基于神经网络的行波超声波电机驱动控制系统的研究参考文献可复制黏贴

工学硕士学位论文基于神经网络的行波超声波电机驱动控制系统的研究张磊哈尔滨工业大学2006年6月国内图书分类号TM3012国际图书分类号621工学硕士学位论文基于神经网络的行波超声波电机驱动控制系统的研究硕士研究生张磊导师陈维山教授申请学位工学硕士学科、专业机械电子工程所在单位机电工程学院答辩日期2006年6月授予学位单位哈尔滨工业大学CLASSIFIEDINDEXTM3012UDC621DISSERTATIONFORTHEMASTERDEGREEINENGINEERINGTHESTUDYONTHEDRIVEANDCONTROLSYSTEMOFTRAVELINGWAVEULTRASONICMOTORBASEDONNEURALNETWORKCANDIDATEZHANGLEISUPERVISORPROFCHENWEISHANACADEMICDEGREEAPPLIEDFORMASTEROFENGINEERINGSPECIALTYMECHATRONICSENGINEERINGAFFILIATIONSCHOOLOFMECHATRONICSENGINEERINGDATEOFDEFENCEJUNE,2006UNIVERSITYHARBININSTITUTEOFTECHNOLOGY哈尔滨工业大学工学硕士学位论文摘要超声波电机利用压电陶瓷的逆压电效应产生超声振动，并将这种振动通过摩擦耦合来直接驱动转子或滑块的运动，它作为一种直接驱动电机已成为当前机电控制领域的一个研究热点。本文针对超声波电机USM驱动控制系统的实现做了进一步的研究和设计。文中根据USM的特点，设计了一种新型的驱动电路用来实现电机的频率自动跟踪及驱动电机的运转，并采用了智能控制理论中的BP神经网络算法，利用数字信号处理器DSP的运算能力强、精度高、速度快等特点，实现了一个超声波电机的驱动控制系统。本文在阅读和分析了大量国内外有关参考文献的基础上，做了以下研究工作介绍了BP神经网络在USM速度控制系统中的应用。利用MATLAB70中的神经网络工具箱进行结构设计和离线训练，通过仿真实验最终确定了281的三层网络结构，将训练后得到的权值、阈值结果写到DSP中，进行控制过程中给定速度的在线训练，从而达到控制电机转速的目的。由于超声波电机的温升、负载变化及周围环境变化等原因，使电机的谐振频率发生漂移，这将影响超声波电机运行的稳定性。本文研究并设计了一种新型的驱动电路，用以实现超声波电机的驱动和频率的自动跟踪。其中，主要对低通滤波电路、反馈电路、可调节频率的信号发生电路、移相电路及功率逆变电路进行了研究及阐述。根据USM的特点，选取一款专用于电机控制的DSP芯片TMS320LF2407A，设计了硬件接口电路、各功能部分的流程图及控制算法程序，以CCS为编译环境，进行电机整个控制系统的软件编写与调试。搭建了一个基于DSP的USM整体驱动控制系统，对系统进行测试实验，实验结果表明本系统运行稳定、响应速度较快，能够较好的实现USM的驱动及调速控制。关键词超声波电机；DSP；神经网络；驱动电路；控制I哈尔滨工业大学工学硕士学位论文ABSTRACTULTRASONICMOTORSVIBRATIONISEXCITEDBYTHECONVERSELYPIEZOELECTRICEFFECTOFPIEZOELECTRICMATERIALSWITHTHEFRICTIONCOUPLING,THEROTATIONOFTHEROTORORMOVINGOFTHESLIDERISGENERATEDASADIRECTDRIVINGMOTOR,ITISBECOMINGAHOTSPOTINTHEFIELDOFMECHANICALANDELECTRICALCONTROLINTHISPAPER,AFARTHERSTUDYANDDESIGNONDRIVEANDCONTROLOFUSMISMADEACCORDINGTOUSMSCHARACTERISTICANDITSDRIVINGTHEORY,ANEWKINDOFUSMSDRIVEANDCONTROLCIRCUITISDESIGNED,ITISUSEDTOREALIZEFREQUENCYTRACKINGANDDRIVEUSM,ANALGORITHMUSINGBPNEURALNETWORKISSELECTEDFORTHESYSTEMTHISSYSTEMISIMPLEMENTEDONADSPBECAUSETHEDSPISACCURACYANDEFFICIENTONBASISOFREFERRINGANDANALYZINGALARGEQUANTITYOFLITERATURES,THEFOLLOWINGWORKHASBEENCARRIEDOUTTHEAPPLICATIONOFBPNEURALNETWORKTOSPEEDCONTROLSYSTEMONUSMISDISCUSSED,ANDAPROGRAMISDESIGNEDFORTRAININGTHEBPNEURALNETWORKBYMATLABSNNTOOL,ATHREELAYERSNEURALNETWORKOF281ISDETERMINEDTHROUGHSIMULATION,THENWRITETHEWEIGHTSANDBIASESOFTHENNINTODSPTOMAKEONLINETRAINING,ANDITREACHESTHEPURPOSEOFCONTROLLINGUSMSSPEEDBECAUSEOFTHETEMPERATURERISINGOFULTRASONICMOTORS,LOADCHANGES,ANDVICINALSURROUNDINGCHANGESANDSOON,THERESONANTFREQUENCYWILLSHIFT,LEADINGTOWORKINGSTABILITYDROPANEWKINDOFDRIVINGCIRCUITISDESIGNED,ITREALIZESDRIVINGANDFREQUENCYTRACKINGOFUSMTHEPROPOSEDDRIVINGCIRCUITINCLUDESALOWPASSFILTERCIRCUIT、FEEDBACKCIRCUIT、SIGNALGENERATEDCIRCUIT、PHASESHIFTEDCIRCUITANDPOWERINVERTERCIRCUITATICOOPERATIONSDSPTMS320LF2407AISCHOSENFORTHEDRIVEANDCONTROLSYSTEMBASEDONTHECHARACTERISTICSOFUSM,THEINTERFACECIRCUIT、EACHFUNCTIONSFLOWCHARTANDALGORITHMPROGRAMAREDESIGNEDTHEPROGRAMOFWHOLECONTROLSYSTEMISTESTINGONTHEPLATOFCCSAUSMDRIVEANDCONTROLSYSTEMBASEDONDSPISDESIGNED,THERESULTSSHOWTHATTHEINSTRUMENTISEFFICIENTANDACCURATE,ANDRUNSTABLY,SOITCANREALIZEDRIVEANDCONTROLOFUSMBETTERKEYWORDSUSM,DSP,NEURALNETWORK,DRIVECIRCUIT,CONTROLII哈尔滨工业大学工学硕士学位论文目录摘要IABSTRACTII第1章绪论111引言112超声波电机的基本原理及特点2121超声波电机的基本原理2122超声波电机的特点313超声波电机驱动控制技术4131超声波电动机对驱动控制的技术要求4132超声波电机驱动控制技术的研究现状4133超声波电机的控制方法和控制策略514本文研究的主要内容7第2章超声波电机神经网络控制方法的设计821神经网络的基本理论8211神经网络控制的基本思想8212神经网络的特点9213神经网络控制的设计原则10214神经网络控制存在的问题1022BP神经网络的算法与结构11221BP神经网络的学习算法11222BP神经网络的结构设计1223BP神经网络速度控制器的设计14231BP神经网络控制器的结构及参数设计14232BP神经网络控制器的算法设计15233BP神经网络学习算法的改进17234基于MATLAB神经网络控制器的设计1824本章小结21第3章行波型超声波电机驱动电路的设计2231超声波电机驱动控制电路结构22III哈尔滨工业大学工学硕士学位论文32低通滤波电路的设计23321基本原理23322硬件电路设计2433电压反馈回路2534可调节频率的信号发生电路2635移相电路2836功率逆变电路30361功率逆变电路拓扑结构的选择30362全桥式逆变电路的设计3237本章小结33第4章基于DSP的超声波电机控制系统的设计3441系统设计方案3442总体程序介绍3543PWM电路及程序设计3644串行通信接口硬件电路及软件程序设计37441串行通信接口的硬件电路设计37442串行通信子程序软件设计3845正交编码器脉冲电路QEP39451基于QEP的测速方法39452正交编码脉冲电路的设计40453测速子程序软件设计4246调速控制算法子程序的设计4247本章小结43第5章超声波电机驱动控制系统的实验研究4451实验装置的建立4452超声波电机的阻抗匹配4453实验研究及数据分析4654本章小结49结论50参考文献51攻读学位期间发表的学术论文55哈尔滨工业大学硕士学位论文原创性声明56IV哈尔滨工业大学工学硕士学位论文哈尔滨工业大学硕士学位论文使用授权书56哈尔滨工业大学硕士学位涉密论文管理56致谢57V哈尔滨工业大学工学硕士学位论文第1章绪论11引言超声波电机ULTRASONICMOTOR，简称USM的基本结构及工作原理完全不同于传统的电磁电机，没有绕组与磁路，不以电磁作用传递能量，而是一种利用超声波振动能作为驱动源的新原理电机，是电机制造、机械振动学、摩擦学、功能材料、电子技术和自动控制等学科综合交叉发展的产物。它是利用压电陶瓷的逆压电效应激发超声振动频率20KHZ，然后通过定、转子之间的接触和摩擦力，将交变的振动转化成旋转运动或直线运动，实现从电能到机械能的能量转换1。USM的能量传递也可以通过气体或者液体媒质耦合来实现，由于超声波电机特殊的工作原理，它具有很多传统电磁电机无法比拟的优越性能，如低速大转矩、体积小、重量轻、功率密度大、响应速度快、微位移、不受电磁场的影响、掉电自保护、设计自由度大、可直接驱动负载等。可以说，超声波电机技术是处于当今世界高新技术之一。目前USM的产业化和实用化正在蓬勃发展，在一定程度上开始取代某些小型电磁电机。