文章编号:1008-0570(2007)02-1-0112-03
中文核心期刊《微计算机信息》(测控自动化)2007年第23卷第2-1期
基于BP神经网络PID控制的BLDCM调速系统
ThespeedservosystemofBLDCMbasedonimprovedBPneuralnetworkPIDcontroller
(江南大学)焦竹青
屈百达徐保国
JIAOZHUQINGQUBAIDAXUBAOGUO
摘要:在分析无刷直流电机(BLDCM)数学模型的基础上,采用改进型BP神经网络与传统PID相结合作为速度控制器,应用
于无刷直流电机调速系统中。在电机初始运行阶段采用传统PID控制,网络学习一段时间后,切换到经过改进的BP神经网络在线自整定PID控制。仿真研究表明,应用这种新型控制方式的无刷直流电机调速系统具有良好的动态性能和稳态精度。
关键词:无刷直流电机;BP神经网络;PID控制;调速系统
文献标识码:B中图分类号:TM341
技
术创新
Abstract:BasedonthemathematicmodelofBLDCmotor,acombinationofanimprovedBPneuralnetworkandageneralPIDcon-trollerisusedinitsspeedservosystem.ThegeneralPIDcontrollerisusedinthebeginningseveralseconds,andthenanotheradaptivePIDcontrollerbasedonneuralnetworkisconvertedtoaftertrainingforseconds.Simulationexperimentsdemonstratethatthiscontrolmethodcanimprovethedynamicalperformanceandenhancethestaticprecisionofthespeedservosystem.Keywords:BLDCmotor,BPneuralnetwork,PIDcontrol,Speedservosystem
1引言
传统无刷直流电机(BLDCM)调速系统通常采用PI控制。PI控制算法简单,参数调整方便,有一定的控制精度,但也存在局限性。在控制对象日趋复杂的今天,对经典PID的挖掘已经不能满足无刷直流电机调速系统对快速性、稳定性和鲁棒性的要求。积分和微分3种控制作用相互配合又相PID控制中的比例、互制约,不是一种简单的线性组合,要从变化无穷的非线性关系中找出最佳的关系才能获得理想的控制效果。BP神经网络具有逼近任意非线性函数的能力,而且结构和学习算法简单明确,不依赖于被控对象的模型,通过神经网络自身的学习,可以找到某一最优控制律下的PID参数。
在本文介绍的无刷直流电机调速系统中,采用改进型BP神经网络与传统PID相结合作为速度控制器。初始运行阶段采用传统的PID控制,网络学习一段时间后切换到BP神经网络在线整定PID控制。为了提高神经网络的收敛速度,避免产生振荡,控制器采用了自适应改变BP网络学习步长和添加惯性项的方法。仿真试验结果证明了该控制器应用于无刷直流电机调速系统的有效性和可操作性。
则三相绕组的电压平衡方程可表示为
(1)
式中子相绕组电流;
——定子相绕组电压;————定
———定子相绕组反电动势;L———每相
绕组的自感;M———每两相绕组间的互感;p———微分算子
三相绕组为行星联接,且没有中线,则有并且
将式(2)和式(3)代入式(1),得到电压方程为
(2)
(3)(4)
定子绕组产生的电磁转矩表达式为
由式(5)可以看出,电磁转矩公式与普通直流电动机相似,其电磁转矩大小与磁通和电流幅值成正比,所以控制逆变器输出矩形波电流的幅值即可控制电磁转矩。为了产生恒定的电磁转矩,要求定子电流为矩形方波,反电动势为梯形波,且在每半个周期内,矩形波电流的持续时间为1200电角度,两者应严格同步。运动方程为
式中
———电磁转矩;
———负载转矩;
———阻尼
系数;ω———机械转速;
———转动惯量
2无刷直流电机数学模型
以二相导通Y形三相六状态为例,分析无刷直流电机的数学模型及电磁转矩等特性。为了便于分析,假定:(1)各相绕组完全对称,定子电流、转子磁场分布皆对称。
