CN115037202A - 基于柔性神经网络pid参数自适应控制方法及系统 - Google Patents

基于柔性神经网络pid参数自适应控制方法及系统 Download PDF

Info

Publication number
CN115037202A
CN115037202A CN202210319267.1A CN202210319267A CN115037202A CN 115037202 A CN115037202 A CN 115037202A CN 202210319267 A CN202210319267 A CN 202210319267A CN 115037202 A CN115037202 A CN 115037202A
Authority
CN
China
Prior art keywords
motor
neural network
reference value
pid
current
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
CN202210319267.1A
Other languages
English (en)
Inventor
慕永云
周广旭
朱孟美
宋宁冉
郭磊
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.)
Institute of Automation Shandong Academy of Sciences
Original Assignee
Institute of Automation Shandong Academy of Sciences
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 Institute of Automation Shandong Academy of Sciences filed Critical Institute of Automation Shandong Academy of Sciences
Priority to CN202210319267.1A priority Critical patent/CN115037202A/zh
Publication of CN115037202A publication Critical patent/CN115037202A/zh
Pending legal-status Critical Current

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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/05—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for damping motor oscillations, e.g. for reducing hunting
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/01—Current loop, i.e. comparison of the motor current with a current reference
    • 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
    • H02P2205/00—Indexing scheme relating to controlling arrangements characterised by the control loops
    • H02P2205/07—Speed loop, i.e. comparison of the motor speed with a speed reference
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Electric Motors In General (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于柔性神经网络PID参数自适应控制方法及系统，包括获取电机的实际转速和电机的实际输出转矩；基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用预先训练好的柔性神经网络模型对PID参数自适应调节，得到最优的PID控制参数组合；根据电机的转速参考值和电机的实际转速得到转速偏差，基于最优的PID控制参数组合控制速度闭环得到电机的电流参考值；根据电机的电流参考值和电机的电流实际值得到电流偏差，基于电流偏差控制电流闭环得到电机导通相的占空比；根据电机导通相的占空比实时控制功率变换器的关断和导通相，实现对电机电流的实时控制；实现转速和电流双闭环控制，实现电流瞬时控制和保护。

