文摘

最具挑战性的一个控制问题的速度控制交流电(AC)电动机由于高度非线性的特点,许多不确定参数包括磁通,与温度有关的转子电阻,可变负荷。在这项研究中,一个智能控制算法对交流电动机速度控制采用PID控制器的反向传播神经网络(BP-NN)来。介绍了动量因子自适应学习速率算法改善pid的BP-NN。一个代表完整的交流电动机调速系统仿真模型建立和测试使用MATLAB程序。仿真结果表明,该控制策略具有较强的适应性和鲁棒性,当控制对象参数未知或变化。与其他PID神经网络参数调整方法相比,该模型有可能明智地调节交流电动机的速度。

1。介绍

在工业生产过程中,传统的PID控制器只适用于线性控制和静止的对象。控制的非线性、时变特性、耦合、交流异步电机和不确定的参数和结构,传统的PID控制器应用程序不能达到理想的控制效果(1]。在线控制患有复杂的参数调整方法,因为很难建立一个精确的交流电动机的数学模型。可怜的参数调优,表现不佳,适应性差的操作环境经常发生在操作(2]。因此,鲁棒速度控制方案设计必须确保交流电动机控制系统达到预期的动态响应。人工神经网络(ann)先进的并行信息处理能力和良好的非线性映射能力,可用于[逼近任意非线性函数3]。

安是众所周知的能力提供灵活性等关键特征和基于实例的学习4]。广泛用于各个领域,如人工神经网络控制、语音合成、信号和语音识别(5]。人工神经网络可以提供一个不寻常的解决许多技术问题,由传统方法很难回答。英国石油(BP)是最常用的方法训练一个安。在许多领域,BP学习已经成为常用的方法和技术修改重量和偏见而训练一个安6]。

人工神经网络最近收到了很多关注的系统建模和控制应用程序中使用。El-Sharkawi et al。7)开发了一种基于人工神经网络的无刷直流电机控制系统。他们使用离线训练有素的安一个间接模型参考自适应控制策略的研究。为了提高伺服性能,Shiguo et al。8)提出了一个无刷直流伺服系统数字控制方法模拟速度控制器。对感应电动机驱动,估计状态变量,Theocharis和Petridis9雇佣一个安。伯顿et al。10)建议在线随机训练技术感应电动机定子电流调节利用安,参考模型是用来训练神经网络。劳伦和金陵(11)提出了一种改进的BP算法,提出了一种PID控制系统基于该算法的实现方案。结果表明,该方法可以提高算法的收敛速度在培训过程中,以及它有很强的自适应和自学习能力。在估算的速度和单独调节兴奋直流电机,MadhusudhanaRao和SankerRam12)提出了人工神经网络(ann)的新想法。有两个方面的神经控制策略。神经估计是用来确定电动机的速度,而神经控制器创建一个控制信号转换器。训练这两个网络,Levenberg-Marquardt反向传播技术使用。输入层和隐层,在乙状结肠激活函数是利用,而purelin用于输出层。仿真结果证明了有效性和利益基于人工神经网络的直流电机控制系统。在[13),建议一个ANN-based控制器代替传统的PID控制器增加驱动器的性能。控制器是训练有素的,申请一个速度控制器。对控制器的性能,这是放置在前馈反向传播算法。测试网络的性能,多层前馈反向传播技术是用来训练它。转发反馈网络是一种基于BP算法的神经网络。这个网络只是大量的神经元以最小的处理特点,及其组合导致网络具有复杂的非线性映射能力,没有反馈,表明它不是一个非线性动态系统,而是一个非线性映射。然而,它有重要意义由于其理论的完整性和适用性,但它也有以下问题:BP算法收敛的方向均方误差梯度下降,但均方误差梯度曲线的许多当地和全球最低,使神经网络更容易落入当地最低标准;BP学习算法收敛速度很慢,花费大量的时间,和网络泛化是穷人14]。为了解决这些问题,有必要完善基本BP算法来提高收敛速度,从而实现优化。

本研究结合了BP网络自适应控制和PID控制找到最佳的KP, KI,和KD非线性耦合,提高在线优化,优化PID控制器性能,最终提高控制交流异步电机的矢量控制系统。交流电动机调速系统的仿真模型建立了使用MATLAB程序和测试。结果表明,该控制方案具有较强的适应性和鲁棒性,当被控对象参数未知或变化。

手稿的其余部分组织如下:部分2提供了一个详细的提出中断运动控制方法。部分3说明了BP-NN PID控制器的设计。节4,提出了不同的仿真结果和部分5总结了手稿。

2。该方法

2.1。建模BP-NN PID控制器

BP-NNs最具代表性和最常用的模型当前神经网络学习的模型。他们通过合成近似一个多层多元函数多个元素(15]。因此,前馈网络可以表示非线性函数,获得控制系统参数通过在线学习和培训,并达到最优结合PID控制信号输出。PID控制器的基础上建立了BP网络,它包括两个部分:传统的PID控制器和一个BP-NN监管机构。图1显示控制系统的结构。


