CN113783479A - 基于神经网络矩阵的无刷直流电机模糊pid控制方法 - Google Patents

基于神经网络矩阵的无刷直流电机模糊pid控制方法 Download PDF

Info

Publication number
CN113783479A
CN113783479A CN202111330564.8A CN202111330564A CN113783479A CN 113783479 A CN113783479 A CN 113783479A CN 202111330564 A CN202111330564 A CN 202111330564A CN 113783479 A CN113783479 A CN 113783479A
Authority
CN
China
Prior art keywords
neural network
network matrix
fuzzy
fuzzy controller
membership function
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.)
Granted
Application number
CN202111330564.8A
Other languages
English (en)
Other versions
CN113783479B (zh
Inventor
蒋建伟
申立群
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.)
Changzhou Jiabo Machinery Manufacturing Co ltd
Original Assignee
Changzhou Jiabo Machinery Manufacturing Co ltd
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 Changzhou Jiabo Machinery Manufacturing Co ltd filed Critical Changzhou Jiabo Machinery Manufacturing Co ltd
Priority to CN202111330564.8A priority Critical patent/CN113783479B/zh
Publication of CN113783479A publication Critical patent/CN113783479A/zh
Application granted granted Critical
Publication of CN113783479B publication Critical patent/CN113783479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/34—Modelling or simulation for control purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0013—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0027—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using different modes of control depending on a parameter, e.g. the speed
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/08—Arrangements for controlling the speed or torque of a single motor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及无刷直流电机转速控制技术领域，提供一种可以便捷调整控制系统动态性能的智能模糊控制方法，尤其适用于电动自行车和电动汽车驾驶模式设定，特别涉及一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，步骤如下：S1.构建经典的模糊PID控制器；S2.样本数据的采集；S3.神经网络矩阵的构建；S4.神经网络模糊控制器的生成；S5.自由设定控制系统性能指标，神经网络矩阵根据训练结果调整模糊控制器中对应修正值
Figure 100004_DEST_PATH_IMAGE001
的输出隶属度函数量化值以达到控制要求；本发明通过神经网络矩阵和模糊控制的结合，使得控制系统动态性能可调节，通用性强。

Description

基于神经网络矩阵的无刷直流电机模糊PID控制方法
技术领域
本发明涉及无刷直流电机转速控制技术领域，特别涉及一种基于神经网络矩阵的无刷直流电机模糊PID控制方法。
背景技术
无刷直流电机由于其高可靠性、高效率、无噪音运行、使用寿命长和低维护成本等特点，被广泛应用于航空航天、电动汽车和工业自动化等领域。速度调节是无刷直流电机研究的一个重要方面，用于精确的速度和位置控制应用，需要性能良好的控制器以实现转速控制与调节。无刷直流电机本身具有多变量、非线性和强耦合等特点，而模糊控制不需要对被控电机建立精确的数学模型且具有较强的鲁棒性，使其非常适用于无刷直流电机的速度调节。