国外在上世纪90年代开始进入超声波电机的实用化、商品化开发阶段。如日本已将超声行波环形电机用于照相机镜头的自动聚焦系统2；美国JPL实验室研制的用于宇宙飞船船体检测的爬壁机器人驱动装置3；此外像目前传真机、高级打印机等很多现代化办公设备中出现的平板振子输送纸机构、XY绘图仪、直角坐标自动定位装置等，体现了超声波电机广阔的应用前景4。我国在这方面的研究虽起步较晚90年代初，但也取得了一些突破性成果，如清华大学已研制出直径1MM的弯曲旋转超声电机；哈尔滨工业大学研制出的三维接触驱动式超声电机、无轴承新型超声电机、双定子单转子式超声电机等。目前，日本在该领域的研究处于世界领先地位，几乎拥有大部分有关超声电机的发明专利，并且个别种类的超声电机已经实现产业化，在国民经济中发挥着重要作用5。1哈尔滨工业大学工学硕士学位论文12超声波电机的基本原理及特点121超声波电机的基本原理超声波电机工作的典型特征是它的两个能量转换过程，见图11。第一阶段，利用压电陶瓷的逆压电效应将电能转化成弹性材料中质点超声频率的振动能，选择激励频率激发出机械结构设计需要的振动模态，从而在定子表面形成质点的椭圆或LISSAJOUS运动，转换效率依赖于振动体的几何结构和材料特性及压电激励的性质。其振动模式主要是纵振、弯曲振动、或扭振，或者它们之间的相互叠加；第二阶段，振动体表面质点的超声频率的微观的直线或椭圆振动通过机械机构的共振放大及摩擦耦合作用转换成转子的宏观运动，即超声振动能转化为转子的运动能6。图11超声电机工作原理及换能过程FIG11OPERATINGPRINCIPLEOFROTATETRAVELINGWAVEULTRASONICMOTOR根据超声波电机的功率要求，需要压电陶瓷具有较高的机械品质因数QM，较高的压电常数D33，机械损耗角TAN要小，机电耦合系数要大，PZT的介电常数较大，因此超声波电机相对功率驱动系统属于容性负载。超声波电机的工作原理简单、应用结构灵活，而且对应用环境没有特殊要求。纵观超声波电机，其结构差异很大，导致其性能差异也很大7，这主要是由于压电陶瓷极化的多样性和机构变换的多样性所造成。2哈尔滨工业大学工学硕士学位论文122超声波电机的特点由于超声波电机摩擦驱动的原理，它具有以下普通电磁电机所不具备的特性，这些特性使它在许多领域广泛应用8,9。1体积小、重量轻、功率密度大在传递同样功率的情况下，超声波电机的重量和体积仅为普通电磁电机的1/8或1/5，特别它的轴向尺寸很小，特别适用于有特殊要求的场合。小型电磁电机的功率密度一般为30W/KG左右。超声波电机的功率密度理论上为普通电磁电机的510倍。2低速、大力矩超声波电机的力矩密度力矩/重量比是电磁电机的1001000倍以上。这个特点使得超声波电机可直接带动执行机构，去掉减速机构，这不仅可以减小体积、减轻重量，而且能提高系统的精度、响应速度和刚度。3控制性能好、断电静态保持力矩大超声波电机的摩擦驱动机理使其具有响应快、断电静态保持力矩大的优点。超声波电机的起动时间一般在几个毫秒之内，而下降时间则更短。超声波电机在断电时由于定子、转子之间的静摩擦力作用，使电机具有较大的静态保持力矩。4无电磁干扰超声波电机依靠摩擦驱动，没有磁极，因此不产生电磁场，工作时也不受电磁场的干扰。这一特点使超声波电机非常适合在光学系统或超精密仪器上应用，以及强磁场下的工作环境。在需要无磁干扰的工作环境中，采用超声波电机也是非常适宜的10。5结构简单灵活、运动形式多样设计中可考虑空间、形状、重量和使用要求对超声波电机进行灵活设计，易于实现结构小型化、轻量化，便于批量规模化生产。6寿命、噪声、可靠性问题由于超声波电机的驱动绝大部分是接触式的，这必然带来定、转子间的摩擦损耗问题。目前，所研制的小功率行波超声波电机的连续工作寿命一般在几千小时左右，而对于功率较大的电机寿命则要短些。理论上，超声波电机的振子工作在超声频范围内，无噪声，而实际上，由于工作时定、转子间超声频碰撞、摩擦，以及加工、装配工艺的不严谨带来的接触行为的不稳定，使电机产生严重的噪声。超声波电机的可靠性也受压电陶瓷自身性能稳定程度和摩擦副的磨损的影响。3哈尔滨工业大学工学硕士学位论文13超声波电机驱动控制技术131超声波电动机对驱动控制的技术要求根据行波型超声波电动机的结构特点和运动机理，对于其驱动控制电路的设计提出如下特殊要求11131由于压电材料性能的不稳定和温度升高等因素造成电机工作状态发生变化，或为了满足某种工作状态最大效率、最大输出力矩等要求，系统应当具有频率自动跟踪控制的功能；2为满足定子共振条件并产生行波，要求具有变频功能和鉴相功能；3超声波电机具有容性负载特性，需要设计匹配电路，以实现功率匹配、滤波和谐振升压的功能；4根据电机的运动机理和应用要求，选择调压、调频或调相中的一种方式或混合方式进行调速和定位控制；5系统应具有正、反转控制功能，同时为了弥补相同条件下正反转速度不一致的弊端，还应能实现正反转速度平衡控制；6由于超声波电机的非线性，难以建立其数学模型。为了实现超声波电机快速、准确、稳定的控制，系统应选择合适的反馈信号和控制信号，并设计相关的控制算法。