（电机与电器专业论文）基于bp神经网络的无刷直流电机pid控制方法的研究.pdf

r e s e a r c ho np i dc o n t r o im e t h o df o rb r u s h l e s sd cm o t o r b a s e do nb pn e u r a ln e t w o r k a b s t r a e t ：w i t ht h ed e v e l o p m e n to ft h ep o w e re l e c t r o n i c s 。m o t o rc o n t r o l t e c h n o l o g ya n dm i c r o p r o c e s s o r ，b m s h l e s sd cm o t o ri san e wt y p em o t o rw h i c h i s d e v e l o p e do nb a s eo fd cm o t o r t h eb r u s h l e s sd c m o t o rh a st h ea d v a n t a g e so fa c m o t o ri ni t ss i m p l es t r u c t u r e ，r e l i a b l eo p e r a t i o na n dc o n v e n i e n tm a i n t e n a n c e ，a s w e l la st h o s eo fd cm o t o ri ni t sh i g he f f i c i e n c y , n oe x c i t a t i o nl o s sa n de a s yc o n t r o l ， s oi th a sw o n d e r f u lf o r e g r o u n di nm a n yf i e l d s t h er e s e a r c ho fb r u s h l e s sd cm o t o r h a sd r a wl o t so fa t t e n t i o no ft h er e s e a r c h e r sa th o m ea n da b r o a d t h et r a d i t i o n a l a n a l y s i sa n dd e s i g n i n gm e t h o do ft h eb r u s h l e s sd cm o t o rh a v eb e e nd e v e l o p e d m a t u r e l y , t h e r e f o r ei ti si m p o r t a n tt of i n do u tag o o dc o n t r o lm e t h o df o rb r u s h l e s s d cm o t o re v i d e n t l y p i dc o n t r o li sw i d e l ya d o p t e di nm a n yf i e l d sb e c a u s eo fi t ss i m p l es t r u c t u r e ， h i g l lr e l i a b i l i t ya n de a s i l yi m p l e m e n t a t i o n p i dc o n t r o l l e rh a sg o o dc o n t r o le f f e c ti f t h ep a r a m e t e r so fs y s t e mm o d e lh a v en o tb i gv a r i a t i o n ，b u tt h e r ea r eal o to f c o m p l e x ，n o n - l i n e a rc o n t r o ls y s t e m sa n dm a n yo b j e c t st h a tc a nn o tb ee s t a b l i s h e d w i t ha c c u r a t em a t h e m a t i c sm o d e lo ni n d u s t r y , i ft h e s es y s t e m sa r ec o n t r o l l e dw i t h t h et r a d i t i o n a lp i dc o n t r o l l e r , i ti si m p o s s i b l et og e ti d e a lc o n t r o le f f e c t f o rb r u s h l e s sd cm o t o r , i th a sh i g hn o n 1 i n e a rt r a i t ，p i dc o n t r o l l e rw i t hf i x e d p a r a m e t e rc a r ln o ta c