基于RBF神經網(wǎng)絡的開關磁阻電機單神經元PID控制-

1、第25卷第15期中國電機工程學報V ol.25 No.15 Aug. 2005 2005年8月Proceedings of the CSEE ©2005 Chin.Soc.for Elec.Eng.文章編號:0258-8013(200515-0161-05 中圖分類號:TM352 文獻標識碼:A 學科分類號:47040基于RBF神經網(wǎng)絡的開關磁阻電機單神經元PID控制夏長亮,王明超(天津大學電氣與自動化工程學院,天津市南開區(qū)300072SINGLE NEURON PID CONTROL FOR SWITCHED RELUCTANCE MOTORS BASEDON RBF NEURAL

2、 NETWORKXIA Chang-liang, WANG Ming-chao(School of Electrical Engineering and Automation, Tianjin University, Nankai District, Tianjin 300072, ChinaABSTRACT: This paper presents an novel approach of single neuron adaptive control for switched reluctance motors (SRM based on radial basis function (RBF

3、 neural network on-line identification. The method uses single neuron to construct the adaptive controller of SRM, and has the advantages of simple construction, adaptability and robustness. A RBF network is built to identify the system on-line, and then constructs the on-line reference model, imple

4、ments self-learning of controller parameters by single neuron controller, thus achieve on-line regulation of controllers parameters. The experimental result shows that the method given in this paper can construct processing model through on-line identification and then give gradient information to n

5、euron controller, it can achieve on-line identification and on-line control with high control accuracy and good dynamic characteristics.KEY WORDS:Electric machinery; Radial basis function neural network; Switched reluctance motor; Single neuron; PID control; On-line identification摘要:論文提出了一種基于徑向基函數(shù)(r

6、adial basis function神經網(wǎng)絡在線辨識的開關磁阻電機(SRM單神經元PID自適應控制新方法。該方法針對開關磁阻電機的非線性,利用具有自學習和自適應能力的單神經元來構成開關磁阻電機的單神經元自適應控制器,不但結構簡單,而且能適應環(huán)境變化,具有較強的魯棒性。并構造了一個RBF 網(wǎng)絡對系統(tǒng)進行在線辨識,建立其在線參考模型,由單神經元控制器完成控制器參數(shù)的自學習,從而實現(xiàn)控制器參數(shù)的在線調整,能取得更好的控制效果。樣機的實驗結果表明,文中所提出的基于RBF神經網(wǎng)絡辨識的開關磁阻電機單神經元自適應PID控制方法,通過在線辨識建立了過程模型并為神經元控制器提供了梯度信息,達到了在線辨識在

7、線控制的目的,控制精度高,動態(tài)特性好。關鍵詞:電機;RBF神經網(wǎng)絡;開關磁阻電機;單神經元; PID控制;在線辨識1 引言開關磁阻電機(SRM自問世以來,以其優(yōu)越于傳統(tǒng)電機的結構、性能和經濟指標,受到學術界極大的關注。與各類調速系統(tǒng)相比,開關磁阻電機驅動系統(tǒng)(SRD以其結構簡單、工作可靠、效率高和成本較低等優(yōu)點而具有相當?shù)母偁幜?。但是SRM是雙凸極結構,且為了獲得較好出力,常常需要被設計得較飽和,導致了SRM的電磁特性呈高度非線性,難以用一個精確的數(shù)學表達式來描述SRM的電磁關系1。所以采用常規(guī)的線性控制方法很難達到理想的控制效果。常規(guī)的PID控制以其結構簡單、可靠性高、易于工程實現(xiàn)等優(yōu)點至今

8、仍被廣泛采用。在系統(tǒng)模型參數(shù)變化不大的情況下,PID控制效果良好,但當被控對象存在強干擾,具有高度非線性和不確定性時,僅靠PID調節(jié)效果不好。對于SRM,它的電磁關系高度非線性,因此在不同的控制方式下,整個控制系統(tǒng)的參數(shù)、結構都是變化的,固定參數(shù)的PID調節(jié)器無法得到很理想的控制性能指標。為了克服常規(guī)PID控制中的弱點,人們也開始探索將各種智能方法與PID控制結合起來,諸如自調節(jié)PID、變結構PID控制2、反饋線性化控制3、模糊邏輯控制4-5和神經網(wǎng)絡控制6等等,以實現(xiàn)對復雜系統(tǒng)的控制。近年來,人工神經網(wǎng)絡作為智能控制的一162 中 國 電 機 工 程 學 報 第25卷種途徑,其獨特的優(yōu)點受到

