文档库 最新最全的文档下载
当前位置:文档库 › 永磁同步电机神经网络自适应滑模控制器设计

永磁同步电机神经网络自适应滑模控制器设计

永磁同步电机神经网络自适应滑模控制器设计
永磁同步电机神经网络自适应滑模控制器设计

第13卷 第2期2009年3月

 

电 机 与 控 制 学 报

EL EC TR IC MACH I N ES AND CON TROL

 

Vol 113No 12Mar .2009

永磁同步电机神经网络自适应滑模控制器设计

刘治钢, 王军政, 赵江波

(北京理工大学自动化学院,复杂系统的智能控制与决策实验室,北京100081)

摘 要:设计了神经网络自适应滑模控制器。用RBF 神经网络自动调整滑模控制器的切换项增

益,无需建立包含参数摄动和干扰在内的整个系统的精确数学模型,有效提高了系统的稳定性和鲁棒性。采用Lyapunov 稳定性理论证明了系统稳定性,并针对常值干扰、时变干扰和参数摄动情况分别进行了仿真与实验。与传统的P I 控制相比,神经网络自适应滑模控制器具有更好的稳定性和抗干扰能力。

关键词:永磁同步电机;RBF 神经网络;滑模控制器;参数摄动;负载扰动

中图分类号:TP273

文献标识码:A

文章编号:1007-449X (2009)02-0290-06

Neural network adapti ve sli di n g mode control for

per manent magnet synchronous motor

L IU Zhi 2gang, WANG Jun 2zheng, ZHAO J iang 2bo

(Key Laborat ory of Comp lex System I ntelligent Contr ol and Decisi on,School of Aut omati on,Beijing I nstitute of Technol ogy,Beijing,100081)

Abstract:Considering the sensitivity t o parameter variati on and l oad disturbance of Per manent magnet synchr onous mot or (P MS M ),this paper p r oposed a neural net w ork based adap tive sliding mode contr ol (NNAS MC )f or higher stability and r obustness .RBF neural net w ork was used t o adjust the gain of the s witch part of sliding mode contr ol input .So the accurate mathe matic model of the whole syste m including uncertain para meters and disturbance was not required .The stability of the syste m was p r oved by Lya 2punov theory .Si m ulati ons and experi m ents are done under the situati on of constant disturbance,ti m e -varing disturbance and para meter variati on .The p r oposed NNAS MC has a better stability and noise re 2ducti on compared with P I contr ol .

Key words:per manent magnet synchr onous mot ors;RBF neural net w ork;sliding mode contr ol;para me 2ter variati on;l oad disturbance

收稿日期:2008-09-01基金项目:“985”工程学科建设投资项目(107008200400020)

作者简介:刘治钢(1982-),男,博士生,研究方向为复杂运动体驱动与控制;

王军政(1964-),男,博士,教授,博导,研究方向为复杂运动体测试与控制;赵江波(1978-),男,博士,讲师,研究方向为复杂系统的建模与控制。

1 引 言

永磁同步电机(P MS M )由于结构紧凑、高转矩/

质量比、高转矩/惯量比、低转子损耗等优良特性被广泛应用到各种工业应用场合。然而,P MS M 的性

能对于外部负载扰动和参数变化比较敏感,因此,如

何克服扰动和参数变化带来的不利影响一直是P MS M 研究的重点。多种控制策略如非线性鲁棒控制[1-3]、滑模控制[4]和智能控制[5,6]等被用来克服上述问题。

滑模控制器最早由俄罗斯学者Itkis和U tkin提出的,Hung[7]对滑模控制器及其应用进行了详尽的综述。滑模控制器具有响应速度快、对系统参数变化和外部扰动具有不变性的特点,被广泛应用到P MS M的速度与位置控制系统中。理论上,如果切换频率可以无限快,那么系统进入滑模面后将不受参数变化和外部扰动的影响。然而,在实际的电机系统中,切换频率不可能达到理想状态,因此产生了抖振问题,抖振成为滑模控制理论在实际电机系统中应用的主要障碍。许多学者都在寻求能消除控制信号抖动的近似变结构算法,目前主要有以下几种方法[8]:①边界层法,采用饱和函数代替符号函数平滑控制输入的不连续部分;②趋近律法,设计通过切换面的速度降低通过切换面时速度冲击;③积分滑模面法,通过设计具有积分性质的非线性滑模面,使得控制输入中包含积分成分;④频域近似法,滑模控制器由滤波器和相校正器组成,具有平滑滤波的作用;⑤智能控制法,引入模糊逻辑、神经网络等智能控制策略构成混合变结构控制器。

由于智能系统具有很强的非线性逼近能力,引入智能系统逼近滑模控制的非线性部分,或者直接采用智能系统实现滑模控制,是目前研究的热点[9,10]。逄海萍等[11]针对永磁同步电机交流伺服系统设计了基于Sugeno型模糊推理的滑模模糊位置控制器。朱玉川等[12]提出并设计了串级复合滑模变结构控制器。其中速度环通过增加积分环节来消除滑模控制的力矩抖动,位置环通过复合滑模控制的设计来消除稳态滑模控制的抖振。Chen[13]采用神经网络实时调整滑模趋近律的系数,同时在滑模控制设计中,采用双曲正切函数代替饱和函数实现边界层减小抖振。

本文提出一种神经网络自适应滑模控制器设计P MS M位置控制器,采用RBF神经网络自适应调节滑模控制器的切换控制项增益。目的是为了减小电机运行过程中的抖振和系统参数变化和外部干扰的影响。

2 永磁同步电机数学模型

图1示出永磁同步电机的控制系统。

永磁同步电机在d2q坐标系下的电压方程为

u d u q =R s

i d

i q

+

p-ωe

ω

e

p

ψ

d

ψ

q

。(1)

磁链方程为

ψ

d ψ

q =

L d0

0L q

i d

i q

+

ψ

fd

。(2)

式中:u

d

,u q分别为定子电压d,q轴分量;ψd,ψq为

定子磁链d,q轴分量;ψ

fd

=3/(2ψf)为转子磁链

在d轴上的耦合磁链;ω

e

为电机的电角速度;p为微

分算子。

图1 永磁同步电机实验平台系统框图

F i g.1 Syste m fram e of P M S M pl a tfor m

根据电机统一理论,永磁同步电机的电磁转矩可由

下式得到,即

T e=p m(ψd i q-ψq i d)。(3)

将式(2)代入可得

T e=p m[ψfd i q+(L d-L q)i d i q],(4)

其中p

m

为电机极对数。

此外,永磁同步电机电磁转矩还应满足如下机

械运动方程:

T e=T L+J

dωr

d t

+Bωr。(5)

式中:T

L

为电机负载转矩;J为转动惯量;B是粘滞

摩擦系数;ω

r

=p

m

ω

e

为转子机械角速度。

3 基于SVP WM的P M S M矢量控制

本文所采用的永磁同步电机伺服控制系统框图

如图2所示,系统采用位置、速度和电流3闭环控制

模式,光电编码器同时作为位置和速度传感器,它测

量到实际位置信号θ与给定指令θ

d

经过处理后,送

入位置环控制器产生角速度参考指令ω

d

,与速度反

馈信号ω比较,其差值通过速度环调节器,得到q

轴电流参考值i3

q

。电流环采用矢量控制方法,i3

d

i3q与实际反馈值i d,i q比较后通过电流环调节器得

到定子电压在d、q轴的分量,经过Park反变换得到

静止两相坐标系上的分量u3α、u3β,通过电压矢量脉

宽调制(S VP WM)控制方法产生三相桥式的脉冲控

制信号,最后逆变器输出三相电流控制P MS M

旋转。

192

第2期永磁同步电机神经网络自适应滑模控制器设计

图2 永磁同步电机i d =0矢量控制结构框图

F i g .2 Structure d i a gram of i d =0vector con trol for P M S M

假设电机定子三相绕组采用星型连接,在空间

上互差120°电角度,如果三相绕组相电压瞬时值分别为u a 、u b 、u c ,可以将瞬时电压空间矢量表示为

U s =23u a +u b e j 23π+u c e j 43π

(6) S VP WM 的作用是控制三相逆变器上下桥的开关状态,得到8个电压空间矢量,通过控制各空间矢量的不同作用时间,从而得到近似的磁链圆。图3所示为采用S

VP WM 生成的A 相电压波形。与直接的正弦波脉宽调制(SP WM )技术相比,S VP WM 在输出电压或电机线圈中的电流中都将产生更少的谐波,提高了对电压源逆变器直流母线电压的利用率。

