《运动控制系统》课件第12章.ppt

下面为各层的反传误差公式：第七层：第六层：第五层：第四层：第三层：第二层：对于第六层的第n+1个节点对于其他各线性节点根据以上推导的结果，可得网络连接权值调整公式为式中:表示从第e－1层到第e层的连接权值。（12-68）以表12-4作为训练样本，按照前面介绍的FNN系统学习算法，经过几千次的训练后，图12-53所示网络的目标函数达到了期望值，将训练后的网络接入图12-52所示的系统，作为开关状态的选择。2.仿真结果采用模糊神经网络状态选择器的直接转矩控制系统仿真结果如图12-54和图12-55所示。图12-54采用模糊神经网络开关状态选择器的转矩响应曲线(a)突加12N·m给定转矩时的转矩响应；(b)给定转矩由12N·m降到6N·m时的转矩响应图12-55采用模糊神经网络开关状态选择器的磁链轨迹和定子电流曲线（a）磁链轨迹；（b）定子电流图12-54（a）为模糊神经网络状态选择器在系统突加12N·m的给定转矩时的转矩响应，图12-54（b）为系统稳定运行一段时间后给定转矩由12N·m降到6N·m时的转矩响应。由仿真结果可以看出，采用模糊神经网络状态选择器后，无论系统是突加转矩给定还是突减转矩给定，由于转矩的快速调节作用，转矩实际值始终快速、无超调地跟踪转矩给定，它的响应时间更短，转矩的脉动减小，系统的动态特性明显改善。图12-55为模糊神经网络系统稳态时的定子磁链轨迹及定子电流响应曲线。由图中可以看出采用模糊神经网络状态选择器，系统稳定性能明显改善，定子电流为正弦波，磁链轨迹为圆形。综上所述，模糊神经网络状态选择器既具有模糊控制不要求掌握被控对象精确模型及强鲁棒性的优点，又具有神经网络自学习及高控制精度的优点。图12-47神经网络结构示意图（a）前向网络；（b）反馈网络2.神经网络的应用将神经网络用于交流调速控制系统的逆变器控制中，因其具有较强的学习能力、自适应能力、自组织能力及容错能力而可以获得较好的控制效果。常规的直接转矩控制系统中转矩调节器和磁链调节器一般采用施密特触发器，其容差的大小对系统性能影响很大。有人将转矩和磁链的偏差细化以提高系统的性能，但其细化区间的大小还会受到人为因素的制约。为此，我们上一节引入模糊集合理论，采用模糊控制器作为开关状态的选择器，不仅克服了容差的影响，而且系统性能明显改善。这一节我们利用人工神经网络来构造开关状态选择器。大量仿真结果证明，由神经网络状态选择器构成的系统性能是比较满意的，其结构图如图12-48所示。图12-48由神经网络状态选择器构成的系统结构图1）神经网络结构神经网络结构的设计是一个较复杂的问题。根据问题性质的不同，使用场合和要求也不一样，一般没有统一的标准。由神经网络的理论可知，三层前向神经网络能映射任意非线性函数。因此，我们选用三层前向网络作为状态选择器。结合DTC的原理，确定神经网络状态选择器的输入为三个：转矩误差磁链角磁链幅值误差其输出为逆变器的开关状态v1，v2，v3;隐含层单元的数目待定;网络结构如图12-49所示。图12-49神经网络结构图2）根据DTC原理确定学习的样本学习样本的获取是神经网络控制器设计的一个重要内容。给定的训练样本中应包含足够的信息，使得由网络的学习算法能学到被控对象的内在规律。由统计学方面的知识可知，对绝大多数实际问题来说，当训练样本趋于无穷多时，通过训练样本学到的权值参数在概率上收敛于真正要求的权值，但实际上训练样本不可能无穷多，即使训练样本可任意多，训练时间也不可能任意长。因此，如何准确地确定训练样本，对于一个控制系统来说是至关重要的。在αβ坐标系中，结合定子电压空间矢量、磁