改进的bp网络pid控制的直流电机调速系统

改进的bp网络pid控制的直流电机调速系统

1模糊控制与pid控制集成系统的优势随着电子技术、微电子技术、控制理论和永磁化材料的快速发展，无刷直流电机的普及迅速启动。因此对电机也提出了精度更高、速度更快、效率更高等要求。所以电机调速系统至关重要。电机调速系统最常用的方法是双闭环PID控制器,其缺点在于参数不能随着被控对象的变化而作相应的调整,由于电机在运行过程绕组的自感、互感、阻尼系数、转动惯量等都是随着负载情况的变化而变化的,因此采用PID控制器已不能提供很好的控制性能。将模糊控制和PID控制集合起来,既可以提高控制精度,又能够根据对象输出的变化调整参数,取得很好的控制效果。本文提出了一种基于改进的BP网络PID控制的直流电机调速系统,将BP神经网络与PID有机结合,构成单神经元PID控制器和基于BP网络的参数自适应PDI控制器,以克服常规PID控制存在的不足,仿真研究表明在提高调速系统的稳定性、响应速度、参数适应性和鲁棒性的同时,够根据对象输出的变化实时调整参数,改善了模糊控制存在的稳态精度不高的问题。2电机的数学模型要十分精确地分析无刷直流电动机的运行特性,是很困难的。它涉及非线性理论及数值解法等诸多问题,在一般工程应用上尚无此必要,故在本文中作如下假定:1)电动机的气隙磁感应强度沿气隙按正弦分布。2)绕组通电时,该电流所产生的磁通对气隙磁通的影响忽略不计。3)控制电路在开关状态下工作,功率晶体管压降△价为恒值。4)各相绕组对称,其对应的电路单元完全一致,相应的电气时间常数忽略不计。5)位置传感器等控制电路的功耗忽略不计。下面以三相星形联结绕组半控电路为例,推导无刷直流电动机的数学模型。假定转子磁钢所产生的磁感应强度在电动机气隙中按正弦规律分布,B=BMsinθ。这样一来,如果在定子一相绕组中通一持续的直流电流,所产生的转矩为TM=ZDLBMrIsinθ。假设开通角γ=00时,无刷直流电机的输出转矩平均值Ta:Ta=3T2π∫π65π6sinθd0.827ZDLBMrI(1)Τa=3Τ2π∫π65π6sinθd0.827ΖDLBΜrΙ(1)其中ZD为每相绕组的有效导体数,L为绕组中导体有效长度,即磁钢长度,r为电动机中气隙的半径,I为绕组相电流。在转矩作用下电机旋转,转子磁场切割定子绕组,在各相绕组上感生出电动势,在上述情况下感生电动势的平均值由于电动机的电压平衡方程式为:将式(1)和式(2)代入式(3)有无刷直流电机的机械特性方程:n=U−ΔUKe−RKeKTTa(4)n=U-ΔUΚe-RΚeΚΤΤa(4)其中n为无刷直流电机转速(r/min),U为电源电压少),ΔU为功率管的管压降,Ke为电动势系数,Ta为电动机产生的电动转矩平均值,KT价为转矩系数,R为电动机的内阻。在上述假定条件不变的情况下,无刷直流电机的动态特性取拉氏变换可得:⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪U(s)−ΔU(s)=Ea+RI(s)Ta(s)=KTI(s)Ta(s)−TL(s)=4gJ375sn(s)Ea(s)=Ken(s)(5){U(s)-ΔU(s)=Ea+RΙ(s)Τa(s)=ΚΤΙ(s)Τa(s)-ΤL(s)=4gJ375sn(s)Ea(s)=Κen(s)(5)其中TL(s)为电动机负载转矩,J为转动惯量。根据式(5)可以得无刷直流电动机的结构图,如图l所示。3直流电气网络pid的研究3.1其他pid控制PID控制涉及的设计算法和控制结构均较简单,并且PID控制方案不要求精确的受控对象的数字模型,其控制效果一般比较令人满意,所以这种控制方案应用较广泛。传统的控制器模型为:u(t)=Kp[e(t)+1Ti∫i0e(t)dt+Tdde(t)dt](6)u(t)=Κp[e(t)+1Τi∫0ie(t)dt+Τdde(t)dt](6)同样,在数字控制系统中,使用比较普遍的也是PID控制规律,此时数字PID调节器的输出和输入之间的关系是:u(KT)=Kp{e(KT)+TTi∑j=0ke(jT)+TdT[e(KT)−e(KT−T)]}(7)u(ΚΤ)=Κp{e(ΚΤ)+ΤΤi∑j=0ke(jΤ)+ΤdΤ[e(ΚΤ)-e(ΚΤ-Τ)]}(7)式(7)为位置式,还有一种增量形式如下:在传统的PID控制中,存在比例、积分、微分这三种控制作用。比例控制的优点是:误差一旦产生,控制器立即就有控制作用,使被控制量朝着误差减小的方向变化,其控制作用的强弱取决于比例系数KP。比例控制的缺点是对于系统阶跃响应值为一有限值的被控对象存在静差。加大肠可以减小静差,但瑜过大时,会破坏系统的动态性能,甚至使闭环系统不稳定。积分控制的优点是:它能对误差进行记忆并积分,有利于消除静差。积分控制的缺点在于积分作用具有滞后特性。