传统PID算法控制过程中，控制参数固定不变，对于控制系统的动态特性调整能力有限，响应速度慢，动态响应较差，对无刷直流电机系统的不确定性和非线性状况处理效果不佳，很难在控制上达到预期效果。目前常采用的模糊PID算法控制优化无刷直流电机系统，可以充分开发控制系统的性能极限；但是针对某些应用场合比如电动汽车或者电动自行车，控制系统的极限性能并不代表着操控的舒适感，而且，针对不同人群和应用场合，控制系统的性能指标要求也不相同，因此一种动态特性可调节的，操控模式可变的调速系统是具有广泛的应用前景的，本发明提出一种控制系统性能可以便利调节的调速系统，为操控模式或者运动模式的改变提供便利。
发明内容
本发明的目的是克服现有技术存在的缺陷和不足，提供一种结合神经网络矩阵和模糊控制，控制系统动态性能可调节，通用性强的基于神经网络矩阵的无刷直流电机模糊PID控制方法。
实现本发明目的的技术方案是：一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，该方法步骤如下：
S1.构建经典的模糊PID控制器：PID参数
Figure 100002_DEST_PATH_IMAGE001
、
Figure 100002_DEST_PATH_IMAGE002
、
Figure 100002_DEST_PATH_IMAGE003
的初始值按照经验调整至控制系统工作参数附近，模糊规则按照经典方式设置，调整对应修正值
Figure 100002_DEST_PATH_IMAGE004
的输出隶属度函数量化值以获得不同的控制效果；
S2.样本数据的采集：获取不同系统负载参数
Figure 100002_DEST_PATH_IMAGE005
、峰值时间
Figure 100002_DEST_PATH_IMAGE006
和最大超调量
Figure 100002_DEST_PATH_IMAGE007
条件下模糊控制器中对应修正值
Figure 933671DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而形成样本数据，其中，
Figure 100002_DEST_PATH_IMAGE008
；
S3.神经网络矩阵的构建：神经网络矩阵包括多个神经网络，每一个独立的神经网络包括输入层、多个激活函数为sigmoid神经元的隐层和一个激活函数为线性输出神经元的输出层，其输入参数为系统负载参数
Figure 885446DEST_PATH_IMAGE005
、峰值时间
Figure 623595DEST_PATH_IMAGE006
和最大超调量
Figure 2624DEST_PATH_IMAGE007
，输出数值为模糊控制器中对应修正值
Figure 459013DEST_PATH_IMAGE004
的输出隶属度函数量化值；
S4.神经网络模糊控制器的生成：结合神经网络矩阵和模糊控制器，生成神经网络模糊控制器，运用步骤S2中的样本数据完成对神经网络矩阵的训练，实现不同性能指标和负载条件到模糊控制器中对应修正值
Figure 683321DEST_PATH_IMAGE004
的输出隶属度函数量化值的映射；
S5.自由设定控制系统性能指标，神经网络矩阵根据训练结果调整模糊控制器中对应修正值
Figure 275976DEST_PATH_IMAGE004
的输出隶属度函数量化值以达到控制要求：根据性能指标要求和系统负载参数
Figure 100002_DEST_PATH_IMAGE009
的输入，神经网络矩阵自动调整模糊控制器中对应修正值
Figure 91486DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而对PID控制器中PID参数
Figure 769592DEST_PATH_IMAGE001
、
Figure 63170DEST_PATH_IMAGE002
、
Figure 510332DEST_PATH_IMAGE003
进行整定，使无刷直流电机的转速调节满足特定性能指标要求。
进一步地，所述步骤S4的具体步骤如下：
S41.模糊控制器的生成：模糊集合的编辑和运算，使用转速偏差e和转速偏差变化率ec作为模糊控制器的输入变量，修正值
Figure 965584DEST_PATH_IMAGE004
作为模糊控制器的输出变量，通过隶属度函数量化值建立隶属度函数，输入隶属度函数对应于控制系统的运行特性，一次设定不再改变，对应修正值
Figure 130986DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵由经过训练的神经网络矩阵生成；
S42.神经网络矩阵的训练：将控制系统阶跃响应下的性能指标
Figure 726790DEST_PATH_IMAGE006
、
Figure 294038DEST_PATH_IMAGE007
和系统负载参数
Figure 638300DEST_PATH_IMAGE005
作为神经网络矩阵的输入数据，模糊控制器中对应修正值
Figure 290998DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵
Figure 100002_DEST_PATH_IMAGE010
作为神经网络矩阵的输出数据，对神经网络矩阵进行训练，使得神经网络矩阵能够根据不同的系统负载参数
