CN110262219A - 一种基于bp神经网络的电机pid自整定方法 - Google Patents

一种基于bp神经网络的电机pid自整定方法 Download PDF

Info

Publication number
CN110262219A
CN110262219A CN201910516862.2A CN201910516862A CN110262219A CN 110262219 A CN110262219 A CN 110262219A CN 201910516862 A CN201910516862 A CN 201910516862A CN 110262219 A CN110262219 A CN 110262219A
Authority
CN
China
Prior art keywords
output
layer
neural network
input
pid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910516862.2A
Other languages
English (en)
Inventor
罗文星
李水峰
林源峰
蒋少平
黄家兴
祁业阔
刘维帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910516862.2A priority Critical patent/CN110262219A/zh
Publication of CN110262219A publication Critical patent/CN110262219A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00Automatic controllers
    • G05B11/01Automatic controllers electric
    • G05B11/36Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及电机控制领域,更具体的,涉及一种基于BP神经网络的电机PID自整定方法,本发明利用BP神经网络对PID控制的比例系数Ki、积分系数Kp和微分系数Kd进行调整,通过进行自我学习自动逼近PID最优解,从而不需要人为去调节PID参数,大大节省了开发者调整PID参数的时间,提高了工作效率。

Description

一种基于BP神经网络的电机PID自整定方法
技术领域
本发明涉及电机控制领域,更具体地,涉及一种基于BP神经网络的电机PID自整定方法。
背景技术
在电机的控制中,人们常常需要控制电机以某一匀速转动或者转动某一角度,这时候就需要使用PID进行控制。使用PID需要调整好比例系数Ki、积分系数Kp和微分系数Kd。经典的PID控制器是直接对被控对象进行闭环控制,完全靠改变被控制器件的Kp、Ki、Kd三个参数来获得较为满意的结果,这一调节过程无疑是繁琐的,对开发者来说是一笔巨大的时间开销。而且就算花费大量时间去调节PID参数,得到的结果也未必最优。
发明内容
为了解决现有技术中使用PID时对比例系数Ki、积分系数Kp和微分系数Kd的调整需要消耗大量时间的不足,本发明提供了一种基于BP神经网络的电机PID自整定方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于BP神经网络的电机PID自整定方法,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
优选的,所述的BP神经网络的具体结构如下:
如图2所示,BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即表示时间;q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
优选的,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
优选的,如图3所示,在步骤S4中采用增量式PID算法计算输出△u(k)。
优选的,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
与现有技术相比,本发明技术方案的有益效果是:
本发明的目的是提供一种基于BP神经网络的电机PID自整定方法,本发明能进行自我学习自动逼近PID最优解,从而不需要人为去调节PID参数,大大节省了开发者调整PID参数的时间,大大提高了工作效率。
附图说明
图1为本发明的框架图。
图2为本发明BP神经网络的结构图。
图3为本发明增量式PID算法的流程图。
图4为实施例2的仿真结果。
图5为实施例2的误差曲线。
图6为实施例2的PID控制器输出曲线。
图7为实施例2的Kp、Ki、Kd的参数曲线。
图8为实施例3的程序流程图。
图9为控制小车进行前进的示意图。
图10为控制小车进行后退的示意图。
图11为控制小车进行水平向左的示意图。
图12为控制小车进行水平向右的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-图3所示,一种基于BP神经网络的电机PID自整定方法,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
作为一个优选的实施例,所述的BP神经网络的具体结构如下:
BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即表示时间;q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
作为一个优选的实施例,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
作为一个优选的实施例,在步骤S4中采用增量式PID算法计算输出△u(k)。
作为一个优选的实施例,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
实施例2
在本实施例中,假设输入目标值rink(k)=1.0;输入层为4,隐含层为5,输出层为3.设电机的随机函数为其中a(k)=1.2(1-0.8exp(-0.1k)),u为PID控制器输出。
仿真结果如图4所示,其中虚线为yout,实线为rink;误差曲线如图5所示,PID控制器输出曲线如图6所示,Kp、Ki、Kd的参数曲线如图7所示。
实施例3
在本实施例中,主控芯片采用stm32f103zet6,在芯片内建立BP神经网络算法,通过读取编码器数值传递到BP神经网络算法中,经过算法输出Kp、Ki、Kd三个参数至PID控制算法中,经过PID控制算法输出PWM值控制电机的转速。程序流程图如图8所示,图9-图12为电机通过控制小车的三个轮子的速度差进行全方位移动。