图3 SVP WM 得到的A 相定子电压波形

F i g .3 A 2pha se volt age curve der i ved by SVP WM

为了实现对转矩控制的线性化,实现解耦控制,

采用i d =0控制策略,使得定子电流矢量垂直于转子磁场,电磁转矩直接正比于i q 。电流环采用P 控制,速度环采用P I 控制,位置环采用神经网络自适应滑模控制器。将输出角度θ,角速度ωr 作为系统变量,根据式(4)和式(5),可以得到电机模型的数学表达式为

θ ωr

=0

1

0-B

J θωr + 0

3P m ψf 2J u + 0

d (t ),(7)

其中d (t )为外部干扰。

4 RBF 神经网络自适应滑模控制器

设计

411 滑模控制器设计

不失一般性,将永磁同步电机数学模型写成为

θ¨(t )=f (θ,θ?,t )+g (θ,θ?

,t )u (t )+d (t )。(8)为表示方便,对各变量分析时省去括号中的自变量。上式中,f =f m +Δf;g =g m +Δg;f m ,g m 为电机模型中的确定部分;Δf,Δg 为电机模型中的不确定量;d (t )为外部干扰项。假设系统满足:

f -f m ≤F,d ≤D,

1α≤g

g m

≤α,(9)式中:F,D 为标量值;α为不小于1的常数。定义e =θ-θd ,其中θd 为参考输入角度。

则¨e (t )=f (θ,θ?

,t )+g (θ,t )u (t )+d (t )-θ¨d 。

(10)

设计滑模面为

s =ce +e ?

,

则 

s ?

=c e ?

+¨e =f +gu +d -θ¨d

+ce ?

。令s ?

=0,且假设系统不确定性和外界干扰均为零,得

s ?=f m

+g m

u eq

-θ¨d

+ce ?=0。

(11)从而得到等效控制器为

u eq =(-f m +θ¨d -ce ?

)/g m

。(12)

设计切换控制器为

u n =-K sgn (s )

g m

,K >0。

所以,总控制器

u =u eq +u n =

-f m +θ¨d

-ce ?

+K sgn (s )g m

。(13)

增益项K 设计为

K =α[F +D +η+(α-1)g m u eq ],(14)

式中:η>0;α=

g max g m in

≥1。

412 稳定性分析

定理:当切换项增益K 满足式(14)时,不确定

系统式(8)在条件式(9)下是稳定的。

证明:定义Lyapunov 函数为V =12

s 2

,

V ?=s s ?=s (f +gu +d -θ

¨d

+ce ?)=s f +gu eq -g

K sgn (s )g m

+d -θ¨d

+ce ?,由s ?=f m +g m u eq -θ¨d

+ce ?=0,可知ce ?=-f m

-g m

u eq

+θ¨d

,

292电 机 与 控 制 学 报 第13卷 

则 V ?

=s f +gu eq -g

g m

K sgn (s )+d -f m -g m u eq =s (f -f m )+sd +s (g -g m )u eq -g

g m

K |s |,V ?

≤|s |(F +D )+|s ||g -g m ||u eq |-

g

g m

K |s |。 将K 代入,得

 V ?

≤|s |(F +D )+|s ||g -g m ||u eq |-1

α

K |s |≤

|s |(F +D )+|s ||g -g m ||u eq |-|s |[F +D +η+(α-1)g m u eq ]≤

|s ||g -g m ||u eq |-|s |[η+(α-1)g m u eq ]≤-η|s |<0。

证毕。

413 神经网络自适应滑模控制器设计

RBF 神经网络是一种三层前向网络,由输入到

输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的,从而大大加快了学习速度并避免局部极小问题

。本文采用RBF 神经网络来调节切换项的增益K,神经网络结构如图4所示。RBF 神经网络的输入为x =[s,s ?

]T

,输出的绝对值为切换项的增益K 。

图4 RBF 神经网络结构

F i g .4 The structure RBF neura l network

取K =|w T h (x )|,其中w T

为RBF 神经网络的权值,h (x )为高斯基函数。

h i (x )=exp -‖x -m i ‖

2

σ2i

,

(15)

式中:i 为隐含层神经元个数;m i 为第i 个神经元的

中心位置;σi 为第i 个神经元的宽度。

神经网络权值调整的指标为E =015e 2

,e =θ-r ,r 为阶跃信号。

神经网络权值学习算法为Δw =-η1

5E 5w =-η1e 5e 5w =-η1e 5

θ5w

=-η1e

5

θu 5u K 5K w

≈η1e sgn 5θ5u 5u K 5K w 。(16)

由于

5

θ5u

的大小可以通过η1进行调整,所以影响该项的主要是其正负号,而在阶跃响应过程中,y 的

值正比于u,故sgn

5

θ5u =1。因此, Δw =η1e 5u 5K 5K 5w

=-η1eg -1

m

sgn (s )×h (x )sgn (w T

h (x ))。

(17)网络权值学习算法为

w (t )=w (t -1)+Δw +ε(w (t )-w (t -1)),

(18)式中:η1∈(0,1)为网络学习速率;ε∈(0,1)为惯量系数。

5 仿真与实验

511 仿真结果及分析

本系统仿真所用的电机参数如下:

定子电阻R s :21875

Ω;电感L d 、L q :010085H;

极对数p m :4;

转子磁链幅值ψf :01175W b;

转动惯量J :010008kg ?m 2

;

Si m ulink 仿真时采用变步长(

variable 2step )的算法,解算器(s olver )为ode23t,仿真时间为3s 。图5所示为NNAS MC 作用下阶跃响应位置和速度响应曲线。

图5 NNAS M C 阶跃响应曲线

F i g .5 Step respon se by NNAS M C

(a )常值负载干扰

假设负载的转动惯量J =012kg ?m 2

,T =2s 时

加入一个阶跃扰动T L =5N ?m ,系统在P I 控制和神经网络自适应滑模控制下的位置输出响应曲线分别如图6所示,其中P I 控制的参数为K p =5,K I =0101。从图中可以看出,采用P I 控制具有较快的上升时间,但是当负载出现扰动时,位置响应出现较大的偏移,并且需要较长时间恢复到平稳状态。而采用神经网络自适应滑模控制时,系统具有很强的抗干扰能力,几乎不受干扰影响。

(b )时变负载干扰

在永磁同步电机伺服系统中加入时变负载,其

表达式为T L =5sin (2

πt )N ?m 。同上,分别对系统采3

92第2期

永磁同步电机神经网络自适应滑模控制器设计

图6 定常负载干扰下系统响应曲线

F i g .6 Step respon se under con st an t d isturbance

用P I 控制和神经网络自适应滑模控制,得到系统的

位置响应曲线如图7所示。其中P I 参数仍为K p =5,K I =0101。从图中可以看出,采用P I 控制时,系统在时变负载的干扰下出现了周期性震荡,系统稳定性能变差。而采用神经网络自适应滑模控制时,系统从初始状态到达滑模面之前,系统受到时变负载的干扰,上升初始阶段变慢。到达稳态后,系统几乎不受负载扰动影响,稳态误差几乎为零