9、了人們極大的關注,在解決非線性和不確定系統(tǒng)的控制方面具有巨大的潛力,在很多領域獲得了廣泛應用。因此,將神經網(wǎng)絡與傳統(tǒng)PID 相結合來進行SRM 的控制也是近期學者們研究的熱點。論文提出了一種RBF 神經網(wǎng)絡7-9在線辨識的開關磁阻電機(SRM 單神經元PID 自適應控制新方法。該方法針對開關磁阻電機的非線性,利用具有自學習和自適應能力的單神經元來構成開關磁阻電機的單神經元自適應控制器,不但結構簡單,而且能適應環(huán)境變化,具有較強的魯棒性。并引入了RBF 網(wǎng)絡進行在線辨識,從而為確定控制策略提供了更多更精確的系統(tǒng)實時變化信息。實驗結果表明該方法控制精度高,動態(tài)特性好,具有較好的自適應性和魯棒性。2

10、 RBF 神經網(wǎng)絡 近年來,RBF 神經網(wǎng)絡在非線性系統(tǒng)的建模、預測、分析等方面得到了廣泛的研究和應用。理論上已經證明對于一個給定的非線性函數(shù),RBF 網(wǎng)絡可以以任意精度逼近它,該網(wǎng)絡具有全局最優(yōu)和最佳逼近性能。RBF 網(wǎng)絡是一種三層前饋式神經網(wǎng)絡,其中輸入層和輸出層由線性神經元組成。隱層節(jié)點一般取高斯核函數(shù),該核函數(shù)能對輸入矢量產生局部響應,輸出節(jié)點對隱層節(jié)點的輸出進行線性加權,從而實現(xiàn)輸入空間到輸出空間的映射,使整個網(wǎng)絡達到分類和函數(shù)逼近的目的。不失一般性,對于隱層徑向基函數(shù)采用高斯核函數(shù),對于單個網(wǎng)絡輸出的RBF 網(wǎng)絡,第k 個隱層單元的輸出為22(exp(2i kk i kc =X X

11、 s (1 式中 ×為歐幾里德范數(shù);X i 為第i 個輸入向量;c k 為第k 個隱層節(jié)點的中心;k 為第k 個隱層節(jié)點的寬度。整個網(wǎng)絡的輸出方程為1(Hi k k i k f =X X (2式中 k 為輸出空間與第k 個隱層節(jié)點的連接權;H 為隱層節(jié)點的總個數(shù)。RBF 網(wǎng)絡的未知參數(shù)包括基函數(shù)的中心向量、寬度和線性層的連接權。顯然,用RBF 網(wǎng)絡進行系統(tǒng)辨識的關鍵是確定未知參數(shù)。定義辨識網(wǎng)絡的性能指標J m 為21(1(12m J y k f k =+ (3則RBF 網(wǎng)絡各參數(shù)就可以確定,即中心向量的調整通過動態(tài)遞推算法實現(xiàn)10;線性層連接權值的學習則可以利用RLS 算法11-13

12、;寬度用直接計算的方法或根據(jù)具體的系統(tǒng)通過仿真確定。3 單神經元自適應PID 控制常規(guī)PID 控制以其結構簡單、可靠性高、易于工程實現(xiàn)等優(yōu)點至今仍被廣泛采用。在系統(tǒng)模型參數(shù)變化不大的情況下,PID 控制效果良好。但當實際被控對象存在強干擾,具有高度非線性和不確定性時,僅靠PID 調節(jié)效果不好。而單神經元PID 調節(jié)器則本身具有適應、自學習能力14-15。單神經元PID 控制器的結構如圖1所示,其中x i 是輸入量,v i 是對應權值,K 為比例系數(shù)。x x x圖 1 單神經元PID 調節(jié)器Fig. 1 Schematic of single-neuron PID controller取神經元的