Description

基于柔性神经网络PID参数自适应控制方法及系统
技术领域
本发明属于电机及其控制系统技术领域，具体涉及一种基于柔性神经网络 PID参数自适应控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
开关磁阻电机以结构简单、制造成本低、容错能力强、运行可靠性高，在较宽的转速范围内具有较高的效率，已经成功的应用于许多场合。但其双凸极结构和磁场非线性导致其转矩脉动较大，震动、噪音问题突出，在低速运行时，转矩脉动尤为明显。
转矩脉动的优化主要有两种途径，一种是通过控制相电流或相磁链实现对转矩的间接控制，如转矩分配函数(Torque Sharing Function，TSF)；另一种是通过控制合成的瞬时转矩实现对转矩的直接控制，目前SRM的直接转矩控制策略又可细分为直接转矩控制(Direct Torque Control，DTC)和直接瞬时转矩控制 (Direct Instantaneous TorqueControl，DITC)。
由于转矩是相电流和转子位置角的强非线性函数，无法用精确的解析表达式来表示，另外，SRM是一个强非线性和强耦合的系统，速度偏差经过PID调节器得到参考电流也会随时间呈非线性变化，使电流控制具有一定的超调量。当对电机控制有较高快速性和控制精度要求时传统的电流PID控制并不能满足要求。
发明内容
为了解决上述问题，本发明提出了一种基于柔性神经网络PID参数自适应控制方法及系统，本发明采用转速电流双闭环的控制结构，其外环采用速度偏差和转矩偏差的ITAE之和为性能指标函数的柔性神经网络(FNN)PID参数自适应来对转速进行调节，实现速度跟踪的目的，转速环的输出作为电流环的给定；然后内环的电流给定与实时采样的电流形成闭环来调节PWM的占空比来实现对电机电流的精确控制，进而实现对电机输出转矩脉动的抑制。通过对电机实际电流的瞬时控制和保护，加快系统的响应速度。
根据一些实施例，本发明的第一方案提供了一种基于柔性神经网络PID参数自适应控制方法，采用如下技术方案：
一种基于柔性神经网络PID参数自适应控制方法，包括：
获取电机的实际转速和电机的实际输出转矩；
基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用预先训练好的柔性神经网络模型对PID参数自适应调节，得到最优的PID控制参数组合；
根据电机的转速参考值和电机的实际转速得到转速偏差，基于最优的PID 控制参数组合控制速度闭环得到电机的电流参考值；
根据电机的电流参考值和电机的电流实际值得到电流偏差，基于电流偏差控制电流闭环得到电机导通相的占空比；
根据电机导通相的占空比实时控制功率变换器的关断和导通相，实现对电机电流的实时控制。
进一步地，所述获取电机的实际转速和电机的实际输出转矩，具体为：
检测电机各相的转子位置信号，得到转子位置，根据转子位置计算出电机的实际转速；
获取电机电流实际值，结合转子位置计算出电机的实际输出转矩。
进一步地，所述基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用预先训练好的柔性神经网络模型对PID参数自适应调节，得到最优的PID控制参数组合，具体为：
构建柔性神经网络模型，针对PID控制参数的特征设计相应的柔性神经网络模型，计算柔性神经网络初始化参数；
预先训练柔性神经网络模型；
将电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩输入到预先训练好的柔性神经网络模型中，得到最优的PID控制参数组合。
进一步地，构建柔性神经网络模型，针对PID控制参数的特征设计相应的柔性神经网络模型，计算柔性神经网络初始化参数，具体为：
所述柔性神经网络模型包括输入层、隐含层以及输出层；
采用可正负取值2个可调参数的柔性双极性S型函数作为隐含层节点的激励函数；
采用取非负的S型函数作为输出层的激励函数来保证PID控制参数组合不能为负值；
基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用速度偏差和转矩偏差的ITAE之和作为柔性神经网络模型的性能指标函数；
利用最速下降法修正网络权系数和激励函数可变参数，并附加惯性项使柔性神经网络模型快速收敛到全局最小值，自适应学习神经网络各层的连接权值和激励函数的参数。
进一步地，所述性神经网络模型的性能指标函数，具体为：
Figure RE-GDA0003783456540000041
