基于bp神经网络pid控制的直流电动机调速系统设计

1、百度文库-好好学习，天天向上 # 基于BP神经网络PID控制的直流电动机调速系统设计摘要：本文在阐述了神经网络的发展、现状、基本原理及其在自动控制中的应用的基础上，主要研究BP神经网络在PID控制中的应用。将BP神经网络运用于PID控制中，能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时出现的参数整定不良和性能欠缺等缺陷。本文设计了一种自适应PID控制器，采用改进共轭梯度算法对PID控制器参数进行在线整定。利用此控制器对无刷直流电机进行控制，仿真结果表明：应用神经网络对常规PID控制器进行改造后提高了系统的鲁棒性和动态性能。关键词：无刷直流电机；BP神经

2、网络；PID控制器百度文库-好好学习，天天向上百度文库-好好学习，天天向上 - 第一章绪论控制理论的发展和面临的挑战随着社会的发展，人们从解决重大工程和技术问题的实践中逐渐总结出了有关控制的相关理论。和其他学科一样，控制理论学科的发展水平受到人类技术手段和知识水平的限制。传统的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，然而在自然界和现实生活中的系统绝大多数都是非线性的，仅凭单一的分析线性系统的理论来分析非线性系统远不能满足人们对控制系统的研究中涉及到非线性、鲁棒性以及具有柔性结构的系统和离散事件动态系统的要求。因此，在经历了经典控制理论、现代控制理论两个发展阶段后，人工智能的

3、发展促使自动控制向智能控制发展。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，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。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领域。因为神经网络的非线性映射能力、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的特点，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。因此，神经网络在系统控制领域备受重视。特别是当系统存在不确定性因素时，更体

4、现了神经网络方法的优越性。因此，神经网络控制在非线性控制系统中应用非常广泛。神经网络技术的发展与国内外研究现状神经网络领域研究的工作始于19世纪末和20世纪初，源于物理学、心理学和神经生理学的跨学科研究，最早是由心理学家WarrenMcCulloch和数学家WalterPitts所提出的M-P模型。1949年，心理学家DonaldHebb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，他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Hebb学习规则，该规则至今仍在神经网络模型中发挥着重要作用。1957年，FrankRose

5、nblatt提出了著名的Perceptron（感知机）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。1962年，BernardWindrow和TedHoff提出了Adaline（自适应线性单元模型）以及一种有效的学习方法，即Windrow-Hoff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。我国的神经网络研究工作起步较晚，始于20世纪80年代末，主要应用领域开展了一些基础性的工作，在1990年12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

6、术会议。我国的“863”高技术研究计划和“攀登”计划于1990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。神经网络控制研究的目的和意义随着我国工业和航天事业的不断发展，对调速系统的性能和精度要求越来越高。无刷直流电机控制系统是一种新型的调速系统，该系统具有良好的运行、控制及经济性能，显示出巨大的发展潜力。在实际的工程操作中,PID控制是应用最为广泛的控制方式,它的控制规律就是用P（比例）、I（积分）、D（微分）计算出控制

7、量进行控制的。PID控制器同时具有结构简单、稳定性好、工作可靠、调整方便等等优势，故在工业控制中具有较广泛的应用。然而常规的PID控制仅对能建立精确数学模型的控制系统具有较好的控制效果，对那些具有高度非线性、时变不确定性和大时滞对象、难以建立精确数学模型的控制系统，传统的PID控制器难以有很好的控制效果。而无刷直流电机正是一个非线性、多变量、强耦合的控制对象，也难以建立其精确的数学模型。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取得了较大的发展，由于它具有非线性和不确定性，自学习能力较强，可以通过自身学习的过程了解系统的结构和参数，不需要对被控对象建立精确的数学模型。因此由神经网络构成

8、的控制器具有很好的鲁棒性和调节作用。基于PID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PID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得到了较为成功的应用，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PID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PID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。如果能发现性能优

