1 系統(tǒng)總體結構
    控制部分用A1trea公司Cyclone II EP2C35芯片取代了傳統(tǒng)的單片機或DSP。FPGA與單片機最大的區(qū)別就在于它的并行性，能夠并行地采集、處理和輸出信號，是實現(xiàn)神經網(wǎng)絡并行運算的關鍵，為提高整個系統(tǒng)的運行速度起了很大的作用。其FPGA芯片內集成的Nios II軟核處理器作為上位機，根據(jù)末端執(zhí)行器的速度，采用C++語言進行坐標變換和軌跡規(guī)劃，定時向伺服控制系統(tǒng)發(fā)出控制命令和運行參數(shù)。系統(tǒng)總體框圖如圖1所示。

2 電機運動控制模塊的組成
    伺服控制系統(tǒng)模塊接收到速度給定信號和命令后進行速度調節(jié)，如圖2所示。速度調節(jié)器的輸出就是PWM脈寬調制電路的控制信號，之后產生PWM信號傳給伺服電機驅動器驅動電機。速度反饋信號由裝在電機軸上的光電編碼器產生。為了提高反饋信號的分辨率，對光電編碼器的輸出信號進行倍頻，從而提高了編碼器的分辨率，也就提高了速度反饋信號的分辨率。速度調節(jié)采用神經網(wǎng)絡參數(shù)辨識自適應控制。

3 參數(shù)辨識自適應控制系統(tǒng)
    用作自適應控制器的BPNNC，輸入為電機給定轉速y與實際轉速yf相比較得到的轉速誤差e及其變化率ec，輸出為PWM的控制信號Vp(k)。用作參數(shù)辨識的BPN—NI的輸入為驅動系統(tǒng)的實際輸入(即BPNNC的輸出值Vp)和電機實際轉速yf，輸出為辨識的系統(tǒng)輸出y*。y*為預測轉速，用y*代替yf，用作RBFNNC的在線訓練。圖3為參數(shù)辨識自適應控制框圖。

    2個BPNN都是兩輸入單輸出網(wǎng)絡，離線訓練的樣本均通過實驗的方法獲得。NNC的輸入樣本向量為Xci=(e(k)，ec(k)}，輸出樣本向量為Yci={Vp(k)}。NNI的輸入樣本向量XIi=(Vp(k一1)，yf(k一1)}，其輸出樣本向量為YIi={y*(k)}。網(wǎng)絡參數(shù)的學習分為兩步進行：先在離線訓練中確定隱層節(jié)點的個數(shù)及其各層的網(wǎng)絡連接初始權值，再通過在線訓練自適應地調整權值。
    2個BPNN都采用3層的網(wǎng)絡。輸入層節(jié)點只起信號傳輸?shù)淖饔?，隱含層和輸出層神經元的激活函數(shù)采用Sigmoid函數(shù)：

   
    網(wǎng)絡的訓練采用負梯度下降的誤差反向傳播算法。
    當輸入一個樣本時，每個神經元從前到后依次計算：

4 硬件電路的FPGA實現(xiàn)
4．1 BPNN在FPGA中的硬件可重構實現(xiàn)
    目前基于SRAM工藝的FPGA具有易失性的特點，每次重新加電FPGA都要重配置，才能使FPGA進人工作狀態(tài)。配置信息通常存放在片外存儲器中，導致FPGA器件的資源配置可改變特性剛好可以滿足由上述可知的BP網(wǎng)絡的結構可重構、激活函數(shù)可重構和學習算法可重構的要求。
    從計算的角度考慮，BP網(wǎng)絡的算法可以劃分成3個步驟，即前向傳播、誤差反向傳播以及權值更新。但是考慮到神經網(wǎng)絡的復雜性和設計文件的復用性，BP神經網(wǎng)絡的硬件實現(xiàn)必須解決與算法有關的運算速度、計算精度、并行性和可存儲性等問題。本著層次化、模塊化的原則，采用由Verilog HDL硬件描述語言輸入的自上而下的設計方法，把BP神經網(wǎng)絡分為前向運算模塊、誤差反傳及權值調整模塊、權值存儲模塊、權值分配模塊等幾個大的功能模塊。系統(tǒng)結構框圖如圖4所示。