h i e v eg o o dp e r f o r m a n c ei n d e x s oak i n do fp i dc o n t r o l l e r b a s e do nn e u r a ln e t w o r ki sp r o p o s e d t h i sd e s i g nr e g a r d sb r u s h l e s sd cm o t o ra sa c o n t r o lo b j e c t b ya n a l y z i n gm a t h e m a t i c sm o d e lo fb r u s h l e s sd cm o t o r , t h ed e s i g n o fr e l a t e dn e u r a ln e t w o r kp i dc o n t r o ls y s t e mb a s e do nb pn e u r a ln e t w o r ki s f r o v i d e d b yu s i n gm a t l a b ，t h es i m u l a t i o n o nt h ep e r f o r m a n c eo fat y p i c a l t i m e v a r y i n gn o n l i n e a rs y s t e mw a sc a r r i e do u tb yu s i n gt h ep i dc o n t r o l l e rb a s e d o nt h en e u r a ln e t w o r k a n dt h ea l g o r i t h mw a sp r e s e n t e d t h er e s u l t ss h o wt h a tt h e c o n t r o l l e rb a s e do nt h en e u r a ln e t w o r k sc a ni m p r o v et h er o b u s t n e s so ft h es y s t e m a n dh a sb e t t e ra d a p t a b i l i t i e st ot h em o d e la n de n v i r o n m e n t s ，c o m p a r e dw i t ht h e c l a s s i c a lp i dc o n t r 0 1 t h es i m u l a t i o nm o d e lo fab r u s h l e s sd cm o t o rc o n t r o l s y s t e mw a se s t a b l i s h e db a s e do nt h ea n a l y s i so fi t sm a t h e m a t i cm o d e l as i m u l a t i o n o nt h ed i f f e r e n tc i r c u m s t a n c e sb yt h ec o n v e n t i o n a lp i dc o n t r o l l e ra n dt h en e u r a l n e t w o r kp i dc o n t r o l l e rw a sc a r r i e do u t t h er e s u l t ss h o wt h ev a l i d i t yo ft h em o d e l a n dt h ea d v a n t a g e so ft h en e u r a ln e t w o r kp i dc o n t r o l l e r k e y w o r d s ：b l d c m p i dc o n t r o ln e u r a ln e t w o r ks i m u l a t i o n 5 插图清单 图9 - iw p 神经元模型9 图2 - 2 阶跃函数。l o 图9 - 3 前向网络结构1 2 图2 - 4 有反馈的前向网络结构1 2 图3 1 无刷直流电机结构原理图2 2 图3 2 无刷直流电机系统构成框图。2 2 图3 - 3 无刷直流电机结构框图2 3 图3 - 4 三相全桥电路2 4 图3 5 定子磁势相量图2 5 图3 - 6 无刷直流电机相电流波形图：2 5 图3 7 定子相电流和反电势波形2 7 图3 8 化简后的三相定子等效电路。2 8 图3 - 9 无刷直流电机速度、电流双闭环系统框图2 9 图4 1p i d 控制系统原理框图3 0 图4 - 2 基于b p 神经网络的控制系统结构图3 2 图4 _ 3b p 神经网络结构图。 3 3 图4 4 慢时变系统非线性系统响应。3 6 图4 - 5 正弦信号跟踪结果3 6 图4 _ 6 正弦信号跟踪误差。3 7 图4 7 斜坡信号跟踪结果3 7 图4 - 8 斜坡信号跟踪误差3 8 图4 9 斜坡信号跟踪过程中各参数自适应整定曲线3 8 图4 1 0 在干扰条件下的普通p i d 控制仿真结果3 9 图4 _ 1 1 在干扰条件下的神经网络p i d 控制仿真结果。