Figure 191958DEST_PATH_IMAGE005
、峰值时间
Figure 348133DEST_PATH_IMAGE006
和最大超调量
Figure 676346DEST_PATH_IMAGE007
自动生成模糊控制器中对应修正值
Figure 550761DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵，定义
Figure 989833DEST_PATH_IMAGE009
作为神经网络矩阵的输入，
Figure 100002_DEST_PATH_IMAGE011
，
Figure 100002_DEST_PATH_IMAGE012
为量化等级个数，
Figure 100002_DEST_PATH_IMAGE013
对应修正值
Figure 62831DEST_PATH_IMAGE004
这3个输出参数的参数个数，Y中的元素
Figure 100002_DEST_PATH_IMAGE014
为神经网络矩阵中每一个神经网络的输出，p=1，2，3；q=1，2，…，m；
进一步地，所述步骤S42中神经网络矩阵的训练采用反向传播算法或者共轭梯度法，具体步骤如下：
S421.准备训练数据：将步骤S2中采集的样本数据作为训练数据；
S422.神经网络矩阵的训练：运用样本数据对神经网络矩阵进行训练；
S423.控制系统的测试：运用样本数据测试训练效果，并利用外推对控制系统进行进一步测试；
S424.外推效果的评估：按照具体需要，选取性能指标要求和系统负载参数范围内的，不属于样本数据的输入参数，验证外推效果是否符合预定指标要求，若符合则训练完毕；否则，保持输入参数不变，通过专家经验法微调模糊控制器中对应修正值
Figure 561946DEST_PATH_IMAGE004
的输出隶属度函数量化值，以满足预定指标要求，将调整后的结果作为训练数据，再次训练神经网络矩阵，直至外推效果符合预定指标。
进一步地，所述神经网络矩阵能够完成多输入多输出控制系统的拟合，所述神经网络采用BP神经网络。
进一步地，所述神经网络模糊控制器具备智能元素，利用神经网络矩阵配置模糊控制器中对应修正值
Figure 687771DEST_PATH_IMAGE004
的输出隶属度函数量化值，能够针对指定的性能指标和负载条件自行调整模糊控制器中对应修正值
Figure 664954DEST_PATH_IMAGE004
的输出隶属度函数量化值，所述模糊控制器中隶属度函数为三角形函数。
采用上述技术方案后，本发明具有以下积极的效果：
（1）本发明通过构建神经网络矩阵，运用训练数据对神经网络矩阵进行训练，进而得到性能指标和系统负载参数这些控制系统特性与模糊控制器参数变化的对应关系，从而实现了控制系统控制性能的便捷调节；
（2）本发明将神经网络矩阵与模糊控制器结合，通过指定的峰值时间、最大超调量、系统负载参数自动给出模糊控制器中对应修正值
Figure 795721DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵，以获取不同性能的控制器，适用于电动自行车和电动汽车驾驶模式设定：峰值时间和最大超调量代表响应速度，用于调整加速体验，比如提高了车辆行驶的舒适度；系统负载参数用于调整针对不同负载时的通用性，比如可以针对个人体重、车辆自重等进行调整，提高控制系统适用性；
（3）本发明采用神经网络矩阵这种结构，解决了多输入多输出神经网络训练难度大的问题，神经网络矩阵较多入多出神经网络更便于训练，学习效果更好，解决了神经网络多点输出的适应性问题。
附图说明
为了使本发明的内容更容易和清楚地被理解，下面根据具体实施例并结合附图，对本发明作进一步的详细说明，其中：
图1为本发明的流程图；
图2为本发明的总体框图；
图3为本发明
Figure 200158DEST_PATH_IMAGE001
参数调节的模糊规则表；
图4为本发明
Figure 49165DEST_PATH_IMAGE002
参数调节的模糊规则表；
图5为本发明
Figure 564460DEST_PATH_IMAGE003
参数调节的模糊规则表；
图6为本发明神经网络的结构图；
图7为本发明隶属度函数为三角形函数的量化等级和隶属度函数的对应关系图；
图8为本发明神经网络矩阵训练的流程图。
具体实施方式
如图1和图2所示，在控制系统即无刷直流电机双闭环调速系统中，内环电流环采用典型的PI控制，针对转速环，采用一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，该方法步骤如下：
S1.构建经典的模糊PID控制器：PID参数
Figure 815313DEST_PATH_IMAGE001
、
Figure 390651DEST_PATH_IMAGE002
、
Figure 992534DEST_PATH_IMAGE003
的初始值按照经验调整至控制系统工作参数附近，模糊规则按照经典方式设置（如图3-图5所示），调整对应修正值
Figure 311519DEST_PATH_IMAGE004
的输出隶属度函数量化值以获得不同的控制效果；
S2.样本数据的采集：获取不同系统负载参数
Figure 416879DEST_PATH_IMAGE005
、峰值时间
Figure 163118DEST_PATH_IMAGE006
