基于RBF神经网络的伺服电机控制系统设计

中文摘要摘要直流伺服电机在各个领域得到广泛应用，高性能的调速控制方法逐渐成为一个重要的研究方向，直流伺服电机本身具有时变性、非线性、强耦合性等特点。PID控制是工业控制中最常用的控制方法，但是用其对复杂的非线性的对象或过程进行控制则难以达到满意的效果，神经网络控制具有非线性映射能力、学习能力以及自适应能力，所以本文研究了基于RBF神经网络的PID控制算法。本文提出了一种基于RBF神经网络的整定的PID控制器来控制直流伺服电动机，通过RBF神经网络对PID控制器的整定，从而实现使直流伺服电机调速系统达到适应环境变化的目的。在本文中首先分析了输入为方波信号时两种控制器的仿真，接着介绍了输入为阶跃信号的仿真分析，最后介绍了当加入干扰时的仿真分析。在理论上应用基于RBF神经网络的整定的PID控制器的系统，有更好的鲁棒性和抗干扰能力，使系统的运行更加平稳。同时，通过MATLAB 仿真结果表明，利用基于RBF神经网络的PID控制器相对于常规PID控制器有响应速度快、控制精度高，抗干扰能力强等优点。关键词：直流伺服电动机,RBF神经网络,PID,MATLAB- 33 -英文摘要ABSTRACTDC servo motors are widely used in various fields ,the high-performance speed control method is becoming an important research direction, DC servo motors itself has a time-variability , nonlinear, and the characterized of strong coupling.PID control is most commonly used in industrial control of the control methods, but difficult to achieve satisfactory results on the complex non-linear object or process control. The neural network control has the non-linear mapping ability, learning capability as well as the auto-adapted ability. Therefore, this article has studied the neural network PID control algorithm based on RBF.Through RBF PID neural network controllers for the entire set, the DC servo motor speed control self-system to adjust to the environment. Firstly, this article analyzed the input for the square-wave signal when two kind of controller simulation .Then, described the input signal for the self-simulation analysis. Finally, introduced the simulation analysis when adding interference. In theory, the PID controller based on RBF Neural network has a better anti-interference robustness and capabilities, to make the system run more smoothly. Meanwhile, through MATLAB simulation results showed that using for the PID controller based on RBF neural