3 9 图5 - 1 无刷直流电机等效电路图4 1 图5 - 2 无刷直流电机控制系统s i m u l i n k 仿真模型。4 2 图5 - 3p 删信号的产生4 3 图5 - 4 逆变器换相逻辑信号4 4 图5 - 5 无刷直流电机转速突减运行状况仿真曲线4 5 图5 - 6 无刷直流电机负载转矩突增运行状况仿真曲线4 6 图5 - 7 无刷直流电机负载转矩突增时电磁转矩仿真波形4 6 图5 - 8 无刷直流电机负载转矩突增相电流仿真波形4 7 9 表格清单 表3 0 ! 导通功率管与定子合成磁动势对应表2 5 表3 - 2 无刷直流电机四象限运行定子磁动势c 与转子磁动势乃对应表2 6 l o 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究 成果。据我所知，除了文中特别加以标志和致谢的地方外，论文中不包含其他人已 经发表或撰写过的研究成果，也不包含为获得 金壁王些太堂 或其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示谢意。 j ， 学位论文作者签字：敲每签字日期2 0 刁年f 月弓口日 y 学位论文版权使用授权书 本学位论文作者完全了解 金足王些塞堂有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅或借 阅。本人授权 金胆王些太堂 可以将学位论文的全部或部分论文内容编入有关数 据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文 ( 保密的学位论文在解密后适用本授权书) 学位论文者繇感玺 签字日期：砰f 月 o 日 学位论文作者毕业后去向： 工作单位： 通讯地址 导师签名： 签字日期：妒7 年岁月尹日 电话 邮编 致谢 本文是在导师张兴教授的悉心指导下完成的，感谢张老师近三年来的培养、 关心和教导。张老师广博的学识、严谨求实的治学风范、独到的远见卓识、富 有创新的学术思想和高度的责任感以及诲人不倦的精神，使我备受启迪和鼓舞， 并将终身受益。而他豁达的胸襟、谦逊的态度和无争的处世之道更是让我获益 颇多，令我终身难忘。值此论文完成之际，在此谨向导师致以衷心的感谢和诚 挚的敬意! 感谢在我成长的过程中，所有曾经帮助过我的老师和同学。 我还要感谢我的家人特别是我的父母，感谢他们这么多年来给予我的鼓励 和支持! 感谢所有关心、支持和帮助过我的朋友们1 6 作者：戴莹 2 0 0 7 年4 月 第一章绪论 i i 控制理论的发展和面临的挑战t , - , o 】 控制理论学科经历了经典控制理论、现代控制理论两个发展阶段，现在已 进入非线性控制理论和智能控制理论发展时期。它和其他学科样，也是由于 社会发展的需要，从解决重大工程和技术问题的实践中产生发展而来的，而它 的发展水平则受到人类技术手段和知识水平的限制。经典控制理论和现代控制 理论研究的是线性时不变系统的控制问题。但是，自然界和现实生活中的所有 系统绝大多数是非线性的，仅凭单一的分析线性系统的理论来分析非线性系统， 存在它固有的一些缺点。而且，随着科学技术的发展，人们对控制品质的要求 逐步提高，对实际过程的分析逐步精密，对控制系统的研究涉及到非线性、鲁 棒性以及具有柔性结构的系统和离散事件动态系统等，从而系统的非线性影响 也就愈发突出了。显然，传统的线性理论已经不能很好的解决这些问题了。这 对控制理论的应用无疑是一个新的挑战。于是非线性控制理论和智能控制理论 应运而生。 人工智能的发展促使自动控制向智能控制发展。可以说，智能控制是控制 信息论、人工智能和计算机科学相结合的产物。智能控制系统是在控制论、信 息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐步形成的 一类高级信息与控制系统。智能控制强调的是系统对问题能够求解、能够适应 环境和任务的变化及复杂性而且还要具有一定的决策能力，从而做出相应的、 准确的、及时的控制操作。结合具体的工业生产过程，各种智能控制系统正在 发挥巨大的经济和社会效益。智能控制的特点可以概括如下： ( 1 ) 处理各种不确定性、定性信息和数据结构的能力。 ( 2 ) 处理非结构化信息和数据的能力。 ( 3 ) 对具有高度抽象性的离散符号指令做出响应的能力。 ( 4 ) 辨识主控系统结构和构成变化的能力。 ( 5 ) 处理和利用各种不同性质的知识的能力。 ( 6 ) 根据主控系统或环境变化，对自身参数或结构进行修正或重构的能力。 ( 7 ) 在运行过程中学习和获取关于对象和环境新知识并利用新知识改进控 制行为的能力。 ( 8 ) 基于对象行为预测的控制的多目的性。 综上所述，智能控制无论是在理论上还是应用上都得到了长足的发展。 智能控制有各种形式和各种不同的应用领域，其中神经网络控制系统是这 些年来研究很多也是发展很快的一个方向。