CN115016248A - 一种基于pso算法优化rbf神经网络的电机pid控制方法 - Google Patents
一种基于pso算法优化rbf神经网络的电机pid控制方法 Download PDFInfo
- Publication number
- CN115016248A CN115016248A CN202210508317.0A CN202210508317A CN115016248A CN 115016248 A CN115016248 A CN 115016248A CN 202210508317 A CN202210508317 A CN 202210508317A CN 115016248 A CN115016248 A CN 115016248A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf neural
- pso algorithm
- network model
- motor
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 45
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 15
- 230000001360 synchronised effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic 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.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于PSO算法优化RBF神经网络的电机PID控制方法，采用PSO算法对RBF神经网络模型的训练过程进行优化，可以解决网络参数（网络中心、连接权值和向量宽度参数）的值难以选取的问题，加快网络训练过程并使得网络取值和输出更准确。本发明采用PSO算法优化RBF神经网络的PID控制器，可以使控制系统更加稳定，并且可以有效地抑制永磁同步电机非线性、强耦合的情况。在控制系统运行过程中，RBF神经网络的参数识别模块可以不断的监测电机参数的变化以及参数的实时反馈，PID控制器模块可以不断检测误差的变化，然后通过RBF神经网络模型的学习算法对PID参数进行在线实时整定，使控制效果达到最佳。
Description
技术领域
本发明涉及电机智能控制技术领域，具体地说，是涉及一种基于PSO算法优化RBF神经网络的电机PID控制方法。
背景技术
随着科学技术的发展，电驱压裂车因其绿色环保、经济和社会效益高等特点必将成为未来页岩气开采的主要压裂装备。永磁同步电机作为电驱压裂车动力系统的核心设备，其运行稳定性和准确性直接影响页岩气开采作业。由于永磁同步电机具有非线性、强耦合的特点，永磁同步电机转速控制系统需要更为先进智能的控制算法进行控制。
人工神经网络(Artificial Neural Networks,简称ANNS)是一种以网络拓扑知识为理论基础，模拟人脑神经系统对复杂信息处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自适应学习能力等特性，引起各学科领域的关注。随着科技的不断发展，将神经网络与PID控制相结合的研究已经取得了很大的进展，在模式识别、自动控制、抗干扰、动态响应、制造业、矿藏开采等领域表现出了良好的智能特性。但是，由于神经网络在实际应用中一些参数选取困难，造成训练时间长、数据不够精准的问题。
本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明提供一种基于PSO算法优化RBF神经网络的电机PID控制方法，通过建立基于PSO算法优化RBF神经网络的在线实时整定PID参数的控制方法，使电机转速控制系统获得最佳的控制效果。解决了现有技术中神经网络存在的参数选取困难、训练时间长、数据不够精准的技术问题。
为达到上述目的，本发明采用如下技术方案：
一种基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述方法为：基于PSO算法对RBF神经网络模型进行训练，得到PSO算法优化的RBF神经网络模型；基于所述PSO算法优化的RBF神经网络模型的参数辨识能力将电机输出转速yout(k)与PID控制器输出信号u的灵敏度信息传递给所述PSO算法优化的RBF神经网络模型；基于PSO算法优化的RBF神经网络模型对所述PID控制器的KP、KI、KD三个参数进行调节；所述PID控制器接收目标输入转速rin和所述电机输出转速yout(k)，根据Error(k)＝(rin-yout(k))和调节后的PID控制器参数重新计算所述PID控制器输出信号u并输入到所述电机中。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，包括如下步骤：