network had fast response speed, high precision control, anti-interference ability, etc.KEY WORDS: DC servo motor, RBF Neural network, PID, MATLAB目 录目 录摘要.IABSTRACT(英文摘要).II目录.III第一章 引言.11.1直流伺服电动机.11.1.1 直流伺服电机的定义及特点.11.1.2 直流伺服电机的分类.11.1.3 直流伺服电机的研究和发展现状.21.2人工神经网络.21.2.1人工神经网络的特点以及其分类.21.2.2 神经网络的分类.31.2.3 神经网络的应用.31.3本文研究的主要内容和意义.4第二章 直流伺服电机的结构以及其数学模型.62.1直流伺服电机结构.62.1.1 电机本体.62.1.2 电子换向电路.72.1.3 转子位置检测电路.82.2直流伺服电机的工作原理.82.3直流伺服电机的数学模型.10第三章 RBF神经网络的结构及其原理.143.1 RBF的结构.143.2 RBF神经网络的工作原理.153.2.1关于神经网络输出的计算.153.2.2 网络的学习方法.15第四章 RBF 神经网络整定的PID 控制器设计.184.1 PID参数调整算法.184.2 基于RBF神经网络的直流伺服电机控制系统的仿真.194.2.1 输入为方波信号的系统仿真及分析.194.2.1 输入为阶跃信号的仿真及分析.214.2.2 加干扰的系统仿真及分析.234.3.3两种控制器关于伺服电机的输入U的比较.29第五章 直流伺服电机的硬件调速系统.255.1 直流伺服电机调速系统的硬件电路.255.2 调速主电路.26结论.27参考文献.28致谢.29第一章 引言第一章 引言本章首先介绍了直流伺服电机的发展现状和世界上对直流伺服电机的研究成果以及直流伺服电机在个领域范围的应用于推广，接下来人工神经网络的特点和分类，接着介绍了人工神经网络的发展历程，同时简述了目前国内外对人工神经网络的研究现状。最后本章介绍了本文的研究内容和结构安排。1.1 直流伺服电动机1.1.1 直流伺服电机的定义及特点伺服驱动系统是一种以机械位置或角度作为控制对象的自动控制系统，例如数控机床等，使用在伺服系统中的驱动电动机称为伺服电动机，对他们的基本要求是可控性好，响应速度快，定位准确，调速范围宽等。此外，还有一些其他要求，如在航空领域使用的伺服电动机还要求其重量轻，体积小；有些场合希望伺服电动机的惯量小，以得到极高的响应速度5。（1）机械特性 在输入的电枢电压Ua保持不变时，电机的转速n随电磁转矩M变化而变化的规律，称直流电机的机械特性。 （2）调节特性 直流电机在一定的电磁转矩M（或负载转矩）下电机的稳态转速n随电枢的控制电压Ua变化而变化的规律，被称为直流电机的调节特性。 （3）动态特性 从原来的稳定状态到新的稳定状态，存在一个过渡过程，这就是直流电机的动态特性。1.1.2 直流伺服电机的分类直流伺服电机从电刷角度分可以分为有刷直流伺服电机和无刷直流伺服电机，其中有刷直流伺服电机比较容易控制，而且启动转矩大，结构比较简单，并且调速的范围较宽，直流伺服电机本身的机体的成本也比较低1。但是也有缺点，比如它会产生较为明显的电磁干扰，对环境有一定的要求。而无刷直流伺服电机的体积较小，机体重量也比较轻，功率大，响应速度较快，转动平滑稳定，容易实现智能化，而且电子换向的方式较为灵活，可以进行相应的正弦波换相或方波换相7。无刷直流电机就是用方波控制的同步电机，跟正弦波控制的同步电机相比优点是同功率下转矩稍大，控制设备便宜，缺点就是存在转矩脉动，运行不是很平稳，略有噪音。跟普通的电机相比，直流无刷电机的价格较贵，所以在价格上还得进行努力地控制，争取降低制造成本，生产出高性价比的无刷电机，应用于更广的更泛的领域中去2。1.1.3 直流伺服电机的研究和发展现状在20世纪60年代以前，伺服系统是以步进电机驱动为中心的时代，伺服系统的控制为开环系统。在20世纪60至70年代，直流伺服电动机得到长足发展，由于其优良的调速性能，很多高性能伺服系统都采用直流电动机；同时伺服系统的控制也有开环系统发展为闭环系统。