基于神经网络无刷直流电机自适应控制.docVIP

基于神经网络无刷直流电机自适应控制 　　[摘 要] 提出了基于改进的RBF神经网络的无刷直流电机自适应控制新方法。该方法利用由MATLAB神经网络工具箱中的RBF神经网络函数设计出人机界面平台，并对常规的RBF神经网络进行了改进性设计。由于MATLAB提供的RBF的实现算法具有自适应确定网络结构和无需人为确定网络初始权值的优点， 因此减少了网络训练的随机性， 提高了训练精度。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。 　　[关键词] 无刷直流电机； 人机界面； RBF辨识； 自适应控制 　　中图分类号 TP 273.2 文献标识码 A 　　无刷直流电机具有出力大、调速性能好、易于控制、节能等优点，在工业领域中得到了日益广泛的应用。但是由于无刷直流电机是一种多变量、非线性的控制系统，所以传统PID控制器很难达到理想的控制效果。人工神经网络在解决非线性和不确定系统的控制方面具有巨大的潜力。RBF神经网络已被证明能以任意精度逼近任一非线性函数。很多论文中也采用了RBF神经网络来辨识非线性系统的模型进行各种自适应控制算法。但是在设计RBF神经网络时，如何选择合理的初始化参数以使网络学习达到要求的精度，目前还无解决办法，主要是靠设计人员凭经验确定，学习过程容易陷入局部最小等诸多缺点。 　　针对传统PID控制器和常规RBF神经网络所采用的学习算法的不足，提出了一种基于改进的RBF神经网络的无刷直流电机自适应控制新方法。该方法通过离线学习和在线学习相结合的方式训练网络，所建网络的训练时间和步数都大为减少，神经元结构更为精炼，并有很强的学习泛化能力，从而增强了系统的实时性和鲁棒性，大大改善了控制器的性能。 　　1 神经网络控制 　　1.1 RBF神经网络 　　RBF神经网络是一种三层前馈式网络。第一层为输入层，中间层为隐层，最后一层为输出层。RBF网络设计的核心问题是确定基函数的中心向量、宽度和线性层的连接权。参数设置的好坏，直接影响到网络的学习精度和学习速度。 　　1.2 RBF神经网络的离线学习 　　本文在MATLAB的基础上，利用由MATLAB神经网络工具箱中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离???辨识，确定RBF神经网络的网络结构及初始权值；再采用RBF神经网络在线算法在线辨识无刷直流电机模型，获得PID参数在线调整信息，并由单神经元PID控制器参数的在线自整定，实现系统的智能控制。这样可以充分利用Matlab提供的RBF的实现算法具有自适应确定网络结构和无需人为确定网络初始权值的优点，不仅减少了网络训练的随机性和提高了训练精度，而且还节省了程序设计、调试及网络学习训练所需的时间。 　　1.3 RBF网络的在线学习 　　1.4 单神经元自适应PID控制 　　单神经元PID调节器本身具有自适应、自学习能力。单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，权系数的调整是按监督的Hebb学习规则实现的。 　　1.5 基于改进的RBF神经网络的无刷直流电机在线辨识单神经元自适应PID控制算法 　　本文所提出的控制系统结构图如图1所示。系统的工作原理是：在由NNI对被控对象进行在线辨识的基础上，通过实时调整NNC的权系，使系统具有自适应性，达到有效控制的目的。具体控制算法归纳如下： 　　（1）利用神经网络工具箱中的RBF神经网络函数建立了人机交互的无刷直流电机模型辨识平台，并进行了RBF网络的离线训练及对无刷直流电机的离线辨识。 　　（2）给出单神经元初始权值、学习速率，利用离线训练后的RBF神经网络的参数值作为在线辨识的初始值。用（-1，1）的随机值对单神经元的权值初始化。 　　（3）采用增量式PID控制器，利用公式（8）得到e（k），X1（k），X2（k），X3（k），利用公式（9）计算控制量u 　　（4）将单神经元PID控制器输出u和系统输出yout同时送到RBF输入层，产生下一步实际输出和辨识输出。 　　（5）由RBF神经网络的输出y（k+1）和系统实际输出yout（k+1）产生的偏差，根据公式（3）、（4）、（5）、（6）修正RBF网络的参数。 　　2 仿真结果分析 　　本节仿真环境为MATLAB.试验样机参数为：额定电压24V；额定电流：0.5A；反电动势常数：0.01；转矩常数：0.01；额定转速1500RPM。仿真步骤如下：首先通过人机交互的无刷直流电机模型辨识平台运用离线算法训练RBF神经网络，使RBF神经网络能够辨识电机，将得到的参数值作为在线算法的初始值，然后再使用在线辨识的自适应算法在线训练网络。 　　图2为在RBF网络离线训练时，对无刷直流电机的无噪音辨识正弦响应曲线。图3为采用基于改进的RBF网络在线辨识的单神经元