神经网络在系统控制领域受到重视 主要是因为它的非线性映射能力、自学习适应能力、联想记忆能力、并行信息 处理方式及其优良的容错性能。这些特点使得神经网络非常适合于复杂系统的 建模和控制。特别是当系统存在不确定性因素时，更体现了神经网络方法的优 越性。这些很适合控制系统中的非线性特性，因此，神经网络控制在非线性控 制系统中应用非常广泛。 1 2 神经网络技术的发展与现状 1 1 , 1 2 】 神经网络领域研究的背景工作始于1 9 世纪末和2 0 世纪初。它源于物理学、 心理学和神经生理学的跨学科研究，主要代表人物有h e r m a nv o nh e l m h o l t s ， e r n s tm a c h 和i v a np a v l o v 。这些早期研究主要还是着重于有关学习、视觉和条 件反射等一般理论，并没用包含有关神经元工作的数学模型。 现代对神经网络的研究可以追溯到2 0 世纪4 0 年代，神经网络系统理论的 发展是不平衡的。 人工神经网络的研究始于1 9 4 3 年，它是由心理学家w a r r e nm c c u l l o c h 和 数学家w a l t e rp i u s 所提出的m p 模型。他们从原理上证明了人工神经网络可 以计算任何算术和逻辑函数。该模型除了连接权无需调整以外，其他与现在的 阈值单元的模型基本相同。m p 模型开创了神经科学理论研究的时代。1 9 4 9 年， 心理学家d o n a l dh e b b 通过对大脑神经细胞学习和条件反射的观察研究，提出 了神经元之间突触强度调整的假设。认为学习过程是在突触上发生的，连接权 的调整正比于两相连神经元激活值的乘积。这就是有名的h e b b 学习规则，至 今该规则仍在神经网络模型中发挥着重要作用。 作为人工智能的神经网络系统研究则是2 0 世纪末6 0 年代初开始的，神经 网络的研究受到人们的重视，研究工作进入了一个高潮。1 9 5 7 年，f r a n k r o s e n b l a t t 提出了著名的感知机( p e r c e p t r o n ) 模型，试图模拟动物和人脑的感 知和学习能力，并提出了引入隐层处理元件的三层感知机的概念，公开演示了 它进行模式识别的能力。这是第一个完整的人工神经网络。这次早期的成功引 发了许多人对神经网络的兴趣。这个模型由阈值单元构成，初步具备了诸如并 行处理、分布存储和学习等神经网络的一些基本特征，从而确立了从系统的角 度来研究人工神经网络的基础。1 9 6 2 年，b e r n a r dw i n d r o w 和t c dh o f f 提出了 自适应线性单元( a d a l i n e ) 模型以及一种有效的学习方法w i n d r o w h o f f 学习 规则。它可用于自适应滤波、预测和模型识别。这些模型和算法在很大程度上 丰富了神经网络系统理论。 1 9 6 9 年，美国麻省理工学院著名人工智能学者m m i n s k y 和s p a p e r t 编写 了影响很大的( p e r c e p t r o n ) 一书。该书指出：单层的感知机只能用于线性问题 求解，但对于像异或这样的简单非线性问题却没有办法求解，而能求解非线性 问题的网络应该是具有隐含层的多层神经网络，将感知机模型扩展成多层网络 是否有意义，还不能从理论上得到有力的证明。由于m m i n s k y 在学术界的地 位，他的悲观理论使得很多神经网络研究者失去了信心，另一方面，这一时期 正是数字计算机的发展的全盛时期，基于数字计算机的人工智能得到了迅速的 发展并且取得了显著的成就，从而掩盖了发展新型模拟计算机和人工智能技术 2 的必要性和迫切性，在这之后近1 0 年中，神经网络的研究进入了一个缓慢发展 的低潮期。 虽然形势如其严峻，但在这个期间的研究工作并没有完全停顿，仍有许多 学者继续进行探索和研究，并取得一些重要成果。主要是提出了各种不同的网 络模型，展开了人工神经网络理论、增加网络功能和改善各种学习算法等方面 的研究，这些研究成果对以后神经网络理论、数学模型和体系结构的研究和发 展都产生了重要影响，为神经网络系统发展的高潮奠定了坚实的基础。 s t e p h e ng r o s s b e r g 是对神经网络系统研究的人员中最有影响者，他深入研 究了心理学和生物学的处理，以及人类信息处理的现象，把思维和脑紧密结合 在一起，成为了统一的理论。1 9 6 9 年，g r o s s b e r g 等提出了自适应共振理论( a r t ) 。 日本学者s h u n i c h ia m a r i 致力于神经网络有关数学理论的研究。他的突出 贡献是1 9 7 1 年的对称连接人工神经网络系统的稳定性研究与1 9 7 9 年和 k i s h i m o t o 合作发表的在不对称连接人工神经网络系统中回忆瞬间模式序列的 稳定性的研究。在1 9 8 2 年和1 9 8 3 年还发表了人工神经网络系统中模式结构的 动力学。 1 9 7 0 年和1 9 7 3 年，k u n i h i k o f u k u s h i m a 研究了视觉系统的空间和时间的人 工神经系统模型，以及脑的空间和时空人工神经系统模型。