    將各個BP網(wǎng)絡運算模塊進行組合就可以實現(xiàn)一整套人工神經網(wǎng)絡，但是僅僅將這些模塊簡單連在一起并不能讓網(wǎng)絡進行工作或訓練。還必須精確設定在每一個時鐘沿對每一個模塊發(fā)出正確的使能信號，使每一個模塊處于工作狀態(tài)或者停滯狀態(tài)，并且還必須要有合適的地址信號發(fā)生器在正確的時間產生正確的地址信號，使每一次數(shù)據(jù)都能從正確的位置讀出并寫入正確的位置。本文根據(jù)BP算法的運算規(guī)則設計控制模塊，并且采用一個共用的地址發(fā)生器，控制模塊有7個輸出信號，分別是前向模塊使能信號、學習模塊使能信號、片內RAM及地址產生模塊使能信號、片內RAM寫入控制信號wen、片內RAM讀出控制信號ren、片外存儲器寫控制信號save、片外存儲器讀控制信號load。最后的控制器可以使網(wǎng)絡進行離線訓練時將前向模塊、誤差反傳模塊和相應的控制模塊同時配置到FPGA中進行網(wǎng)絡訓練；而當訓練好的網(wǎng)絡正常工作時，只在FPGA中配置前向模塊和相應的控制模塊就可以高速運行該神經網(wǎng)絡。工作流程如圖5所示。

4．2 其他主要模塊在FPGA中的實現(xiàn)
    三角波脈寬調制器(PWM)采用等腰三角形作為載波，將輸入信號與三角波信號比較產生。測速模塊、鑒相倍頻電路模塊可根據(jù)其原理設置相應的乘法器和除法器即可實現(xiàn)。

5 實驗結果
    參考文獻通過對一些典型應用的研究和分析，認為16位定點數(shù)是不削弱神經網(wǎng)絡能力的最小精度要求，并且為避免運算規(guī)模過于龐大和節(jié)約芯片資源，所以對32位的輸出數(shù)據(jù)進行了截尾操作，僅取32位中的前16位。
    速度伺服控制器電路中的所有模塊均用硬件語言Verilog HDL進行描述，在源代碼通過功能仿真和時序仿真測試后，再綜合生成網(wǎng)表文件，最后在Altera公司的Cyclone II EP2C35器件中實現(xiàn)，整個設計消耗的資源已經接近飽和。BP網(wǎng)絡控制器的QuartusII仿真結果如圖6所示。由圖可知經過多次訓練后系統(tǒng)輸出值f接近于給定值t，誤差err變小[llg2]，小于給定誤差。

    驅動對象是一臺直流電機，輸入電壓是DC 27 V，額定電流為2．5 A，最大空載轉速為600 r／min。圖7為空載狀態(tài)下轉速指令由O上升到1lO r／min階躍輸入時的系統(tǒng)跟蹤結果。由圖7可知，系統(tǒng)能很快地響應給定轉速的變化，有較好的跟蹤能力和穩(wěn)定性。

結 語
    運用神經網(wǎng)絡控制的方法，在FPGA中硬件實現(xiàn)速度反饋調控電路，采用C++語言在FPGA片內集成的NiosII軟核處理器內進行坐標變換和軌跡規(guī)劃，構成一個完整的機械臂關節(jié)速度控制器的SOPC系統(tǒng)。通過實驗結果可知，此控制方案進一步提高了速度伺服系統(tǒng)的精度，增加了系統(tǒng)的集成度、抗干擾性和穩(wěn)定性，同時提高了系統(tǒng)的調試效率，是現(xiàn)代機器人伺服系統(tǒng)向模塊化、智能化發(fā)展的方向。