132超声波电机驱动控制技术的研究现状目前国内外关于行波超声波电机的驱动控制，主要分为三大主题一是关于功率驱动电路的研究，台湾CHUNGYUANCHRISTIAN大学FAAJENGLIN通过对超声波电机逆变驱动电路不同拓扑结构14的研究，旨在提高系统的品质因数以达到保证两相电路的平衡、提高系统效率的目的；二是采用参考模型或者实验模型15，多采用变频控制，其相关的控制规律几乎没有例外地采用变参数PI调节器、神经网络控制、模糊控制等智能控制；三是对于等效模型的仿真研究，德国学者JMASS16采用刚性接触模型进行了机理模型的仿真研究。NOGAREDEB等提出了机电等效电路的分析方法；1997年以来FAAJENGLIN对超声波电机的驱动与控制作了大量研究。主要采用LLCC拓扑结构的高阶谐振功率逆变驱动电路17，在改善电路品质因数的基础上，系统的高频响应改善了逆变电路的工作质量，而且便于驱动电路的优化设计；采用频率控制，采用4哈尔滨工业大学工学硕士学位论文模糊控制、神经网络控制、自适应控制技术及几种控制方法的配合1820使用，在一定程度上取得了满意的控制效果。日本KUBOTACORPORATION的YUJIIZUNO主要采用变系数PI调节器和模糊控制器21结合双闭环（频率环和电压环）控制器结构进行超声波电机的伺服控制。1995年以来，德国PADERBORN大学的JMASS采用机械振动系统之间等效变换的分析方法，针对行波旋转式超声波电机的仿真模型进行了大量的研究工作，并在模型参数识别的基础上16，建立了行波超声波电机平均模型；应用神经网络控制方法补偿电机的非线性，采用模型参考控制方案22，利用双闭环结构内环电压环，控制振动参数，优化行波参数，采用PI控制器，并通过在线参数识别、自适应控制，频率跟踪等手段补偿系统的非线性、时变过程，优化驱动性能；外环控制速度与转矩，在内环控制的基础上，叠加ACSANACTIVECONTROLSTICK控制23，以降低温度变化的影响，通过对行波质量控制，优化速度转矩控制，取得较好的动态响应效果。同时采用电压调整以补偿系统频率的漂移，控制电机的速度，避免了频率的非线性滞后。这种超声波电机系统具有良好的动态性能，并最大限度的减小电路系统的能量损耗，提高系统效率。1998至2001年，日本RYUKYUS大学TOMONOBUSENJYU等一直致力于超声波电机的速度控制和位置控制，采用频率保持不变，调整两相相位差的方法控制超声波电机的速度和位置，主要采用神经网络控制24、模糊控制25及模型参考自适应MRAC控制算法在线识别系统参数，进行死区补偿。速度死区随负载力矩的大小而变化，可以通过观测器采取死区效应补偿，从而提高了位置控制精度。针对行波超声波电机的严重非线性、时变性、以及对电机温度的严重依赖性，及由于转子与定子的不均匀接触而导致摩擦力的不稳定，出现转子旋转速度波动等一系列问题，目前大多采用自适应控制方法，或应用神经网络理论、模糊控制、变结构控制等，配合PI调节器及多输入控制策略26，在线学习、在线辨识模型参数，以补偿参数的时变性，准确地逼近超声波电机输入与输出之间的非线性关系，从而达到准确的速度控制和位置控制。133超声波电机的控制方法和控制策略超声波电机速度控制方式有以下几种1变频控制27,28，即通过调节谐振点附近的频率控制速度和力矩。这种方法响应速度较快，但谐振点可调范围较窄且速度与时间不是线性关系。2控制电压幅值，虽然较容易实现，但调节范5哈尔滨工业大学工学硕士学位论文围有限，电压过高或过低都是不允许的。3通过改变两相电压的相位差改变定子表面质点的椭圆运动轨迹，从而实现速度调节。这种方式的优点是换向平稳，但很难实现低速启动，也难以设计出简单的驱动电路。4脉宽调制PWM控制29,30，即通过控制定周期内正反转的脉冲数量实现速度调节。电路设计简单，操作方便，应用较多，但存在一定的噪音。相对于超声波电机的速度控制，其他动态参数的调节较容易，如超声波电机的位置可通过位置传感器进行反馈控制31,32；转矩大小可由相位差控制或调节预紧力实现；转向可通过改变两相供电电源相位切换实现等。稳定的转速控制需要为其建立闭环并采用适当的控制算法。研究人员常采用下列的控制策略固定增益与可变增益的PI控制33，自适应控制34，负载自适应频率跟踪控制35，模糊逻辑控制3640，神经网络控制41,42等。各种控制策略的比较如表11示。表11各种控制策略的比较TABLE11COMPARISONOFCONTROLSTRATEGIES控制策略控制的特点不足之处PI控制增益固定，控制算法简单，控制器调整方便随着USM特性的变化，对其指令位置无法发生相应的变化，速度控制性能差软件变增益PI控制增益随时改变，算法复杂，在线进行需要嵌入复杂的计算单元自适应控制模型相近，参数在线辨识，随时调整，随时补偿速度特性的偏差高阶次的数学模型辨识，需要大量的计算时间负载自适应频率跟踪控制驱动频率始终能够跟随定子谐振频率的变化，转速在恒负载下维持一定没有完全补偿电机的非线性，利用电机本身数学模型不足，负载变化波动大，控制性能一般模糊控制使用基于处理器的模糊控制器，控制速度快，无需电机的数学模型要具有较多的电机运行经验神经网络控制在线学习，方便的进行变系数自适应，可实现无静态位置误差控制在对电机模型假设时，可能会存在计算量多的问题前馈控制前馈控制参数自适应空算法调整，在自适应过程结束后，使用前馈控制器控制输入为离线控制状态，只适应比较固定的对象由于超声波电机当前没有完善的理论模型而且可靠性较差，经典的控制算6哈尔滨工业大学工学硕士学位论文法往往在超声波电机的控制中遇到难题，因此，到目前为止尚未有成型的控制策略，将智能控制理论应用到超声波电机控制中收到了较好的效果，使电机的运动性能得到一定的改善。