不过，直流伺服电动机存在机械结构复杂、维护工作量大等缺点，机械换向器成为制约其发展的瓶颈。进入20世纪80年代以后，随着材料技术、电力电子技术、控制技术、计算机技术和微电子技术的快速发展以及电动机制造工艺的水平的逐步提高，出现了无刷直流伺服电机，永磁同步直流伺服电机等新型直流伺服电机，以永磁化、无刷化、数字化、智能化、机电一体化及小型化为主要特点15。目前，高性能交流电动机已经成为伺服系统的主流。1.2 人工神经网络1.2.1 人工神经网络的特点以及其分类人工神经网络是一种模拟动物神经网络的并进行相应的数学处理的算法数学模型，其相应的结构如1-1图所示人工神经网络突出的优点：(1) 学习和自适应不知道或不确定的系统；能够同时处理定量、定性知识。(2) 人工神经 可以充分逼近任意复杂的非线性关系； (3) 所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；(4) 采用并行分布处理方法，使得快速进行大量运算成为可能； 12m图1-1 人工神经网络结构图1.2.2神经网络的分类目前，有超过三十几种的神经网络模型在研究和学习中得以应用和推广，在这里面比较有典型性的有下面几种：(1) 自适应共振，是根据可选参数对输入数据进行粗分类的网络。(2) 双向联想存储器，是一类单状态互联想网，具有学习功能，但是容易震荡。(3) BP网是一种反向传递并修正误差的多层映射网，是当前应用最广的一种网络，但是训练时间长，易陷入局部极小9。(4) BSB模型 亦称盒中脑模型，是具有最小均方误差的多层映射网。(5) RBF神经网络 又称是径向基函数神经网络，也是本文研究的主要对象3。1.2.3神经网络的应用人工神经网络已经广泛应用于自动控制领域、处理组合优化问题、模式识别、图像的处理、传感器信号的处理、对于机械人的控制、信号的处理、保健、医疗、商业预测、化工材料，以及数据的挖掘、电力系统、交通、军事、矿业、农业和气象等方面6。下面介绍几个有代表性的应用领域。(1)信息领域神经网络是一种新型的智能信息处理系统，它的应用贯穿于信息的获得、传送、接收和加工处理等许多环节。比如数据压缩说明，神经网络可以对待传送的数据获取模式的特征，只把这个特征传出去，接收后(或使用时)再将它变成原来的模式。(2)自动化领域 20世纪80年代以来，神经网络和控制理论以及控制技术相结合，逐渐成为控制领域的一个先进的学科神经网络控制。它属于智能控制的一个非常重要分支，为了解决复杂的非线性、不确定系统的控制问题开辟了一条崭新新的道路。(3)医学领域很多的用于医学检测设备的输出的数据都是连续的波形方式，这些波的极性和幅值通常能够提供有意义的诊断依据。神经网络在这方面的应用非常普通，如心电图分析，脑电波检测等。(4)经济领域基于神经网络的评价系统在金融风险分析领域应用十分广泛。如不动产评估，借贷咨询，抵押审查，投资交易程序，公司财务分析，通货价格预测等。1.3 本文研究的主要内容和意义直流伺服电机是一个非线性的系统，在本文中提出了一种基于RBF神经网络的伺服电机控制系统的设计，各章任务如下：第一章是建立了直流伺服电机的数学模型，在本文中采用无刷直流电机，紧接着是设计了基于RBF神经网络的控制器，并对其性能进行测试。第2章 介绍了RBF的结构以及其工作原理。第3章 设计了RBF控制器，并对其控制进行调试和仿真，得出相应的仿真结果。第4章 简单介绍了此次设计的硬件电路，包括直流伺服电机的驱动电路以及其调速系统。第五章是总结了本文的研究成果以及接下来要完成的任务。由于直流伺服电机本身存在很多非线性特性，RBF神经网络不但依靠被控系统的精确数学模型,对存在非线性、时变性和干扰等不确定因素的系统有较强的适应性，其相对于普通的PID具有更优的性能，在直流伺服电机的控制系统中能够体现更好的精准度。RBF神经网络具有良好的抗干扰能力和适应能力。同时这种控制器结构简单，易于实现，而且结果精度较高，因此具有广泛的应用领域和应用价值。第二章 直流伺服电机的结构以及其数学模型第二章 直流伺服电机的结构以及其数学模型2.1直流伺服电机结构直流伺服电动机的基本结构和一般的直流电机相同，只是有些直流伺服电机为了减小转动惯量而做的更细长一些。