9、于PID的控制器，且具有类似PID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。本文共分为四章，主要针对无刷直流电动机调速系统的基于BP神经网络PID控制进行相关研究。第一章主要介绍了选题背景与研究现状；第二章在介绍了无刷直流电机的基本组成和工作原理后根据其基本组成构造出无刷直流电机的数学模型(包括电压方程和电磁转矩方程)，并阐述了无刷直流电机的测速原理；第三章介绍了神经网络，重点说明了利用BP神经网络进行控制的结构和基本原理;比较了传统PID控制器和基于BP神经网络的PID控制器原理上的差异，分析了基于BP神经网络PID控制器的结构并给出控制算法；第四章对无刷直流电机BP神经网络PI

10、D调速仿真研究，使用MATLAB/SIMULINK进行了仿真实验，仿真实验结果表明基于BP神经网络的新型PID控制器相对于常规PID控制器提高了系统的鲁棒性和动态性能。第二章无刷直流电机原理及数学模型无刷直流电机的基本组成无刷直流电机主要由电动机本体、位置传感器和电子开关线路三部分组成。电动机本体在结构上与永磁同步电动机相似，其定子绕组一般制成多相，转子由永久磁钢按一定的极对数(2P2,4,)组成。B屮二幵十弐奁图2-1无刷直流电动机结构原理图图2-1中的电动机本体为三相两极。三相定子绕组分别与电子开关线路中相应的功率开关器件联接，即A相、B相、C相绕组分别与功率开关管VI、V2、V3相接，位

11、置传感器的跟踪转子部分与电机转轴相连接。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，产生转矩，驱动转子旋转，再由位置传感器将转子磁钢位置变换成电信号，来控制电子开关线路，从而使定子各相绕组按一定顺序导通，定子相电流随转子位置的变化而按一定的次序换相。电子开关线路的导通次序与转子转角同步，它起到了与机械换向器相同的换向作用。无刷直流电机，就其基本结构而言，可认为是一台由电子开关线路、永磁式同步电动机以及位置传感器三者组成的“电动机系统”，其原理框图如图2-2所示。图2-2无刷直流电机系统构成框图就结构而言，直流电机从电刷向外看虽然是直流的，但从电刷向内看，电枢绕组中

12、的感应电势和流过的电流完全是交变的。从电枢绕组和定子磁场之间的相互作用看实际上是一台电励磁的同步电机，这台同步电机和直流电源之间是通过换向器和电刷联系起来的。在电动机运行方式下，换向器起逆变器作用，把电源直流逆变为交流送入电枢绕组，在发电机运行方式下，换向器起整流器作用，将电枢中发出的交流电整流成直流供给外部负载电刷则不仅引导了电流，更重要的是它的位置决定了电枢绕组中电流换向的地点，从而决定了电枢磁势的空间位置，即起到了电枢电流换向位置和电枢磁场空间位置检测的作用。由于换向器和电刷的有效配合，使得励磁磁通和电枢磁势能在空间始终保持垂直关系，以利最大限度地产生有效转矩。无刷直流电机电子开关线路是

13、用来控制电动机定子上各相绕组通电的顺序和时间，主百度文库-好好学习，天天向上百度文库-好好学习，天天向上- 要由功率逻辑开关单元和位置传感器信号处理单元两个部分组成。功率逻辑开关单元是控制电路的核心，其功能是将电源的功率以一定逻辑关系分配给无刷直流电机定子上各相绕组，以便与转子永磁磁场相互作用产生持续不断的恒定转矩。而各相绕组导通的顺序和时间主要取决于来自位置传感器的信号。但位置传感器产生的信号一般不能直接用来控制功率逻辑开关单元，往往要经过一定逻辑处理后才能去控制逻辑开关单元。综上分析，组成无刷直流电机各主要部件的框图如图2-3所示。无刷直流电功科图2-3无刷直流电动机的组成框图无刷直流电机

14、的工作原理一般的永磁有刷直流电动机的定子由永久磁钢组成，其主要作用是在电动机气隙中产生磁场。其电枢绕组通电后产生反应磁场。由于电刷换向作用，使得这两个磁场的方向在直流电动机运行的过程中始终保持相互垂直，从而产生最大转矩而驱动电动机不停地运转无刷直流电机为了实现无电刷换向，首先要求把直流电动机的电枢绕组放在定子上，把永磁磁钢放在转子上，这与传统直流永磁电动机的结构刚好相反。无刷直流电机除了由定子和转子组成电动机的本体外，还要由位置传感器、控制电路以及功率逻辑开关共同构成的换向装置，使得无刷直流电机在运行过程中定子绕组所产生的磁场和运动中的转子磁钢产生的永磁磁场，在空间始终保持在(/2)rad左右