式中，Δt表示分段积分区间长度，这里取为0.1s；性能指标函数的加权系数s1＝0.8，s2＝0.2；k表示迭代次数(k＝1,2,3,…n)；Δn(k)表示第k次的电机速度参考值和实际值的偏差；ΔT(k)表示第k次的电机转矩参考值和实际值的偏差； tk表示第k次的积分时间。
进一步地，所述训练柔性神经网络模型，具体为：
步骤a：初始化各层加权系数的初值，选定权系数、学习率、惯性因子以及可调参数；
步骤b：输入第一个训练样本，将隐含层节点阈值并入到权值矢量中进行在线调整；
步骤c：利用现有的性能指标函数的加权系数，计算出各层神经元的输出；
步骤d：利用最速下降法修正网络权系数和激励函数可变参数，并附加惯性项使柔性神经网络模型快速收敛到全局最小值，自适应学习神经网络各层的连接权值和激励函数的参数；
步骤e：输入第二个训练样本，返回到步骤b；
步骤f：以此类推，直到柔性神经网络模型收敛且输出总误差小于设定的阈值，得到最优PID参数组合，停止训练样本的输入。
进一步地，所述训练样本包括电机的转速参考值、电机的转矩参考值、电机的实际转速和电机的实际输出转矩。
进一步地，所述训练样本的获取步骤，具体为：
获取一定转速下的PID控制参数组合；
设在整个电机转矩允许范围内，电机转矩调整的次数为m，调整电机转矩，从电机转子位置信号最低开始逐渐累加，确定电机效率最高的PID参数组合，得到m个电机最优的训练样本；
设在整个电机转速允许范围内，电机转速调整的次数为n，从电机转子位置信号最低开始逐渐累加，确定电机效率最高的PID参数组合，得到n个电机最优的训练样本；
最终获得m×n个效率最优的训练样本。
进一步地，所述根据电机的转速参考值和电机的实际转速得到转速偏差，基于最优的PID控制参数组合控制速度闭环得到电机的电流参考值，具体为：
利用最优的PID参数组合kp、ki、kd，代入经典增量式数字PID公式，进而直接调节控制速度闭环，输出电机的电流参考值；
其中，经典增量式数字PID公式为：
Figure RE-GDA0003783456540000051
其中，e(k)＝nref(k)-nact(k)；nref是电机转速参考值，nact是电机的实际转速；k表示迭代次数(k＝1,2,3,…n)；u(k)表示当前的PID闭环的输出，即当前电机的电流参考值；u(k-1)表示前一次的PID闭环的输出，即前一次电机的电流参考值； e(k)表示当前的电机转速参考值和实际值的偏差；e(k-1)表示前一次的电机转速参考值和实际值的偏差。
根据一些实施例，本发明的第二方案提供了一种基于柔性神经网络PID参数自适应控制系统，采用如下技术方案：
一种基于柔性神经网络PID参数自适应控制系统，包括PID参数自适应调节器单元、速度闭环控制单元、电流分配和闭环控制单元、开关磁阻电机及位置检测单元，其中：
PID参数自适应调节器单元，被配置为利用柔性神经网络对系统性能指标函数的在线学习实现PID控制参数组合的在线调整，得到最优的PID控制参数组合，实现对转速的准确的跟踪；
速度闭环控制单元，被配置为通过自身或者外置的模拟和数字量转换将外部位置传感器信号来获取电机的实际转速信号转换为对应的转速数字量，并且与电机转速参考值对比形成误差，并通过后续的比例积分微分运算形成电机的电流参考值；
电流分配和闭环控制单元，被配置为根据速度闭环控制器单元所输出的电机的电流参考值，根据电机运行时不同的转子位置和速度来确定电机导通相的开关控制逻辑，并确定导通相每相的电流参考值，然后与每相的实际电流值进行对比形成误差，并通过后续的比例积分微分运算形成导通相占空比给定来控制功率变换器；
开关磁阻电机及位置检测单元包括电机本体和位置传感器。
与现有技术相比，本发明的有益效果为：
本发明采用转速电流双闭环的控制结构，其外环采用速度偏差和转矩偏差的ITAE之和为性能指标函数的柔性神经网络(FNN)PID参数自适应来对转速进行调节，实现速度跟踪的目的，转速环的输出作为电流环的给定；然后内环的电流给定与实时采样的电流形成闭环来调节PWM的占空比来实现对电机电流的精确控制，进而实现对电机输出转矩脉动的抑制。通过对电机实际电流的瞬时控制和保护，加快系统的响应速度。
本发明采用柔性神经网络，可调参数多，学习速度快，并且能有效防止神经元激励函数陷入假饱和状态而使权值不能被修正；性能指标函数选取速度偏差和转矩偏差的ITAE之和的误差准则，瞬态响应的振荡性小，消除较大超调提高可靠性，实现对转速和转矩的准确的跟踪；实现了转速和电流的双闭环控制，实现电流瞬时控制和保护，从而达到抑制转矩脉动的效果，提高了系统的稳定性，加快了系统动态响应速度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例所述的基于柔性神经网络PID参数自适应控制系统框图；