直流无刷电动机一般由电子换相电路、转子位置检测电路和电动机本体三部分组成。2.1.1 电机本体电机本体的主要组成部分有转子和定子，在定转子之间有气隙。直流伺服电机的电机本体结构如图2-1所示。图2-1直流伺服电机结构图定子是直流伺服电机中固定的不动的部分。电机的定子主要组成部分有主磁极，换向极、机座、端盖、和电刷装置等，它的作用是生成磁场以及做物理支撑。转子是电机中能够转动的部分，直流伺服电机的转子又叫做电枢，在电机中，电枢绕组通电后受电磁力作用，形成输出转矩；转子主要由下面几部分组成：（1） 电枢铁心 电枢铁心的作用是作为磁的通路和嵌放绕组，电枢铁心通常由0.5mm厚的涂有绝缘漆的硅钢片叠压而成的，铁心表面冲有槽，槽内可以嵌放电枢绕组。（2） 电枢绕组 电枢绕组用来组成产生感应电动势和通过电流，是直流电机的实现机电能量转换的关键部件。电枢绕组是由若干绝缘导线构成的线圈组成的，每个线圈按一定的规律焊接到换向器上而相连成的一个整体。（3） 换向器 换向器的作用是把电枢内部的交流电用机械焊接的方法转换成直流电。直流无刷电机中一般安装3个霍尔传感器，间隔120度或60度按圆周分布，如图2-2所示。如果间隔120度，则3个霍尔传感器的输出波形相差120度电角度；输出信号中高、低电平各占180度电角度。换相时就必须知道转子的位置，但并不需要连续的位置信息，在S-N交替变化磁场当N极逐渐离开霍尔传感器、磁感应强度逐渐减小时，其输出仍然保持导通状态；只要知道换相点的位置即可。定子绕组多采用以星形连接方式，也可以采用三角形连接，在本文中直流伺服电动机的定子绕组采用的是星形连接方式。图2-2 传感器位置图2.1.2 电子换向电路直流伺服电机必须换相才能实现磁场的旋转，如果根据转子磁极的位置换相，并在换相时满足定子磁势和转子磁势相互垂直的条件，就能取得最大转矩。要想根据转子磁极的位置换相，换相时就必须知道转子的位置，但并不需要连续的位置信息，只要知道换相点的位置即可。在BLDC中，一般采用3个开关型霍尔传感器测量转子的位置。由其输出的3位二进制编码去控制逆变器中6个功率管的导通实现换相。直流无刷电机中一般安装3个霍尔传感器，间隔120度或60度按圆周分布。如果间隔120度，则3个霍尔传感器的输出波形相差120度电角度；输出信号中高、低电平各占180度电角度。如果规定输出信号高电平为“1”，低电平为“0”，则输出的三个信号可用3位二进制编码表示。霍尔元件+信号处理电路=霍尔传感器利用霍尔效应，当施加的磁场达到“动作点”时，OC门输出低电压，称这种状态为“开”;当施加磁场达到“释放点” 使OC门输出高电压，称其为“关”基于这个原理，可制成接近开关。2.1.3 转子位置检测电路如果将一只霍尔传感器安装在靠近转子的位置，当N极逐渐靠近霍尔传感器即磁感应强度达到一定值时，其输出是导通状态；在S-N交替变化磁场当N极逐渐离开霍尔传感器、磁感应强度逐渐减小时，其输出仍然保持导通状态；只有磁场转变为S极并达到一定值时，其输出才翻转为截止状态。下，传感器输出波形占高、低电平各占50%。如果转子是一对极，则电机旋转一周霍尔传感器输出一个周期的电压波形，如果转子是两对极，则输出两个周期的电压波形。2.2直流伺服电机的工作原理直流伺服电机的工作原理与普通直流电动机的工作原理相同，直流伺服电机的电磁转矩公式为。由此可以推出，直流伺服电动机在电枢电流时，因此它没有自传现象，这是直流伺服电动机的一个优点。只要改变励磁电流方向或电枢电流方向即可改变直流电动机的转向，而改变磁通或电枢电流的大小可改变转速的大小，故直流伺服电机的控制方式有电枢控制方式和磁通控制方式两种（永磁式直流伺服电机只有电枢控制方式）。由于电枢控制的性能一般较磁场控制的优良，所以实际中大多采用电枢控制方法。励磁绕组接在直流电源上。电枢绕组接到控制电压上，作为控制绕组。改变电压的数值，直流伺服电机则处于改变电枢电压的调速状态，它的机械特性方程为 （2-1）式中： 气隙磁通；电动机的电动势常数和转矩常数；电枢绕组电阻电磁转矩。直流伺服电动机的机械特性是一簇平行直线，如2-3图所示。由图可见，转矩一定时，直流伺服电机的转速与控制电压成直线关系。改变控制电压的极性，则转向改变。