步骤1：建立RBF神经网络模型并初始化所述RBF神经网络模型的网络参数；
步骤2：采用PSO算法优化所述RBF神经网络模型的网络参数；
步骤3：根据所述PSO算法计算得到的最优粒子确定所述RBF神经网络模型的网络参数，从而确定所述PSO算法优化的RBF神经网络模型；
步骤4：建立基于PSO算法优化的RBF神经网络的PID控制器结构模型；
步骤5：建立所述PID控制器结构模型与电机输出的反馈连接，将电机的实时监测转速反馈给所述PID控制器结构模型；
步骤6：计算PSO算法优化的RBF神经网络模型的输入与输出，再计算PID控制器的输出，通过PSO算法优化后的RBF神经网络模型对PID参数进行在线实时整定。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，
所述步骤1建立的RBF神经网络模型包括三层：输入层、隐含层和输出层；所述输入层为3个神经元，所述隐含层为6个神经元，所述输出层为1个神经元；获取所述电机的目标输入转速rin和输出转速yout(k)，计算当前误差e(k)＝rin-yout(k)、e(k)-e(k-1)和e(k)-2e(k-1)+e(k-2)作为所述RBF神经网络模型的输入层；所述输出层为对应的神经网络控制输出；所述隐含层采用高斯函数作为神经元的基函数，其表达式为：
其中，x表示神经网络的输入向量，||x-cj||为欧几里得范数；cj＝[cj1,cj2,cj3]T为第j个隐含层神经元节点的中心矢量；bj为第j个隐含层神经元节点的宽度，m表示隐含层神经元的个数。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，
所述步骤2中首先设置粒子群的初始值，包括：空间维数d、粒子群粒子数目n、加速因子c1、c2、迭代次数kmax；再根据更新公式更新粒子的位置和速度，并重新计算粒子适应度，寻找全局极值Gbest和个体极值Pbest，当达到期望值ξPSO或者kmax时，将此时计算得到的最优粒子设置为RBF神经网络参数的最优值；将RBF神经网络模型输出均方差的倒数作为适应度函数，其表达式为：
适应度f越大，表明神经网络的输出均方差越小，则此时连接权值和网络宽度最优。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，所述步骤3根据PSO算法计算得到的最优粒子确定所述RBF神经网络模型的网络参数包括：基函数网络中心c、连接权值ω和基函数的向量宽度b。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，所述步骤4建立基于PSO算法优化的RBF神经网络的PID控制器结构模型包括PID控制器、RBF神经网络参数辨识模块、PSO算法优化RBF神经网络模型以及电机；所述RBF神经网络参数辨识模块所述PSO算法优化的RBF神经网络模型根据所述PID控制器输出信号u与所述电机的实际输出信号yout(k)得到的两者之间的Jacobian灵敏度信息，然后将所述Jacobian灵敏度信息传递给所述PSO算法优化的RBF神经网络模型。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，所述步骤6通过所述PSO算法优化的RBF神经网络模型的学习算法-梯度下降法对网络的PID参数增益控制进行迭代计算，计算公式为：
直至所述PSO算法优化的RBF神经网络模型的性能指标函数满足误差要求，此时所述PSO算法优化的RBF神经网络模型将计算得到的PID参数增益ΔKP、ΔKI、ΔKD对PID控制器参数进行调整。
如上所述的基于PSO算法优化RBF神经网络的电机PID控制方法，所述步骤6对RBF神经网络的学习算法添加一个动量因子，将动量因子加入到神经网络模型的连接权值ω、基函数网络中心c和基函数向量宽度b迭代的过程中，其表达式为：
ωj(k)＝ωj(k-1)+Δωj(k)+α[ωj(k-1)-ωj(k-2)]
cji(k)＝cji(k-1)+Δcji(k)+α[cji(k-1)-cji(k-2)]
bj(k)＝bj(k-1)+Δbj(k)+α[bj(k-1)-bj(k-2)]
其中，k为迭代次数；α为动量因子，一般在0～1取值。
本发明的技术方案相对现有技术具有如下技术效果：本发明采用PSO算法对RBF神经网络模型的训练过程进行优化，可以解决网络参数(网络中心、连接权值和向量宽度参数)的值难以选取的问题，加快网络训练过程并使得网络取值和输出更准确。本发明采用PSO算法优化RBF神经网络的PID控制器，可以使控制系统更加稳定，并且可以有效地抑制永磁同步电机非线性、强耦合的情况。在控制系统运行过程中，RBF神经网络的参数识别模块可以不断的监测电机参数的变化以及参数的实时反馈，PID控制器模块可以不断检测误差的变化，然后通过RBF神经网络模型的学习算法对PID参数进行在线实时整定，使控制效果达到最佳。