换相过程和电枢反应等影响。(2)忽略齿槽、
(3)电枢绕组在定子内表面均匀连续分布。(4)磁路不饱和,不计涡流和磁滞损耗。焦竹青:硕士研究生
国家科技部"十五"攻关项目基金资助(编号:2001BA204B01-03)
-112-
3神经网络PID控制BLDCM调速
系统结构
3.1调速系统硬件结构
无刷直流电机调速系统结构如图1所示。系统采用转速、电流双闭环控制方案,电流环采用传统PI控制方式实现脉宽
《现场总线技术应用200例》
360元/年邮局订阅号:82-946您的论文得到两院院士关注
调制(PWM);速度环控制器的设计基于BP神经网络PID控制算法,数据采集和控制量输出采用新华龙C8051-F330专用控制开发板卡实现。
驱动与传动
4.2反向计算
BP神经网络模型反向学习过程利用BP学习算法来修正
权值和阈值。取性能指标函数为
(13)
虽然一个3层的BP神经网络理论上能够逼近任意的非线性映射关系,且具备较好的泛化能力,但是传统的BP算法也存在缺陷:一是收敛速度慢;二是存在所谓问题。为解“局部极值”决上述问题,采取如下措施来改进算法。
学习速率作如下修正:Δ・(1)变步长法。E<0时,η=ηa;ΔE>0时,η・=ηb。
式中a>1,0<b<1;η———初始学习速率;Δ——误差变化E—(2)引入惯性项。当学习速率自适应变化时,为有效避免学习过程产生振荡,加快收敛速度,附加惯性项,惯性因子的选取原则为:ΔE<0时,a=a;ΔE>0时,a=0。
按照梯度下降法修正权系数的公式为
图1BP神经网格PID控制无刷直流电机调速系统结构图
3.2神经网络PID控制器
神经网络PID控制器由两部分构成:传统PID控制器:直接对被控对象进行闭环控制,且3个参数为在线调整方式;BP神经网络:根据运行状态调节,在线整定传统PID控制器的参数,以期达到某种性能指标的最优化。由于神经网络要经过一段时间的学习才能得到最优的控制参数,所以在系统投运初期不能获得满意的性能指标要求时,采用经过改进的算法可以克服这个不足。文献采用动态调整学习步长的方法加快收敛网络速度,文献中采用确定权系数初值的方法加快学习速率。本文采用了下面两种方法:投入运行初期误差较大,采用经验法整定的
;
(14)
;
由于
未知,所以近似用符号函数sgn[
]取代,由
此带来的计算不精确
可通过调整学习速率η来补偿。由式(7)和式(14)可求得
PID参数直接进行控制,同时BP神经网络在线整定3个参数;
误差在较小范围内时,切换到神经网络整定的参数实现PID控
制,这有利于缩短神经网络学习时间,也能使系统在初运行阶段有较好的动态性能;采用自适应改变BP网络学习步长和添加惯性项的方法,来提高BP网络的收敛速度,避免振荡产生。
(15)
网络输出层权值的学习算法为
技术创新
4BP神经网络PID控制器设计
4.1前向计算
经典增量式数字PID控制算法为u(k)=u(k-1)+Kp[e(k)-e(k-
———误差导数矢量δ
同理可求得隐含层权值学习算法为
(16)
(7)1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
积分、微分系数——比例、Kp、Ki、Kd—采用3层BP神经网络结构:输入层和隐含层个数根据系统的复杂程度分别设定为3和6;输出层个数为3,分别对应Kp、Ki、Kd。3层网络拓扑结构如图2所示。
为反映PID三类信号的特性,网络输入层的输入为
(17)
4.3算法流程
上述改进型BP神经网络PID控制算法的计算机流程如下:①确定BP神经网络结构,给出各层权值的初值;选定学习速率η和惯性因子α,k=1。
②转速采样,设定采样周期为T,并计算转速偏差e(k)=n*(k)-n(k)。
③计时t=t+T,对n*(k)、n(k)、e(k)、u(k)进行归一化处理。④在学习阶段(t<ts)采用经典法整定的PID参数,待学习阶段结束,切换到BP神经网络整定PID参数。
⑤计算PID输出量u(k)。
⑥反向计算,修正输出层和隐含层的权值。
⑦设置k=k+1,返回②重复计算,直到误差满足要求为止。其中,学习时间ts根据实验电机模型的特点来选取。
网络隐含层的输入和输出分别为(9)
(j=1,2,…,6)