15、的电角度。图2-4三相全桥电路三相全桥式Y接电机，理想状况下任意时刻有两相导通，形成电路通路。霍尔传感器在电机转动一周的过程中输出6种状态。以图2-4的逆变桥为例，位置传感器输出状态1下V6和V1导通，状态2下V1和V2导通，状态3下V2和V3导通，状态4下V3和V4导通，状态5下V4和V5导通，状态6下V5和V6导通，如表2-1所示。表2-1导通功率管与定子合成磁动势对应表定子合成磁势FalFa2Fa3Fa4Fa5Fa6导通的功率管TTTTTTTTTTTT611223344556每个状态持续（兀/3）rad电角度，这样就在空间上分成6个区间如图2-5所示，与之相对应转子在相应的区间转动，图2

16、-6是在表2-1的功率管开关逻辑作用下三相绕组的导通图2-6无刷直流电机相电流波形图一个周期内，每个功率管导通2兀/3电角度，逆变桥为横向换相方式。定子绕组每个周期正、反导通各2兀/3电角度，正、反电流之间间隔2兀/3电角度。任一时刻定子有两相绕组通电并产生定子磁动势，随着转子位置信号的变化，定子合成磁动势2兀/3为步长，转子磁场在定子磁动势的作用下与之同步旋转。无刷直流电机的数学模型以两极三相无刷直流电机为例来说明数学模型的建立过程。电机定子绕组为Y接集中整距绕组，转子采用隐极内转子结构，3个霍尔元件在空间相隔120对称放置。在此结构基础上，另作如下假设以简化分析过程：忽略电机铁心饱和，不计

17、涡流损耗和磁滞损耗；不计电枢反应，气息磁场分布近似认为是平顶宽度为120的梯形波忽略齿槽效应，电枢导体连续均匀分布于电枢表面；驱动系统逆变电路的功率器件和续流二极管均具有理想的开关特性。电压方程ur00iLMMieaaaau=0r0i+MLMpi+ebbbbu00riMMLiecccc(2-1)式中：H为定子绕组的相电流(A)e,e,eab5c为定子绕组的相电动势(V)u,u,uabc为定子绕组的相电压(V)L为各相绕组的自感(H)P=为微分算子dtM为每两相绕组的互感(H)因为转子的磁阻不会随着转子的位置的变化而发生变化，所以定子绕组的互感与自感是常数，当三相绕组是Y连接，并且无中线时，则有

18、：i+i+i=0abc(2-2)Mi+Mi=-Miaca将(2-2)式代入(2-1)式可得电压方程为：百度文库-好好学习，天天向上百度文库-好好学习，天天向上- - uR00iL-M00ieaaaaau=0R0i+0L-M0-i+ebbbbbu00Ri00L-Mieccc1cc(2-3)电磁转矩方程电磁转矩为T=(ei+ei+ei)daabbcc(2-4)式中：Q电机的角速度(rad/s)在通电情况下，直流电机的带电导体处于一样的磁场下，各相绕组的感应电动势为E=-mNnm30m(2-5)N总导体数n电动机转速m主磁通-m极对数式中：从变频器的直流端看，Y型连接的无刷直流电机的感应电动势为E。

19、由两相绕组经过逆变器串联组成，得到E=2E=Pndm15m(2-6)因此，电磁转矩方程式可化简为：T=马=4PmNidnnmd(2-7)式中：d电流的幅值为电机的角速度(60)由式(2-6)可以看出，直流无刷方波电机和普通直流电机有着相同的电磁转矩表达式，电磁转矩与磁通和电流成正比，所以控制逆变器输出方波电流的大小就是可控直流无刷方波电机的转矩。另外电动机转子的运动方程为：T=Jd+B+Tddti(2-8)可以再进一步化简得：(2-9)竺=丄(T-T)竺dtJd1J式中：J为转子与负载的转动惯量B为粘滞阻尼系数Tl为负载转矩由于本系统采用120型三相逆变器，不管什么时候都只有两相通电，直流无刷