提出了神经认知网 络理论。f u k u s h i m a 网络包括人工神经认知和基于人工神经认知机的有选择的 识别两个模型。 芬兰的t u e v ok o h o n e n 在1 9 7 1 年开始了随机连接变化表的研究工作。从 1 9 7 2 年开始，他将研究目标集中到联系记忆方面。并提出了自组织映射理论。 k o h o n e n 将l v q 网络应用到语音识别、模式识别和图像识别方面，取得了很大 的成功。 1 9 6 8 年j a m e sa n d e r s o n 从具有基于神经元突触的激活联想记忆模型的 a n s 模型开始工作。1 9 7 3 年和1 9 7 7 年他把线性联想记忆( l a m ) 应用到诸如识 别、重构和任意可视模式的联想这样的问题上。1 9 7 7 年，a n d e r s o n 和s i l v e r s t e i n 等人在l a m 工作上又有了重要进展，通过加正水平反馈，使用误差修正学习 和用斜坡函数代替阈值函数，建立起成为b s b ( b r a i n s t a t e i nab o x ) 的模型。2 0 世纪8 0 年代中期，b s ba n s 已经被用来解释概念形成、分类和知识处理。 1 9 7 9 年日本n h k 的f u k u s h i m a 提出了认知机( n e o c o g n i t r o n ) 模型，后来又 提出了改进型认知机模型。 进入2 0 世纪8 0 年代，神经网络的研究又引起了众多学科领域学者的关注， 并很快形成了热潮。其主要原因是研究并试图模拟视、听觉的人工智能专家发 现，尽管计算机在大型复杂计算方面显示出了巨大的威力，但却很难学会人们 习以为常的经验和知识。而且工程实践中的问题变得越来越复杂而难以处理， 再加上具有并行和分布机制的人工神经网络本身的研究成果以及脑科学和神经 科学研究成果的推动作用；v l s i 技术和光电技术的发展为人工神经网络的实现 提供了物质基础。这就使得人们开始认识到人工神经网络可能成为未来智能机 的良好模式。 美国加州理工学院的生物物理学家j j h o p f i e l d 在美国科学学院院刊发表 了两篇文章，有力地推动了神经网络的研究，又一次将神经网络的研究推向高 潮。1 9 8 2 年， j j h o p f i e l d 提出了一个新的神经网络模型一一h o p f i e l d 网络模 型，他在这种模型中首次引入网络能量函数的概念，并给出了网络稳定性的判 据。1 9 8 4 年，h o p f i e l d 提出了网络模型实现的电子电路，为神经网络的工程实 现指明了方向。h o p f i e l d 网络是一个互连的非线性动力学网络，它解决问题的 方法是一种反复运算的动态过程，这是符号逻辑处理方法所不具备的性质。 1 9 8 6 年，d e r u m e l h a r t 和j lm c c l e l l a n d 及其研究小组发表了两本专著： ( p a r a l l e ld i s t r i b u t e dp r o c e s s i n g 、( e x p l o r a t i o ni nm i c r o s t r u c t u r eo f c o g n i t i o n 。 其中提出的误差反向传播( e b p ) 学习算法，不仅为解决多层网络的学习问题 开辟了一条成功之路，而且客观上将神经网络的研究推向了高潮，成为迄今为 止影响很大的一种网络学习算法。1 9 8 7 年6 月，i e e e 在s a nd i e g o 召开了第一 届神经网络会议，成立了神经网络学会。 我国的神经网络研究工作起步较晚，始于2 0 世纪8 0 年代末，主要应用领 域开展了一些基础性的工作，在1 9 9 0 年1 2 月在北京召开了首届神经网络学术 大会，并决定以后每年召开一次中国神经网络学术会议。1 9 9 1 年在南京成立了 中国神经网络学会。我国的“8 6 3 ”高技术研究计划和“攀登”计划于1 9 9 0 年 批准了人工神经网络的三项课题，自然科学基金和国防科技预研基地也都把神 经网络的研究列入选题指南。许多全国性学术年会和一些学术期刊把神经网络 理论及应用方面的论文列为重点。这些毫无疑问为神经网络在我国的发展创造 了良好的条件。 进入9 0 年代以来，神经网络的研究进入了一个空前高涨的时期。多数研究 集中在网络结构、学习算法和实际应用这三个方面。在静态网络中提出了如b p 网络、正交函数网络、径向基函数、样条函数网络、子波函数网络等模型。但 是在实时控制中要求网络结构简单，计算收敛快，此时动态网络的优势就显现 出来，其中包括h o p f i e l d 网络、a r t 网络和动态递归网络等。 从众多应用研究领域取得的丰硕成果来看，人工神经网络的发展具有强大 的生命力。但应看到，人们对生物神经系统的了解还很不够，提出的神经网络 模型，智能水平还不高，许多应用方面的要求还不能得到很好的满足，网络分 析和综合的一些理论问题还未得到很好的解决。