而驱动控制技术决定着电机的运动性能，因而超声波电机驱动与控制系统的继续研究和尝试对其实用化有着深远的意义。14本文研究的主要内容超声波电机可靠性差、理论模型不够简单、准确以及控制技术的局限性等诸多因素制约着超声波电机进一步的实用化，综合考虑超声波电机的各种驱动控制方法，本文将采用基于DSP和BP神经网络理论来研究超声波电机的驱动和速度控制特性。本文的主要研究内容如下1超声波电机神经网络控制器的设计利用MATLAB70中的神经网络工具箱进行结构设计，参数选择和算法设计，为在线训练的控制软件实现提供数据，从而进行USM的速度控制；2针对行波型USM的自身特点，提出并设计了一种新型驱动控制电路，主要包括低通滤波电路、电压反馈回路、可调节频率的信号发生电路、移相电路及功率逆变电路，利用所设计的驱动电路，可以较好地实现电机的频率自动跟踪及驱动功能；3采用DSPTMS320LF2407A作为控制系统的主要器件，设计了硬件接口电路、各功能部分的流程图及控制算法软件设计，并以CCS为编译环境，进行超声波电机整个控制系统的软件编写与调试；4整个驱动控制系统的构建，并通过实验，测试超声波电机的运行性能。7哈尔滨工业大学工学硕士学位论文第2章超声波电机神经网络控制方法的设计超声波电机是一种新型的直接驱动型微电机，由于其独特的工作原理是基于高频机械振动和摩擦力来驱动的，其定转子之间滑动率的不确定性、定子谐振频率随温度变化的特性，诸多因素使理论上的动态、静态数学建模变得十分困难。因而目前还没有准确实用的模型可用来定量的分析USM的工作特性，在USM的控制技术研究中，面对其严重的非线性特性，传统的控制方法无法得到满意的效果。因此结合最新发展的控制策略和方法来研究USM的控制技术就显得尤为重要。针对超声波电机的特点，本章提出了基于BP神经网络的超声波电机速度控制方法。21神经网络的基本理论神经网络是源于人脑神经系统的一类模型，它是从微观结构和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。它是由简单信息处理单元人工神经元（简称神经元或节点）互相联接来接受并处理信息的网络，信息的处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的联接权值来处理的。反映了人脑功能的若干基本特征，如并行信息处理、学习、联想、模式分类、记忆等。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP网络和它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分。神经网络模型已建立了多种，决定其整体性能的有以下三大要素431神经元的特性；2神经元之间的联接形式拓扑结构；3为适应环境而改善性能的学习规则。211神经网络控制的基本思想控制系统的目的在于通过确定适当的控制量输入，使系统获得期望的输出特性。图21所示的原理图是采用神经网络替代一般反馈控制系统中的控制器。8哈尔滨工业大学工学硕士学位论文对象DYYUENN图21神经网络控制器FIG21NEURALNETWORKCONTROLLER控制的目的是确定最佳的控制量输出U，使系统的实际输出Y等于期望的输出YD。设被控对象的输入U和系统输出Y之间满足以下非线性关系UGY21我们可把神经网络的功能看作输入输出的某种映射，或称函数变换，并设它的函数关系为DYFU22为了满足系统输出Y等于期望输出YD，将公式22带入公式21可得DYFGY23可知，当时，满足1FGGGDYY的要求。对于非线性的被控对象，非线性函数是难以建立的，但是可以利用神经网络的逼近非线性函数的能力来模拟，通过系统的实际输出GG1GGY与期望输出YD之间的误差来调整神经网络中的联接权值，即让神经网络学习，直至误差趋于零，即YYED240这个神经网络模拟，实现对被控对象求逆的过程就是神经网络实现直接控制的基本思想。这一求逆过程实际上是由神经网络的学习算法实现的。1GG212神经网络的特点神经网络之所以能在自动控制领域得到应用，主要因为采用神经网络进行控制具有以下几个显著特点441通过非线性映射，神经网络具有以任意精度逼近任意非线性函数及其逆的能力；2通过离线和在线两种训练方式，神经网络具有自适应和自学习任意非线性不确定系统的能力；3训练后的神经网络具有很强的泛化能力45；4神经网络具有大规模动力学系统的快速并行分布式处理结构；5神经网络具有容错性和联想功能，可提供鲁棒性强的控制结9哈尔滨工业大学工学硕士学位论文构；6神经网络可解决许多自动控制计算问题，如优化计算和矩阵代数计算等。213神经网络控制的设计原则神经网络控制的实现需要进行网络的设计，这是发挥神经网络优点的关键。神经网络设计的基本原则主要有1确定信息表达方式应用神经网络作控制器需要把控制领域的知识转化为网络能表达并能处理的形式，既要确定输入、输出的模式为连续量或离散量。根据实际情况也需要对输入、输出数据进行转换等。2网络模型设计神经网络模型的设计主要包括确定激活函数、联接方式、各神经元的互相作用等。