图9为控制小车进行前进,实现前进的要求是1号轮不动,2号、3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现以相同的速度向上V_L、V_R,进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L2和V_R2分速度大小相同,方向相反,相互抵消。V_L1和V_R1分速度大小和方向相同,进行叠加。从而使得小车向前行进。
图10为控制小车进行后退,实现后退的要求是1号轮不动,2号、3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现以相同的速度向下V_L、V_R,进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L2和V_R2分速度大小相同,方向相反,相互抵消。V_L1和V_R1分速度大小和方向相同,进行叠加。从而使得小车向后行进。
图11为控制小车进行水平向左,实现水平向左的要求是1号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定速度V_F,2号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向上V_L,3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向下V_R。2号、3号进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L1和V_R1分速度大小相同,方向相反,相互抵消。V_L2和V_R2分速度大小和方向与V_F速度大小、方向相同,进行叠加。从而使得小车水平向左行驶。
图12为控制小车进行水平向右,实现水平向右的要求是1号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定速度V_F,2号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向下V_L,3号轮通过BP神经网络PID控制输出PID参数进行速度闭环控制实现固定的速度向上V_R。2号、3号进行速度的分解分别得到V_L1、V_L2、V_R1、V_R2;V_L1和V_R1分速度大小相同,方向相反,相互抵消。V_L2和V_R2分速度大小和方向与V_F速度大小、方向相同,进行叠加。从而使得小车水平向右行驶。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于BP神经网络的电机PID自整定方法,其特征在于,包括以下步骤:
步骤S1:确定BP神经网络的结构,并确定输入层和隐藏层的加权系数的初始值j表示输入层节点,i表示隐含层节点,迭代次数设置为k=1;
步骤S2:给定BP神经网络的输入向量和目标输出,求得隐含层和输出层各节点的输出,输出层的输出即为PID控制器的比例系数ki、积分系数kp和微分系数kd
步骤S3:采样得到输入值rin(k)和输出值yout(k),计算该时刻误差error(k),计算公式为:error(k)=rin(k)-yout(k);
步骤S4:根据BP神经网络输出层的输出以及时刻误差error(k),基于PID控制算法计算PID控制的输出△u(k):
步骤S5:根据PID控制的输出△u(k)对BP神经网络进行训练,调整加权系数
步骤S6:增加迭代次数,令k=k+1,返回步骤S2。
2.根据权利要求1所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,所述的BP神经网络的具体结构如下:
BP神经网络有三层结构:输入层、隐含层、输出层;j表示输入层节点,i表示隐含层节点,L表示输出层节点;输入层输入X(1)、X(2)、X(3)分别为设定目标速度值、编码器读数转换速度值、目标速度与编码器读数转换数值的差值;
输入层输出为:
输入层输出,即隐含层输入为:
其中为输入层到隐含层的加权系数,k为时间;
隐含层输出,即输出层输入为:
其中g(x)为正负对称的Sigmoid()函数,Sigmoid()函数的值域为(0,1),将正负对称变换之后为tanh函数,值域为(-1,1),即k表示时间,q为任意数值;
隐含层的输出,即输出层的输入为:
其中,为隐含层到输出层加权系数,k为时间;
输出层的输出为:
上式所有字母的上标(1)、(2)、(3)分别代表输入层、隐含层和输出层;
其中f()表示输出层神经元活化函数:
3.根据权利要求2所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,步骤S5中对加权系数进行调整的过程如下:
取控制对象性能指标函数其中r(k)为k时刻下的输入,y(k)为k时刻下的输出,
用梯度下降法修正BP神经网络的加权系数,并增加一项使全局寻优快速收敛的惯性项,则有:
其中η为学习率,α为惯性系数;且未知,但u(k)、y(k)相对变化,即其中u(k)是k时刻PID控制器的输出;
经过化简后:
得到输出层权计算公式为:
其中
隐含层权计算公式为:
其中
4.根据权利要求1所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,在步骤S4中采用增量式PID算法计算输出△u(k)。
5.根据权利要求4所述的一种基于BP神经网络的电机PID自整定方法,其特征在于,采用增量式PID算法计算输出△u(k)的具体步骤如下:
△u(k)=a0e(k)+a1e(k-1)+a2e(k-2),
其中Tl为积分时间,TD为微分时间,T为采样周期。
CN201910516862.2A 2019-06-14 2019-06-14 一种基于bp神经网络的电机pid自整定方法 Pending CN110262219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910516862.2A CN110262219A (zh) 2019-06-14 2019-06-14 一种基于bp神经网络的电机pid自整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910516862.2A CN110262219A (zh) 2019-06-14 2019-06-14 一种基于bp神经网络的电机pid自整定方法

Publications (1)

Publication Number Publication Date
CN110262219A true CN110262219A (zh) 2019-09-20

Family

ID=67918520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910516862.2A Pending CN110262219A (zh) 2019-06-14 2019-06-14 一种基于bp神经网络的电机pid自整定方法

Country Status (1)