图2是本发明实施例所述构造的柔性神经网络PID控制器结构图；
图3是本发明实施例所述的柔性神经网络内部结构图；
图4是本发明实施例所述的基于柔性神经网络PID参数自适应控制方法的流程图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1-图4所示，本实施例提供了一种基于柔性神经网络PID参数自适应控制方法，该方法包括以下步骤：
步骤1：通过图1中的位置检测模块获取各相的转子位置信号θ，然后根据转子位置计算出电机的实际转速nact；
步骤2：图1中电流检测电路获取电流实际值，嵌入式控制器转换为对应的数字量输入控制器，三相电流分别用ia、ib、ic表示，结合位置信号θ，计算出当前的输出转矩Te；
步骤3：图1中速度外环模块系统通过外部采样电路获得给定的转速和转矩参考值，嵌入式控制器转换为对应的数字量输入控制器nref和Tref，联合步骤二计算出的输出转矩Te输入柔性神经网络对PID参数自适应调节，采用以速度偏差和转矩偏差的ITAE之和为性能指标函数优化参数kp、ki、kd，然后采用增量式 PID，输出值为期望的优化电流，即电机的电流参考值iref；
步骤4：根据步骤1获取的转子位置信号确定三相开关逻辑信号SA、SB、SC，然后利用电流分配得到各导通相的电流参考值irefa、irefb、irefc，和相应相的实际电流采样值ia、ib、ic通过数学运算形成电流误差，电流PID闭环形成相应导通相的占空比；
步骤5：根据步骤4计算的占空比实时控制功率器件的关断和导通相，实现对电机电流的实时控制。
所述步骤3中柔性神经网络PID主要由FNN学习结构和增量式PID两部分组成，如图2所示。FNN学习结构对系统性能指标函数的学习能实现kp、ki、kd三个参数的在线调整。
3.1：算法拓扑结构输入矢量为x＝[nref,nact,Tref,Te]，隐含层节点阈值并入到权值矢量中进行在线调整，输出PID控制器的三个参数kp、ki、kd。
采用3层BP神经网络，拓扑结构如图3所示，有4个输入节点、6个隐层节点、3个输出节点。
3.2：隐含层节点的激励函数选取为可正负取值2个可调参数的柔性双极性 S型函数：
Figure RE-GDA0003783456540000091
上式对x、a和b的偏微分方程分别为
Figure RE-GDA0003783456540000101
Figure RE-GDA0003783456540000102
Figure RE-GDA0003783456540000103
调节参数a和b，来改变函数值的大小并调节其斜率，改变函数曲线的梯度变化。
3.3：神经网络输出层节点的激励函数取非负的S型函数来保证kp、ki、kd不能为负值：
Figure RE-GDA0003783456540000104
上式对x、c和d的偏微分数学描述分别为
Figure RE-GDA0003783456540000105
Figure RE-GDA0003783456540000106
Figure RE-GDA0003783456540000107
根据神经网络的学习在线调整参数a、b、c和d，以满足系统性能的需求。
3.4：FNN学习结构采用速度偏差和转矩偏差的ITAE之和作为系统的性能指标函数
Figure RE-GDA0003783456540000108
找出使全局最小E值的kp、ki、kd三个参数的组合。
为了提高算法运算速度和实时性，实际运算中对上式做了改进，
Figure RE-GDA0003783456540000111
式子中，Δt表示分段积分区间长度，这里取为0.1s；考虑到电流余弦分配的计合成转矩的波动度不会太大，性能指标函数的加权系数s1＝0.8，s2＝0.2。
3.5：利用最速下降法修正网络权系数和激励函数可变参数，并附加惯性项使算法快速收敛到全局最小值，输出层的各参数的调整算法如下
ωlj(k)＝ωlj(k-1)+Δωlj(k)
Figure RE-GDA0003783456540000112
cl(k)＝cl(k-1)+Δcl(k)
Figure RE-GDA0003783456540000113
dl(k)＝dl(k-1)+Δdl(k)
Figure RE-GDA0003783456540000114
上式中，α为动量因子，β、η分别是权系数和激励函数参数的学习率，ωlj， cl，dl分别表示网络隐含层第j个节点和输出层第l个节点之间的权系数，输出层第l个节点激励函数的c参数，输出层第l个节点激励函数的d参数。
Figure RE-GDA0003783456540000115
Figure RE-GDA0003783456540000116
Figure RE-GDA0003783456540000117
其中，