本发明在RBF神经网络模型的梯度下降学习算法中添加一个动量因子，以将当前时刻之前产生的历史数据对后续算法运算的影响考虑在内，可以更好地维持系统的稳定，提高训练速度，并且避免在算法运算过程中出现局部最优解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明具体实施例RBF神经网络结构模型。
图2为本发明具体实施例的原理框图。
图3为本发明具体实施例的流程图。
图4为本发明PSO算法优化RBF神经网络参数的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
本实施例基于PSO算法优化RBF神经网络的电机PID控制方法，通过建立电机转速控制系统的仿真模型和RBF神经网络模型，采用PSO算法优化RBF神经网络模型的训练过程，进行RBF神经网络参数量化。然后仿真计算得到PID控制器输出的电机转速值，通过与实时监测电机数据比较和计算，获得控制对象的输出对控制对象的输入的灵敏度信息，传递给RBF神经网络的学习算法，对PID控制器参数进行调整，使永磁同步电机转速控制系统获得良好的动态响应特性和鲁棒性。
本实施例通过调整PID控制器的三个参数，从而控制电机的转速。
如图2所示，基于PSO算法对RBF神经网络模型进行训练，得到PSO算法优化的RBF神经网络模型；基于PSO算法优化的RBF神经网络模型的参数辨识能力将电机输出转速y out(k)与PID控制器输出信号u的灵敏度信息传递给PSO算法优化的RBF神经网络模型；基于PSO算法优化的RBF神经网络模型对PID控制器的KP、KI、KD三个参数进行调节；PID控制器接收目标输入转速rin和电机输出转速yout(k)，根据Error(k)＝(rin-yout(k))和调节后的PID控制器参数重新计算PID控制器输出信号u并输入到电机中。
rin为电机的目标输入转速，PID控制器的输出信号u为PID控制器的输出转速，作为电机的控制信号，电机根据PID控制器的输出信号u调节转速，yout(k)为电机的实际输出转速信号。
如图3所示，本实施例基于PSO算法优化RBF神经网络的电机PID控制方法，包括如下步骤：
步骤1：建立RBF神经网络模型并初始化RBF神经网络模型的网络参数。
步骤2：采用PSO算法优化RBF神经网络模型的网络参数。
步骤3：根据PSO算法计算得到的最优粒子确定RBF神经网络模型的网络参数，从而确定PSO算法优化的RBF神经网络模型。
步骤4：建立基于PSO算法优化的RBF神经网络的PID控制器结构模型。
步骤5：建立PID控制器结构模型与电机输出的反馈连接，将电机的实时监测转速反馈给PID控制器结构模型。
步骤6：计算PSO算法优化的RBF神经网络模型的输入与输出，再计算PID控制器的输出，通过PSO算法优化后的RBF神经网络模型对PID参数进行在线实时整定。
步骤1中，RBF神经网络是一种具有单隐层的三层前馈式网络，并且具有唯一最佳逼近、学习过程收敛速度快和有较强的输入和输出映射功能等特点。其基本结构包括三层：输入层、隐含层和输出层。输入层由输入信号神经元组成，当网络输入层接收到输入信号时，隐含层神经元对输入信号产生响应，响应特征呈径向对称分布特点，输入距离神经节点中心越远，相应节点的激活程度就越低，输入向量与节点中心的欧氏距离为隐含层径向基函数的自变量，再根据基函数计算出因变量，输出层为因变量经线性加权后形成的最终输出。
如图1所示，本实施例中建立的RBF神经网络模型包括三层：输入层、隐含层和输出层；输入层为3个神经元，隐含层为6个神经元，输出层为1个神经元。获取电机的目标输入转速rin和输出转速yout(k)，并计算当前误差e(k)＝rin-yout(k)、e(k)-e(k-1)和e(k)-2e(k-1)+e(k-2)作为RBF神经网络模型的三个控制输入，输入层对应的是PID控制器的三个当前时刻和前两次历史时刻的偏差信号输入e(k)-e(k-1)、e(k)和e(k)-2e(k-1)+e(k-2)，后续使用x1，x2，x3表示；输出层对应的神经网络控制输出，输出层为隐含层基函数的值与连接权值的线性加权；隐含层采用高斯函数作为神经元的基函数，其形式简单、径向对称且光滑性好，其表达式为：
其中，x表示神经网络的输入向量，||x-cj||为欧几里得范数；cj＝[cj1,cj2,cj3]T为第j个隐含层神经元节点的中心矢量；bj为第j个隐含层神经元节点的宽度，m表示隐含层神经元的个数。