20、方波电U=1U机的输出相电压幅值为2所以每相绕组都会有下面的动态方程式：=iR+L竹+Edaadt(2-10)式中：s为电源电压忽略粘性摩擦，电动机的转矩平衡方程式为GD2Ra375CCem(2-11)由式(2-10)可得：TdEIImdLRdta(2-12)对式(2-9)和式(2-11)两边分别进行拉式变换后得：I(s)_Tda-U(s)-E(s)TlS+12s HYPERLINK l bookmark64 o Current Document E(s)RI(s)1(s)FsdLm(2-13)(2-14)ECn联合式(2-13)和式(2-14),并考虑到Ee，得到无刷直流方波电机的动态结构图

21、2-7。图2-7无刷直流方波电机的动态结构图无刷直流电机的调速原理无刷直流电机结构简单、无机械磨损，不受传统换向装置的限制，可做到大容量、高转速，同时运行效率高、调速性能好，因而得到广泛的应用。典型的速度/电流双闭环系统框图如图2-8所示，其中速度反馈采用脉冲测速以适应微机的数字控制，速度调节器的输出作为电流给定，电流检测经A/D变换后进入微机以构成电流反馈。图2-8无刷直流电机速度/电流双闭环系统框图由于永磁无刷直流电机的相电流的矩形波形是确定的，所需控制的只是电流幅值，故u可采用PWM控制方式来实现。即用电流调节器输出的电压信号k与三角载波电压信号uc相比较，产生等幅、等脉宽、定周期的脉宽

22、调制信号，控制功率电子开关的通、断。当uc值大时PWM波形占空比大，电枢电压高，绕组电流大；反之则小。由于电磁转矩大小与电流成正比，因此可实现对转矩，进而对速度的闭环控制。也有采用单闭环系统的控制器，这时速度调节器的输出直接控制PWM发生器，通过调节占空比来控制电机的转速。对电流的控制则采用开环控制，当电流超过某一阈值时，降低占空比，从而使电流下降。小结无刷直流电动机利用电子开关线路和位置传感器来代替电刷和换向器，通常由电动机本体、位置传感器和电子开关线路组成。通过位置传感器检测转子位置来使相应的晶体管导通，从而使对应的相导通。无刷直流电动机的机械特性和调节特性形状应与一般直流电动机相同，区别

23、在于无刷直流电动机的机械特性随着转矩增加到一定程度，曲线会向下弯曲，并随着转矩增大弯曲程度增大。无刷直流电动机旋转方向的改变是通过改变绕组的通电顺序来实现的。无刷直流电动机的双闭环调速系统由转速外环、电流内环组成，两者都采用PI调节器。第三章BP神经网络PID控制方法研究PID控制器基本原理在各种控制算法中，PID控制是最早发展起来的控制策略之一。PID控制由于具有直观、计算简单、容易实现、鲁棒性好以及可靠性高等优点而获得了广泛的应用。它尤其适用于可建立精确数学模型的确定性控制系统，所以一般需要先知道被控系统的传递函数和数学模型。然而由于实际的控制对象往往具有非线性、时变不确定性、难以建立精确

24、的数学模型，使得传统的PID控制器的应用受到限制，已不能满足这类复杂对象的控制要求，无法达到理想的控制效果。图3-1PID控制系统原理框图传统PID控制原理PID控制以其结构简单、对模型误差具有鲁棒性及易于操纵等优点，被广泛应用于各种工业过程中，是控制系统中技术成熟的一种控制方法。PID控制要取得好的控制效果，就必须对比例、积分和微分三种控制作用进行调整以形成相互配合又相互制约的关系。常规PID控制系统原理框图如图3-5所示，根据不同的控制对象需要对控制器参数加以调整。PID控制器是一种线性控制器，它根据给定值厂Q与实际输出值乙)构成控制偏差e(t)二r0一cC)(3-1)将偏差的比例、积分和