如果积分控制作用太强就会使系统的动态性能变差,甚至使系统变得不稳定。微分控制的优点是:它能对误差进行微分,敏感于误差的变化趋势,增大微分控制可以加快系统响应,使超调量减小,增加系统稳定性。它的缺点是对于干扰同样敏感,使系统抑制干扰能力降低。3.2bp网络模型关于BP网络的PID控制系统结构如图2所示。该控制器的算法如下:1)首先确定BP网络的结构,确定输入层节点数和隐含层节点数,并设置各层权系数的初始值,选择适当的学习率和惯性因子。2)计算BP网络各层输入和输出,网络的最终输出为PID控制器的可调参数KP,ki和kd。3)选择增量式数字Pm控制算法,计算控制器的输出。4)进行网络学习,在线调整权系数,对PID控制参数自适应修改。5)返回第2)步。采用三层BP网络,其结构如图3所示。网络的输入为:其中I为输入的变量个数。网络隐层的输入和输出为:其中w(2)ijij(2)为隐含层权系数,H为隐层节点数。f1为隐层神经元的活化函数,本文函数取Sigmoid函数:f1(x)=11−e−x(12)f1(x)=11-e-x(12)网络输出层的输入输出为:其中w(3)lili(3)为输出层权系数,l为输出节点数,文中输出实际为PID的三个可调参数,f2为输出层神经元的活化函数,为了增加输出范围本文选择函数为线性函数:选择指标函数为:E(k)12(r(k)−y(k))2(16)E(k)12(r(k)-y(k))2(16)因为BP网络是按梯度下降算法修正网络的权系数,算法在本文具体实现时引入惯性项,具体形式如下:Δw(k)=−η∂E∂w+αΔw(k−1)(17)Δw(k)=-η∂E∂w+αΔw(k-1)(17)其中η为学习速率,α为惯性系数。由于本文采用增量PID算法,由式(17)可得到:∂Δu(k)∂O(3)1(k)=e(k)−e(k−1)∂Δu(k)∂O(3)2(k)=e(k)∂Δu(k)∂O(3)3(k)=e(k)−2e(k−1)+e(k−2)(18)∂Δu(k)∂Ο1(3)(k)=e(k)-e(k-1)∂Δu(k)∂Ο2(3)(k)=e(k)∂Δu(k)∂Ο3(3)(k)=e(k)-2e(k-1)+e(k-2)(18)3.3模糊控制规则在上述神经网络PID控制策略中,BP网络采用的是基本BP算法,但是算法中相邻迭代的搜索方向正交,当接近极值时会发生“锯齿”形的振荡。虽然这是减低网络性能函数值的最快方法,但不可避免地存在着局部最小和收敛速度慢等问题。现将模糊控制思想引进BP网的学习过程,通过在线调整学习率,有效加快了学习速度并得到更好的学习效果。在模糊控制中学习率和误差,误差变化以及变化的变化有着重要的联系。增大学习率有利于减小误差,但是过大的学习率会引起震荡。因此,在误差减小时加大学习率,在误差增大时减小学习率防止震荡。同时,为了防止陷入局部最小,在误差变化的变化较小时增大学习率,在误差变化的变化较大时减小学习率。定义误差为E,误差变化为EC,误差变化的变化为ECC。误差的等级:小S,中M,大B。误差变化和误差变化的变化等级:负大NB,负小NS,零ZE,正小PS,正大PB。学习率等级:负小NS,零ZE,正小PS。采用“ifAandBthenC”的语句,模糊推理采用Min-Max方法,解模糊采用Cenrtoid方法。基于上述观点可得如下模糊控制规则表,如表1。改进BP算法中模糊控制采用查表方法实现。隐层激活函数采用对数S型a=11+exp(n+b)a=11+exp(n+b),输出层激活函数采用线性型a=n+b,算法流程如图4。4系统动态性能仿真在simullnk环境下,建立了基于BP网络的PDI控制算法的无刷直流电机闭环调速系统仿真模型,如图5所示。其中电机参数为:R=0.59Ω,ke=0.775V/rad,KT=0.92988N/A,J=0.00495kg·m,n=2000r/min,ce=0.132V/(r·min-1),电枢回路总电阻R=0.5Ω,电枢电感L=0.013H,电流反馈系数β=0.05,转速反馈系数α=0.005。基于图5仿真模型,对采用改进的BP网络的PID控制无刷直流闭环调速系统动态性能进行了仿真研究,仿真结果如图6所示,当t=4s时,电机加入负载。从图中可以看到,仿真效果较好,系统加入负载后,过渡过程基本没有速降,并且实现了无静差控制。以下图7至图10是基于改进的BP网络的PID控制器和常规PID控制器的比较波形。由上述波形图可见,基于BP网络的PID控制器的制效果和单神经元自适应PID控制器基本相当,但基于BP网络的PID控制器对参数的适应能力更强,在参数发生显著变化时,仍能有很好的控制效果,其具有很强的鲁棒性。5神经网络pid控制器仿真研究本文提出了一种基于改进BP神经网络的PID参数自适应控制器,它将神经网络和PID控制相结合,用基于模糊逻辑的BP神经网络实现与PID控制的在