以高斯函数作为径向基函数的基函数，其主要特点是中心影响最大、两边对称衰弱。在高斯函数中心值cj附近的地方可以获取最大输出值，此时神经元节点的非零响应值应为最大。而距离中心位置越远时神经元节点的响应值也就越小。但高斯函数的宽度值b能够改变高斯函数曲线的宽度，进而可以调整径向基函数的覆盖范围，从而改变RBF神经网络的逼近特性。因此需要对径向基神经网络中基函数的网络中心cj，基函数的宽度bj，以及隐含层到输出层的权重ωj合适选取，以达到更理想的网络输出的效果。
隐含层输出与连接权值的线性组合得到神经网络的输出：
其中，ωj＝[ω1,ω2,L,ωm]T为输出层权值向量，h为隐含层基函数因变量，m表示隐含层神经元的个数。
RBF神经网络的性能指标函数采用均方误差MSE，其表达式为：
从上述公式可知，要想得到网络输出的值，必须确定高斯函数的中心cj、高斯函数的宽度bj以及各节点输出的权值ωj，因此采用粒子群算法对RBF神经网络的参数进行优化选取，进而找到最优的参数结果使得RBF神经网络控制输出的效果最佳。
步骤2中首先设置粒子群的初始值，包括：空间维数d、粒子群粒子数目n、加速因子c1、c2、迭代次数kmax；再根据更新公式更新粒子的位置和速度，并重新计算粒子适应度，寻找全局极值Gbest和个体极值Pbest，当达到期望值ξPSO或者kmax时，将此时计算得到的最优粒子设置为RBF神经网络参数的最优值；将RBF神经网络模型输出均方差的倒数作为适应度函数，其表达式为：
适应度f越大，表明神经网络的输出均方差越小，则此时连接权值和网络宽度最优。
粒子群算法是一种全局优化算法，参数调整过程较为简单，不仅具有强大的全局寻优能力，而且可以通过设定参数提高网络的局部寻优能力，其搜索思维和种群之间经验共享方式更加科学，能够更快的找到最优解。粒子群算法表示为：在一个d维的搜索空间，种群中的粒子个数为n，记为
其中第i个粒子的当前位置矢量记为Xi＝[xi1,xi2,L,xid]T，第i个粒子的当前速度矢量记为Vi＝[vi1,vi2,L,vid]T，其个体最优解Pbest记为Pi＝[pi1,pi2,L,pid]T，其全部最优解Gbest记为Pg＝[pg1,pg2,L,pgd]T，表示粒子群搜索到的最优位置，通过迭代计算，粒子根据两个极值不断更新自己的位置和速度，其更新公式为：
其中，i＝1,2,┄,n；j＝1,2,┄,d；k表示目前的迭代次数；ω为惯性因子；c1、c2为加速因子，r1、r2为[0,1]之间分布的随机值。
根据粒子群算法的位置、速度更新公式，必须确定的参数包括：粒子数量n、加速因子c1、c2、惯性因子ω。目前并没有计算公式可以计算粒子数量，并且有研究表明，粒子数量的增加对收敛结果影响甚微，因此根据经验设定粒子数量n＝40；加速因子c1、c2各自选取过小时都会产生较大算法误差，因此采用最经典的设置方式：c1＝c2＝2.00；惯性因子ω则采用线性调整的策略，首先对全局进行搜索，使得在搜索空间内较快的收敛于某一区域，然后再利用局部搜索搜寻到高精度的值，其调解公式为：
其中，ωmax、ωmin为惯性权重的最大值和最小值，分别设置为0.9、0.4；kmax为最大迭代次数。
如图4所示，采用粒子群算法优化RBF神经网络基函数中心cj、高斯函数的宽度bj以及各节点输出的权值ωj的步骤如下：
S1：设置空间维数d、粒子群中粒子个数n、最大迭代次数kmax、加速因子c1、c2等参数，并初始化各粒子的位置与速度。
S2：将RBF神经网络的节点宽度、连接权值与粒子群粒子进行对应。
S3：计算各个粒子的适应度值，寻找到Pbest和Gbest。
S4：根据位置、速度更新公式更新粒子，再计算更新后的粒子的适应度。
S5：与上一次计算得到的Pbest和Gbest进行比较，选出适应度最优的粒子。
S6：判断目标期望值ξpso(ξpso＝0.01)是否满足要求或者是否达到最大计算迭代次数kmax，满足条件则计算终止，进入步骤S7，不满足则重新进行更新迭代计算，进入步骤S3。
S7：根据计算结果的最优粒子，得到RBF神经网络的参数，然后根据测试数据对RBF神经网络进行训练得到RBF神经网络优化PID控制器参数的网络模型。
步骤3中根据PSO算法计算得到的最优粒子确定RBF神经网络模型的网络参数包括：基函数网络中心c、连接权值ω和基函数的向量宽度b。
步骤4中建立基于PSO算法优化的RBF神经网络的PID控制器结构模型包括PID控制器、RBF神经网络参数辨识模块、PSO算法优化RBF神经网络模型以及电机；RBF神经网络参数辨识模块PSO算法优化的RBF神经网络模型根据PID控制器输出信号u与电机的实际输出信号yout(k)得到的两者之间的Jacobian灵敏度信息，然后将Jacobian灵敏度信息传递给PSO算法优化的RBF神经网络模型。