25、微分通过线性组合构成控制量，对被控对象进行控制，故称PID控制器。其控制规律为uC)=kpe(t)+1reGdt+T凹(3-2)Toddtik式中p为比例系数i为积分时间常数d为微分时间常数。简单说来，PID控制器各校正环节的作用如下：e（t）1）比例环节即时成比例地反映控制系统的偏差信号e，偏差一旦产生，控制器立即产生控制作用，以减少偏差。2）积分环节主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数Ti，Ti越大，积分作用越弱，反之则越强。3）微分环节能反映偏差信号的变化趋势（变化速率），并能在偏差信号值变得太大之前，将系统中引入一个有效的早期修正信号，从而加快系统的动作

26、速度，减小调节时间。根据不同被控对象适当地整定PID的3个参数，可以获得比较满意的控制效果。实践证明，这种参数调整过程，实际上是对比例、积分、微分三部分控制作用的折衷，这种控制无法解决稳定性与准确性之间的矛盾。加大控制作用可使误差减少，准确性可以提高，但是降低了稳定性，反之，为了保证稳定性，限制控制作用，这样又降低了控制的准确性离散化的PID表达式:C)二keC)+k丈e(j)+kLC)-e(t1)(3-3)pidj=0Tk=kip式中积分系数ik积分系数dT为采样周期。增量式PID控制算法如下式所示:AuC)=u(t)u(t1)AwC)=ke(t)e(t-1)+ke(t)+kLC)-2e(t

27、-1)+e(t-2)pid(3-4)由于实际过程中的受控对象往往具有非线性、参数时变不确定性、难以确定精确的数学模型，传统的PID控制器就很难达到理想的控制效果。随着相关领域技术的不断发展，对控制系统的指标要求越来越高。而在实际过程中，传统PID控制的控制系统设计仍然采用试凑法来解决，这样，传统PID控制的精度必然受到一定程度上的影响和制约。人们一直在寻求PID控制器参数的自学习技术，以便适应复杂多变的情况和高性能指标的控制要求，神经网络理论的发展，使这种设想成为可能。基于BP神经网络的PID控制原理人工神经网络具有高度的并行分布式处理能力，它主要是通过对输入输出样本的学习不断调整由多个神经元

28、模型组成的网络的权值，使网络实现给定的输入输出映射关系，并具有学习、记忆、计算以及各种智能处理能力，因此人们自然而然就想到将神经网络和传统PID控制相结合，通过对系统性能的学习来实现具有最佳组合的PID控制。利用BP神经网络与传统PID控制相结合可以有效解决PID控制参数难以确定和环境扰动的不确定性的种种困难，因为它具有逼近任意非线性函数的能力，且结构和学习算法简单明确，通过网络的学习可以找到某一最优控制律下的P、I、D控制参数。k,k,k采用BP网络可以建立参数Pid自学习的PID控制器。其控制原理为：神经网络k,k,k输入状态对应于PID控制器的三个可调参数Pid，通过神经网络的自身学习、

29、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。神经网络PID控制器基本结构图3-2基于BP神经网络的PID控制系统结构图由图3-2可以看出，基于BP神经网络的PID控制系统主要包括两部分，即传统的PID控制器和神经网络NN。k,k,k其中传统PID控制器对被控对象加以闭环控制，控制器参数pid通过神经网络在线整定。BP神经网络NN的主要作用是根据系统的运行状态，对PID控制器参数加以调节，以达到期望最优的性能指标。即神经网络的输出作为传统PID控制器的可调参数k,k,kPid，通过神经网络自身的不断学习，加权系数的调整，来使得系统的稳定状态对应于某种最优控制律下的输出

30、，来充分发挥出神经网络的优点所在。在BP神经网络自学习控制器中，采用BP神经网络构建自学习控制器，并由其实现数字增量式PID控制器的输入输出对应关系。BP算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本经输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层单元，从而获得各层单元的误差信号，此误差信号作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整的过程，是周而复始地进行的。权值不断调整的过程，也就是网

31、络的学习训练过程此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。基于BP神经网络的PID控制算法BP神经网络具有逼进任意非线性函数的能力，而且结构和学习算法简单明确，通过网络的自身学习，可以找到某一最优控制规律下的P、I、D参数。BP神经网络结构如图3-3所示。百度文库-好好学习，天天向上百度文库-好好学习，天天向上百度文库-好好学习，天天向上- - - 图3-3BP神经网络结构图经典增量式数字PID控制算法:(k)=u(k-1)+Au(k)=u(k-1)+Ke(k)-e(k-1)+Ke(k)+Ke(k)-2e(k-1)+e(k-2)(3-5)pid在这里BP