图7 时变负载干扰下系统响应曲线

F i g .7 Step respon se under ti m e 2var i n g d isturbance

(c )系统参数变化

为了验证永磁同步电机系统参数发生变化时的

控制效果,在本系统中,假设电机转动惯量由J =

012kg .m 2变为J =016kg ?m 2

,分别对系统采用P I 控制和神经网络自适应滑模控制,得到系统的位置响应曲线如图8所示

图8 系统参数变化时系统响应曲线

F i g .8 Step respon se under param eter var i a ti on

其中P I 参数仍为K p =5,K I =0101。从图中可

以看出,采用P I 控制时,系统响应时间变短,但是出现了超调现象,之后趋于平稳。而采用神经网络自适应滑模控制时,系统响应时间也有一定的缩短,没

有出现超调,稳态误差几乎为零。

512 实验结果及分析

本实验系统采用松下公司的永磁同步电机,其额定功率为750W ,额定转速为3000r/m in,额定转矩214N ?m ,极对数为4。在实验中,P WM 开关频率为20kHz,死区时间为312μs,位置给定为140°,电流环调节采用P 控制(k p =3),速度环调节采用

P I 控制(k p =5,k I =01005),其采样周期分别为50μs 和2m s 。位置环分别采用P I 控制和NNAS MC

控制,系统上电后,先完成初始定位,014s 后加入控制作用,得到系统的阶跃响应曲线如图9所示。从图中可以看出采用NNAS MC 控制算法时,系统的过渡过程更为迅速、平滑

,进入稳态后转速更为平稳。

图9 阶跃响应实验曲线

F i g .9 Step respon se under exper i m en t

6 结 语

提出了一种基于RBF 神经网络的增益自适应调整的滑模控制器,并采用Lyapunov 稳定性理论证明了系统的稳定性。大量仿真结果表明,基于神经网络的自适应滑模控制器具有较好的动态跟踪能力和静态稳定精度。对750W 交流永磁同步电机的实验验证了本文提出的理论和仿真的正确性。与传统的P I 控制相比,神经网络自适应滑模控制器能够根据滑模面的变化适时调整滑模控制器中切换项的增益,使得系统对于外部干扰变化和参数变化具有更好的适应性。

参考文献:

[1] S OLS ONA J,VALLA I,MURAVCH I K C .Nonlinear contr ol of a

per manent magnet synchr onous mot or with disturbance t orque esti 2mati on [J ].IEEE Transactions on Energy Conversion ,2000,15(2):163-168.

[2] MUN 2S OO K,DALL 2S UP S,Y ONG 2KI L L,et al .A r obust con 2

tr ol of per manent magnet synchr onous mot or using l oad t orque esti 2mati on[C ]//M arian P .Proceedings of International Sym posium of

Industrial E lectronics .Korea:I EEE Press,2001:1157-1162.

[3] BOG OSY AN S,G OK AS AN M ,S ABANOV I C A.Robust adap tive

linearizati on with t orque ri pp le m ini m izati on for a P MS M driven single link ar m [C ]//PH I L IP G .P roceedings of 23rd International

492电 机 与 控 制 学 报 第13卷 

Conference on Industrial Electronics,Control and Instrum entation.

L ouisiana,USA:I EEE p ress,1997,1:102-107.

[4] K ADJOUDJ M,G OLEA A,G OLEA N,et al.Speed sliding con2

tr ol of P MS M drives[C]//JANOS F.P roceedings of3rd Interna2 tional Sym posium on Co m putational Intelligence and Intelligent In2 for m atics.Mor occo:I EEE Press,2007:137-141.

[5] 罗婷婷,刘金琨.一种使用RBF网络的自适应滑模控制器

[J].北京航空航天大学学报,2005,31(10):1106-1109.

LUO Tingting,L iu J inkun.Adap tive sliding mode contr ol using RBF net w ork[J].Journal of B eijing U niversity of A eronautics and

A stronautics,2005,31(10):1106-1109.

[6] ELMAS C,UST UN O.A hybrid contr oller f or the s peed contr ol of

a per manent magnet synchr onous mot or drive[J].Control Engi2

neering P ractice,2008,16(3):260-270.

[7] HUNG J,G AO W eibin.Variable structure contr ol:A survey[J].

IEEE Transactions on Industrial Electronics,1993,40(1):2-22.

[8] UTKI N V,HOON L.Chattering p r oble m in sliding mode contr ol

system s[C]//BART OL I N I G.International W orkshop on Variable S tructure Syste m s.Italy:I EEE Press,2006:346-350.

[9] EFE M,K AY NAK O.Sliding mode contr ol of nonlinear syste m s

using Gaussian Radial Basis Functi on neural net w orks[C]//KEN2 NETH M.International Joint Conference on N eural N et w orks.

W ashingt on,US A:I EEE Press,2001,1:479-484.[10] BROCK S,DESK UR J,Z AW I RSKI K.Robust s peed and posi2

ti on contr ol of P MS M[C]//K AREL J.International Sym posium

on Industrial E lectronics.Sl ovenia:I EEE Press,1999,2:667-

672.

[11] 逄海萍,刘成菊,江姝妍.永磁同步电机交流伺服系统的滑

模模糊控制[J].电机与控制学报,2006,10(6):576-580.

P ANG Hai p ing,L I U Chengju,J I A NG Shuyan.Sliding mode

fuzzy contr ol for per manent magnetic synchr onous mot or AC servo

system s[J].E lectric M achines and Control,2006,10(6):

576-580.

[12] 朱玉川,李志刚,马大为,等.永磁交流位置伺服系统串级复

合滑模控制[J].系统仿真学报,2007,19(12):2779-2782.

ZHU Yuchuan,L I Zhigang,MA Da wei,et al.Cascaded com2

pound sliding2mode contr ol f or per manent magnet synchr onous

mot or positi on servo syste m[J].Journal of Syste m S i m ulation,

2007,19(12):2779-2782.

[13] CHEN W eihai,Y ONG Gao,LU Zhen,et al.Positi on contr ol of

an intelligent module based on neural net w ork sliding mode con2

tr ol[C]//KH I A NG L.International Conference on Industrial In2

for m atics.S ingapore:I EEE Press,2006:990-994.

(编辑:张静)

(上接第289页)

 G AO Yun,G UO L iejin,ZHANG Xi m in.Particle phase distribu2

ti on in liquid2s olid t w ophase fl ow thr ough helically coiled tube

[J].Journal of Engineering Ther m ophysics,2002,23(Supp le2 ment):205-208.

[2] 郭烈锦.螺旋管油气水多相流动与原油管流除砂理论[J].工

程热物理学报,2002,23(1):14-16.

G UO L iejin.The oil2gas2water threephase fl ow and sand seperati on

theories in helically coiled tubing seperating technol ogy[J].Jour2 nal of Engineering Ther m ophysics,2002,23(1):14-16.

[3] 龚道童,吴应湘,郑之初,等.变质量流量螺旋管内两相流数

值模拟[J].水动力学研究与进展(A辑),2006,21(5):36

-39.

G ONG Daot ong,WU Yingxiang,ZHENG Zhichu.Numerical si m2

ulati on of oil2water t w ophase fl ow in helically tube with vari ous mass fl ow rates[J].Journal of Hydrodynam ics(Ser.A),2006, 21(5):36-39.

[4] 王志国.螺旋管气液两相流数值模拟[D].北京:中国石油大

学,2007.

[5] 郭烈锦,李广军,陈学俊.卧式螺旋管内油-气-水三相流流型

的实验研究[J].西安交通大学学报,1997,31(4):17-21.