Country Link
CN (1) CN110262219A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459014A (zh) * 2020-03-25 2020-07-28 唐山钢铁集团有限责任公司 一种基于神经网络pid的天车摆角模型控制方法
CN112650053A (zh) * 2020-12-30 2021-04-13 中国计量大学 一种基于遗传算法优化的bp神经网络的电机pid自整定方法
CN113504721A (zh) * 2021-07-30 2021-10-15 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法
CN113793653A (zh) * 2021-08-13 2021-12-14 河海大学 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法
CN114047691A (zh) * 2022-01-10 2022-02-15 杭州海康威视数字技术股份有限公司 自适应学习率协同优化的目标识别方法、装置及电子设备
CN114063443A (zh) * 2021-12-01 2022-02-18 上海电力大学 改进bp整定分数阶pid的并网逆变器控制方法
CN114114912A (zh) * 2021-11-13 2022-03-01 河南驼人医疗器械研究院有限公司 一种基于pid调节的bp神经网络算法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102508089A (zh) * 2011-12-29 2012-06-20 天津市润垦科技发展有限公司 一种基于pci总线结构的电池保护板测试装置
CN105299612A (zh) * 2015-11-05 2016-02-03 吉林省电力科学研究院有限公司 基于多模型切换的主蒸汽温度控制方法及控制系统
CN105911865A (zh) * 2016-06-08 2016-08-31 中国人民解放军后勤工程学院 一种pid控制器的控制方法
CN108549213A (zh) * 2018-06-26 2018-09-18 西安科技大学 一种基于rbf神经网络pid的速比控制方法
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102508089A (zh) * 2011-12-29 2012-06-20 天津市润垦科技发展有限公司 一种基于pci总线结构的电池保护板测试装置
CN105299612A (zh) * 2015-11-05 2016-02-03 吉林省电力科学研究院有限公司 基于多模型切换的主蒸汽温度控制方法及控制系统
CN105911865A (zh) * 2016-06-08 2016-08-31 中国人民解放军后勤工程学院 一种pid控制器的控制方法
CN108549213A (zh) * 2018-06-26 2018-09-18 西安科技大学 一种基于rbf神经网络pid的速比控制方法
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459014A (zh) * 2020-03-25 2020-07-28 唐山钢铁集团有限责任公司 一种基于神经网络pid的天车摆角模型控制方法
CN112650053A (zh) * 2020-12-30 2021-04-13 中国计量大学 一种基于遗传算法优化的bp神经网络的电机pid自整定方法
CN113504721A (zh) * 2021-07-30 2021-10-15 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法
CN113504721B (zh) * 2021-07-30 2023-03-31 南京理工大学 基于bp-pid神经网络的弹载电动舵机舵偏角位置跟踪方法
CN113793653A (zh) * 2021-08-13 2021-12-14 河海大学 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法
CN114114912A (zh) * 2021-11-13 2022-03-01 河南驼人医疗器械研究院有限公司 一种基于pid调节的bp神经网络算法
CN114063443A (zh) * 2021-12-01 2022-02-18 上海电力大学 改进bp整定分数阶pid的并网逆变器控制方法
CN114047691A (zh) * 2022-01-10 2022-02-15 杭州海康威视数字技术股份有限公司 自适应学习率协同优化的目标识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110262219A (zh) 一种基于bp神经网络的电机pid自整定方法
Yu et al. LLR: Learning learning rates by LSTM for training neural networks
Kang et al. An adaptive PID neural network for complex nonlinear system control
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN109696827A (zh) 惯性权重余弦调整粒子群优化算法的pid参数整定方法
Fang et al. A course control system of unmanned surface vehicle (USV) using back-propagation neural network (BPNN) and artificial bee colony (ABC) algorithm
CN109960149B (zh) 用于pH中和过程的自抗扰控制参数整定方法
CN104865979A (zh) 一种污水处理过程自适应广义预测控制方法及系统
CN105427241B (zh) 一种大视场显示设备的畸变校正方法
Puangdownreong Fractional order PID controller design for DC motor speed control system via flower pollination algorithm
CN113325719B (zh) 时变时滞多智能体的分布式脉冲一致性控制方法及系统
CN111967179B (zh) 一种能源互联网能量单元动态优化匹配方法
Shen et al. Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints
CN103927451A (zh) 一种空间机器人系统参数在轨辨识方法
CN111608868A (zh) 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
CN108549213A (zh) 一种基于rbf神经网络pid的速比控制方法
CN116992779A (zh) 基于数字孪生模型的光伏储能系统仿真方法及系统
Wang et al. Gradient descent-barzilai borwein-based neural network tracking control for nonlinear systems with unknown dynamics
CN109606364B (zh) 一种分层式自学习可拓神经网络车道保持控制方法
CN107450311A (zh) 逆模型建模方法及装置、以及自适应逆控制方法及装置
Mahmud Neural network based PID control analysis
CN116387957A (zh) 一种激光器系统及激光器的输出控制方法、存储介质
CN114637301B (zh) 基于最优仿射队形变换的多机器人动态避障装置及方法
CN102662324A (zh) 槽式反应器基于在线支持向量机的非线性模型预测控制方法
Wang et al. Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920

RJ01 Rejection of invention patent application after publication