和嵌入式平台的实时性，对可调控制增益进行跨时间尺度优化，以间接调控系统，使其响应曲线在受到扰动后快速回归预定精度域内。
[0041]
请参阅图2，本发明提供的数控立车伺服系统包括感知及控制层、高速通信层及计算层，其中，感知及控制层、高速通信层及计算层分别为底层、中层及上层。所述感知及控制层集成有状态反馈控制器及模糊调谐器，所述高速通信层通信连接所述感知及控制层与计算层。所述计算层包括集成有智能优化算法的实时监督调试软件，所述实时监督调试软件集成有模糊神经网络监督决策器。
[0042]
所述感知及控制层包括伺服驱动器、光电编码器、力矩传感器、电流电流/电压ad采样等模块，其用于调控伺服电机运转，实时监测电机运转过程中的电流、电压、转速、转矩以及执行机构的定位精度等状态，使得电机角度能够以给定的精度逼近指令轨迹。
[0043]
所述高速通信层包括光纤、光纤总线传输协议等模块，具备高带宽(2g～4gbps)、微秒级端到端延迟、抗电磁干扰能力强等优势，能够实现上层与底层的高速率通信链接。
[0044]
所述计算层是包括与通信层的数据交互接口、与云端的通信接口等，能充分利用上位机平台的计算资源，根据作业需求和系统状态，实现对感知及控制层的自学习调优。其中，所述实时监督调试软件能够能充分利用上位机平台的计算资源，根据作业需求和系统状态，求解感知及控制层的最优控制增益，并通过光纤总线接口，传送至下层；同时，所述模糊神经网络监督决策器也可根据底层反馈信息，利用监督学习机制实现自调优。
[0045]
模糊调谐器负责根据系统的跟踪误差和误差变化率，实时调控状态反馈控制器的可调增益矩阵k(t)，以应对伺服系统在数控机床加工作业过程中的各类扰动，防止系统跟踪误差超于预定约束值。模糊神经网络监督决策器负责根据切削速度、进给量、切削深度、精度指标、负载力矩、转动惯量、伺服系统跟踪误差等特征变量，在线优化状态反馈控制器的初始控制增益和模糊调谐器的可调参数，以应对作业任务的切换及工况的缓慢改变，实现伺服系统在全生命周期的跟踪精度自愈调整。
[0046]
模糊调谐器的实现对实时性具有较高要求，需要能够利用有限的资源实现微秒级的实时调控。与之相反，模糊神经网络监督决策器具有计算量大的特点，需要在保证有效计算精度的基础上，尽可能提高计算效率。
[0047]
其中，模糊调谐器负责处理伺服系统在运动过程中各类干扰导致的跟踪精度自愈问题。该机制根据系统的跟踪误差及误差变化律等状态信息，利用模糊推理机和模糊规则库生成主控制器的定量化增益调整值，以此间接生成当前扰动的补偿量，驱使系统跟踪误差稳定收敛至给定误差域。
[0048]
模糊调谐器的设计包括以下步骤：
[0049]
(1)选择跟踪误差e(t)和误差变化率δe(t)作为输入变量，对应的模糊变量设定为e和δe；并利用输入量化因子ηe和η
δe
，将其从自然论域映射到模糊论域，从自然论域中输入变量到模糊论域中模糊变量的映射关系式为：
[0050][0051]
式中，ηe和η
δe
代表输入量化因子，e
max
为e模糊论域的最大值，δe
max
为δe模糊论域的最大值，sign()为符号函数。
[0052]
(2)根据mamdani型模糊逻辑，借助专家控制经验和伺服系统机理模型确定各类不确定性扰动对系统的影响机制，分析伺服系统在不同运动阶段的控制需求，以此明晰主控制器增益的变化规律，制定相应的模糊规则，参见表1。
[0053]
表1模糊调谐器的模糊规则
[0054][0055]
其中，模糊语言变量设定为n、z、p，分别表示负、零、正。以第一条规则为例，模糊规则的基本结构为：“如果误差e为n，误差变化率δe为n，则状态反馈控制器的增益变化量为n”。