32、网络采用结构简单的三层BP神经网络,其结构如图所示:有M个输入节点、Q个隐含层节点、3个输出节点。输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化处理。输出节点分别对应PID控制器的三个可调k,k,kk,k,k参数pid。由于不能给pid赋值,所以输出层神经元的积分函数取非负的Sigmoid函数，而隐含层神经元的激发函数可取正负对称的Sigmoid函数。由图3-3可见，BP神经网络输入层节点的输出为：Q(1)=X(j)(j=0,1,.,M)(3-6)j(3-6)式中，j为输入层第j个节点的输出；输入节点的个数M取决于被控系统的复杂程度。在文章中符号的上角标

33、(1)、(2)、(3)分别对应输入层、隐含层、输出层。网络的隐含层输入、输出为:net(2)()=丈O(2)0(1)iO(2)(k)=ii(i=0,1,.,Q)(3-7)式中，吓为隐含层第i个节点总的输入;W(2)ij为隐含层加权系数；f口(3-8)J为隐层神经元的活化函数，取正负对称的Sigmoid函数。fL=tanh(x)=(ex-e-x)/(ex+e-x)最后，网络的输出层的输入、输出为：Knet(3)(k)=o(3)OC)(k)iijiO(3)Q)=gCe(3)(k)(l=1,2,3)(k)=OG)(k)(k)=O(3)(k)(k)=O(3)(k)iKPKID3(3-9)o(3)式中，

34、ij为输出权系数；k,k,k输出层输出节点分别对应三个可调参数pid；g口为输出层神经元的活化函数，取非负的Sigmoid函数:g=(1/2)1+tanh(x)=ex/(ex+e-x)(3-10)取性能指标函数为：E(k)=(1/2)r(k)-y(k)2=(1/2)e2(k)(3-11)依照最速下降法来修正网络的权系数，即按E(k)对权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项，则有：Aw(k+1)=-q(dE(k)/do)+ao(3)(k)ijijij(3-12)式中，q为学习速率a为惯性系数;dE(k)=dE(k)dy(k)dody(k)dAu(k)lidAu(k)

35、dO(3)(k)dnet(3)(k)i-i- HYPERLINK l bookmark106 o Current Document dO(3)(k)dnet(3)(k)do(3)iiiidnet(3)(k)i-do(3)=O(2)(k)ili(3-13)由于dy(k)/dAu(k)未知，近似用符号函数sgndy(k)/dAu(k)代替的计算不精确的影响可以通过调整学习速率来补偿。由式(3-31)和(3-35)可以求得：BAu(k)/BO(3)(k)=e(k)e(k1)1(3-14)dAu(k)/BO(3)(k)=e(k)2(3-15)沁u(k)/dO(3)(k)=e(k)一2e(k一1)+e(

36、k一2)3(3-16)因此，可得BP神经网络NN输出层的权系数学习算法为:Aw(3)(k)二论3(k1)lillli(3-17)/=心曲监治忡吋)=3l(3-18)(3-19)(3-20)式中,g=g(x)lg(x)f二1f2(x)/2(3-21)综上所述，基于BP网络的PID控制算法可归纳为以下几点：选定BP网络的结构，即确定输入层节点数M和隐含层Q,并给出各层加权系数1)的初值晋和嚟，选定学习速率和惯性系数a，此时k=1；2)通过采样得到r(k)和y(k)，计算该时刻误差e(k)=r(k)-y(k)；3)4)计算神经网络NN各层神经元的输入、输出值，NN输出层的输出即为PID控制器k,k,

37、k的三个可调参数pid；根据式(3-31)计算PID控制器的控制输出u(k)；5)进行神经网络学习，在线调整加权系数丁伙)和叫Xk)，实现pid控制参数的自适应调整；置k=k+1，返回到1)。6)小结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依据上述推算方法，可得隐含层的权系数学习算法为:Aw(2)(k)(2)O(1)(k)+aAw(2)(k1)ijijij5(2)=f(net(2)(k)5(k)(i=1,.,Q)iiilii=1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、