13、輸入為123(1(2(1(2x k e k r k y k x k e k e k x k e k e k e k =+ìïïïïíïïïïî (4 式中 (e k 為誤差;(r k 為輸入;(y k 為反饋。神經元輸出量為3311(/(i i i i i u k K v k x k v k = (5為保證控制策略的收斂性,對權值進行了歸一化處理。×為歐氏范數(shù)。x i (k (i =1,2,3的這種取法有明顯的物理意義,與傳統(tǒng)的PID 調節(jié)器比較可知,權值v 1、v 2、v

14、3分別相當于PID 調節(jié)器的積分項、比例項、微分項。單神經元自適應控制器是通過對加權系數(shù)的調整來實現(xiàn)自適應、自組織功能,學習規(guī)則就是調整權重的算法,它是單神經元控制器的核心。引入輸入誤差的二次性能指標,定義二次性能指標函數(shù)為21(1(12c J r k y k =+ (6為實現(xiàn)自適應PID 的最優(yōu)控制,權值的修正應第15期 夏長亮等: 基于RBF 神經網(wǎng)絡的開關磁阻電機單神經元PID 控制 163該沿J c 對v i (k 的負梯度方向搜索,以使性能指標最小,故有(1(ci i i i J v k v k v k += (7式中 i 為學習速率。(1(1(1(1(,1,2,3(c i i i

15、J y k u k e k v k u k v k y k e k x k i u k +=+=+= × (8(1/(y k u k +通常是未知的,當辨識網(wǎng)絡經過有限次學習之后,其輸出逐漸逼近對象的輸出即(1(1f k y k +»,所以有(1(1(y k f k u k u k += (921(1(Hjn n j j j j c u f k k k u k =+= (10 式中 下標n 為輸入層(u k 所屬節(jié)點的序號。最終單神經元權值調整公式為(1(1(1(i i i i i f k v k v e k x k u k +=+ (114 基于RBF 網(wǎng)絡在線辨識的單神

16、經元PID 自適應控制4.1 基于RBF 網(wǎng)絡辨識的單神經元PID 自適應控制 利用具有自學習和自適應能力的單神經元來構成單神經元自適應控制器,不但結構簡單,且能適應環(huán)境,有較強的魯棒性。通過RBF 網(wǎng)絡對系統(tǒng)進行在線辨識,可以達到在線控制,及時調整控制器的參數(shù),取得更好的控制效果。本文所提出的基于RBF 網(wǎng)絡辨識的單神經元PID 自適應控制系統(tǒng)結構如圖2所示,圖中,控制網(wǎng)絡NNC 為單神經元PID 控制器,辨識網(wǎng)絡為RBF 神經網(wǎng)絡。 圖2 RBF 網(wǎng)絡在線辨識的單神經元PID自適應控制系統(tǒng)結構圖Fig. 2 The structure of single neuron adaptive P

17、ID control system based on RBF neural network on-line identification4.2 控制算法基于RBF 網(wǎng)絡在線辨識的單神經元PID 自適應控制算法可歸納如下:(1給出單神經元初始權值、學習速率及RBF網(wǎng)絡的參數(shù)。一般辨識權值i 、基函數(shù)中心向量C i 和寬度i 取1,1之間的隨機數(shù),遺忘因子 取0.1到0.9之間的小數(shù)。(2采樣得到r (k 及y (k ,根據(jù)式(4計算e (k 、e (k 1、e (k 2。(3按式(5計算單神經元的輸出,其輸出為PID 控制器給出的控制量。PID 控制器的輸出(u k 同時送被控對象和RBF 網(wǎng)絡

18、,產生下一步實際輸出和辨識輸出。(4利用式(2計算RBF 網(wǎng)絡的輸出。RBF 網(wǎng)絡的輸出為f (k +1,目標值為系統(tǒng)實際輸出y (k +1。(5由f (k +1和y (k +1產生的偏差,按照前述中心向量動態(tài)遞推算法和線性層連接權值的RLS 算法,修正RBF 網(wǎng)絡的權值和閾值。(6由系統(tǒng)期望輸出r (k +1與實際輸出y (k +1的偏差,修正單神經元的權值。修正的具體步驟為由式(10計算(1/(f k u k +;按式(11修正單神經元的權值。(7令1k k =+,移位處理后返回(2。5 實驗結果本文以Cygnal 公司的新型單片機C8051F020為基礎驗證了本文所提出控制方法的性能,硬