和最大超调量
Figure 721138DEST_PATH_IMAGE007
条件下模糊控制器中对应修正值
Figure 610859DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而形成样本数据，其中，
Figure 570725DEST_PATH_IMAGE008
；
S3.神经网络矩阵的构建：神经网络矩阵包括多个神经网络，神经网络采用BP神经网络，每一个独立的神经网络包括输入层、多个激活函数为sigmoid神经元的隐层和一个激活函数为线性输出神经元的输出层（如图6所示），其输入参数为系统负载参数
Figure 753444DEST_PATH_IMAGE005
、峰值时间
Figure 64340DEST_PATH_IMAGE006
和最大超调量
Figure 990708DEST_PATH_IMAGE007
，输出数值为模糊控制器中对应修正值
Figure 805080DEST_PATH_IMAGE004
的输出隶属度函数量化值；神经网络矩阵能够完成多输入多输出系统的拟合，降低了单个神经网络的复杂度，降低了训练难度；
S4.神经网络模糊控制器的生成：结合神经网络矩阵和模糊控制器，生成神经网络模糊控制器，运用步骤S2中的样本数据完成对神经网络矩阵的训练，实现不同性能指标和负载条件到模糊控制器中对应修正值
Figure 424280DEST_PATH_IMAGE004
的输出隶属度函数量化值的映射；神经网络模糊控制器具备智能元素，利用神经网络矩阵配置模糊控制器中对应修正值
Figure 956893DEST_PATH_IMAGE004
的输出隶属度函数量化值，能够针对指定的性能指标和负载条件自行调整模糊控制器中对应修正值
Figure 421372DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而能够便捷的调整控制系统动态特性，以调整不同的运动模式或操控模式；
S5.自由设定控制系统性能指标，神经网络矩阵根据训练结果调整模糊控制器中对应修正值
Figure 355830DEST_PATH_IMAGE004
的输出隶属度函数量化值以达到控制要求：根据性能指标要求和系统负载参数
Figure 145931DEST_PATH_IMAGE009
的输入，神经网络矩阵自动调整模糊控制器中对应修正值
Figure 929954DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而对PID控制器中PID参数
Figure 198125DEST_PATH_IMAGE001
、
Figure 252668DEST_PATH_IMAGE002
、
Figure 948092DEST_PATH_IMAGE003
进行整定，使无刷直流电机的转速调节满足特定性能指标要求。
神经网络模糊控制器生成的具体步骤如下：
S41.模糊控制器的生成：模糊集合的编辑和运算，使用转速偏差e和转速偏差变化率ec作为模糊控制器的输入变量，修正值
Figure 455297DEST_PATH_IMAGE004
作为模糊控制器的输出变量，通过隶属度函数量化值建立隶属度函数，隶属度函数为三角形函数（如图7所示），输入隶属度函数对应于控制系统的运行特性，一次设定不再改变，对应修正值
Figure 527158DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵由经过训练的神经网络矩阵生成；
S42.神经网络矩阵的训练：将控制系统阶跃响应下的性能指标
Figure 701787DEST_PATH_IMAGE006
、
Figure 568112DEST_PATH_IMAGE007
和系统负载参数
Figure 562613DEST_PATH_IMAGE005
作为神经网络矩阵的输入数据，模糊控制器中对应修正值
Figure 674051DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵
Figure 437607DEST_PATH_IMAGE010
作为神经网络矩阵的输出数据，对神经网络矩阵进行训练，使得神经网络矩阵能够根据不同的系统负载参数
Figure 209254DEST_PATH_IMAGE005
、峰值时间
Figure 956630DEST_PATH_IMAGE006
和最大超调量
Figure 104715DEST_PATH_IMAGE007
自动生成模糊控制器中对应修正值
Figure 988357DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵，定义
Figure 196485DEST_PATH_IMAGE009
作为神经网络矩阵的输入，
Figure 899998DEST_PATH_IMAGE011
，
Figure 851774DEST_PATH_IMAGE012
为量化等级个数，
Figure 589923DEST_PATH_IMAGE013
对应修正值
Figure 703372DEST_PATH_IMAGE004
这3个输出参数的参数个数，Y中的元素
Figure 894182DEST_PATH_IMAGE014
为神经网络矩阵中每一个神经网络的输出，p=1，2，3；q=1，2，…，m；