本实施例中的PID控制器由比例单元P、积分单元I微分单元D组成，控制器的输入信号为偏差信号Error(k)，根据设定的Kp、Ki、Kd控制参数的值计算控制器的输出信号u，从而控制电机，PID控制器采用的是增量式PID算法，使用该方式可以减少采样值的范围，减弱错误动作产生的影响，从而提升控制系统的稳定性，其算法如下：
Δu(k)＝KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
其中，Δu(k)为控制输出增量，k为采样时间，e(k)-e(k-1)、e(k)和e(k)-2e(k-1)+e(k-2)为当前时刻和前两次历史时刻的转速误差值；e(k)即为当前时刻输入的偏差信号Error(k)，为目标转速与实际转速的转速误差，即e(k)＝rin-yout(k)。
参数优化后的RBF神经网络通过辨识PID控制器控制输出信号u与执行机构永磁同步电机实际转速输出信号y之间的Jacobian信息，Jacobian信息计算的算法表达式为：
其中，Δu(k)为当前迭代次数PID控制器的输出。
RBF神经网络将Jacobian信息传输给其学习算法，即梯度下降法，RBF神经网络的学习算法便能够根据Jacobian信息计算出PID控制器三个参数的增益ΔKP、ΔKI、ΔKD，其计算表达式为：
其中，η为学习速率，一般在0～1之间选取；e(k)为系统偏差信号值；x为RBF神经网络的输入信号。
根据RSO优化的RBF神经网络计算得到的PID控制器三个参数的增益值对PID控制器的输出进行调整，能够使执行机构永磁同步电机的转速快速接近目标转速，达到期望效果。
步骤6通过PSO算法优化的RBF神经网络模型的学习算法-梯度下降法对网络的PID参数增益控制进行迭代计算，计算公式为：
直至PSO算法优化的RBF神经网络模型的性能指标函数满足误差要求，此时PSO算法优化的RBF神经网络模型将计算得到的PID参数增益ΔKP、ΔKI、ΔKD对PID控制器参数进行调整。
步骤6对RBF神经网络的学习算法添加一个动量因子，将动量因子加入到神经网络模型的连接权值ω、基函数网络中心c和基函数向量宽度b迭代的过程中，其表达式为：
ωj(k)＝ωj(k-1)+Δωj(k)+α[ωj(k-1)-ωj(k-2)]
cji(k)＝cji(k-1)+Δcji(k)+α[cji(k-1)-cji(k-2)]
bj(k)＝bj(k-1)+Δbj(k)+α[bj(k-1)-bj(k-2)]
其中，k为迭代次数；α为动量因子，一般在0～1取值。
本实施例在RBF神经网络模型的梯度下降学习算法中添加一个动量因子，以将当前时刻之前产生的历史数据对后续算法运算的影响考虑在内，可以更好地维持系统的稳定，提高训练速度，并且避免在算法运算过程中出现局部最优解。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述方法为：基于PSO算法对RBF神经网络模型进行训练，得到PSO算法优化的RBF神经网络模型；基于所述PSO算法优化的RBF神经网络模型的参数辨识能力将电机输出转速yout(k)与PID控制器输出信号u的灵敏度信息传递给所述PSO算法优化的RBF神经网络模型；基于PSO算法优化的RBF神经网络模型对所述PID控制器的KP、KI、KD三个参数进行调节；所述PID控制器接收目标输入转速rin和所述电机输出转速yout(k)，根据Error(k)＝(rin-yout(k))和调节后的PID控制器参数重新计算所述PID控制器输出信号u并输入到所述电机中。
2.根据权利要求1所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，包括如下步骤：
步骤1：建立RBF神经网络模型并初始化所述RBF神经网络模型的网络参数；
步骤2：采用PSO算法优化所述RBF神经网络模型的网络参数；
步骤3：根据所述PSO算法计算得到的最优粒子确定所述RBF神经网络模型的网络参数，从而确定所述PSO算法优化的RBF神经网络模型；
步骤4：建立基于PSO算法优化的RBF神经网络的PID控制器结构模型；
步骤5：建立所述PID控制器结构模型与电机输出的反馈连接，将电机的实时监测转速反馈给所述PID控制器结构模型；
步骤6：计算PSO算法优化的RBF神经网络模型的输入与输出，再计算PID控制器的输出，通过PSO算法优化后的RBF神经网络模型对PID参数进行在线实时整定。
3.根据权利要求2所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，
所述步骤1建立的RBF神经网络模型包括三层：输入层、隐含层和输出层；所述输入层为3个神经元，所述隐含层为6个神经元，所述输出层为1个神经元；获取所述电机的目标输入转速rin和输出转速yout(k)，计算当前误差e(k)＝rin-yout(k)、e(k)-e(k-1)和e(k)-2e(k-1)+e(k-2)作为所述RBF神经网络模型的输入层；所述输出层为对应的神经网络控制输出；所述隐含层采用高斯函数作为神经元的基函数，其表达式为：