图2-3 直流伺服电动机的机械特性无刷直流电机为了省掉电刷，把电枢安装到定子上去，同时把转子制成永磁体，这种结构恰好与普通的直流电机相反；但是，即使做这种改变还事不够的，因为电枢在通过直流电以后，仅仅产生不变磁场，电动机仍然不能转。要使电机转起来，就要把定子电枢各相的绕组不停换相通电，这样使定子的磁场随着转子位置不断变化，使两个磁场始终维持的大小恒定的空间角(90度)，使产生的转矩推动转子转动。转矩的方向将使转子逆时针旋转。当转子旋转以后，夹角的变化将使转矩的大小及方向都发生变化，这将使电机转子来回摆动，要想维持电机单方向稳定转动，必须维持的方向不变；使保持不变。而且如果能使，即定子磁势和转子磁势相互垂直，则能得到最大转矩。电流流进N定子磁极 S转子铁芯电流流出图2-4 直流伺服电机工作原理示意图转矩的方向将使转子逆时针旋转。当转子旋转以后，夹角的变化将使转矩的大小及方向都发生变化，这将使电机转子来回摆动，要想维持电机单方向稳定转动，必须维持dFr的方向不变；使保持不变。而且如果能使，即定子磁势和转子磁势相互垂直，则能得到最大转矩。当定子绕组的某一相通电时，该电流与转子永久磁钢的磁极所产生的磁场相互作用而产生转矩，使发生转子转动，然后由霍尔位置传感器把转子位置信息变为电信号，来达到控制电子开关线路目的，使定子的各相绕组按照相应的次序进行导通，定子的相电流随着转子位置变化而按照一定次序进行换相。因为电子开关线路导通的次序和转子转角同时变化，因此达到机械换向器的换向的作用。2.3直流伺服电机的数学模型为了分析直流伺服电机的稳定性能和动态品质，必须首先建立描述系统动态物理特性的数学模型。在本文中，直流无刷电机采用三角形接法，采用两两导通模式，反电势波形为平顶宽度为120电角度的梯形波, 电机在工作过程中磁路不饱和, 不计涡流和磁滞损耗, 三相绕组完全对称,其中三相绕组的电压方为： （2-2） 直流伺服电机的功率方程为： （2-3） 直流伺服电机的电磁转矩为： （2-4） （2-5）假设电机的各相绕组的的电阻为同一值都为Rs，其自感为L，各相之间的互感为M，则1式可化简为： (2-6) 化为微分方程形式则为 （2-7） (2-8) (2-9)式中，所以， (2-10) (2-11)由于 ，将其代入（2-7）式得 （2-12）将其积分得 （2-13） 分别对（2-11）和（2-12）式进行拉式变化得 （2-14） （2-15）以上各式联立得伺服直流电机的动态传递函数 （2-16）.定子相绕组电压.定子相绕组电流定子绕组电动势 .每相绕组的自感 每两相绕组间互感 微分算子图 反电势的波形由以上推导过程可以得知对于直流伺服电机的动态结构图，如图2-6所示+TU(s)图2-7 无刷直流电机动态结构图第三章 RBF神经网络的结构及其原理第三章 RBF神经网络的结构及其原理3.1 RBF的结构RBF神经网络即径向基函数神经网络（Radical Basis Function）。径向基函数神经网络是种高效的前馈式的神经网络，它拥有别的前向网络不具备的最佳逼近性能以及全局的最优特性，而且它的结构简单，训练的速度比较快。与此同时，它还可广泛地广泛应用于模式识别、非线性函数逼近等领域的神经网络模型12。RBF 神经元网络不只是拥有以上生物背景，而且还具有数学理论的支持，我们用正则化方法的证明如下面所示结论：如果, N 是训练集合， 表示未知的函数， 其中w也未知，正则化问题的学习过程是寻找 及参数w使 最小10。可以用变分原理证明 应该选择径向基函数（Radial Basis Function）。图3-1 RBF神经网络拓扑图3.2 RBF神经网络的工作原理3.2.1关于神经网络输出的计算假设网络的输出为n维向量u，输出为m维向量y，输入/输出样本对的长度是L。RBF网络隐含层第i个节点的输出为： （3-1）式中：U为n维向量；ci为i个隐节点的中心，i=1,2,3.。S；常常称为欧氏范数，R（.）为RBF函数，拥有局部感受的特点。他有许多种方式，体现了RBF神经网络的非线性映射的能力13。神经网络的输出层第k个节点的输出为隐节点输出的线性组合，即 （3-2）式中，：的连接权；：第k个输出节点的阈值。3.2.2 网络的学习方法设有p组输入/输出样本，p=1,2.