3网络参数选择确定输入、输出节点的数目、隐层节点的数目以及多层网络的层数。4学习训练算法选择确定神经网络的学习规则和初始化等问题。214神经网络控制存在的问题目前，就众多控制领域取得的成果来看，神经网络控制的发展具有强大的生命力，但依然存在一些问题和缺点。其中一个最大的问题是收敛速度慢，第二个缺陷是局部极值问题，即E超曲面可能存在多个极值点。总括起来，其主要缺点有1局部极小值问题BP算法的训练目的是通过修正权值使误差最小，但这一最小点可能是局部最小点而非全局最小点，而且在整个训练过程中，可能存在多个局部最小点，如果训练过程在局部最小点结束，则将导致训练错误。2收敛速度慢问题BP算法进行网络训练时，通常需要几千步迭代或更多，学习算法的收敛速度较慢。3过拟合问题当网络结构过大或有过多的信息处理时，过拟合就可能产生，使结果产生偏差。4过训练问题当期望误差设定值太小时，将产生过训练问题，使网络出现全面的低性能，即失去了神经网络的泛化能力。5隐节点设置问题网络的隐节点个数选取尚无理论上的指导，而是根据经验或仿真实验得到的。10哈尔滨工业大学工学硕士学位论文22BP神经网络的算法与结构在实际应用中，8090的神经网络模型采用BP网络或其变化形式。BP网络是前馈网络的核心部分，也是现在发展较为成熟的一种网络模型，故本文采用BP网络进行速度控制，这里对其它神经网络模型不作详细讨论。BP网络的算法是在导师指导下，在梯度下降法的基础上建立的。它的主要思想是把学习过程分为两个阶段正向传播和反向传播阶段。在正向传播过程中，每一层神经元的状态只影响下一层神经元网络，输入信息首先传播到隐含层的节点上，经过激活函数运算后，把隐含层节点的输出信息层层传播到输出层节点，最后经过输出层激活函数运算后得到输出结果。如果实际输出在设定误差范围内和期望输出相吻合，则不需要进行权值修改，反之则转入反向传播过程，将误差信号沿原来的连接通路返回，逐次修改各层神经元的权值，然后再进行正向传播计算，再次输出计算结果，再次比较实际输出与期望输出之间的误差如此循环，直到误差信号达到期望要求，则学习过程结束。221BP神经网络的学习算法设输入为P，输入节点有N个，隐含层内有S1个节点，激活函数为F1，输出层内有S2个节点，对应的激活函数为F2，隐含层输出为Y1，输出层输出为Y2，目标矢量为T，W为权值，为阈值。2211网络的正向传递公式隐含层中第I个神经元的输出为11111NIIJJYFWPIKI1，2，,S125输出层第K个神经元的输出为K1,2,S1212212SKKIIYFWY226定义误差函数为2211,22SKKKEWTY272212利用梯度下降法求权值、阈值的变化及误差的反向传播公式1输出层的权值、阈值修正对从第I个输入到第K个输出的权值有22222KKIKKIKIIKIKKIYEEWTYWYW1FY2811哈尔滨工业大学工学硕士学位论文其中222KIKKKTYFEF2KKKETY同理可得22222KKIKKKIKIKKIYEETYFYW292隐含层的权值、阈值修正对从第J个输入到第I个输出的权值有22211211121122KIIJIJKIIJSKKKIJIJKYYEEWWYYWTYFWFPPJ210其中1IJIEF212SIKIKEWKIIJ同理可得1I211222BP神经网络的结构设计在进行BP网络结构的设计时，一般应从网络的层数、每层的神经元个数和激活函数、初始值以及学习速率等几个方面进行考虑。其选取原则为1网络层数的确定理论上已经证明具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。增加层数主要可以更进一步地降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高也可以通过增加隐含层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以通常应优先考虑增加隐含层中的神经元数。2隐含层的神经元数的确定隐含层节点数是决定神经网络学习能力和泛化能力的主要因素，其数目的选择是一个十分复杂的问题，往往需要根据设计者的经验和仿真实验来确定，因而不存在一个理想的解析式来表示。隐含层的数目与问题的要求、输入输出单元的数目都有直接关系。隐层节点数太少，网络的泛化能力差，甚至网络学习根本就不能收敛。隐层节点数太多，训练时间过长，网络结构复杂、庞大，可能还会出现过渡训练的问题。因此一定存在一个最佳的隐层节点数，以下三个公式可用于选择最佳隐层节点数时的参考公式。分别为MNOA，2LOGNMMNO。其中M为隐层节点数；N12哈尔滨工业大学工学硕士学位论文为输入节点数；O为输出节点数；A为110之间的常数。3初始权值和学习速率的确定由于系统是非线性的，初始权值对于是否达到局部最小、是否能够收敛以及训练时间的长短关系很大。如果初始权值太大，使得加权后的输入和N落在了S型激活函数的饱和区，从而导致其导数FN非常小，而在计算权值修正公式中，因为FN，当FN0时，则有0，这使得IJW0，从而使调节过程几乎停顿下来。所以一般总是希望经过初始加权后的每个神经元的输入值都接近于零，这样可以保证每个神经元的初始值都能够在它们的S型激活函数变化最大之处进行调节。