其中，x表示神经网络的输入向量，||x-cj||为欧几里得范数；cj＝[cj1,cj2,cj3]T为第j个隐含层神经元节点的中心矢量；bj为第j个隐含层神经元节点的宽度，m表示隐含层神经元的个数。
4.根据权利要求2所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，
所述步骤2中首先设置粒子群的初始值，包括：空间维数d、粒子群粒子数目n、加速因子c1、c2、迭代次数kmax；再根据更新公式更新粒子的位置和速度，并重新计算粒子适应度，寻找全局极值Gbest和个体极值Pbest，当达到期望值ξPSO或者kmax时，将此时计算得到的最优粒子设置为RBF神经网络参数的最优值；将RBF神经网络模型输出均方差的倒数作为适应度函数，其表达式为：
适应度f越大，表明神经网络的输出均方差越小，则此时连接权值和网络宽度最优。
5.根据权利要求2所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述步骤3根据PSO算法计算得到的最优粒子确定所述RBF神经网络模型的网络参数包括：基函数网络中心c、连接权值ω和基函数的向量宽度b。
6.根据权利要求2所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述步骤4建立基于PSO算法优化的RBF神经网络的PID控制器结构模型包括PID控制器、RBF神经网络参数辨识模块、PSO算法优化RBF神经网络模型以及电机；所述RBF神经网络参数辨识模块所述PSO算法优化的RBF神经网络模型根据所述PID控制器输出信号u与所述电机的实际输出信号yout(k)得到的两者之间的Jacobian灵敏度信息，然后将所述Jacobian灵敏度信息传递给所述PSO算法优化的RBF神经网络模型。
7.根据权利要求2所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述步骤6通过所述PSO算法优化的RBF神经网络模型的学习算法-梯度下降法对网络的PID参数增益控制进行迭代计算，计算公式为：
直至所述PSO算法优化的RBF神经网络模型的性能指标函数满足误差要求，此时所述PSO算法优化的RBF神经网络模型将计算得到的PID参数增益△KP、△KI、△KD对PID控制器参数进行调整。
8.根据权利要求7所述的基于PSO算法优化RBF神经网络的电机PID控制方法，其特征在于，所述步骤6对RBF神经网络的学习算法添加一个动量因子，将动量因子加入到神经网络模型的连接权值ω、基函数网络中心c和基函数向量宽度b迭代的过程中，其表达式为：
ωj(k)＝ωj(k-1)+Δωj(k)+α[ωj(k-1)-ωj(k-2)]
cji(k)＝cji(k-1)+Δcji(k)+α[cji(k-1)-cji(k-2)]
bj(k)＝bj(k-1)+Δbj(k)+α[bj(k-1)-bj(k-2)]
其中，k为迭代次数；α为动量因子，一般在0～1取值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508317.0A CN115016248A (zh) | 2022-05-10 | 2022-05-10 | 一种基于pso算法优化rbf神经网络的电机pid控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508317.0A CN115016248A (zh) | 2022-05-10 | 2022-05-10 | 一种基于pso算法优化rbf神经网络的电机pid控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115016248A true CN115016248A (zh) | 2022-09-06 |
Family
ID=83070006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210508317.0A Pending CN115016248A (zh) | 2022-05-10 | 2022-05-10 | 一种基于pso算法优化rbf神经网络的电机pid控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115016248A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116418261A (zh) * | 2023-02-22 | 2023-07-11 | 深圳市弘粤驱动有限公司 | 一种基于径向基函数神经网络的电机pid控制方法 |