G UO L iejin,L I Guangjun,CHEN Xuejun.Experi m ent study on

oil2gas2water fl ow type in horiz ontal helical tube[J].Journal of X i′an J iaotong U niversity,1997,31(4):17-21.

[6] 冯叔初,郭揆常,王学敏.油气集输[M].东营:石油大学出

版社,1988:82.

(编辑:张静)

592

第2期永磁同步电机神经网络自适应滑模控制器设计

神经网络自适应控制

神经网络自适应控制 学院:电气工程与自动化学院 专业:控制科学与工程 姓名:兰利亚 学号: 1430041009 日期: 2015年6月25日

神经网络间接自适应控制 摘要:自适应模糊控制系统对参数变化和环境变化不敏感,能用于非线性和多变 量复杂对象,不仅收敛速度快,鲁棒性好,而且可以在运行中不断修正自己的控制 规则来改善控制性能,因而受到广泛重视。间接自适应控制是通过在线辨识的到 控制对象的模型。神经网络作为自适应控制器,具有逼近任意函数的能力。 关键词:神经网络间接自适应控制系统辨识 一、引言 自适应控制系统必须完成测量性能函数、辨识对象的动态模型、决定控制 器如何修改以及如何改变控制器的可调参数等功能。自适应控制有两种形式: 一种是直接自适应控制,另一种是间接自适应控制。直接自适应控制是根据实 际系统性能与理想性能之间的偏差,通过一定的方法来直接调整控制器的参 数。 二、间接自适应系统分析与建模 2.1系统的分析 系统过程动态方程:y(k+1)= -0.8y(k)/(1+y2(k))+u(k),参考系统模型 由三阶差分方程描述: ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k) 式中,r(k)是一个有界的参考输入。如果输出误差ec(k)定义为 ec(k)=y(k)-ym(k),则控制的目的就是确定一个有界的控制输入u(k),当k趋于 正无穷时,ec(k)=0.那么在k阶段,u(k)可以从y(k)和它的过去值中计算得 到: u(k)=0.8y(k)/(1+y2(k))+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) (1) 于是所造成的误差方程为: ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2) (2) 因为参考模型是渐进稳定的,所以对任意的初始条件,它服从当k趋于无穷, ec(k)=0。在任何时刻k,用神经元网络N2计算过程的输入控制,即 u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) (3) 由此产生非线性差分方程:y(k+1)=-0.8y(k)/(1+y2(k))+N[y(k)] +0.8y(k)+ 1.2y(k-1)+0.2y(k-2)+r(k) (4) 故设计的要点是设计一个神经网络来逼近0.8y(k)/(1+y2(k))。 2.2系统的建模设计过程 第一步,用BP神经网络逼近,神经网络的结构包含三层:输入层、隐含层 和输出层。BP网络的训练过程如下:正向传播是输入信号从输入层经隐层传向 输出层,若输出层得到了期望的输出,则学习算法结束;否则,转至反向传 播。 第二步,输入测试样本,对神经网络的逼近程度进行测试,将测试后的期

9.7 机器人神经网络自适应控制

声明:应部分读者的要求,本书第9章增加“机器人神经网络自适应控制”一节,图序、公式序顺延。 9.7 机器人神经网络自适应控制 机器人学科是一门迅速发展的综合性前沿学科,受到工业界和学术界的高度重视。机器人的核心是机器人控制系统,从控制工程的角度来看,机器人是一个非线性和不确定性系统,机器人智能控制是近年来机器人控制领域研究的前沿课题,已取得了相当丰富的成果。 机器人轨迹跟踪控制系统的主要目的是通过给定各关节的驱动力矩,使得机器人的位置、速度等状态变量跟踪给定的理想轨迹。与一般的机械系统一样,当机器人的结构及其机械参数确定后,其动态特性将由动力学方程即数学模型来描述。因此,可以采用自动控制理论所提供的设计方法,采用基于数学模型的方法设计机器人控制器。但是在实际工程中,由于机器人是一个非线性和不确定性系统,很难得到机器人精确的数学模型。 采用神经网络,可实现对机器人动力学方程中未知部分的精确逼近,从而实现无需建模的控制。本节讨论如何利用神经网络控制和李雅普诺夫(Lyapunov )方法设计机器人轨迹跟踪控制的问题,以及如何分析控制系统的稳定性和收敛性。 9.7.1 机器人动力学模型及其结构特性 n 关节机械手动态方程可表示为: ()()()(),d ++++=M q q V q q q G q F q ττ (9.30) 其中,n R ∈q 为关节转动角度向量,()M q 为n n ?维正定惯性矩阵,(),V q q 为n n ?维向心哥氏力矩,()G q 为1?n 维惯性矩阵,()F q 为1?n 维摩擦力,d τ为未知有界的外加干扰,n R ∈τ为各个关节运动的转矩向量,即控制输入。 机器人动力学系统具有如下动力学特性: 特性1:惯量矩阵M(q)是对称正定阵且有界; 特性2:矩阵(),V q q 有界; 特性3:()()2,-M q C q q 是一个斜对称矩阵,即对任意向量ξ,有 ()()()2,0T -=ξ M q C q q ξ (9.31)