38、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。由于实际过程中的受控对象往往具有非线性、参数时变不确定性、难以确定精确的数学模型，传统的PID控制器就很难达到理想的控制效果。而在实际过程中，传统PID控制的控制系统设计仍然采用“试凑法”来解决，这样，传统PID控制的精度必然受到一定程度上的影响和制约。利用BP神经网络与传统PID控制相结合可以有效解决PID控制参数难以确定和环境扰动的不确定性的种种困难，因为它具有逼近任意非线性函数的能力，且结构和学习算法简单明确，通过网络的学习可以找到某一最优控制律下的P、I、D控制参数。第四章无刷直流电机BP神经网络

39、PID控制仿真研究MATLAB/SIMULINK介绍Matlab是美国的克伦威尔莫勒博士在1980年研发出来的，在1984年由Mathworks公司正式推出，以后经过不断的升级，使得它的功能就越来越强大了。Simulink是多领域仿真与基于模型的动态系统设计平台，它是Matlab里的一个对动态系统建模仿真与分析的软件包。Simulink提供了自定义模块库集与交互式图形环境，使开发者能够正确地操作系统的仿真、应用、设计、测试与控制。Simulink的优点与特征就是能够实现对于工程问题的建模，这也体现出了如今应用相当广泛的模块化设计与系统仿真的思想，这样仿真与建模就好像搭积木那样的简单明了。它支持

40、离散、连续和它们两者结合的非线性与线性系统，同样支持各种采样速率不同的系统，现在已经被广泛应用到了各个研究领域中了。Simulink提供了模块库可以搭建出完整的系统供研究人员使用。它的模块库包括：输入环节、输出环节、非线性环节、线性环节离散时间环节和连续环节等各种子模块库。并且Matlab/Simulink是一个开放的编程环境，使得用户能够自己开发出需要的模块，经过组成封装扩展已有的模块库。系统仿真本文对无刷直流电动机调速系统的控制主要是通过双闭环环节实现的，即电流内环转速外环控制。将上述基于BP神经网络的PID控制算法应用到参数时变非线性系统中加以仿真研究，同时与普通PID控制算法加以对比，

41、可以充分体现出BP神经网络PID控制算法结构较为简单、对环境变化具有自适应性、具有较强的鲁棒性、较好的控制特性以及克服传统PID控制器参数不易调整的缺点。系统仿真对象是无刷直流电动机的转速。4.2.1系统参数取直流电机参数：功率为10kw，额定转速1000r/min，电压为220V,电流为55A,额定的磁通下电机的电动势转速比为C=0.1925Vmin/r，电枢电阻为0,系统运动的e部分飞轮离相应机电时间常数是T=0.075，V-M系统的主电路的总电阻R=1Q，整流触发m装置放大系数K二44，电枢回路的电磁时间常数T二0.017s，三相桥的平均失控时间为saT二0.00167s，拖动系统测速的

42、反馈系数K=0001178Vmin/r，比例积分调节器的st两个系数T=0.049s，1T二0.088s。24.2.2空载时系统仿真空载时系统仿真图4-1所示，分别采用传统PID和BP神经网络PID控制图4-1空载时仿真图仿真结果如图4-2所示图4-2空载时常规PID和BP神经网络PID控制速度响应对比在传统的双闭环直流调速系统中，作为内环的电流调节器，在速外环的调节过程中，它的作用是使电流紧紧跟随其给定电压U*i的变化。而转速调节器是调速系统的主导调节器，所以电机的稳定运行很大部分取决于转速调节器。本设计如图3所示。电流调节器仍采用传统的PID调节器，以保持电流的快速响应以及跟踪能力。而转速调节器采用基于BP神经网络的PID调节器，由神经网络的在线参数自学能力降低系统在实际运行中某些参数的变化而导致控制不准确的不利影响。有负载干扰时系统仿真LDInfuni1ET-E：ih闊tIJwii.in3.wlLsb.Ln出划QA!.勺匕卜阿|BondT3fTur*24lilkTIhll