Figure RE-GDA0003783456540000121
分别表示网络输出层第l个节点的输入总和及输出。
3.6：为了不需考虑SRM的雅克比信息，
Figure RE-GDA0003783456540000122
用符号函数
Figure RE-GDA0003783456540000123
来近似取代，由此带来的计算误差可以通过学习率的调整来进行修正。
故上式可以表示为
Figure RE-GDA0003783456540000124
Figure RE-GDA0003783456540000125
Figure RE-GDA0003783456540000126
3.7：隐含层的权系数和激励函数参数的调整算法为
Figure RE-GDA0003783456540000127
Figure RE-GDA0003783456540000128
Figure RE-GDA0003783456540000129
其中，vij、aj和bj分别表示网络输入层第i个节点和隐含层第j个节点之间的权值，隐含层第j个节点激励函数的a参数，隐含层第j个节点激励函数的b参数。
Figure RE-GDA00037834565400001210
Figure RE-GDA0003783456540000131
Figure RE-GDA0003783456540000132
Figure RE-GDA0003783456540000133
其中，
Figure RE-GDA0003783456540000134
分别表示网络隐含层第j个节点的输入总和及输出。
3.8：化简得到
Figure RE-GDA0003783456540000135
Figure RE-GDA0003783456540000136
Figure RE-GDA0003783456540000137
3.9：通过上述算法自适应学习各层的连接权值vij、ωlj和激励函数的参数a、 b、c、d，从而调节输出层的PID的3个控制参数kp、ki、kd。
3.10：利用优化的kp、ki、kd，带入经典增量式数字PID公式，进而直接调节转速闭环输出的参考电流。
Figure RE-GDA0003783456540000138
其中，e(k)＝nref(k)-nact(k)。
具体的，所述3.9中神经网络模型的算法如下：
3.9.1：用小的随机数初始化各层加权系数的初值vij(0)和ωlj(0)，选定权系数β＝0.02、学习率η＝0.2，惯性因子α＝0.01，可调参数a＝1、b＝1、c＝1、d＝1，此时k＝1。
3.9.2：采样得到一个给定转速nref和给定转矩Tref，根据位置信号计算电机实际转速nact,根据采样电流和位置计算出输出转矩Te，以上四个参数作为神经网络输入，这样隐含层节点阈值就可以并入到权值矢量中进行在线调整。
3.9.3：用现有的性能指标函数的加权系数s1＝0.8，s2＝0.2，计算各层神经元的输出，FNN输出层的输出即为PID控制器的三个参数kp、ki、kd。
3.9.4：进行神经网络学习，根据公式(16)和(7)在线调整加权系数vij(k)和ωlj(k)。
3.9.5：根据参数调整公式(17)、(18)、(8)和(9)计算aj(k)、bj(k)、cl(k)和dl(k)；
3.9.6：置k＝k+1，输入另一个样本，返回到步骤(2)。
所有训练样本是周期地输入,直到网络收敛且输出总误差小于允许值，得到最优参数kp、ki、kd。
所述3.9.6中神经网络训练样本获取步骤如下：
由于本系统要对电机效率进行优化，必须通过测功机获得训练数据样本，然后进行神经网络的离线训练。
3.9.6.1：首先寻找一定速度下的kp、ki、kd，使kp、ki、kd从开始以较小的角度逐渐累加，寻找效率最高的kp、ki、kd，从而获得一个效率最优的数据样本；
3.9.6.2：接着调整负载转矩，重复上述步骤寻找该转矩下的最优kp、ki、kd，设在整个转矩允许范围内，转矩调整的次数为m，这样就获得m个最优的kp、ki、 kd数据样本；
3.9.6.3：然后改变转速，重复上述实验，设转速调整的次数为n，这样整个测试过程中可以获得m×n个效率最优的数据样本。
实施例二
本实施例提供了一种基于柔性神经网络PID参数自适应控制系统，包括PID 参数自适应调节器单元、速度闭环控制单元、电流分配和闭环控制单元、开关磁阻电机及位置检测单元，其中：
PID参数自适应调节器单元，被配置为利用柔性神经网络对系统性能指标函数的在线学习实现PID控制参数组合的在线调整，得到最优的PID控制参数组合，实现对转速的准确的跟踪；
速度闭环控制单元，被配置为通过自身或者外置的模拟和数字量转换将外部位置传感器信号来获取电机的实际转速信号转换为对应的转速数字量，并且与电机转速参考值对比形成误差，并通过后续的比例积分微分运算形成电机的电流参考值；