S43.结合神经网络矩阵和模糊控制器，构成智能化的神经网络矩阵模糊控制器。
如图8所示，所述步骤S42中神经网络矩阵的训练采用反向传播算法或者共轭梯度法，具体步骤如下：
S421.准备训练数据：将步骤S2中采集的样本数据作为训练数据；
S422.神经网络矩阵的训练：运用样本数据对神经网络矩阵进行训练；
S423.控制系统的测试：运用样本数据测试训练效果，并利用外推对控制系统进行进一步测试；
S424.外推效果的评估：按照具体需要，选取性能指标要求和系统负载参数范围内的，不属于样本数据的输入参数，验证外推效果是否符合预定指标要求，若符合则训练完毕；否则，保持输入参数不变，通过专家经验法微调模糊控制器中对应修正值
Figure 882605DEST_PATH_IMAGE004
的输出隶属度函数量化值，以满足预定指标要求，将调整后的结果作为训练数据，再次训练神经网络矩阵，直至外推效果符合预定指标。
模糊控制器主要由三个模块组成：模糊化，模糊推理，逆模糊化。模糊控制器中隶属度函数为三角形函数，模糊控制器有两个输入变量：转速偏差e和转速偏差变化率ec，两个输入变量的设置方式类似，以其中一个为例，设输入变量的模糊论域为
Figure DEST_PATH_IMAGE015
，根据量化等级进行划分，以7个等级为例，划分为
Figure DEST_PATH_IMAGE016
；对于两个输入变量，均将其论域和量化等级设为固定；输出变量对应于修正值
Figure 271998DEST_PATH_IMAGE004
有三个，以其中一个为例，设输出变量的模糊论域为
Figure DEST_PATH_IMAGE017
，根据量化等级进行划分，以7个等级为例，划分为
Figure DEST_PATH_IMAGE018
；对于三个输出变量，其量化等级由神经网络矩阵经过训练后生成，神经网络矩阵输入不同的性能指标和负载条件，神经网络矩阵生成输出隶属度函数对应修正值
Figure 353086DEST_PATH_IMAGE004
的量化值矩阵。模糊推理采用Mamdani推理法，本发明中模糊语句为二维条件语句，即“if A and B then C”，其中A、B分别对应转速偏差e、转速偏差变化率ec的论域，C表示待整定PID参数
Figure 296771DEST_PATH_IMAGE001
、
Figure 324770DEST_PATH_IMAGE002
、
Figure 771932DEST_PATH_IMAGE003
的论域；设对应于A、B、C论域的隶属函数分别为
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
；模糊控制器首先运算模糊集合A且B，然后利用逆模糊化方法建立C的隶属度函数映射关系，给出定量数值。逆模糊化采用重心法，确定逆模糊化处理的数学表达式，如公式（1），进而得到修正值
Figure 509075DEST_PATH_IMAGE004
，将修正值
Figure 940056DEST_PATH_IMAGE004
的代入下列公式（2）-（4），即可对PID参数
Figure 801440DEST_PATH_IMAGE001
、
Figure 368687DEST_PATH_IMAGE002
、
Figure 260420DEST_PATH_IMAGE003
进行整定。
Figure DEST_PATH_IMAGE022
（1）
其中，
Figure DEST_PATH_IMAGE023
表示逆模糊化计算输出值，
Figure DEST_PATH_IMAGE024
为量化值，
Figure DEST_PATH_IMAGE025
为隶属度，P为量化值的个数，公式（1）对应于修正值
Figure 975435DEST_PATH_IMAGE004
的计算过程；
Figure DEST_PATH_IMAGE026
（2）
Figure DEST_PATH_IMAGE027
（3）
Figure DEST_PATH_IMAGE028
（4）
其中，
Figure DEST_PATH_IMAGE029
、
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
为
Figure 440177DEST_PATH_IMAGE001
、
Figure 861931DEST_PATH_IMAGE002
、
Figure 924565DEST_PATH_IMAGE003
三个PID参数的初始值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，其特征在于，该方法步骤如下：
S1.构建经典的模糊PID控制器：PID参数
Figure DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
的初始值按照经验调整至控制系统工作参数附近，模糊规则按照经典方式设置，调整对应修正值
Figure DEST_PATH_IMAGE004
的输出隶属度函数量化值以获得不同的控制效果；
S2.样本数据的采集：获取不同系统负载参数
Figure DEST_PATH_IMAGE005
、峰值时间
Figure DEST_PATH_IMAGE006
和最大超调量
Figure DEST_PATH_IMAGE007
条件下模糊控制器中对应修正值