永磁同步电机神经网络自适应滑模控制器设计

永磁同步电机神经网络自适应滑模控制器设计 发表时间:2019-06-10T10:58:58.827Z 来源:《电力设备》2019年第2期作者:赵豫凤 [导读] 摘要:建立矢量控制永磁同步电动机调速控制系统,可以有效加强控制系统的可靠性与适应性,提高系统的调速性能。 (桂林星辰科技股份有限公司广西桂林 541004) 摘要:建立矢量控制永磁同步电动机调速控制系统,可以有效加强控制系统的可靠性与适应性,提高系统的调速性能。在矢量控制永磁同步电动机调速控制系统中采用最新型的空间电压矢量脉宽调制技术,可以使工作中的逆变器得到控制,并使电子磁链矢量的运动轨迹随着电动机的运行逐渐靠近圆形的磁链轨迹。本文主要对永磁同步电动机调速控制系统的设计进行分析研究。 关键词:永磁同步电动机;调速控制系统;设计 前言: 可调速的永磁同步电动机是一种新型的同步电动机,所应用的范围十分广泛,具有体积小、损耗低以及效率高等优势。现阶段永磁同步电机得到了深入的应用,相关人员开始注重对永磁同步电机调速控制系统的探究。空间电压矢量控制技术在交流电动机变频调速中得到了十分普及的应用,可以在一定程度上满足工业的发展。 1 空间电压矢量脉宽调制技术 空间电压矢量脉宽调制技术通常运用于磁链跟踪控制中。因此,也可以称为磁链跟踪控制技术。空间电压矢量脉宽调制技术是利用逆变器输出具有交替作用的多种基本空间电压矢量,使传输出的电压矢量进行合成,最终形成圆形磁链轨迹。同一个周期内的逆变器,若在六个有基础的基本电压空间矢量都进行一次输入,定子磁链矢量会直接出现六边形的运动轨迹,从而阻碍了圆形磁链轨迹的出现。为了可以在永磁同步电动机获取圆形磁链轨迹,可以借助多种基本空间电压矢量进行组合,从中获取具有不同幅值的空间电压矢量,使逆变器的使用状态逐渐增加。永磁同步电机(PMSM)具有结构简单、运行可靠、损耗少、效率高、电机尺寸灵活多样等优点,广泛应用于各种场合,因而对其控制性能的要求越来越高。传统的 PI 控制器算法简单,易于实现,可满足 PMSM 矢量控制系统一定范围内的控制要求。由于 PMSM 调速系统的非线性、多变量、强耦合、变参数等特性,PI 控制器的性能易受系统参数变化、外部扰动等影响,进而影响系统运行的可靠性以及动、静态性能,所以常规 PI 控制方法显然不能满足高精度场合的应用要求。因此,非线性的控制方法被应用于 PMSM 的控制系统中,包括自适应控制、自抗扰控制、预测控制、滑模控制(SMC)、Back-Stepping方法、神经网络控制、智能控制等。SMC以其动态响应快、鲁棒性强和简单可行等优点而被广泛应用。 2 永磁同步电动机的运行情况 永磁同步电动机所具备的结构特点是无法直接启动的,可以通过逆变器调节变频速度。当通入永磁同步电动机由三相逆变器经过空间电压矢量脉宽调制技术得到正弦交流电源后,永磁同步电动机定子产生磁场,与转子永磁体产生相互作用,并产生与定子在同一方向绕组旋转的转矩,当永磁体产生的转矩克服转子惯量及机械静摩擦力后,永磁同步电动机可以被启动,并且速度也会随之上升。为了实现转矩的最大化,需要在永磁同步电动机运行时转子与定子磁通的夹角为直角。 3 对永磁同步电动机数学模型的分析探讨 通过对永磁同步电动机的数学模型的分析,可以从中了解到应用最为广泛的数学模型是具有dq坐标系的,该数学模型不仅可以检测出永磁同步电动机的运行性能,更能深入了解到永磁同步电动机的瞬态性能。因此,相关人员应并在创建永磁同步电动机的数学模型时做出假设,首先,对于电动机铁心的饱和度不进行计算。其次,忽略电动机在运行时所出现的涡流以及磁滞的耗损情况。第三,假设三相交流电流为电动机的对称电流。第四,阻尼绕组并没有存在于转子上。 4 矢量控制的永磁同步电动机调速系统的设计 在矢量控制的永磁同步电动机调速系统的设计中,采用转速控制环和电流控制环双闭环控制方式。误差信号所输入的转速调节器是在转子的定值r*与实际值r之间所存在的差值。在矢量控制的永磁同步电动机调速系统中,实际检测出的永磁同步电动机由定子三相电流转换为两相电流,并将所得到的电流与调节器的输出进行比较,最终得到的差值应用于电流调节器的输入,并基于此,通过转变后输入到空间电压矢量脉宽调制技术与逆变器。空间电压矢量脉宽调制技术可以通过输出信号逆变器的多个开关器件,并通过多种途径的导通模式,产生多样的空间电压基本矢量,通过结合所产生的基本矢量,将其中制作成一组具有不同幅值的空间电压矢量,使永磁同步电动机根据输出电压所产生的磁通,逐渐拉近与预期磁通圆的距离,通过有效措施控制永磁同步电动机。 5 模糊PI自适应控制 5.1 传统PI控制方法 与模糊PI控制相比,传统PI控制中存在着比例系数与积分系数这两个参数,并且该参数是确定的,不会因为系统出现误差的变化,而进行改变。传统的PI控制方法缺乏准确性,对系统所产生的变化具有响应,并在此基础上,引入智能控制方法。控制方法也可以分为多种形式,其中主要包括专家控制,神经网络控制以及模糊控制等多种方式方法,其中模糊控制方法在本文中更适用于与传统PI控制方法进行结合,两者的结合为模糊PI控制。 5.2 模糊PI控制方法 模糊PI控制方法的控制器在转速环中,是以系统的误差以及误差所存在的变化率作为输入,并根据模糊PI控制方法中的规则,找出积分系数和比例系数之间所存在的内在联系。并在永磁同步电动机,检测出系统的误差。通过找出的联系与误差,对积分系数于比例系数进行整合,使模糊PI控制参数可以满足系统的误差的要求。对于不同系统的误差,模糊PI控制器所存在的参数比例系数与积分系数的数值也是不同的,比例系数与积分系数为输出语言变量,与模糊控制器输入语言变量存在比较性。 5.3 在仿真系统中创建仿真模型 在MATLAB/SIMULINK中进行系统仿真模型的构建,使用自适应模糊PI控制和传统PI控制进行转速控制器ASR的仿真,并仿真MATLAB。在T m值为0时,逐一仿真这两种情况,在0.2s时,需要将3Nm的负载加于电机中,也就是T m值为3Nm时。对于转速控制器而言,借助仿真结果可以比较模糊PI和传统PI这两个方法,进而得出最终结论,并对结果做出比较。 结束语: 综上所述,是对永磁同步电动机调速控制系统的设计进行分析研究。通过设计永磁同步电动机调速控制系统,可以从中了解到在应用

基于滑模观测器的PMSM模糊滑模控制

万方数据

万方数据

万方数据

万方数据

基于滑模观测器的PMSM模糊滑模控制 作者:王巍, 汪玉凤, 郭凤仪, WANG Wei, WANG Yu-feng, GUO Feng-yi 作者单位:辽宁工程技术大学,辽宁葫芦岛,125105 刊名: 微特电机 英文刊名:SMALL & SPECIAL ELECTRICAL MACHINES 年,卷(期):2010,38(8) 被引用次数:0次 参考文献(11条) 1.Elmas https://www.wendangku.net/doc/2813595076.html,tun O A hybrid controller for the speed control of a permanent magnet synchronous motor drive 2008(1) 2.沈艳霞.纪志成基于无源性永磁同步电机模糊滑模控制系统研究 2007(17) 3.Ilioudis V C.Margaris N I PMSM Sensorless Speed Estimation Based on Sliding Mode Observers 2008 4.赵德宗.张承进.郝兰英一种无速度传感器感应电机鲁棒滑模控制策略 2006(22) 5.Han Y S.Choi J S.Kim Y S Sensorless PMSM Drive with a Sliding Mode Control Based Adaptive Speed and Stator Resistance Estimator 2000(5) 6.王巍.郭凤仪.侯利民滑模控制的PMSM无速度传感器最优转矩控制 2009(3) 7.Cárdenas R.Pe(n~)a R MRAS Observer for Sensorless Control of Standalone Doubly Fed Induction Generators 2005(4) 8.王庆龙.张崇巍.张兴基于变结构模型参考自适应系统的永磁同步电机转速辨识 2008(9) 9.Bianchi N.Bolognani S Advantages of Inset PM Machines for Zero-Speed Sensorless Position Detection 2008(4) 10.秦峰.贺益康.贾洪平基于转子位置自检测复合方法的永磁同步电机无传感器运行研究 2007(3) 11.Jeong Y Initial rotor position estimation of an interior permanent magnet synchronous machine using carrier frequency injection methods 2005(1) 相似文献(10条) 1.期刊论文骆再飞.蒋静坪.曹芳祥.LUO Zai-fei.JIANG Jing-ping.CAO Fan-xiang交流伺服系统的动态模糊滑模 控制策略研究-机电工程2008,25(11) 为提高永磁同步电机(PMSM)交流伺服系统的动静态性能,提出了一种动态模糊滑模控制方法.采用"距离"减少了模糊输入维数和模糊规则,减少控制器的计算量从而加快了响应速度;并利用自适应算法改善了系统性能.仿真试验表明,该方法能明显削弱抖振,提高稳态精度,并具有动态响应速度快的特点以及较强的鲁棒性. 2.期刊论文王洪斌.穆太青.高殿荣基于模糊滑模控制的永磁同步液压电机泵变速控制的研究-武汉理工大学学报 (交通科学与工程版)2010,34(1) 提出一种永磁同步液压电机泵模型,即把永磁同步电机转子作为液压泵缸体,以进一步提高液压传动的整机效率.通过控制电机转速直接调节泵的输出流量,使电机泵提供的功率与负载匹配,从根本上提高液压调速系统的效率.同时建立了该液压电机泵变速控制系统的数学模型.针对永磁同步电机非线性、多变量、强耦合的特点,将模糊和滑模控制理论运用到永磁同步电机直接转矩控制中,以提高系统的鲁棒性和快速性.对转速阶跃变化进行仿真研究,仿真结果表明该策略具有良好的鲁棒性和快速性. 3.期刊论文黄石维.周国荣.HUANG Shi-wei.ZHOU Guo-rong永磁同步电机的模糊滑模控制-机械工程与自动化 2010(1) 为了实现高性能永磁同步电动机伺服系统快速而精确的位置跟踪控制,在滑模控制策略中引入模糊控制算法,设计了基于模糊规则的滑模控制器;并通过理论分析和控制仿真,证实了模糊滑模控制很好地解决了抖振问题,对参数变化和负载扰动具有很好的鲁棒性,永磁同步电机可获得很好的位置跟踪效果. 4.学位论文刘梦溪交流伺服系统的滑模控制研究2008 随着现代化工业的不断发展,交流伺服系统在许多领域的应用日益广泛,对其性能要求也越来越高。由于交流伺服系统本质上具有非线性、多变量、参数时变的性质,因此要实现高品质的控制,对控制策略就提出了很高的要求。本文针对在交流伺服驱动系统中一些尚待解决的的控制问题将一些新的控制方法引入交流伺服系统,力求以新的控制方式和策略提高整个系统的鲁棒性。 滑模控制对系统模型不精确和外部扰动具有较强的鲁棒性,因此获得了广泛应用。但滑模控制的高频抖振现象却成为限制其应用的主要障碍。模糊控制作为利用专家知识和经验的有效方法,特别适用于复杂、非线性、时变的系统,但大多数模糊控制系统缺少保证系统性能的分析方法。将模糊控制