无论从结构上还是从规模上， 都是对真实神经网络的一种简化和近似。神经网络还有很多缺陷，尚待进一步 完善和发展。随着人们对大脑信息处理认识的深化，以及人工神经网络智能水 平的提高，人工神经网络必将在科学技术领域发挥更大的作用。 4 1 3 神经网络用于控制系统的优势与前景 人工神经网络是近年来得到迅速发展的一个前沿课题。神经网络由于其大 规模并行处理、容错性、自组织和自适应能力和联想功能强等特点，已经成为 解决很多问题的有力工具，对突破现有科学技术瓶颈，更深入探索非线性等复 杂现象起到了重大作用，已广泛应用在许多工程领域【”o6 1 。 神经网络以其独特的非传统表达方式和固有的学习能力，引起了控制界的 广泛关注。神经网络用于复杂控制主要有以下几个方面的优势( 1 7 09 】： 第一，神经网络本质上是非线性系统。理论分析表明，多层前馈神经网络 能够以任意精度逼近任意非线性映射，这种能力使非线性控制系统的描述有了 统一的数学模型，给控制理论中面临的非线性问题的解决带来了新的希望。 第二，神经网络的本质是并行结构，在快速实现大量复杂控制算法及处理 实时性要求高的控制系统时极具潜力。可以预料，只要并行机制的神经计算机 取得突破，目前遇到困难的航天、航空方面的许多实时控制问题，机器人的动 力学实时问题都可迎刃而解。 第三，神经网络的固定学习能力使它可以处理那些难以用模型或规则描述 的过程或系统，降低了系统的不确定性，带来了适应环境变化的泛化能力。 第四，神经网络具有分布式信息存储与处理结构，可以从不完善的数据和 图形中进行联想，这种能力使其用于控制系统中具有很强的鲁棒性和容错性。 第五，神经网络具有很强的综合推理能力，能够同时融合定量和定性数据， 能很好地解决输入信息之间的互补性与冗余性问题，并能恰当地协调互相矛盾 的输入信息。由于神经网络这种“集思广益”的能力，使其在多变量、大系统 与复杂系统的控制方案设计上的应用极具吸引力。 由于上述优越性，可以肯定神经网络在解决高度非线性和严重不确定性复 杂系统的控制方面具有巨大的潜力。将神经网络引入控制系统已成为控制学科 的必然趋势。 当前在对神经网络控制系统的应用研究方面，着重解决的问题有：寻求可 全局收敛的快速学习算法，以满足系统实时控制和良好性能的需求。在逼近非 线性函数的问题上，现有理论只解决了存在性问题。对不同的被控对象，如何 选择合适的神经网络结构，还缺乏理论指导。对多层前馈网络，这个问题就是 网络的层数与隐含层节点数目的选择问题。目前神经网络控制的基本应用模式 是将神经网络作为模型或控制器加入控制回路中，通过学习，实现对非线性系 统的控制。如何在工程中实时实现这一控制思想，是控制专家们必须研究的课 题。另外，对于这种模式，控制系统的稳定性、可控性等理论问题还需要进一 步研究。目前神经网络模型的使用通常采用“离线学习、在线修正”的方法， 理想的训练样本获取困难。如何直接在线建立对象的模型一直是神经网络控制 的一个热点问题，需要寻求一种具有良好辨识精度且可以实时应用的神经网络 5 在线辨识方法。复杂系统中通常存在大量的不确定性因素，神经网络要在复杂 系统控制中取得成功应用，必须设法提高神经网络控制器的适应能力和控制系 统的鲁棒性。 需要说明的是，神经网络控制方法中存在的有些问题，是非线性系统理论 本身所固有的，并非是采用神经网络模型所引起的。 1 4 神经网络在电机控制中的应用 随着电机在伺服系统中的日益广泛应用，人们对电机的控制精度的要求越 来越高。传统的速度控制器是采用比例积分器( p i ) 或比例积分微分器( p i d ) ，被广 泛应用于直流电机与交流电机的转速控制系统中。然而当实际系统模型未知的 情况下，这些控制器的设计变得十分困难。而且由于负载大小的不可预知性及 环境参数变化的影响，使这些控制器的实际性能大大降低。因此人们开始采用 一些自适应控制方法来设计带有未知参数的电机控制系统，如模型参考自适应 控制( m r a c ) 、滑模控制( s m c ) 、变结构控制、自校正调节器等。但这些控制方 法必须建立在系统模型参数之上，因此系统模型的不精确同样会导致控制方法 的失败。 随着人工神经网络理论的不断成熟，人们开始在系统建模和系统控制中采 用神经网络控制方法。人工神经网络具有许多优点，如并行和分布式处理，能 对一未知模型在输入和输出之间建立精确的非线性映射，因此在包括无刷直流 电机( b l d c m ) 的高性能驱动系统中，人工神经网络在系统识别和速度控制中发 挥着重要的作用。s h a r k a w i 等人提出对无刷直流电机控制采用神经网络控制， 他们采用间接模型参考自适应的控制技术，构造b p 网络对电机的转子位置进 行精确控制，取得良好的效果。s h i g u o 等人提出无刷直流电机的全数字控制方 案，采用神经网络建立了一个模拟速度控制器，取得更高的精度。t h e o c h a i r s 和p e t r i d i s 使用人工神经网络估计感应电机中的状态变量。b u r t o n 等提出随机 在线训练算法实用神经网络，对感应电机定子电流进行控制。m i n k o v a 等人采 用模型参考自适应方法，建立了在线的自适应人工神经网络对直流电机的速度 进行控制。