所以一般取初始权值在1,1之间的随机数。学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定；但小的学习速率导致较长的训练时间，在一般情况下，倾向于选择较小的学习速率以保证系统的稳定性。学习速率的选取在00108之间。4激活函数的类型BP网络中激活函数通常为S型激活函数LOGSIGMOID函数与TANSIGMOID函数和PURELIN函数，其函数表达式分别为LOGSIGMOID函数XEXF11X，0FX1TANSIGMOID函数XXEEXF11X，1FX1PURELIN函数FXXX，FX相应的函数曲线如图22所示，图22BP神经网络典型激活函数曲线图FIG22THETYPICALEXCITINGFUNCTIONCURVEPLOTSOFBPNEURALNETWORK13哈尔滨工业大学工学硕士学位论文由图22可知，如果BP网络的最后一层是LOGSIGMOID函数或TANSIGMOID函数，那么整个网络的输出就会被限制在一个很小的范围0,1或1,1之内，使网络的应用受限；如果BP网络的最后一层是PURELIN函数，则整个网络的输出可以为任意值。因此，在实际设计神经网络模型时，通常考虑采用PURELIN函数作为输出层的激活函数。23BP神经网络速度控制器的设计231BP神经网络控制器的结构及参数设计BP神经网络是前向网络的核心部分，在所见到的神经网络控制中，BP网络是应用最多的网络模型。对于BP神经网络，有一个非常重要的定理，即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，因而一个三层BP网络就可以完成任意的N维到M维的映射。也就是说，只含有一个隐层的前馈网络是一个通用的函数逼近器。于是设计了三层的BP神经网络，它包含有输入层、隐层、输出层。根据超声波电机神经网络速度控制的要求，神经网络的输入变量应有两个给定速度、给定速度与测定速度相比较产生的速度差，输出变量为超声波电机的输入控制信号UT，用以调节VCO的输入电压，从而调节USM的驱动频率。于是得到输入、输出层的节点数。输入层含有2个节点，输出层应有1个节点；隐层的节点数选用参考公式MNOA，具体数值需通过MATLAB仿真实验得到，这部分的设计将在后面介绍；联接形式采用全联接；图23所示为神经网络被用来直接作为超声波电机速度控制的控制器，其中YMT、YT分别为给定速度和T时刻由光电编码器测得的电机转速值，UT为电机的输入控制信号（此处为驱动频率），ET为速度误差，它既用来训练网络又同YMT一起作为网络的输入。网络的输出作为控制信号送给驱动电路并产生相应频率的驱动电压输入超声波电机，从而控制超声波电机的转速。为使整个网络的输出范围不受限制，网络的隐含层激活函数选择为TANSIGMOID函数，输出层激活函数选择为PURELIN函数。网络的算法为改进后的BP神经网络控制算法。14哈尔滨工业大学工学硕士学位论文图23超声波电机神经网络控制器结构框图FIG23CONFIGURATIONOFTHENEURALNETWORKCONTROLLERFORUSM232BP神经网络控制器的算法设计所设计的神经网络结构见图24，其中，输入层I、隐层、输出层JK中的神经元分别用INN1,2、JSS1,2，N、K1表示，这里N值由MATLAB仿真训练确定；、E分别为给定速度和速度差；、MYINYJSY、分别为输入层I、隐层J、输出层K中各自神经元的输出；KYJS、分别为隐层、输出层K1JK中各神经元的阈值；,JSNW为输入层I与隐层之间神经元的联接权值；J1,KSW为隐层与输出层JK之间神经元的联接权值，设计神经网络控制器的算法如下。2321正向传播计算输入层节点的输出2121IYTET2132TYTYMI即各节点的输出等于其输入。隐节点的输出2,1JJISSNNNJSYTFWTYTT214其中为TANSIGMOID函数。XF输出层节点的输出1,11NKKJSSSKYTFWTYTT215这里FX为PURELIN函数。15哈尔滨工业大学工学硕士学位论文图24神经网络结构FIG24NEURALNETWORKARCHITECTURE2322反向传播计算1误差计算对SIGMOID函数有1XFXFXF即有1KKKYYY216根据误差的反向传播规则，见图25，可得输出节点向后传播产生的误差1,1KKKSTETYTETYTYTKT217隐节点向后传播产生的误差,1,1,1JKKJJSNSSSSTWYTY2182修正权值、阈值按下式修正联接权值1,1,1,1KKKKSSSWTWTTYTJSI219,1JJJJSNSNSNNWTWTTYT220按下式修正阈值111,1KKKSTTKT22116哈尔滨工业大学工学硕士学位论文,1JJJSSSTTJNT222上面各公式中、分别为隐层与输出层JKJK中神经元的学习率，为简化设计，所设计的神经网络各层节点的学习步长取相同的值。的选值最终通过实验确定。图25神经网络反向传播示意图FIG25SKETCHMAPOFNNSBACKPROPAGATION233BP神经网络学习算法的改进前文提到，BP网络的一个严重缺点是收敛太慢，它影响了该网络在许多方面的实际应用。为此，许多学者对BP网络的学习算法进行了广泛的研究，提出了很多改进的算法，本文引入附加动量法。