电流分配和闭环控制单元，被配置为根据速度闭环控制器单元所输出的电机的电流参考值，根据电机运行时不同的转子位置和速度来确定电机导通相的开关控制逻辑，并确定导通相每相的电流参考值，然后与每相的实际电流值进行对比形成误差，并通过后续的比例积分微分运算形成导通相占空比给定来控制功率变换器；
开关磁阻电机及位置检测单元包括电机本体和位置传感器。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于柔性神经网络PID参数自适应控制方法，其特征在于，包括：
获取电机的实际转速和电机的实际输出转矩；
基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用预先训练好的柔性神经网络模型对PID参数自适应调节，得到最优的PID控制参数组合；
根据电机的转速参考值和电机的实际转速得到转速偏差，基于最优的PID控制参数组合控制速度闭环得到电机的电流参考值；
根据电机的电流参考值和电机的电流实际值得到电流偏差，基于电流偏差控制电流闭环得到电机导通相的占空比；
根据电机导通相的占空比实时控制功率变换器的关断和导通相，实现对电机电流的实时控制。
2.如权利要求1所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述获取电机的实际转速和电机的实际输出转矩，具体为：
检测电机各相的转子位置信号，得到转子位置，根据转子位置计算出电机的实际转速；
获取电机电流实际值，结合转子位置计算出电机的实际输出转矩。
3.如权利要求1所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用预先训练好的柔性神经网络模型对PID参数自适应调节，得到最优的PID控制参数组合，具体为：
构建柔性神经网络模型，针对PID控制参数的特征设计相应的柔性神经网络模型，计算柔性神经网络初始化参数；
预先训练柔性神经网络模型；
将电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩输入到预先训练好的柔性神经网络模型中，得到最优的PID控制参数组合。
4.如权利要求3所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，构建柔性神经网络模型，针对PID控制参数的特征设计相应的柔性神经网络模型，计算柔性神经网络初始化参数，具体为：
所述柔性神经网络模型包括输入层、隐含层以及输出层；
采用可正负取值2个可调参数的柔性双极性S型函数作为隐含层节点的激励函数；
采用取非负的S型函数作为输出层的激励函数来保证PID控制参数组合不能为负值；
基于电机的转速参考值和电机的转矩参考值以及电机的实际转速和电机的实际输出转矩，采用速度偏差和转矩偏差的ITAE之和作为柔性神经网络模型的性能指标函数；
利用最速下降法修正网络权系数和激励函数可变参数，并附加惯性项使柔性神经网络模型快速收敛到全局最小值，自适应学习神经网络各层的连接权值和激励函数的参数。
5.如权利要求3所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述性神经网络模型的性能指标函数，具体为：
Figure FDA0003571036930000031
式中，Δt表示分段积分区间长度，这里取为0.1s；性能指标函数的加权系数s1＝0.8，s2＝0.2；k表示迭代次数(k＝1,2,3,…n)；Δn(k)表示第k次的电机速度参考值和实际值的偏差；ΔT(k)表示第k次的电机转矩参考值和实际值的偏差；tk表示第k次的积分时间。
6.如权利要求3所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述训练柔性神经网络模型，具体为：
步骤a：初始化各层加权系数的初值vij(0)和ωlj(0)，选定权系数β＝0.02、学习率η＝0.2、惯性因子α＝0.01以及可调参数a＝1、b＝1、c＝1、d＝1；
步骤b：输入第一个训练样本，将隐含层节点阈值并入到权值矢量中进行在线调整；
步骤c：利用现有的性能指标函数的加权系数，计算出各层神经元的输出；
步骤d：利用最速下降法修正网络权系数和激励函数可变参数，并附加惯性项使柔性神经网络模型快速收敛到全局最小值，自适应学习神经网络各层的连接权值和激励函数的参数；
步骤e：输入第二个训练样本，返回到步骤b；
步骤f：以此类推，直到柔性神经网络模型收敛且输出总误差小于设定的阈值，得到最优PID参数组合，停止训练样本的输入。
7.如权利要求6所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述训练样本包括电机的转速参考值、电机的转矩参考值、电机的实际转速和电机的实际输出转矩。