Figure 578137DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而形成样本数据，其中，
Figure DEST_PATH_IMAGE008
；
S3.神经网络矩阵的构建：神经网络矩阵包括多个神经网络，每一个独立的神经网络包括输入层、多个激活函数为sigmoid神经元的隐层和一个激活函数为线性输出神经元的输出层，其输入参数为系统负载参数
Figure 760856DEST_PATH_IMAGE005
、峰值时间
Figure 806173DEST_PATH_IMAGE006
和最大超调量
Figure 466961DEST_PATH_IMAGE007
，输出数值为模糊控制器中对应修正值
Figure 812492DEST_PATH_IMAGE004
的输出隶属度函数量化值；
S4.神经网络模糊控制器的生成：结合神经网络矩阵和模糊控制器，生成神经网络模糊控制器，运用步骤S2中的样本数据完成对神经网络矩阵的训练，实现不同性能指标和负载条件到模糊控制器中对应修正值
Figure 399069DEST_PATH_IMAGE004
的输出隶属度函数量化值的映射；
S5.自由设定控制系统性能指标，神经网络矩阵根据训练结果调整模糊控制器中对应修正值
Figure 931681DEST_PATH_IMAGE004
的输出隶属度函数量化值以达到控制要求：根据性能指标要求和系统负载参数
Figure DEST_PATH_IMAGE009
的输入，神经网络矩阵自动调整模糊控制器中对应修正值
Figure 927319DEST_PATH_IMAGE004
的输出隶属度函数量化值，从而对PID控制器中PID参数
Figure 861777DEST_PATH_IMAGE001
、
Figure 120720DEST_PATH_IMAGE002
、
Figure 140629DEST_PATH_IMAGE003
进行整定，使无刷直流电机的转速调节满足特定性能指标要求。
2.根据权利要求1所述的一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，其特征在于，所述步骤S4的具体步骤如下：
S41.模糊控制器的生成：模糊集合的编辑和运算，使用转速偏差e和转速偏差变化率ec作为模糊控制器的输入变量，修正值
Figure 143220DEST_PATH_IMAGE004
作为模糊控制器的输出变量，通过隶属度函数量化值建立隶属度函数，输入隶属度函数对应于控制系统的运行特性，一次设定不再改变，对应修正值
Figure 932184DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵由经过训练的神经网络矩阵生成；
S42.神经网络矩阵的训练：将控制系统阶跃响应下的性能指标
Figure 627608DEST_PATH_IMAGE006
、
Figure 400392DEST_PATH_IMAGE007
和系统负载参数
Figure 941094DEST_PATH_IMAGE005
作为神经网络矩阵的输入数据，模糊控制器中对应修正值
Figure 850145DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵
Figure DEST_PATH_IMAGE010
作为神经网络矩阵的输出数据，对神经网络矩阵进行训练，使得神经网络矩阵能够根据不同的系统负载参数
Figure 217934DEST_PATH_IMAGE005
、峰值时间
Figure 212435DEST_PATH_IMAGE006
和最大超调量
Figure 556829DEST_PATH_IMAGE007
自动生成模糊控制器中对应修正值
Figure 320385DEST_PATH_IMAGE004
的输出隶属度函数量化值矩阵，定义
Figure 357612DEST_PATH_IMAGE009
作为神经网络矩阵的输入，
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
为量化等级个数，
Figure DEST_PATH_IMAGE013
对应修正值
Figure 370567DEST_PATH_IMAGE004
这3个输出参数的参数个数，Y中的元素
Figure DEST_PATH_IMAGE014
为神经网络矩阵中每一个神经网络的输出，p=1，2，3；q=1，2，…，m；
S43.结合神经网络矩阵和模糊控制器，构成智能化的神经网络模糊控制器。
3.根据权利要求2所述的一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，其特征在于，所述步骤S42中神经网络矩阵的训练采用反向传播算法或者共轭梯度法，具体步骤如下：
S421.准备训练数据：将步骤S2中采集的样本数据作为训练数据；
S422.神经网络矩阵的训练：运用样本数据对神经网络矩阵进行训练；
S423.控制系统的测试：运用样本数据测试训练效果，并利用外推对控制系统进行进一步测试；
S424.外推效果的评估：按照具体需要，选取性能指标要求和系统负载参数范围内的，不属于样本数据的输入参数，验证外推效果是否符合预定指标要求，若符合则训练完毕；否则，保持输入参数不变，通过专家经验法微调模糊控制器中对应修正值
Figure 784231DEST_PATH_IMAGE004