MATLAB和神经网络自适应控制

自动控制理的研究离不开人类社会的发展。电子计算机的迅速发展、计算和信息处理的水平提高不断地促使着自动控制理论向更复杂的方向发展。自适应控制的提出是针对系统的非线性、不确定性、复杂性。它的研究主要目标不再是被控对象而是控制系统本身。自上世纪年代初神经网络控制系统,提出了基于理论和应用方面都有了新的突破。 MATLAB简介 MATLAB是美国MathWorks公司开发的用于教育、工程与科学计算的软件产品,它向用户提供从概念设计、数据分析、算法开发、建模仿真到实时实现的理想集成环境,是国际控制界公认的标准计算软件。经过十多年的不断地完善和扩充,MATLAB已经拥有了数十个工具箱和功能模块,可以实现数值分析、优化、统计偏微分方程数值解、自动控制、信号处理、图像处理、声音处理、系统建模等诸多领域的计算和图形显示功能。 MATLAB提供了一种用于编程的高级语言——M语言。M语言是一种面向科学与工程计算的高级语言,其最大的特点是简单和直接。它允许用数学形式的语言编写程序,MATLAB的程序文件和脚本文件通常保存为后缀为“.m”的文件,可以称之为M文件。MATLAB是一种基于不限维数组数据类型的内部交互系统,它既能够进行矩阵和向量计算,也能够采用特定的方法在标量语言中编写程序。它采用一些常用的数学符号来表示问题及其解决方案,将计算、可视化和编程等功能集成于一个简单、易用的开发环境中,为用户工作平台的管理和数据的输入/输出提供了便利的方法,同时还提供了M文件的扩展和管理工具。 神经网络自适应控制 人工神经网络ANN( Ar tif icial Neur al Netw ork) 简称神经网络,是在现代神经学的基础上提出来的,是对人脑或自然神经网络基本特征的抽象和模拟。神经网络很早之前就被证明出来有逼近任意连续有界非线性函数的特殊能力。因此它有很多优点,比如强鲁棒性、容错性、强自适应能力强等。复杂的系统控制提供了一条全新的思路和选择。神经网络控制系统的结构形式有很多种,本文着重介绍神经网络自适应控制方法。一般包括补偿器和自适应处理单元。自适应控制系统的本质是一个非线性随机控制系统,很难为其找到合适的数学模型。为了充分发挥出自适应控制系统的优越性能,提高控制系统的鲁实时性、容错性、鲁棒性以及控制系统参数的自适应能力,能更有效地实现对一些非线性复杂过程系统的

探讨如何做好塔式起重机的神经网络滑模防摆控制

探讨如何做好塔式起重机的神经网络滑模防摆控制 发表时间:2015-09-15T10:41:29.140Z 来源:《工程建设标准化》2015年5月总第198期供稿作者:邓海[导读] 广东省建筑机械厂有限公司,广东,广州塔式起重机在施工过程中,存在负载摆动的情况。 邓海 (广东省建筑机械厂有限公司,广东,广州,510000)【摘要】塔式起重机在施工过程中,存在负载摆动的情况。本文首先对起重机的动力学模型进行了分析,并提出了基于神经网络的滑膜防摆控制方法。使用此方法不仅可以降低滑膜控制系统的振动频率,而且可以使系统性能得以提升,使系统的控制品质得以改善。仿真效果具有可行性和有效性。 【关键词】塔式起重机;神经网络;滑膜防摆;控制 1 塔机系统结构 通常情况下,塔机结构主要由工作机构、金属结构、电气系系统构成。在工作过程中,塔机会利用变幅、起升、回转电机等方法来达到搬运物料的目的。[1]简化模型图如图1 所示。 (1)变幅结构。变幅结构主要由电机、变幅小车、制动器和减速器构成。在工作的过程中,塔机主要通过平移小车来对负载的水平位置进行调整。 (2)起升结构。塔机的起升结构主要由钢丝绳、卷筒、电机和吊钩构成,主要是为了达到负载上下垂直运动的目的。由于塔机在工作过程中,会将重物移动到指定的位置,因此,起升机构是塔机系统中工作次数最多的一个组成结构。 (3)回转结构主要由回转电机、减速器、限位器、液力耦合器等组成,塔机在工作过程中,会将塔身作为中轴,利用回转电机实现塔机在水面的转动。达到三维作业的目的。 2 塔式起重机摆动的影响因素 由于塔机系统相对复杂,除了一些组成元件有非线性因素存在以外,还会受到风力、导轨摩擦等因素的影响。为了进一步分析影响因素,本文做如下假设:(1)吊绳有足够的刚度,负载时可以不考虑长度的变化;(2)可以忽略吊绳质量相对负载质量;(3)负载只做和水平面垂直的平面运动,在进行数学模型的建立时,需要将负载和吊具看成一个没有体积的质点[2]。(4)设小车的驱动力为F,忽略电机传动机、减速器等机构的非线性影响。(5)忽略风机和空气阻力的影响。经过研究,塔机系统的摆动主要受到悬绳的起升力、小车的驱动力、轨道和小车摩擦力的影响。 3 设计塔式起重机模防摆控制器 对于控制系统来说,滑膜控制对参数摄动和外部干扰具有不变性。由于塔式起重机系统是一个多变量、相对复杂的耦合非线性系统,在对物体进行吊运的过程中,会影响摆角防摆控制和定位控制。由于使用现代控制理论和经典理论的方法控制效果并不理想,所以文中使用神经网络滑膜控制器来控制塔式起重机的负载摆角和臂架小车的位置进行定位,并对其进行防摆控制。 目前,使用比较广泛的模型为BP 多层前馈网络,这种学习算法学习速度比较慢、计算量比较大。而径向基函数网络属于三层前馈型的网络(RBF 网络),使用径向函数作为隐层单元的函数,将输间的权值固定为1,只有输出单元和隐层单元之间的权值可以调节。RBF 网络除了计算速度快、计算量小外,还具有不错的推广应用能力,这种网络结构属于局部逼近网络,可以通过任意的精度区接近任意一个连续的函数。本文设计使用四个神经网络逼近网络。