[0056]
(3)设定隶属度函数，将模糊数值变量转换为语言变量，以便利用模糊规则进行模糊推理。本实施例的隶属度函数指定如下：以y轴(过模糊论域零点的垂直轴)为对称轴的三角型隶属度函数，以两侧边垂直轴(过模糊论域极值的垂直轴)为对称轴的高斯型隶属度函数。
[0057]
所述模糊调谐器利用mamdani型模糊推理准则求解当前输入下每条规则的模糊输出：
[0058]
f＝η(e)∧η(δe)，式中，η(
·
)是模糊变量的隶属度，∧是取大算子。
[0059]
所述模糊调谐器还根据上述模糊规则库，运用mamdani型模糊推理法则获得与模糊输入量对应的模糊输出量y(e(t+p),δe(t+p))，并使用重心法去模糊化法求解模糊输出：
[0060][0061]
式中，cj为模糊输出论域的离散值。
[0062]
所述模糊调谐器还利用输出量化因子α(t)将模糊输出量y转换为自然论域的清晰值δk(t)，即：δk(t)＝α(t)
·
y。
[0063]
上述清晰值即为所求控制增益调整量，将其应用至控制器中，作为初始控制增益k0的调节量，对扰动进行间接补偿，实现操作层的精度自愈调控：
[0064]
k(t)＝k0+δk(t)。
[0065]
操作层各关键可调控制变量，例如输入量化因子、输出量化因子、初始控制增益等，都会通过任务层的模糊神经网络监督决策器做进一步优化，以应对工作任务或者工况的改变，避免系统精度偏移预定约束。
[0066]
其中，任务层的模糊神经网络监督决策器以精度需求指标、工艺参数、系统当前状态等类型变量作为输入，利用五层的模糊神经网络，推导生成相应的操作层可调控制变量的最优值。针对系统作业任务的切换和工况的缓时变对系统跟踪精度的影响，本实施例提出了模糊神经网络监督决策器，可在线优化初始控制增益k0、输入量化因子ηe和η
δe
、输出量化因子α(t)等感知及控制层的关键参数。
[0067]
请参阅图3，所述模糊神经网络监督决策器包括输入层、模糊化层、模糊推理层、归一化层及输出层。
[0068]
其中，所述输入层负责输入量化处理，即输入变量从自然论域到模糊论域的转化；输入层节点与输入变量一一对应，若第i个输入变量为第i个节点的输出表示为其中，ki为第i个节点的权重系数，负责输入变量从自然论域到模糊论域的转化。设定切削速度、进给量、切削深度、精度指标、负载力矩、负载力矩、伺服系统跟踪误差等变量为模糊神经网络决策器的输入，输出期望的优化初始控制增益k0、输入量化因子ηe和η
δe
、输出量化因子α(t)。其中，输入变量向量定义为：
[0069]
x＝{x
1 x
2 x
3 x
4 x
5 x
6 x7}
[0070]
其中，x1为切削速度，x2为进给量，x3为切削深度，x4为精度指标，x5为负载力矩，x6为负载力矩，x7为跟踪误差；输出变量向量定义为：
[0071]
y＝{k
0 η
e η
δe α(t)}。
[0072]
所述模糊化层用于将模糊数值变量转换为语言变量，并获得相应的隶属度。该层每个节点代表一个语言变量，总节点数为其中m指输入模糊变量数目，κi表示第i个模糊变量的语言变量个数。每个节点的输入值为上层的模糊变量，输出为改变量对于该节点的隶属函数值。
[0073]
本实施例采用高斯隶属度函数进行模糊化处理，并获得相应的隶属度。第j个节点的高斯隶属度函数为：
[0074][0075]
式中，是输入变量，为模糊化层节点的输出变量，u
ij
和σj分别是高斯函数的
均值和标准差。
[0076]
所述模糊推理层负责构建模糊规则库，并求解输入变量在每条规则下的模糊输出；该层每个节点代表一条模糊规则，总节点数即为模糊规则数r；本发明使用乘机推理机获取模糊输出，即第j个节点的输出为该节点所有输入信号的乘积，计算公式为任意节点的输入信号的设定都遵循如下准则：“同一节点的输入不得同时有同一模糊变量的不同语言变量”。