其中,W(2)ij为隐含层权值;上标(1)、(2)、(3)分别代表输入层、隐含层和输出层。隐含层神经元激活函数取Sigmoid型双正切函数为f(x)=tanh(x)。
网络输出层的输入和输出分别为
(10)
(j=1,2,3)
以输出层神经元激活函数取非负的Sigmoid型函数
(11)
由于输出层对应的3个可调参数Kp、Ki、Kd不能为负值,所
5仿真试验
本文中实验电机的额定功率P=400W,额定电压U=
g(x)=[1+tanh(x)]/2(12)
300V,额定转速n*=3000r/min,额定转矩Te=1.3N・m,每
相绕组电阻R=7.8Ω,绕组电感L-M=40mH,转动惯量J
邮局订阅号:82-946360元/年
-113-
《PLC技术应用200例》
驱动与传动
・m2。=0.000123Kg
中文核心期刊《微计算机信息》(测控自动化)2007年第23卷第2-1期
(214122江苏无锡江南大学通信与控制工程学院)焦竹青
屈百达徐保国
采用建立好的无刷直流电机调速系统仿真模型,用Matlab语言编制4.3对应的仿真程序,进行仿真试验。神经网络采用
3-6-3结构,初始学习速率η=0.25,惯性因子α=0.05。经验法整
定的PID参数为Kp=0.100,Ki=0.0015,Kd=0.005。取采样周期T=
・m,可以得到系统0.01s,仿真时带负载起动,所带负载TL=1N
阶跃响应曲线如图3所示。
(CollegeofCommunicationandcontrolengineering,SouthernYangtzeUniversity,wuxi,214122,China)Jiao,ZhuqingQu,BaidaXu,Baoguo
通讯地址:(214122江苏无锡江南大学蠡湖校区信控大楼C428室)焦竹青
(收稿日期:2006.10.12)(修稿日期:2006.11.9)
(上接第203页)
零件属性信息作为机械加工工艺卡片中的表头信息,产品结构用来确定装配工艺过程与装配工序所需的零组件。然后由PDM
图3BP神经网络PID控制响应曲线和参数整定曲线由以上仿真波形图可以看出:在n*=3000r/min的参考转速下,系统响应快速且平稳,转速无超调,调节时间很短,具有良好的动态性能和稳态精度;控制器对PID参数整定的结果也同样比较理想,从而验证了改进型BP神经网络PID控制应用于无刷直流电机调速系统的有效性和可操作性。
提取机械加工工艺过程卡片中的数据,并对其进行管理;同时
PDM保存CAPP所生成的设备和刀具等清单,以便给企业中其他应用系统提供数据。具体实现的办法是在CAPP的主菜单中挂一个PDM的菜单项,通过功能调用API函数来“导入/导出”
实现工艺文档及数据的存储。
4结束语
技
术创新
6结束语
采用改进型BP神经网络实现无刷直流电机调速系统PID控制参数的在线自整定,是传统的PID控制与先进的智能控制算法相结合的有效方式,克服了经典PID控制对被控对象模型的过渡依赖,为PID实现复杂的电机非线性控制提供了有效途径。经过改进的BP神经网络克服了传统神经网络的缺陷,提高了收敛的速度,使得该算法具有良好的功能特性,为非线性调速系统的控制、建模、辨识提供了有效的方法与工具。
本文作者创新点:在电机不同运行阶段,分别采用传统PID控制和改进型BP神经网络算法在线整定PID控制。BP网络控制器采用自适应改变BP网络学习步长和添加惯性项的方法,提高了网络的收敛速度,同时避免了振荡的产生。
以PDM为框架进行的与CAPP系统的集成,产品数据的集成最为关键,是实现产品数据的高效管理和共享信息化工作的核心。CAPP与PDM数据的集成使得像CAM等其他应用系统可以直接从PDM共享数据库中获取所需工艺信息,从而有效的实现产品信息的集成。
本文作者创新点:本文主要是讨论在PDM框架下的CAPP与PDM之间的数据集成,在数据存储方面,本文以工艺文档为例论述了数据存储的方法,并根据并行工程设计理念提出了一个工艺文档存储的模型,并加入了工艺人员可操作平台,并通过API实现数据通信,具有较大的现实创新意义。
参考文献