19、件框圖如圖3所示,控制算法均由軟件實現(xiàn)。圖3 SRM 硬件控制框圖Fig. 3 The hardware control framework of SRM實驗所用樣機為四相(8/6極SRM ,額定功率為2.2kW ,額定轉速為1500r/min ,功率變換器采用不對稱半橋電路,主開關器件采用MOSFET ,電機采用電壓PWM 方法進行控制。圖4為系統(tǒng)空載且給定轉速為額定轉速時樣機在傳統(tǒng)PID 控制方法下的轉速響應曲線,圖5為應用單神經元PID 控制方法下的轉速響應曲線,圖6為本文所述控制方法的樣機轉速響應曲線。從圖46可以看出,樣機起動時轉速響應快并且超調量小,解決了傳統(tǒng)PID 控制快速響應時

20、超164 中國電機工程學報第25卷 第15期夏長亮等:基于RBF神經網(wǎng)絡的開關磁阻電機單神經元PID控制165Transactions on Automatic Control,1987,32(5:371-379.4 Berger M.Self-tuning of a PI controller using fuzzy logic for aconstruction unit testing apparatusJ.IFAC Journal of Control Engineering Practice,1996,4(6:785-790.5 金耀初,蔣靜坪.最優(yōu)模糊控制的兩種設計方法J.中國電機

21、工程學報,1996.16(3:201-204.Jin Yaochu,Jiang Jingping.Two approaches to optimal fuzzy controlJ.Proceedings of the CSEE,1996,16(3:201-204. 6 Reay D S,Green T C,Williams B W.Neural networks used for torqueripple minimization of switched reluctance motorC.Brighton,Engl: 5th European Conference on Power Elec

22、tronics and Application, 1993.7 夏長亮,祁溫雅,楊榮,等.基于RBF神經網(wǎng)絡的超聲波電機參數(shù)辨識與模型參考自適應控制控制J.中國電機工程學報,2004, 24(7:117-121.Xia Changliang,Qi Wenya,Yang Rong et al.Identification and model reference adaptive control for ultrasonic motor based on RBF neural networkJ.Proceedings of the CSEE,2004,24(7:117-121.8 王旭東,邵惠鶴.

23、RBF神經網(wǎng)絡理論及其在控制中的應用J.信息與控制.1997,26(4:272-284.Wang Xudong,Shao Huihe.The theory of RBF neural network and its application in controlJ.Information and control,1997,26(4: 272-284.9 夏長亮,文德,王娟,等.基于自適應人工神經網(wǎng)絡的無刷直流電機換相轉矩波動一種新方法J.中國電機工程學報,2002,22(1: 54-58.Xia Changliang,Wen De,Wang Juan et al.A new approach o

24、f minimizing commutation torque ripple for brushless DC motor based on adaptive ANNJ.Proceedings of the CSEE,2002,22(1:54-58.10 Chen T,Chen H.Approximation capability to functions of severalvariables,nonlinear functional,and operators by radial basis function neural networksJ.IEEE Transactions on Ne

25、ural Networks,1995, 6(4:904-910.11 夏長亮,王娟,史婷娜,等.基于自適應徑向基函數(shù)神經網(wǎng)絡的無刷直流電機直接電流控制J.中國電機工程學報,2003,23(6: 123-127.Xia Changliang,Wang Juan,Shi Tingna et al.Direct control of currents based on adaptive RBF neural network for brushless DC motorsJ.Proceedings of the CSEE,2003,23(6:123-127. 12 夏長亮,文德,范娟,等.基于RBF神經網(wǎng)絡的無刷直流電機無位置傳感器控制J.電工技術學報,2002,17(3:26-29.Xia Changliang,Wen De,Fan Juan et al.Based on RBF neural network position sensorless control for brushless