[0077]
本实施例中，每个节点有7个输入，选择规则如下：“同一节点的输入同时拥有7个输入变量的模糊语言变量”。
[0078]
所述归一化层负责求解模糊输出变量；每个节点代表一条模糊规则的求解法则。归一化层内节点的个数与模糊推理层节点数相同，每个节点都与模糊推理层的节点全相连，并利用权重法获得相应的输出。第i个节点的输出为该节点第i个输入占全部输入之和的权重，计算公式为式中r为模糊规则数目(即模糊推理层的节点数)。
[0079]
所述输出层负责去模糊化处理，得到模糊输出变量在实际论域的清晰值。本实施例中，输出层共有4个节点，每个节点代表一个输出变量且与归一化层节点全相连。本实施例采用加权平均法进行去模糊化操作，获取模糊变量在自然论域内的清晰值，第j个节点的输出计算公式为式中，是输入变量，λ
ij
为第i个输入与当前第j节点之间的连接权重，r为模糊规则数目(即模糊推理层的节点数)。
[0080]
此外，系统运行前，基于初始数据库的样本数据对上述模糊神经网络模型进行训练，得到初始的参数值；系统运行后，基于监督学习机制进行自学习。
[0081]
针对伺服系统在各类不确定性干扰下的高精度跟踪需求，基于信息物理融合的数控立车伺服系统弥补了传统伺服系统控制策略缺乏多元扰动下的精度自愈能力的缺陷。
[0082]
本发明还提供了一种数控立车伺服系统的跟踪精度自愈调控方法，所述调控方法采用如上所述的数控立车伺服系统进行跟踪精度自愈调控。此外，本发明还提供了一种如上所述的数控立车伺服系统在数控立车中的应用，即所述数控立车包括所述数控立车伺服系统。
[0083]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种数控立车伺服系统，其特征在于：所述伺服系统包括感知及控制层、高速通信层及计算层，所述感知及控制层集成有非级联状态反馈控制器及模糊调谐器，所述高速通信层用于实现所述感知及控制层与计算层的通信链接；所述计算层包括实时监督调试软件，所述实时监督调试软件集成有模糊神经网络监督决策器；所述感知及控制层用于调控伺服电机运转，实时监测电机运转过程中的电流、电压、转速、转矩以及执行机构的定位精度，使得电机角度能够以给定的精度逼近指令轨迹；所述计算层利用上位机平台的计算资源，根据作业需求和系统状态实现对感知及控制层的自学习调优。2.如权利要求1所述的数控立车伺服系统，其特征在于：所述模糊调谐器用于根据系统的跟踪误差和误差变化率，实时调控状态反馈控制器的可调增益矩阵k(t)，以应对伺服系统在数控机床加工作业过程中的各类扰动，防止系统跟踪误差超于预定约束值。3.如权利要求2所述的数控立车伺服系统，其特征在于：所述模糊神经网络监督决策器负责根据切削速度、进给量、切削深度、精度指标、负载力矩、转动惯量及伺服系统跟踪误差，在线优化状态反馈控制器的初始控制增益和模糊调谐器的可调参数，以应对作业任务的切换及工况的缓慢改变，实现伺服系统在全生命周期的跟踪精度自愈调整。4.如权利要求2所述的数控立车伺服系统，其特征在于：所述模糊调谐器根据系统的跟踪误差及误差变化律等状态信息，利用模糊推理机和模糊规则库非级联状态反馈控制器的定量化增益调整值，以此间接生成当前扰动的补偿量，驱使系统跟踪误差稳定收敛至给定误差域；所述非级联状态反馈控制器利用位置参考指令θ
r
(t)、位置反馈θ(t)、速度反馈ω(t)、d-q轴的电流反馈(i
q
(t)、i
d
(t))进行位置调控，其控制律为：u(t)＝k(t)
·