的输出隶属度函数量化值，以满足预定指标要求，将调整后的结果作为训练数据，再次训练神经网络矩阵，直至外推效果符合预定指标。
4.根据权利要求1-3任一所述的一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，其特征在于，所述神经网络矩阵能够完成多输入多输出控制系统的拟合，所述神经网络采用BP神经网络。
5.根据权利要求1-3任一所述的一种基于神经网络矩阵的无刷直流电机模糊PID控制方法，其特征在于，所述神经网络模糊控制器具备智能元素，利用神经网络矩阵配置模糊控制器中对应修正值
Figure 402294DEST_PATH_IMAGE004
的输出隶属度函数量化值，能够针对指定的性能指标和负载条件自行调整模糊控制器中对应修正值
Figure 610421DEST_PATH_IMAGE004
的输出隶属度函数量化值，所述模糊控制器中隶属度函数为三角形函数。
CN202111330564.8A 2021-11-11 2021-11-11 基于神经网络矩阵的无刷直流电机模糊pid控制方法 Active CN113783479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111330564.8A CN113783479B (zh) 2021-11-11 2021-11-11 基于神经网络矩阵的无刷直流电机模糊pid控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111330564.8A CN113783479B (zh) 2021-11-11 2021-11-11 基于神经网络矩阵的无刷直流电机模糊pid控制方法

Publications (2)

Publication Number Publication Date
CN113783479A true CN113783479A (zh) 2021-12-10
CN113783479B CN113783479B (zh) 2022-02-08

Family

ID=78873775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111330564.8A Active CN113783479B (zh) 2021-11-11 2021-11-11 基于神经网络矩阵的无刷直流电机模糊pid控制方法

Country Status (1)

Country Link
CN (1) CN113783479B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630940A (zh) * 2009-08-12 2010-01-20 江苏大学 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法
JP2013003845A (ja) * 2011-06-16 2013-01-07 Institute Of National Colleges Of Technology Japan 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法
CN104155877A (zh) * 2014-08-19 2014-11-19 江苏科技大学 基于遗传算法的无刷直流电机模糊控制系统及控制方法
CN106527124A (zh) * 2016-11-29 2017-03-22 重庆工商大学 基于非线性神经模糊控制器的电磁阀式减振器控制方法
CN107255920A (zh) * 2017-06-21 2017-10-17 武汉理工大学 基于网络优化算法的pid控制方法和装置及系统
CN108536005A (zh) * 2018-03-15 2018-09-14 吉林大学 一种基于模糊神经网络pid船舶航向控制器及其控制方法
CN109242093A (zh) * 2018-10-10 2019-01-18 清华大学深圳研究生院 一种基于模糊神经网络的电动汽车电机的可靠性评价方法
CN109733242A (zh) * 2018-12-12 2019-05-10 西北工业大学 电动汽车充电机的神经模糊稳定性控制系统及控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630940A (zh) * 2009-08-12 2010-01-20 江苏大学 感应电机调速系统模糊神经网络逆鲁棒控制器及构造方法
JP2013003845A (ja) * 2011-06-16 2013-01-07 Institute Of National Colleges Of Technology Japan 組み込み知能コントローラ、制御システム、制御プログラム、記録媒体、及び制御方法
CN104155877A (zh) * 2014-08-19 2014-11-19 江苏科技大学 基于遗传算法的无刷直流电机模糊控制系统及控制方法
CN106527124A (zh) * 2016-11-29 2017-03-22 重庆工商大学 基于非线性神经模糊控制器的电磁阀式减振器控制方法
CN107255920A (zh) * 2017-06-21 2017-10-17 武汉理工大学 基于网络优化算法的pid控制方法和装置及系统