图1
BP网络PID控制器。

其中,传统的PID控制器直接执行交流电动机的闭环控制和适当调整比例增益的带三个参数的值(kp),集成获得(ki)和微分增益(kd)。通过这样做,它稳定系统(微分增益)和符合系统规格和性能的要求。神经网络可以达到预定的收敛范围通过自学和自我调节的权重因素和目标输出之间的误差最小化估计输出,取决于系统的在线操作状态。

对应的输出层的输出三个适应参数kp、ki, kd的PID控制器使用最优控制律15]。假设BP神经网络是一个三层BP网络,其结构如图2。


图2
BP网络结构图。

增量式数字PID控制算法使用表示 在哪里 。

充分反映的特征输入PID控制器信号控制交流异步电动机,在输入层神经元的个数是选为3。 代表了被控对象的输入时间t, 是输入信号的信号误差反馈 和系统输出 在时间k, 。以反映误差积累的影响, ,误差的变化率,反映错误的速度变化。

输入的BP神经网络输入层节点

隐层的输入/输出 标(1)、(2)和(3)表示输入、隐藏和输出层,分别。 隐藏层的重量值。隐层神经元的传递函数来选择最常用的double-curved乙状结肠功能:

网络输出层的输入和输出 在哪里 是输出层的权重系数和输出的定义是

由于PID控制通常是正数,激发函数 输出层神经元的选择非负double-curved乙状结肠函数及其定义

设计的控制器使用实时训练算法。从一开始的操作电机的稳态的制动过程,实时自调优网络;即设定电机的速度和电机转速的实际反馈循环总是取样。错误是用于网络训练速度、重量和偏差为整个控制系统网络收敛,总是和PID控制器参数优化的整个过程。因此,性能指标函数表示为

反向传播网络的过程错误和重量系数调整时添加动量项重量系数值调整加速BP网络收敛于局部极值尽快。 在哪里 是全球最低惯性项, 是学习速率, 是惯性因子,其值在0和1之间。

分析表明,控制交流异步电动机是一个高阶非线性和强耦合多变量系统16]。因为被控对象的敏感性 不容易获得,胡志明市的符号函数选择的模拟。然而, 而不是 矢量控制可以影响控制回路干扰引起的环境变化,并加载马达操作期间。接下来,我们等待变化敏感性的变化和参数的变化减少。当电机参数波动显著(例如,当转动惯量J增加或减少10倍),电机的PID控制器可以在线调整比例积分和微分的高性能控制。

通过这种方式,BP-NN PID控制器可以独立于系统,具有普遍适用性。更换造成的误差影响 通过 可以通过调整学习速率得到补偿。从上面的方程,我们可以推出

经过上述分析,输出层的权重系数可以表示为学习算法

同样,权重系数表示为学习算法的隐藏层 在哪里 。

2.2。引入动量因子来改善BP-NN的自适应学习算法

BP-NN学习精度高的优点,反馈速度快(17,18]。高级不洁净的映射功能,可以代替非线性方程求解和其他复杂的计算。BP-NN的学习过程由信号的转发传播和误差的反向传播。改善学习过程的振动和加快收敛速度、自适应学习速率和动量方法。

2.2.1。动量法

引入动量因子的目的α是之前的体重的网络增加了一个特定的百分比值修改每个重量值变化和添加一个阻尼项减少过程振动当修改重量值。在数学上,它可以表示为

2.2.2。自适应学习速率法

BP-NN算法采用梯度减法学习和培训的过程中,收敛速度慢等问题(18]。为了克服这些问题,采用自动调整学习速率的方法,该算法可以被以下迭代表达式: 在哪里 和 代表后的平方误差的总和kth和(k+ 1)th学习和培训,分别。如果 ,这意味着k重量值校正是有效的和学习速率增加。如果 ,这意味着kth重量值修正无效;衰减因子减少学习速率乘以它,从而减少无效迭代和加速网络学习速度。

3所示。BP-NN的PID控制器设计

引入动量因子相结合的方法和自适应学习速率,在线学习的BP算法已经被控制。综合上述推导方程,自适应神经网络PID控制器可以使用以下算法设计:(我)选择在输入层的节点数为3,集k= 1,并设置初始值的每一层的重量值,学习速度η和惯性因子α(2)执行抽样获取组速度rin (k)和速度环反馈速度你(k)当前时刻和电动机的计算重量的变化值和偏差值在那一刻(3)BP-NN计算每一层的权重。的三个输出变量神经网络输出层有三个可调参数 , ,和 PID控制器的(iv)使用下面的方程, ,计算PID控制器的输出u(k)(v)进行神经网络学习和调整每一层的权重系数在线使用方程(12)- (15)来实现PID速度控制器参数的自适应调整(vi)集k=k+ 1,返回步骤(1),直到误差满足要求