机械臂神经网络自适应控制

机械臂神经网络自适应控制 一.前言 由于经典控制方法和现代控制方法在控制机器人这种复杂系统时所表现的种种不足,近年来,越来越多的学者开始将智能控制方法引入机器人控制,实现机器人控制的智能化。主要的控制方法有:模糊控制Fc,神经网络控制NNc,专家控制Ec等等。对于复杂的环境和复杂的任务,如何将人工智能技术中较少依赖模型的求解方法与常规的控制方法来结合,正是智能控制所要解决的问题。因此,智能控制系统必须具有模拟人类学习和自适应、自组织的能力。现代智能控制技术的进步,为机器人技术的发展尤其是智能机器人技术的研究与发展提供了可能。神经网络的研究已经有30多年的历史,它是介于符号推理与数值计算之间的一种数学工具,具有很好的学习能力和适应能力,适合于用作智能控制的工具,所以神经网络控制是智能控制的一个重要方面。由于神经网络在许多方面试图模拟人脑的功能。因此神经网络控制并不依赖精确的数学模型,并且神经网络对信息的并行处理能力和快速性,适于机器人的实时控制。神经网络的本质非线性特性为机器人的非线性控制带来了希望。神经网络可通过训练获得学习能力,能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。同时神经网络还具有很强的自适应能力和信息综合能力,因而能同时处理大量的不同类型的控制输人,解决输入信息之间的互补性和冗余性问题,实现信息融合处理。这就特别适用于像机器人这样具有复杂的不确定性系统、大系统和多变量高度非线性系统的控制。近年来,神经网络在机器人控制中得到了广泛的应用。 二、机械臂系统设计 机械臂是一个多输人多输出、强耦合的复杂机电系统,要对其实现精确的控制比较困难。为此,先不考虑机械臂的动态控制,只对其进行运动控制,使其能够准确的跟踪给定的轨迹曲线。其基本的控制结构,如图1所示。 (一)机械臂的模型设计 本文针对两关节机械臂进行设计,两关节机械臂的控制图如下 n一连杆平面机械臂的动力学模型如下式: (2-1)其中分别代表各关节的角度位置、角速度以及角加速度; 为惯性矩阵;为向心矩阵;为重力向量;代表控制输入向 量。

智能控制神经网络的自适应PID控制器综述

HUNAN UNIVERSITY 2016 年6 月 25 日 课程 智能控制理论 题 目 基于神经网络的自适应PID 控制器的设计 学生姓名 学生学号 专业班级 学 院 名 称

基于神经网络的自适应PID控制器的设计 摘要 神经网络由于其固有的自学习、自适应、自组织和大规模并行处理能力,已经在控制及其优化领域取得了广泛的应用。利用神经网络来可以处理控制系统的非线性、不确定性和逼近系统的辨识函数等问题并取得了大量研究成果。PID控制是最经典的控制算法,其简单、稳定、高效的性能使其在工业控制领域具有绝对的统治地位。但是面对现代控制系统规模大,复杂度高的情况,单纯使用传统的PID控制已经无法满足要求。本文结合神经网络与PID两者的优势,提出了一种基于神经网络的自适应PID控制器的设计的方法。实验证明该方法具有一定的实际应用价值。 近年来,智能控制在工业领域的应用受到了广泛的关注,硬件性能的不断提高与硬件成本的不断降低起到了至关重要的作用。目前在工业中单纯使用传统的控制方法具有一定的局限性,在面对复杂系统与大规模控制的情况下不能保证在任何时刻都提供准确无误的控制信号,将传统的PID控制方法结合智能控制中的神经网络控制可以克服信息的不完备性和不确定性,更加准确地控制被控对象,从而做出正确的判断和决策。 1.神经网络控制 神经网络用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进行的。资料显示,国内外将神经网络用于控制系统设计的方式和结构还未有一种统一的分类方法。目前,对神经网络控制系统比较公认地研究方向可以分为监督控制、神经自适应控制、预测控制和逆控制,这时根据控制系统的结构划分的。本文利用到的就是神经自适应控制。 本文结合神经网络自适应控制与PID控制,提出了一种有效的控制器设计方法,并在在MA TLAB中进行控制系统仿真。 2.控制器原理 根据当前产生误差的输入和输出数据,以及误差的变化趋势作为神经网络的输入条件,神经网络将根据当前PID控制器的误差情况以及过去所有进行的PID控制历史数据,共同作为样本数据,重新进行神经网络的参数的训练,得到神经网络内部传递函数的新的表达式,之后PID参数调整将依据新的神经网络进行自动的控制和调整,从而以实现PID控制器具备自适应调节的能力。 图2-1 单神经元自适应PID控制实现原理图 为此设计了PID控制器实现原理图,如图2-1所示。从图2中可以看出PID控制器在完成正常PID功能之外设计了基于神经网络的PID参数调整模块。模块依照前期生成的神

无刷直流电机的滑模控制器的设计与仿真

无刷直流电机的滑模控制器的设计与仿真 摘要 舵伺服系统在航空航天领域,有着广泛应用和重要的研究价值。应用无刷直流电机作为舵系统执行器,可以增大系统输出转矩,实现系统小型化。本文基于无刷直流电机执行器,利用 DSP 与 FPGA 结合的核心处理单元,应用滑模变结构控制策略,实现舵机系统伺服,提高舵系统抗扰性和信号响应的快速性;并在系统中加入滑模观测器,实现对于系统内部状态量的观测,为实现无位置传感器控制提供条件本文应用无刷直流电机作为舵系统执行器,通过分析和设计滑模变结构控制算法,实现舵系统位置伺服控制,利用滑模变结构控制策略的特性,提高系统对于扰动和内部参数摄动的鲁棒性,与基于传统控制策略的伺服机构相比,系统的抗扰性得到了提高。并在系统中引入滑模观测器,利用电流、电压传感器采样相电流和相电压作为该观测器的给定量,观测出电机的速度,转子运动换相位置信号和三相反电动势波形,从而实现电机的无位置传感器控制。 本文通过分析舵伺服机构的主要结构和工作原理,根据实际系统技术要求,设计出基于电动伺服系统的数字控制器。利用 DSP 强大的数据处理能力和 FPGA 并行运算能力,实现设计的控制算法,提高舵系统的性能。通过 MATLAB 中 Simulink 环境下构建理想系统模型,应用滑模控制算法,进行模型仿真。通过系统仿真分析,设计出满足离散系统的滑模控制器参数。通过 DSP 与 FPGA 结合的核心处理单元实现滑模变结构控制算法,应用于舵伺服系统中[1]。最后,通过完成整体硬件与软件平台设计,实现对舵伺服系统的控制。通过仿真和实验结果分析,验证了滑模控制具有强鲁棒性和抗扰性,满足舵系统对于快速性和抗扰性的技术要求,提高了系统 整体控制性能。 关键字:滑模控制;滑模观测器;无刷直流电机;舵伺服系统;DSP+FPGA

一种递归模糊神经网络自适应控制方法

一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1~3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4~7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121)   第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006

神经网络自适应控制地原理

神经网络自适应控制的原理 自适应控制是一种特殊的反馈控制,它不是一般的系统状态反馈或输出反馈,即使对于现行定常的控制对象,自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型,一类状态变化速度快,另一类状态变化速度慢。慢变化状态可视为参数,这里包含了两个时间尺度概念:适用于常规 反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度,这意味着自适应 控制系统存在某种类型的闭环系统性能反馈。原理图如下: 图2-7自适应控制机构框图 人工神经网络(简称ANN)是也简称为神经网络(NNS )或称作连接模型,是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的 生理研究成果为基础的,其目的在于模拟大脑的某些机理与机制,实现某个方面 的功能。人工神经网络下的定义就是:“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统,它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。 人工神经网络的研究,可以追溯到1957年Rosenblatt提出的感知器模型。目前在神经网络研究方法上已形流派,最富有成果的研究工作包括:多层网络BP算法,Hopfield网络模型,自适应共振理论,自组织特征映射理论等。它虽然反映了人脑功能的基本特征,但远不是自然神经网络的逼真描写,而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方面。理论研究可分为以下两类: (1)利用神经生理与认知科学研究人类思维以及智能机理。 (2)利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经