f a a j e n gl i n 结合人工神经网络和模糊控制，实现了直流电机的精 确位置跟踪控制。国内也有许多学者对神经网络技术在电机控制中的应用作出 了研究。 综上所述，人工神经网络具有很多的优点，用于电机控制中可以取得很高 的精度。对无刷直流电机神经网络控制策略的研究很有意义。 1 5 神经网络p i d 控制研究的现状和意义 随着控制理论的迅速发展，在工业控制过程中先后出现了许多先进的控制 算法，然而，p i d 类型的控制技术仍然占有主导地位，特别是在化工、冶金过 程控制中，众多量大面广的控制过程基本上仍然应用p i d 类型的控制单元【2 0 1 。 这是因为p i d 控制具有结构简单、实现容易、控制效果好、稳态精度高等特点， 6 且p i d 算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工 程师所熟悉。但是传统p i d 控制是基于准确模型的，且系统特性变化与控制量 之问是线性映射关系。若采用常规p i d 控制器，以一组固定不变的p i d 参数去 适应那些参数变化、干扰众多的控制系统，显然难以获得满意的控制效果，甚 至当参数变化范围太大时，系统性能会明显变差，因此p i d 控制在解决大时滞、 参数变化大和模糊不确定性的过程控制问题时无法获得良好的静态和动态性 能。基于知识和不依赖对象模型的智能控制为解决这类问题提供了新的思路， 成为目前解决传统控制局限问题，提高控制质量的重要途径。 神经网络以其很强的适应于复杂环境和多目标控制要求的自学习能力，并 能以任意精度逼近任意非线性函数的特性引起控制界的广泛关注。人们普遍意 识到神经网络控制理论的研究和应用在现代自动控制领域中有着重要的地位和 意义。神经网络控制不需要精确的数学模型，因此是解决不确定系统控制的一 种有效途径。此外，神经网络以其高度并行结构所带来的强容错性和适应性， 对于给定的系统很容易处理，易于与传统的控制技术相结合。但是，单纯的神 经网络控制也存在精度不高、收敛速度慢以及容易陷入局部极小等问题。 基于p i d 控制和神经网络控制各自的优势和局限性来看，把传统线性p i d 控制和神经网络控制结合起来，使系统的控制性能得到提高，是一种很实用的 控制方法。而且，这种控制方法在实际的工业生产中已经得到了成功的应用， 具有很好的应用前景。从传统与现代控制技术应用的发展历史来看，虽然未来 的控制技术应用领域会越来越宽广，被控对象可以越来越复杂，相应的控制技 术也会变得越来越精巧，但是，以p i d 为原理的各种控制器将是控制中不可或 缺的基本控制单元。如何将p i d 控制器同神经网络控制更好的结合在一起，更 好地应用于实际控制系统，是控制领域中人们不断研究和探索的重要课题。如 果能发现性能由于p i d 的控制器，且具有类似p i d 易于使用的特点，无论在理 论还是实践上都将具有重要意义。 1 6 本文的主要研究内容 1 6 1 本文的选题意义 随着科学技术的发展，无刷直流电机的理论分析和设计方法都已较为成熟， 由于无刷直流电机具有结构简单、运行可靠等一系列优点，更适合于高性能的 交流伺服系统，对无刷直流电机系统控制策略的研究具有重要的价值和意义。 p i d 控制是经典控制领域的优秀的技术结果，且由于p i d 控制器可靠性高， 易于实现，故在工业控制中依然是应用最为广泛的控制策略之一。但经典p i d 控制适用于建立精确数学模型的确定性控制系统，对于那些具有高度非线性、 时变不确定性和大时滞对象、难以确立精确数学模型的系统，应用常规p i d 调 节器难以实现有效控制。 无刷直流电机是一个多变量、非线性、强耦合的控制对象，难以建立精确 ， 的数学模型，采用传统常规的p i d 控制方法，很难达到理想的控制效果。 近几十年来迅速发展起来的神经网络在控制系统中的研究已经取得了很大 的进展。由于它具有不确定性和非线性，能够通过自身学习的过程了解系统的 结构和参数，对被控对象无需精确建模，并给出系统所需的控制规律，因此神 经网络构成的控制器具有很好的调节能力和鲁棒性。基于神经网络的p i d 控制 对于不确定性系统和参数变化有时滞的被控系统，都表现出较好的自适应性和 鲁棒性，克服了传统p i d 控制器不易在线实时整定参数、难于对非线性时变系 统有效控制的局限，是目前神经网络控制中真正具有应用价值的一部分。 鉴于上述分析，本文以基于b p 神经网络的无刷直流电机p i d 控制方法的 研究为主题展开研究，利用神经网络的非线性自适应能力来优化无刷直流电机 的p i d 控制参数，实现对无刷直流电机的有效控制。 1 6 2 本文的主要工作 ( 1 ) 以控制理论和神经网络技术的发展与现状为背景，结合无刷直流电机 的发展概况和应用现状，阐述了神经网络p i d 控制用于无刷直流电机控制研究 的意义。重点研究b p 神经网络及其学习算法，并分析了无刷直流电机的数学 模型、阐述了其工作原理和控制原理。 ( 2 ) 在m a t l a b 平台上，设计了基于b p 神经网络的p i d 控制器，通过编 制程序对神经网络控制器进行仿真试验，和传统p i d 控制器进行了仿真对比研 究，得出仿真图。