8.如权利要求7所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述训练样本的获取步骤，具体为：
获取一定转速下的PID控制参数组合；
设在整个电机转矩允许范围内，电机转矩调整的次数为m，调整电机转矩，从电机转子位置信号最低开始逐渐累加，确定电机效率最高的PID参数组合，得到m个电机最优的训练样本；
设在整个电机转速允许范围内，电机转速调整的次数为n，从电机转子位置信号最低开始逐渐累加，确定电机效率最高的PID参数组合，得到n个电机最优的训练样本；
最终获得m×n个效率最优的训练样本。
9.如权利要求1所述的一种基于柔性神经网络PID参数自适应控制方法，其特征在于，所述根据电机的转速参考值和电机的实际转速得到转速偏差，基于最优的PID控制参数组合控制速度闭环得到电机的电流参考值，具体为：
利用最优的PID参数组合kp、ki、kd，代入经典增量式数字PID公式，进而直接调节控制速度闭环，输出电机的电流参考值；
其中，经典增量式数字PID公式为：
Figure RE-FDA0003783456530000041
其中，e(k)＝nref(k)-nact(k)；nref是电机转速参考值，nact是电机的实际转速；k表示迭代次数(k＝1,2,3,…n)；u(k)表示当前的PID闭环的输出，即当前电机的电流参考值；u(k-1)表示前一次的PID闭环的输出，即前一次电机的电流参考值；e(k)表示当前的电机转速参考值和实际值的偏差；e(k-1)表示前一次的电机转速参考值和实际值的偏差。
10.一种基于柔性神经网络PID参数自适应控制系统，其特征在于，包括PID参数自适应调节器单元、速度闭环控制单元、电流分配和闭环控制单元、开关磁阻电机及位置检测单元，其中：
PID参数自适应调节器单元，被配置为利用柔性神经网络对系统性能指标函数的在线学习实现PID控制参数组合的在线调整，得到最优的PID控制参数组合，实现对转速的准确的跟踪；
速度闭环控制单元，被配置为通过自身或者外置的模拟和数字量转换将外部位置传感器信号来获取电机的实际转速信号转换为对应的转速数字量，并且与电机转速参考值对比形成误差，并通过后续的比例积分微分运算形成电机的电流参考值；
电流分配和闭环控制单元，被配置为根据速度闭环控制器单元所输出的电机的电流参考值，根据电机运行时不同的转子位置和速度来确定电机导通相的开关控制逻辑，并确定导通相每相的电流参考值，然后与每相的实际电流值进行对比形成误差，并通过后续的比例积分微分运算形成导通相占空比给定来控制功率变换器；
开关磁阻电机及位置检测单元包括电机本体和位置传感器。
CN202210319267.1A 2022-03-29 2022-03-29 基于柔性神经网络pid参数自适应控制方法及系统 Pending CN115037202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210319267.1A CN115037202A (zh) 2022-03-29 2022-03-29 基于柔性神经网络pid参数自适应控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210319267.1A CN115037202A (zh) 2022-03-29 2022-03-29 基于柔性神经网络pid参数自适应控制方法及系统

Publications (1)

Publication Number Publication Date
CN115037202A true CN115037202A (zh) 2022-09-09

Family

ID=83119359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210319267.1A Pending CN115037202A (zh) 2022-03-29 2022-03-29 基于柔性神经网络pid参数自适应控制方法及系统

Country Status (1)

Country Link
CN (1) CN115037202A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465799A (zh) * 2022-10-21 2022-12-13 北京东土科技股份有限公司 塔吊控制参数调节方法及装置、计算设备和存储介质
CN117879411A (zh) * 2024-03-11 2024-04-12 深圳市昱森机电有限公司 直流有刷电机的控制方法、装置、设备及存储介质