-
2022
- 2022-05-10 CN CN202210508317.0A patent/CN115016248A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116418261A (zh) * | 2023-02-22 | 2023-07-11 | 深圳市弘粤驱动有限公司 | 一种基于径向基函数神经网络的电机pid控制方法 |
| CN116418261B (zh) * | 2023-02-22 | 2024-05-03 | 深圳市一本自动化有限公司 | 一种基于径向基函数神经网络的电机pid控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109839824A (zh) | 一种基于预测控制的网络控制系统时延补偿方法 | |
| Yin et al. | Deep neural learning based distributed predictive control for offshore wind farm using high-fidelity LES data | |
| CN108984815B (zh) | 基于工况的车载飞轮电池径向悬浮支承系统的控制方法 | |
| CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
| CN111190429B (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
| CN109884887B (zh) | 一种基于自校正小波神经网络的连续回转马达控制方法 | |
| CN107919813A (zh) | 基于模糊神经网络的超声电机转速控制 | |
| CN115016248A (zh) | 一种基于pso算法优化rbf神经网络的电机pid控制方法 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN113408598A (zh) | 磁轴承的位移确定方法、装置、系统、存储介质及处理器 | |
| CN114819068A (zh) | 一种混合型目标航迹预测方法及系统 | |
| CN105911865A (zh) | 一种pid控制器的控制方法 | |
| CN109062040A (zh) | 基于系统嵌套优化的预测pid方法 | |
| CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN110504878A (zh) | 一种无轴承永磁同步电机转子转速和位移软测量方法 | |
| Chen et al. | Optimization of ADRC Parameters Based on Particle Swarm Optimization Algorithm | |
| CN112881869A (zh) | 一种电缆接头局部放电超声波序列预测方法 | |
| CN108959787A (zh) | 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 | |
| CN116755323A (zh) | 一种基于深度强化学习的多旋翼无人机pid自整定方法 | |
| CN111753466A (zh) | 一种三极磁轴承转子径向位移软测量建模方法 | |
| Xu et al. | Elman neural network for predicting aero optical imaging deviation based on improved slime mould algorithm | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| Zhang et al. | Improved social emotion optimization algorithm for short-term traffic flow forecasting based on back-propagation neural network | |
| Li et al. | Morphing Strategy Design for UAV based on Prioritized Sweeping Reinforcement Learning | |
| CN108319146A (zh) | 一种径向基神经网络基于离散粒子群训练的方法 |
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 |