且在仿真图的基础上，对两种不同的控制器的控制效果加以 对比分析，得出结论。 ( 3 ) 在分析无刷直流电机数学模型的基础上，利用s i m u l i n k 建立无刷直 流电机非线性动态仿真模型，作为神经网络p i d 控制策略研究的基础。分别采 用神经网络p i d 和普通p i d 作为控制器，对无刷直流电机不同的运行状况进行 了仿真，并对两种不同的控制方法在性能上进行了比较，得出结论。 第二章神经网络的理论基础 2 1 神经网络概述 神经网络( n n n e u r a ln e t w o r k ) ，是指由大量与生物神经系统的神经网络 细胞相类似的人工神经元互相连接而组成的网络；或由大量像生物神经元的处 理单元并联互连而成，这种神经网络具有某些智能和仿人控制功能。为了模拟 大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。但是， 实际上神经网络并没用完全反映大脑的功能，只是对生物神经网络进行某种抽 象、简化和模拟。神经网络的信息处理通过神经元的相互作用来实现，知识和 信息的存储表现为网络元件互联分布式的物理联系。神经网络的学习和识别取 决于各神经元连接权系数的动态演化过程。 神经网络是在现代神经科学研究成果的基础上提出来的，并反映了人脑功 能的基本特性。然而，它不是人脑的真实描写，而只是它的某种抽象简化及模 拟。从这个意义上，人们称之为人工神经网络( a n n a r t i f i c i a l n e u r a l n e t w o r k s ) 。 人工神经网络是试图模仿人脑结构和功能而成的一种信息处理系统，它具 有很多优异的性能：它可以充分逼近任意非线性关系，采用并行分布处理方法， 使得快速大量运算成为可能。它可自学习和自适应不确定系统，能够同时处理 定量、定性知识，所有的定量或定性的信息都等势分布存储于网络的各神经元， 故有很强的鲁棒性和容错性。 2 1 1 神经元的结构模型 神经网络的基本单位是神经元，神经元是一个多输入、单输出的信息处理 单元。它对信息的处理是非线性的。1 9 4 3 年，由美国心理学家m c c u l l o c h 和数 学家p i t t s 共同建立了最早和最简单的神经元模型被称为m p 模型，如图2 1 所示。 图2 - 1 肝神经元模型 图中”一一神经元i 的输出，它可以与其他多个神经元通过权连接； 乃一一与神经元i 连接的神经元，的输出，也是f 的输入， i ，( ，= l ，2 ，胛) ； 嘞一一神经元，至f 的连接权值； 9 包一一神经元f 的阈值。 神经元i 的输出乃可用式( 2 一1 ) 描述： 乃= 儋乃一o l 一， 设 而= r o , j y j - e , ( 2 1 ) ( 2 - 2 ) 则 y l = 厂( 五) ( 2 3 ) 每一个神经元的输出，或“0 ”或“1 ”，分别表示“抑制”“兴奋”状态， 则 似，= 髋：亿4 ， 八力是一个作用函数，也称激活函数，式( 2 4 ) 的作用函数为阶跃函数，见 图2 - 2 所示。 删。 l 1 o z 图2 - 2 阶跃函数 由式( 2 1 ) 和( 2 4 ) 可知，当神经元的输入信号加权和超过阈值时，输出为 “1 ”，即“兴奋”状态；反之，输出为“0 ”，是“抑制”状态。 若把阈值也作为一个权值，则式( 2 1 ) 可写为： 乃= f i 锡乃l ，i # j ( 2 - 5 ) j = l 式中，鸱。= 一只，y o = l 。 m p 神经元模型是人工神经元模型的基础，也是神经网络理论基础。 2 1 2 激活转移函数 激活转移函数( a c t i v a t i o nt r a n s f e rf u n c t i o n ) 是一个神经元及网络的核心。 不同的激活函数，可构成不同的神经元模型。在神经元模型中，作用函数除式 ( 2 4 ) 形式之外，还有以下几种。 ( 1 ) 非对称型s i g m o i d 函数 1 0 此类型函数用下式表示： ，( 工) ：。乓 1 + 口 ( 2 6 ) s i g m o i d 型，也称s 型作用函数，是可微分的。有时为了需要，也用如下 的形式： ，( = 百，胪o ( 2 ) 对称型s i g m o i d 函数 此类型函数是可微分的，用下式表示： 也可表示为： 厂( 功= 鬲1 - - e - i x f ( x ) = 丽e p x _ e - p 5 ，胪。) 2 丽，胪o ( 2 - 7 ) ( 2 - 8 ) ( 2 - 9 ) ( 3 ) 对称型阶跃函数 此类型的函数用下式表示： 删：一垃! ( 2 - l o ) t - l , j u 采用阶跃作用函数的神经元，称为阈值逻辑单元。 若式( 2 1 ) 中的非线性函数，分别采用式( 2 - 6 ) - ( 2 1 0 ) ，即可得到相应的神经 元模型。 网络解决问题的能力与功效除了与网络结构有关，在很大程度上取决于网 络所采用的激活函数。激活函数的基本作用是：控制输入对输出的激活作用； 对输入输