[1]SinghB,ReddyAHN,MurthySS.Hybridfuzzylogicpropor-tionalplusconventionalIntegral-derivativecontrollerforperma-nentmagnetbrushlessDCmotor[A].ProceedingsonIndustrial
191Technology[C].2000:185~
[2]VasP.Artificialintelligence-basedelectricalmachinesanddrives:Applicationsoffuzzy,neural,fuzzy2neural,andgenetical-gorithm-basedtechniques[M].NewYork:Oxford,1999
[3]陶永华.新型PID控制器及其应用(第2版)[M].北京:机械工业出版社,2004
[4]龚菲,王永骥.基于神经网络的PID参数自整定与实时控制[J].华中科技大学学报(自然科学版),2002,30(10):69~71
[5]谭渊,蔡开龙,谢寿生.基于BP网络的PID控制在滑油压力气动控制中的应用[J]微计算机信息,2006,4:106~108
作者简介:焦竹青,(1983-),男,汉族,硕士研究生,研究方向为电机控制与应用,E-mail:jiaozhuqing@bokee.com;屈百达(1956-),男,满族,博士,教授,硕士生导师,研究方向为控制
理论与控制工程。
参考文献:
[1]张振明,许建新,贾晓亮,等.现代CAPP技术与应用[N].西北工业大学出版社,2001(1):12-16.
[2]汪水琴,李杨,谢川,杨文通,王建华.基于PDM的邮件管理系统的研究[J]微计算机信息,2006(6-3):126-128.
作者简介:范志勇(1981-),男(汉族),江苏徐州人,南京信息工程大学系统分析与集成专业硕士研究生,主要从事计算机集成制造系统方向的研究;肖冬荣(1944-),男(汉族),湖南郴州人,南京信息工程大学信息与通信系教授、博导,主要从事系统科学与系统工程研究,E-mail:snow_bat@163.com,zhiyongfan@hotmail.com。
Biography:Jiao,Zhuqing(1983-),male,Thehannationality,Theresearchdirectionismotorcontrolandapplication.Qu,Baida,(1956-),male,TheMannationality,doctor,Theresearchdirec-tioniscontroltheoryandcontrolproject.Biography:FanZhiyong(1981-),male(HanNationality),per-sonofJiangsuXuzhou,Postgraduate,majorinSystemanalyzing&Integration,NanjingUniversityofInformationScience&Technology,mainengageinstudyofComputerIntegratedManu-facturingSystems;XiaoDongrong(1944-),male(HanNationali-ty),personofHunanChenzhou,Professor&TutorofDr,theDepartmentofInformation&communication,NanjingUniversityofInformationScience&Technology,mainengageinstudyofSystemScience&SystemEngineering.(210044南京南京信息工程大学信息与通讯系)范志勇
肖冬荣张群
通讯地址:(210044江苏江苏省南京信息工程大学信息与控制学院)范志勇
(收稿日期:2006.10.16)(修稿日期:2006.11.14)
-114-360元/年邮局订阅号:82-946《现场总线技术应用200例》
因篇幅问题不能全部显示,请点此查看更多更全内容
Copyright © 2019- yrrf.cn 版权所有 赣ICP备2024042794号-2
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务