，L定义目标函数（L2范数）为 （3-3）学习的目的是使式中是在输入下网络的输出向量。RBF网络的学习算法由无导师学习和有导师学习两部分组成。无导师学习对于无导师学习也可以称作是非监督性的学习，基本上是把所有的样本的输入来进行聚类，以便求出各个隐含层节点的RBF的中心。这里的介绍用k均值聚类算法调整中心，对于算法的步骤如下：对于给定的各隐节点的初始中心，并且计算距离（欧氏距离）并求出最小距离的节点 ， （3-4）调整中心 （3-5）式中，为学习速率，。计算节点r的距离 （3-6）有导师学习对于有导师学习也可以叫做监督学习。确定后，训练由隐含层到输出层之间的权系值，从公式（3-2）可以得知，它是一个线性的方程组，则求权系值就成为线性优化问题15，就可以利用各种各样的线性优化算法求出来。RBF网络的逼近RBF对象图3-2 RBF神经网络逼近RBF神经网络的输出是： （3-7）RBF神经网络的逼近的性能指标函数是 （3-8）我们可以参考梯度下降法得知，输出权节点基宽参数及节点中心矢量的迭代算法如下 （3-9） （3-10） （3-11） （3-12）式中，为学习速率，为动量因子，。我们把控制对象输出对控制对象输入的敏感度叫做JACOBIAN信息，它的值可以由RBF神经网络辨识得到14。其中辨识的算法如下：取RBF神经网络网络的第一个输入，得到，那么 （3-13）第四章 RBF神经网络整定的PID控制器设计第四章 RBF 神经网络整定的PID 控制器设计RBF神经网络的离线训练的参考样本是通过实验所得到的数据，来自于伺服电机的输出和输入的数据以及我们已经整定好的PID控制器。当离线的时候我们通常采用的方法是递阶遗传算法对RBF神经网络的参数以及其相应的结构来进行优化训练，但是考虑到在RBF神经网络中包含着相对较多的参数，所以算法的相应的收敛速度会变得比较缓慢，由于RBF神经网络的输出层是线性神经元，所以神经网络的输出权值对应的调整则可以利用最小二乘法，以便来提高RBF神经网络的工作效率。 PID 控制器 伺服电机 RBF神经网络给定值电机转速图4-1 RBF 神经网络整定PID 控制框图4.1 PID参数调整算法其控制误差是： （4-1）三个PID的输入分别是 (4-2) RBF神经网络的整定指标是 （4-3）的调整量分别是： (4-4) （4-5） （4-6）对于控制对象的输出对控制输入的变化的灵敏度，就可以通过RBF 神经网络进行辨识得到。4.2 基于RBF神经网络的直流伺服电机控制系统的仿真现在我们把普通的PID 控制系统和基于RBF 神经网络整定后的PID 控制系统跟踪方波信号的响应曲线进行相应的对比：对于普通的PID 控制器还没有整定时的参数相对固定，而不能根据直流伺服电动机的特性进行相应的变化以及其动态过程修改参数，同时整定后的神经网络的输出尾随输入的能力相对比较差9。然而当使用了基于梯度下降算法优化RBF 神经网络来整定PID 控制器的参数，就能使直流伺服电机的输出近似为跟踪输入，其相应的结果比较理想。考虑到这个方法只能给出大致的PID 神经网络控制参数，直流伺服电机的性能依靠神经网络的寻优来进行相应的整定，从而我们可以解决常规PID 控制方法中控制参数整定困难的问题，这样就可以克服由常规PID 控制参数的整定给系统产生不理想的效果8。直流伺服电机的数学模型的差分方程为 (4-7)4.2.1 输入为方波信号的系统仿真及分析对于常规PID控制器，当输入为方波信号时其输入与输出的波形如图4-2所示。图4-2 输入为方波信号时PID控制器输入与输出的波形对于加入RBF进行整定的PID控制器，其输入输出的波形如图4-3所示图4-3 加入RBF进行整定的PID控制器的输入输出波形由图4-2和图4-3的输入输出的波形图进行比较可以看出，常规PID控制器的控制效果没有经过RBF神经网络整定后的PID控制器的控制效果好，可见经过RBF整定后，PID控制器的输出能够更好的逼近输出。4.2.1 输入为阶跃信号的仿真及分析对于常规PID控制器，当输入为阶跃信号时，其系统仿真的波形如图4-4所示。图4-4 常规PID控制器仿真图由上图可知，系统的峰值时间=0.1s，系统的超调量，即系统最大偏移量与终值的差与终值比的百分数，即 （4-8）右图可知，则。