[e(t) ω(t) i
q
(t) i
d
(t) ce(t)]
t
，式中，k(t)为具有合适维度的控制增益矩阵，e(t)为位置误差e(t)＝θ(t)-θ
r
(t)，ce(t)为误差积分5.如权利要求1所述的数控立车伺服系统，其特征在于：所述模糊调谐器的设计包括以下步骤：(1)选择跟踪误差e(t)和误差变化率δe(t)作为输入变量，对应的模糊变量设定为e和δe，并利用输入量化因子η
e
和η
δe
，将其从自然论域映射到模糊论域，从自然论域中输入变量到模糊论域中模糊变量的映射关系式为：式中，η
e
和η
δe
代表输入量化因子，e
max
为e模糊论域的最大值，δe
max
为δe模糊论域的最大值，sign()为符号函数；(2)根据mamdani型模糊逻辑，借助专家控制经验和伺服系统机理模型确定各类不确定性扰动对系统的影响机制，分析伺服系统在不同运动阶段的控制需求，以此明晰主控制器增益的变化规律，制定相应的模糊规则；(3)设定隶属度函数，将模糊数值变量转换为语言变量，以便利用模糊规则进行模糊推理。
6.如权利要求5所述的数控立车伺服系统，其特征在于：所述模糊调谐器利用mamdani型模糊推理准则求解当前输入下每条规则的模糊输出：f＝η(e)∧η(δe)，式中，η(
·
)是模糊变量的隶属度，∧是取大算子。7.如权利要求6所述的数控立车伺服系统，其特征在于：所述模糊调谐器还根据上述模糊规则库，运用mamdani型模糊推理法则获得与模糊输入量对应的模糊输出量y(e(t+p),δe(t+p))，并使用重心法去模糊化法求解模糊输出：式中，c
j
为模糊输出论域的离散值；所述模糊调谐器还利用输出量化因子α(t)将模糊输出量y转换为自然论域的清晰值δk(t)，即：δk(t)＝α(t)
·
y；清晰值即为所求控制增益调整量，将其应用至控制器中，作为初始控制增益k0的调节量，对扰动进行间接补偿，实现操作层的精度自愈调控：k(t)＝k0+δk(t)。8.如权利要求1所述的数控立车伺服系统，其特征在于：所述模糊神经网络监督决策器以精度需求指标、工艺参数、系统当前状态作为输入，利用五层的模糊神经网络推导生成相应的操作层可调控制变量的最优值；所述模糊神经网络监督决策器包括输入层、模糊化层、模糊推理层、归一化层及输出层；所述输入层负责输入量化处理，即输入变量从自然论域到模糊论域的转化；所述模糊化层用于将模糊数值变量转换为语言变量，并获得相应的隶属度；所述模糊推理层负责构建模糊规则库，并求解输入变量在每条规则下的模糊输出；所述归一化层负责求解模糊输出变量，每个节点代表一条模糊规则的求解法则；所述输出层负责去模糊化处理，得到模糊输出变量在实际论域的清晰值。9.一种数控立车伺服系统的跟踪精度自愈调控方法，其特征在于：所述调控方法采用权利要求1-8任一项所述的数控立车伺服系统进行跟踪精度自愈调控。10.一种权利要求1-8任一项所述的数控立车伺服系统在数控立车中的应用。

技术总结

本发明属于数控机床伺服驱动控制相关技术领域，其公开了一种数控立车伺服系统及其跟踪精度自愈调控方法与应用，伺服系统包括感知及控制层、高速通信层及计算层，感知及控制层集成有状态反馈控制器及模糊调谐器，高速通信层用于实现感知及控制层与计算层的通信链接；计算层包括实时监督调试软件，实时监督调试软件集成有模糊神经网络监督决策器；感知及控制层用于调控伺服电机运转，实时监测电机运转过程中的电流、电压、转速、转矩等，使得电机角度能够以给定的精度逼近指令轨迹；计算层利用上位机平台的计算资源，根据作业需求和系统状态实现对感知及控制层的自学习调优。本发明为跟踪精度的跨尺度多层级自愈调控提供可靠有效的软硬件基础。的软硬件基础。的软硬件基础。