4所示。系统仿真和结果分析

仿真平台的交流异步电动机矢量控制系统由四子。图3描述了该系统的体系结构。Immemo是一个异步电机模型和控制器是一个控制器模块和采样周期是100μ年代。我们使用了SVP-WM控制策略来控制电流和速度。比较是一个逆变器驱动模块和逆变器开关。获得的信号是通过比较输入与三角波比较值。逆变器是一个逆变器模块。通过切换信号,逆变器的输出获得所需的三相交流电压电动机和总线电压在540 V保持不变。


图3
交流异步电动机矢量控制系统的仿真平台。

转子磁场定向控制系统是使用Matlab / Simulink仿真平台构建。仿真中使用的电动机的参数如表所示1。

表1
电机参数。

为变量参数运动模型,BP-NN PID控制器,BP-PID控制器与传统PID控制器在电机加载并运行,仿真效果比较和分析;改进的动量因子引入自适应BP-NN PID控制器。

4.1。之间的控制效果比较传统的PID和BP-NN PID控制参数运动模型的变量

这个实验表明,转动惯量电动机的矢量控制系统(J= 0.2 / 0.02/0.002)变化时控制的传统PID控制器和BP-NN PID控制器,分别在启动过程中。我们比较了速度响应曲线和观察到的适应性变化过程的参数BP控制器在启动过程中。启动马达在0.1秒,设置速度是1500 rad /分钟。仿真细节在以下部分解释。

以下4.4.1。惯性矩的控制效果的比较J= 0.02

当J= 0.02,电动机的控制效果如图4和5,分别。很明显,传统的PID控制器基本上没有过度多次调整后,系统的响应时间很短,并且负载相对较低。这表明可以达到理想的控制效果,和干扰对系统的影响甚微。


图4
传统的PID控制效果J= 0.02。

图5
当BP-NN PID控制效果J= 0.02。

控制系统使用BP-NN PID控制器也具有良好的控制效果,如图6。过度控制和内不超过3%。此外,它有一个短的上升时间和没有大负载扰动。BP-NN PID控制器的控制效果不如的PID控制器,但它也显示了低过头的特点,收敛速度快,低干扰反应。


图6
BP-PID控制器输出我。
4.1.2。散度的转动惯量时控制效果J= 0.2

这组执行模拟条件下,转动惯量J汽车的增加了10倍而不改变其他参数。数据7(一)- - - - - -7 (d)显示仿真结果。一群PID控制器参数转动惯量时具有良好的控制效果J= 0.02,但控制效果,在这种情况下,很不满意。不仅与BP-NN控制相比,上升时间太久,需要相对很长一段时间内进入稳定状态,而且负载扰动的影响进入稳态后是伟大的,有一个明显的超调。相比之下,BP-NN PID控制器的控制效果明显,过度稳定在惯性矩相同的状态J= 0.02。同样,系统进入稳态操作后,负载干扰的抗干扰能力是很强的。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
电机控制效果是基于传统PID和BP-NN PID控制器。(一)J= 0.2传统PID控制效果。(b)的传统PID控制振荡后进入稳定状态。(c)的BP神经网络PID控制效果J= 0.2。(d)后的BP神经网络PID控制进入稳定状态。
4.2。测试改进BP-NN PID控制器的控制效果

测试改进BP-NN控制器的控制效果,仿真测试环境保持不变。通过引入动量因子的自适应BP-NN PID控制器,改进前后的对比结果如图8和9,分别。


图8
改进的BP网络速度PID控制仿真效果。

图9
改进的BP网络速度PID控制仿真效果。

可以看出,过度的控制系统是接近于零,同时,显著提高系统的响应速度;负载扰动对操作速度几乎没有影响。同样,在提升过程中,改进的控制器应对环境变化更加敏感,可以快速响应小误差的变化。这也表明之间的智商只能大小(−30、30),和它的上升时间和超调限幅器的影响。如果上升时间需要接近稳态,那就有必要保持当前的智商= 30在上升过程中。当速度接近给定的速度,有必要迅速调整电动机转速的输出电流智商回路PID控制器减少超调,使系统稳定。对比转速两种控制算法的仿真结果,可以看出,改进的BP-NN PID控制系统可以快速、准确地对误差信号。

5。结论

人工智能和机器学习表现为激动人心的替代品来控制交流电动机和满足预期的要求。在这项研究中,基于动量因子BP-NN PID自适应学习速率法应用于速度回路PID控制器在交流异步电机的矢量控制。仿真结果表明,改进后的方法不仅建立了一个精确的数学模型来控制交流电动机的速度,还可以调整PID控制器的参数在线输入和输出信号。模型显示了优良的性能比传统的控制器和提供了一个良好的控制效果,即使参数都发生了巨大变化。因此,改善BP-NN PID控制器的控制策略在工程应用中具有较高的实用性。

数据可用性

使用的数据集和分析在当前研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

论文的概念被夏刘完成,并完成了数据处理帮派呗。夏刘和帮派白参与论文的审查。

确认

这项工作是由陕西省政府的教育部门支持(21 jk0874)和国家创新和创业项目的大学生(S202011080023)。