CN108536005A (zh) * 2018-03-15 2018-09-14 吉林大学 一种基于模糊神经网络pid船舶航向控制器及其控制方法
CN109242093A (zh) * 2018-10-10 2019-01-18 清华大学深圳研究生院 一种基于模糊神经网络的电动汽车电机的可靠性评价方法
CN109733242A (zh) * 2018-12-12 2019-05-10 西北工业大学 电动汽车充电机的神经模糊稳定性控制系统及控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GU DEYING ET AL.: "Speed control of BLDCM based on compensated fuzzy neural network", 《THE 26TH CHINESE CONTROL AND DECISION CONFERENCE (2014 CCDC)》 *
王婷婷 等: "无刷直流电机模糊神经网络ＰI控制", 《长春工业大学学报》 *

Also Published As

Publication number Publication date
CN113783479B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
Khuntia et al. A comparative study of PI, IP, fuzzy and neuro-fuzzy controllers for speed control of DC motor drive
CN111628687A (zh) 一种基于熵权法的永磁同步电机多目标参数优化方法
Arulmozhiyal et al. Space vector pulse width modulation based speed control of induction motor using fuzzy PI controller
CN104155877A (zh) 基于遗传算法的无刷直流电机模糊控制系统及控制方法
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN106681136A (zh) 一种基于自整定模糊pid控制的同步电机励磁控制系统
CN104865979A (zh) 一种污水处理过程自适应广义预测控制方法及系统
CN111007716A (zh) 基于预测函数的交流伺服电机变论域模糊pi控制方法
Yu et al. Interval type-2 fuzzy adaptive tracking control design for PMDC motor with the sector dead-zones
CN108832853B (zh) 一种基于模糊pi-pd控制的直流无刷电机调速方法
CN111224593B (zh) 基于差分进化算法优化的模糊自适应滑模控制方法及系统
Sankardoss et al. Design and low-cost implementation of an electric wheelchair control
Jie et al. Speed regulation based on adaptive control and RBFNN for PMSM considering parametric uncertainty and load fluctuation
Gritli et al. PID-type fuzzy scaling factors tuning using genetic algorithm and simulink design optimization for electronic throttle valve
CN111162698A (zh) 一种agv用恒压支架pid无刷直流电机模糊控制系统及方法
CN113783479B (zh) 基于神经网络矩阵的无刷直流电机模糊pid控制方法
Lee et al. Speed estimation and control of induction motor drive using hybrid intelligent control
CN109884883A (zh) 一种可配置的无刷直流电机调速模糊pid控制器
CN111538232B (zh) 基于自适应神经模糊控制的无人行车防摇定位方法及系统
CN116232132A (zh) 一种电动汽车无刷直流电机的转速控制方法
CN110928185B (zh) 一种多智能体系统的量化控制方法
Yu et al. Artificial Intelligence Control for Reactive Power of Electric Drive System of Pump Station
CN109193672B (zh) 一种优化与控制双层协同二级电压控制方法
CN113708692B (zh) 基于经验信息的大脑情绪控制器的永磁同步电机控制方法
CN112072961A (zh) 一种基于anfis的无刷直流电机调速系统

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
GR01 Patent grant
GR01 Patent grant