延迟时间即响应曲线第一次达到其终值一半所需的时间=0.06s，调节时间即响应达到并保持在5%内所需要的最短的时间=0.26s对于经过RBF神经网络整定的PID控制器，当输入为阶跃信号时，其系统仿真的波形如图4-5所示。图4-5 加入RBF整定的PID控制器的仿真图由上图可以得知，系统的峰值时间=0.15s，所以此时系统的超调量=8%，延迟时间=0.1s，调节时间=0.3s。则加入RBF整定的PID控制器和常规PID控制器各自的动态性能指标可以由表4-1所示。表4-1 加入RBF整定的PID控制器和常规PID控制器的动态性能指标 性能指标类型峰值时间延迟时间调节时间超调量加入RBF整定的PID控制器0.15s0.1s0.3s8%常规PID控制器0.1s0.06s0.26s30%通过表4-1可以看出，使用加入RBF整定的PID控制器系统的峰值时间、延迟时间、调节时间都要大于使用常规PID控制器系统的，而前者的超调量则明显小于后者的超调量。由此可以看出，使用加入RBF整定的PID控制器的系统虽然比使用常规PID控制的响应速度慢，但是通过RBF整定的PID控制器其控制效果要明显优于常规PID控制。4.2.2 加干扰的系统仿真及分析对于常规PID控制器，当输入为阶跃信号时，并且在t=1.2s时加干扰项时的仿真波形如图4-6所示。图4-6 常规PID控制器仿真图对于加入RBF整定的PID控制器，当输入为阶跃信号时，并且在t=1.2s时加干扰项时的仿真波形如图4-7所示。图4-7 加入RBF整定的PID控制器的仿真图由以图4-6和图4-7的比较可以看出，没有加RBF神经网络的PID控制器的抗干扰能力较小，而加入RBF神经网络进行整定定后的PID控制器的抗干扰能力则较好。4.3.3 两种控制器关于伺服电机的输入U的比较图4-8 在常规PID控制器下伺服电机的输入U图4-9 在RBF整定的PID控制器下伺服电机的输入U通过两个图的比较可以看出，当使用常规PID控制器时，伺服电机的输入U的震荡较为明显，而使用经过PID整定的PID控制器时，伺服电机的输入U则震荡较为平缓。所以使用用RBF神经网络调整的PID控制器对直流伺服电机进行控制能够使电机达到平稳运行的效果.第五章 直流伺服电机的硬件调速系统第五章 直流伺服电机的硬件调速系统5.1 直流伺服电机调速系统的硬件电路对于直流伺服电机的硬件调速系统所采用采用的是电压源型变频器的方法，首先，整流滤波电路先将两相交流电通过整流滤波稳压变为平稳的直流电，接下来通过微控制器（基于RBF神经网络整定的PID控制器）通过霍尔元件传感器得到电机位置的信号，并且输出控制信号，输出的控制信号在通过电子驱动电路和功率放大电路处理后，将控制信号按逻辑关系分配给直流伺服电机的定子上的各项绕组；与此同时，电流检测环节为电流闭环提供所需的电流反馈。最后控制信号通过送入DSP进行反馈处理。对于系统的控制框图如图5-1所示图5-1 直流伺服电机控制框图5.2 调速主电路为了使直流伺服电机速度可变，必须在绕组的两端加可变电压。利用PWM控制技术，通过控制PWM 信号的不同占空比，则绕组上平均电压可以被控制，从而控制电机转速。在控制系统中采用DSP或单片机时，可利用器件中的PWM产生模块产生PWM波形。根据转速要求设定占空比，然后输出6路PWM信号，加到6个功率管上。直流伺服电机的调速主电路如图5-2所示图5-2 直流伺服电机的调速主电路对于直流伺服电机的硬件调速控制系统也可以选用单片机进行控制，本文不再做详细介绍。结 论结 论本文简单介绍了人工神经网络的原理以及用途和推广，并详尽介绍了直流伺服电机的分类和工作原理，并且建立了直流伺服电机的数学模型。接下来本文又介绍了RBF神经网络的的结构以及其工作原理，并且完成了改进RBF神经网络的伺服电机控制系统的分析，建立了基于RBF神经网络的PID控制器，并且完成了相应的MATLAB仿真。最后文章简单介绍了直流伺服电机的硬件调速系统。通过MATLAB仿真图形可以发现，在使用普通的PID控制器进行控制时，并不能很好的使直流伺服电机的实际输出逼近于期望输出,本文利用RBF神经网络非常强大的的函数逼近能力进行在线训练，并且实时跟踪直流伺服电机模型的变化，并且在这个基础上调节PID