网络模型,深入研究网络算法和性能,女口:稳定性、收敛性、容错性、 鲁棒性等;开发新的网络数理理论。 应用研究可分为以下两类: (1) 神经网络的软件模拟和硬件实现的研究。 (2) 神经网络在各个领域中应用的研究。 神经网络具有以下?特点: (1) 能够充分逼近任何复杂的非线性关系; (2) 全部定性或定量的信息都均匀分布存在于网络内的各神经元,因此有很强 的容错性和鲁棒性; (3) 使用并行分布处理的方式,让大量运算成可以快速完成; 神经网络自适应的一般结构 神经网络自适应控制有两种基本结构形式,一种是神网络模型参考自适应 控制 (NNMRAC ),—种是神经网络自校正控制(NNSTC )。神经网络模型参考自 适应控制又分为直接型与间接型。结构如图(2 -8 )所示。构造一个参考模型使 其输出为期望输出,控制的目的是使y 跟踪。 (a )直接型 (b)间接型 图2-8神经网络模型参考自适应控制结构 y

自适应神经网络ANFIS设计

自适应神经网络(ANFIS)设计 5/29/2004 自适应神经网络模糊推理系统(ANFIS) (Adaptive Network-based Fuzzy Inference System) 第一篇 体会函数anfis函数中参数的含义. x=(0:0.1:10); %定义自变量x y=sin(2*x)./exp(x/5); %定义因变量y trnData=[x' y']; %训练学习的输入输出数据距阵 numMFs=5; %5条隶属度函数 mfType='gaussmf'; %采用高斯型隶属度函数,可以选择其他的形式来进行比较 epoch_n=2000; %训练的次数为2000次 in_fismat=genfis1(trnData,numMFs,mfType); %无冗余的系统 out_fismat=anfis(trnData,in_fismat,epoch_n); %训练输出 plot(x,y,'o',x,evalfis(x',out_fismat),'k'); %画图 legend('Training Data','ANFIS Output'); %显示原始数据和训练输出数据 训练图形

第二篇 在这个例子中,不但提供了训练数据,而且提供了效验数据,两种数据在输入空间均匀采样. 注:tic toc用来计算时间 numpts=51;%数据点个数为51 x1=linspace(-1,1,numpts)'; y=sin(pi*x1)+0.8*sin(3*pi*x1)+0.2*sin(5*pi*x1); data=[x1 y]; %整个数据集 trndata=data(1:2:numpts,:); %训练数据集 chkdata=data(2:2:numpts,:); %检验数据集 figure(1) plot(trndata(:,1),trndata(:,2),'o',chkdata(:,1),chkdata(:,2),'kx') %绘制训练数据集和检验数据集的分布曲线 legend('训练数据集','检验数据集'); %建立用于模糊建模的Sugeno型模糊推理系统 %采用genfis1函数直接由训练数据生成模糊推理系统 nummfs=5;%隶属度函数个数 mftypes='gaussmf';%隶属度函数类型 fismat=genfis1(trndata,nummfs,mftypes); %绘制模糊推理系统的初始隶属度函数 [x,mf]=plotmf(fismat,'input',1); figure(2) plot(x,mf) title('初始隶属度函数') 附图 训练数据和检验数据ANFIS的初始隶属度函数

基于RBF神经网络的汽车ABS滑模控制器的设计

收稿日期:2008201207 基金项目:国家自然科学基金资助项目(50704012);辽宁省博士启动基金资助项目(20061017)? 作者简介:毛艳娥(1971-),女,吉林松原人,东北大学博士研究生,沈阳航空工业学院讲师;井元伟(1956-),男,辽宁西丰人,东 北大学教授,博士生导师;张嗣瀛(1925-),男,山东章丘人,东北大学教授,博士生导师,中国科学院院士? 第30卷第3期2009年3月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vol 130,No.3Mar.2009 基于RBF 神经网络的汽车ABS 滑模控制器的设计 毛艳娥1,井元伟1,曹一鹏2,张嗣瀛1 (1.东北大学信息科学与工程学院,辽宁沈阳 110004; 2.沈阳航空工业学院计算机学院,辽宁沈阳 110136) 摘 要:针对汽车防抱死制动系统(ABS )在快速性及鲁棒控制方面的要求,采用基于径向基函数神经网络的方法设计了汽车ABS 的滑模控制器?该方法能够削弱常规滑模控制所引起的抖动现象,也能提高单纯的神经网络自适应控制的鲁棒性能?利用MA TLAB 中的SIMUL IN K 仿真工具,对车辆在干路面条件下的制动情况进行了仿真研究,验证了所设计的控制方案在汽车ABS 应用中的可行性和有效性?关 键 词:防抱死制动系统;径向基函数神经网络;滑模控制;抖振;鲁棒性 中图分类号:TP 13 文献标识码:A 文章编号:100523026(2009)0320309204 Slip Controller B ased on RBF N eural N et w ork for Automotive ABS M A O Y an 2e 1,J IN G Y uan 2wei 1,CA O Yi 2peng 2,ZHA N G S i 2yi ng 1 (1.School of Information Science &Engineering ,Northeastern University ,Shenyang 110004,China ;2.School of Computer Science ,Shenyang Institute of Aeronautical Engineering ,Shenyang 110136,China.Corres pondent :Mao Y an 2e ,E 2mail :maomyer0306@https://www.wendangku.net/doc/2813595076.html, ) Abstract :The slip controller based on RBF neural network was designed for automotive anti 2lock braking system (ABS )to meet the requirements that the braking process should be fast and robust and the chattering due to conventional slip control should be alleviated as possible.Moreover ,the robustness of adaptive control system simply based on neural network can be improved to some extent if using the slip controller we designed.The simulation using the software MA TLAB/SIMUL IN K was done to investigate vehicles ’braking effects on dry road pavement ,thus verifying the effectiveness and feasibility of the control scheme proposed. K ey w ords :ABS (anti 2lock braking system );RBF (radial basic function )neural network ;slip controller ;chattering ;robustness 汽车防抱死制动系统(ABS )是一种新型的汽车安全装置,其主要功能是在汽车制动时防止车轮抱死,缩短制动距离并保持良好的方向稳定性?同一般的控制系统相比,ABS 系统必须具有很强的抗干扰能力和强鲁棒性,这在一定程度上决定了ABS 控制方法的类型?另外,ABS 控制系统还有一个重要的特点就是控制过程实时性强,一般其控制循环在毫秒级就能完成,这个特点又要求控制算法不能太复杂?目前,汽车防抱死制动系统的控制方法有多种:逻辑门限值控制、PID 控制、 模糊控制和神经网络等? 实用的ABS 产品大多采用基于经验的逻辑门限值控制方法[1-6]?逻辑门限值控制算法虽然简单,但是需要大量的道路试验摸索控制规律,且控制效果并不理想,它并非是最佳的控制算法?汽车电子工程师都在致力研究基于滑移率的控制算法?用滑移率作为控制目标容易实现连续控制,因而可提高ABS 在制动过程中的平顺性?实现连续控制的最简单算法是PID 控制[5-6],PID 控制方法的最大优点是不需要了解被控制对象的数学模

相关文档
相关文档 最新文档