附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，它允许网络忽略微小变化特性。在没有附加动量的作用下，网络可能陷入局部极小值，利用附加动量法则有可能滑过这些极小值。其方法是在反向传播算法的基础上在每一个权值的变化上加上一项正比于前次权值变化量的值，并根据反向传播法来产生新的权值变化。神经元节点I与J之间的误差校正项定义为1JIJIJIWTYWT22317哈尔滨工业大学工学硕士学位论文则改进算法为1JIJIJIWTWTWT224其中为学习速率，J为神经元J的梯度，IY为神经元I的输出，为动量系数，01。该方法所加入的动量项实质上相当于阻尼项，它减小了学习过程的振荡趋势，改善了收敛性。234基于MATLAB神经网络控制器的设计由于BP网络的层数较多，每层节点数也较多，加上输入矢量的组数庞大，往往使得采用一般的程序设计出现循环套循环的复杂嵌套程序，从而使得程序的编写既费时，又不易调通，浪费了大量的时间在编程中而无暇顾及如何设计出具有更好性能的网络来。在这点上MATLAB工具箱能够充分展示出其优越之处，它的全部运算均采用矩阵形式，使其训练简单明了迅速。MATLAB53以上的版本增加了NEURALNETWORKBLOCKSET子库，运用其处理神经网络问题更加简单，丰富的神经网络库函数使得能任意编程组合所需的各种功能，节省了大量的编程开发时间。利用MATLAB进行上述已经确定层结构的神经网络训练学习的步骤如下461用小的随机数初始化每一层的权值W和阀值可调用RANDS或INIT函数，保证网络不被大的加权输入饱和，并进行以下参数的设定，其中包括期望误差最小值ERR_GOAL；最大循环迭代次数MAX_EPOCH；修正权值的学习率LR,一般情况下LR取00108；从1开始循环训练FOREPOCH1MAX_EPOCH。2计算网络各层的输出矢量AL和A2以及网络输出误差E1TAN1,1ASIGWP；其中P为输入样本数据，WL和L为输入层到隐层的权值和阈值。221,APURELINWA2；其中W2和2为隐层到输出层的权值和阈值。2ETA3计算各层反传的误差变化D2和D1并计算各层权值修正值以及新权值D2DELTAPURELINA2,E；DLDELTATANSIGA1,D2,W2；DWL,D1LEARNBPP,D1,LR；DW2,D2LEARNBPA1,D2,LR；WLWLDWL；L1DL；18哈尔滨工业大学工学硕士学位论文W2W2DW2；22D24再次计算权值修正后的误差平方和2TAN1,1,SSESUMSQRTPURELINWSIGWP25检查SSE是否小于ERR_GOAL或循环次数达到MAX_EPOCH,若没有，转到步骤2继续进行学习，否则结束训练。以上就是BP网络在MATLAB中的训练过程。但是MATLAB还提供一种更简单的训练方法，就是运用神经网络工具箱TRAINGD，TRAINGDM，TRAINGDX，TRAINLM等函数进行网络结构训练，这种方法综合以上训练步骤的全过程，其缺点是最多只能训练三层网络且训练过程不可观测，灵活性不如分步训练强。对于本系统要求训练的神经网络这种方法有很好的适用性，采用INIT和TRAINGDTRAINGDM,TRAINGDX,TRAINLM等函数就能完成整个样本的学习。1INITWL,L,W2,2INITP,SL,FL,S2,F2此函数用于初始化BP神经网络，P为输入样本数据，SL，S2为隐层节点数和输出层节点数，FL，F2分别为输入层到隐层和隐层到输出层的激活函数。此处S21,SL分别取6，8，10，12，FL取TANSIGMOID函数，F2取PURELIN函数。WL，L，W2，2分别存储初始权值和阈值。2TRAINGDWL,1,W2,2,TE,TRTRAINGDWL,L,FL,W2,2,F2,P,T,TP此函数用于训练BP前向网络，使网络完成函数逼近。P，FL，F2与INIT函数中的参数意义相同，TRAINGD函数中的WL，L，W2，2参数分别取INIT函数输出值，T为目标矢量，等式左边的WL，L，W2，2参数分别存储训练完以后的最终网络权值和阈值，TE和TR分别记录网络的实际训练次数和网络训练误差平方和矢量。TP用来设定一些特定的网络训练参数，各元素的具体作用如下TP1指定相隔两次显示数据的训练次数SHOW；TP2指定训练的最大次数即MAX_EPOCH；TP3指定期望误差值ERR_GOAL；TP4指定学习速率LR。一旦达到最大训练次数，或者网络误差平方和降到期望误差之下，都会使网络停止学习。TRAINGDM是改进型的BP神经网络训练函数，即附加动量项的BP算法，各个函数参数基本与TRAINGD相同，要注意的只是TP参数的设置增加了1个元素，为动量常数MC。运用MATLAB神经网络工具箱，采用改进型BP神经网络训练函数TRAINGDM19哈尔滨工业大学工学硕士学位论文对所建立的样本结构进行仿真训练，通过调整隐层节点数和学习参数，寻找最优的神经网络结构。表21列出了不同隐层节点数条件下的网络学习情况。表21神经网络训练数据（N12，N31，E01）TABLE21NEURALNETWORKTRAININGDATASN12,N31,E01序号隐层节点数动量系数学习速率迭代步数16040151120280401576231004015