基于bp神经网络的电机系统的波形控制-read.docVIP

基于BP神经网络的电机系统的波形控制 摘要阐述了BP神经网络模型和算法，建立了电流型交——交变频同步电动机的波形控制神经网络BP模型，并将计算结果与仿真结果作了比较。 关键词：BP神经网络；反向传播算法；波形控制 1引言　　电流型交——交变频同步电动机稳态运行时，电机相绕组电流近似为一矩形波，其波形与电动机参数、电源侧整流电压平均值Ud、平波电抗器电感Ld值有关。在实际应用中，由于负载大小、性质不同，往往对电动机电流波形有不同要求，这时一般方法是通过假设一组控制参数，经过仿真程序或实验测定获得电流波形，然后调整控制参数，多次循环反复至获得所要求的电流波形。显然，这种方法比较盲目，需要人工调节，对经验的要求很高，所需计算时间很长，不符合实时控制的要求。人工神经网络以其高度非线性映射，自组织结构，高度并行和不需预先建模等优点为解决上述问题提供了可能，它为人们解决实际问题提供了一个崭新的手段。BP网络建模特点 非线性映照能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。 并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。 自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。神经网络的学习也可以在线进行。 数据融合的能力：神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的工程技术（数值运算）和人工智能技术（符号处理）。 多变量系统：神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统提供了一种通用的描述方式，不必考虑各子系统间的解耦问题。 3、BP神经网络模型及算法　　BP模型是一个多层感知机构，是由输入层、中间层（隐层）和输出层构成的前馈网络，只含有一个中间层的BP模型，如图1所示。图1 神经网络模型 图1中有N个输入节点和L个输出节点，它们的非线性激活函数即Sigmoid函数为： ……………………………………………………………(1) 多层计算单元的输出按式(2)、(3)计算： …………………………………(2) ………………………………(3)式中Xi——输入层第i个节点的输出值　　　Yj——中间层（隐层）第j个节点的输出值　　　Wij——输入层第i个节点到中间层第j个节点的权系数　　　Wjk——隐蔽层第j个节点到输出层第k个节点的权系数　　θj——中间层第j个节点的内部阀值　　　θk——输出层第k个节点的内部阀值　　　Zk——输出层中第k个节点的实际输出值　　BP神经网络的自学习过程是一个反复迭代的过程，首先给网络一组初始权值，然后输入一个样本并计算其输出，通过实际的输出与期望值之间的差值用一定的方法来修改网络的权值，以达到减小这个差值的目的。反复执行这个过程直到这个差值小于预先确定的值为止。对足够的样本进行这样的训练后，网络所得的那组权值便是网络经过自适应学习得到的正确的内部关系。　　自学习过程的具体算法如下：(1)给网络赋一组小的随机初始权值，其值在0到1之间，并使其互不相等。　　(2)将输入数据规一化，使其在0到1之间，并确定期望输出信号(d0, d1,…, dL-1)。　(3)逐层计算神经网络的实际输出值。 (4) (4)从输出层开始，反向调整权值，其调整公式如下：　　Wjk+ηδkYj→Wjk　　Wij+ηδjXi→Wij　　式中δk=(dk-Zk)Zk(1-Zk)　　　　　(5)计算总的误差E，若E≤ε，学习停止，否则转到(3)重新计算。　　在实际编制程序时，如果步长η较小则学习速度较慢，而若η过大则会引起网络出现摆动。为解这一问题，可在式(4)中加入一个动量α(0α1)，即Wjk+ηδkYj+α.ΔWjk→Wjk　　　Wjk+ηδjXi+α.ΔWij→Wij式中 ΔWjk——连续两次Wjk之差　　ΔWij——连续两次Wij之差 神经网络模型用于波形控制1　神经网络用于波形控制　　实际应用中，一般电动机参数及励磁情况不变，可控参数为电源侧整流电压Ud、平波电抗器值Ld，描述电动机定子绕组电流波形的参数为一个60°计算周期的电流平均值Id和波形系数Kd。如图2所示。 图2　定子相电流波形 这里Kd=Imax/IminImax、Imin分别为一个60°计算周期的最大、最小瞬时电流值具有高度非线性特征的人工神经网络为解决Id、Kd、Ud、Ld变量之间复杂的映射关系提供了新的手段和工具。　　神经元BP网络具有很强的映射功能，这可由kolmogorov多层神经网络映射存在定理看出[2]。该定理的主要内容是：对于任一连续函数中：Φ:I→Rm,Y=Φ(x)（I是单位闭区域[0，