CN117879411B (zh) * 2024-03-11 2024-05-31 深圳市昱森机电有限公司 直流有刷电机的控制方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465799A (zh) * 2022-10-21 2022-12-13 北京东土科技股份有限公司 塔吊控制参数调节方法及装置、计算设备和存储介质
CN117879411A (zh) * 2024-03-11 2024-04-12 深圳市昱森机电有限公司 直流有刷电机的控制方法、装置、设备及存储介质
CN117879411B (zh) * 2024-03-11 2024-05-31 深圳市昱森机电有限公司 直流有刷电机的控制方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111555680B (zh) 一种永磁同步电机无差拍预测电流控制方法
CN109327178A (zh) 一种开关磁阻电机多步预测控制器构造方法
CN109257001A (zh) 一种开关磁阻bsg电机自抗扰转矩预测控制器构造方法
CN105048896B (zh) 一种无刷直流电机直接转矩自适应模糊控制方法
CN108880394A (zh) 一种小波神经网络开关磁阻电机无位置传感器预测控制方法
CN109787531A (zh) 一种开关磁阻轮毂电机预测控制方法
CN113067515B (zh) 一种计及占空比约束的永磁同步电机三矢量模型预测磁链控制方法
CN115037202A (zh) 基于柔性神经网络pid参数自适应控制方法及系统
Yan et al. Torque estimation and control of PMSM based on deep learning
KR102189823B1 (ko) 전동기의 토크 맥동 저감 자동화 장치
Benbouhenni et al. Comparison study between neural STSM and ANFIS-STSM method in DPC control scheme of DFIG-based dual-rotor wind turbines
CN113346810B (zh) 速度和电流双闭环模糊控制的pmsm无传感器控制方法
CN108322113B (zh) 一种开关磁阻电机系统功率平衡控制方法
CN110488600B (zh) Lqr优化型无刷直流电机调速神经网络pid控制器
CN116436354A (zh) 一种基于改进鲸鱼算法和bp-pid的永磁同步电机控制方法
CN112928965B (zh) 基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法
CN115001335A (zh) 基于神经网络的无轴承磁通切换电机转子悬浮控制方法
Liu et al. Research on intelligent algorithm of the ac motor speed regulation system based on the neural network
Liu et al. Active-disturbance rejection control of brushless DC motor based on BP neural network
Zhao et al. Ship PMSM nonlinear ADRC parameter self-tuning based on neural network
Mahmoudi et al. Neuro-Genetic sensorless sliding mode control of a permanent magnet synchronous motor using Luenberger observer
Kalamian et al. Design of a nonlinear model-based predictive controller for a wind turbine based on PMSG using an augmented extended kalman filter
CN116054651A (zh) 一种永磁同步电机非级联自抗扰控制方法及系统
CN113783478A (zh) 一种永磁同步电机级联式无差拍控制方法及其系统
Dong Adaptive Fuzzy Neural Network Modelling and Simulation of Switch Reluctance Motor

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