同步伺服PID自学习分配神经网络方法技术

本发明专利技术公开了一种同步伺服PID自学习分配神经网络方法，涉及伺服驱动器技术领域。本发明专利技术包括如下步骤：建立同步伺服PID自学习神经网络；采集智能伺服系统的中PID控制器参数，作为样本集；根据当前PID控制器参数获得同步伺服PID分配系数；根据同步伺服PID分配系数配对应的自学习神经网络；自学习神经网络输出性能目标值；PID控制器根据输出的性能目标值分配硬件资源。本发明专利技术通过建立同步伺服PID自学习神经网络，输入权值和隐藏层偏置值能随机的设置，神经网络输出层的权值就可以具有解析的计算式，输出性能目标值并分配对应的硬件资源，提高了PID控制器实时性和工作效率。提高了PID控制器实时性和工作效率。提高了PID控制器实时性和工作效率。

【技术实现步骤摘要】
同步伺服PID自学习分配神经网络方法


[0001]本专利技术属于伺服驱动器
，特别是涉及一种同步伺服PID自学习分配神经网络方法。

技术介绍

[0002]伺服系统的结构是一种无刷直流马达应用的装置，由于无刷直流马达具有不具碳刷(brush)、无磨耗维修、以及简单的导线、改装容易又操作安静等特点，它极适合应用在洁净度要求较高的无尘室里。然而，随着产业自动化的迅速发展，对产业设备质量和稳定性的要求越来越高。因此，如何使无刷直流伺服马达的控制达到快速、准确的目的，是近年来伺服控制中非常重要的一个问题。
[0003]而PID控制器在智能伺服系统的设计上具有良好的应用前景。目前，神经网络PID控制器在各个控制领域中得到了成功的应用，如BP神经网络PID控制器、RBF神经网络PID控制器等。然而，这些神经网络的学习一般采用最陡梯度下降算法，算法速度太慢，导致在伺服系统中PID控制的实时性太差。
[0004]本申请文件以无刷直流伺服马达速度控制作为研究对象，提出同步伺服PID自学习分配神经网络方法。与传统的神经网络函数逼近原理不同，只要神经元激活函数具有可做的形式，输入权值和隐藏层偏置值就能随机的设置，那么神经网络输出层的权值就可以具有解析的计算式，在PID控制中具有较好的实时性。
[0005]实验结果表明：此PID控制器在性能上可以达到我们所要求的控制要求，相比其他神经网络PID控制器具有更好的实时性。

技术实现思路

[0006]本专利技术的目的在于提供一种同步伺服PID自学习分配神经网络方法，通过建立同步伺服PID自学习神经网络，输入权值和隐藏层偏置值能随机的设置，神经网络输出层的权值就可以具有解析的计算式，输出性能目标值并分配对应的硬件资源，解决了现有的PID控制器实时性太差问题。
[0007]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0008]本专利技术为一种同步伺服PID自学习分配神经网络方法，包括如下步骤：
[0009]步骤S1：建立同步伺服PID自学习神经网络；
[0010]步骤S2：采集智能伺服系统的中PID控制器参数，作为样本集；
[0011]步骤S3：根据当前PID控制器参数获得同步伺服PID分配系数；
[0012]步骤S4：根据同步伺服PID分配系数配对应的自学习神经网络；
[0013]步骤S5：自学习神经网络输出性能目标值；
[0014]步骤S6：PID控制器根据输出的性能目标值分配硬件资源。
[0015]作为一种优选的技术方案，所述步骤S1中，同步伺服PID自学习神经网络的建立包括两个过程：
[0016]步骤S11、训练过程：使用训练样例作为神经网络的输入和输出，通过神经网络的学习规则调整各神经元之间的连接权值，直到产生所给的输出值为止；
[0017]步骤S12、联想过程：将已训练调整的连接权值，代入至网络之中，由一输入数据通过神经网络来联想出正确的相对应输出值。
[0018]作为一种优选的技术方案，所述步骤S1中，自学习神经网络包括输入层、隐含层和输出层；
[0019]所述输入层节点的输出为：
[0020][0021]式中，n为输入层节点的个数，n取决于伺服PID的复杂程度；
[0022]所述隐含层的输入和输出分别为：
[0023][0024][0025]式中，为隐含层加权系数，f[
·
]为激发函数；
[0026]所述输出层的输入和输出分别为：
[0027][0028][0029][0030]式中，为隐含层加权系数，g[
·
]为激发函数。
[0031]作为一种优选的技术方案，所述步骤S2中，PID控制器的采集算法为：
[0032][0033]式中，e(k)＝r(k)
‑
y(k)表示第k次采样时刻输入的控制偏差；r(k)表示第k次采样时刻的设定值；y(k)表示第k次采样时刻的实际输出值；u(k)表示第k次采样时刻空机器的输出值；K
i
(i＝P,I,D)表示控制器的比例、积分、微分系数；T为采样周期。
[0034]作为一种优选的技术方案，所述步骤S2中，将PID控制器参数作为样本集输入至PID控制模型，具体步骤如下：
[0035]步骤S21：PID控制器参数的样本集为X＝{(x
i
,y
i
)|x
i
∈R
n
,y
i
∈R
m
,i＝1,K,N}，激励函数G(x)隐藏层节点数为
[0036]步骤S22：随机设定输入权值a
i
和偏置值b
i
；
[0037]步骤S23：计算隐藏层输出举证H；
[0038]步骤S24：计算输出权值β,β＝HY,Y＝[y1,K,y
N
]T
。
[0039]作为一种优选的技术方案，所述步骤S3中，PID控制器的型使如下：
[0040][0041]转移函数为：
[0042][0043]式中，e(t)为系统误差；u(t)为控制输入常数；K
p
为比例增益常数；K
i
＝K
p
/T
i
为积分增益常数；K
d
＝K
p
/T
d
为微分增益常数；T
is
为积分时间常数；T
ds
为微分时间常数。
[0044]作为一种优选的技术方案，所述步骤S4中，同步伺服PID分配系数配对应的自学习神经网络采用近似算法：根据近似元素确定多个近似算法；建立基于多个近似算法的输出网络参考模型；根据输出的网络参考模型确定近似分配策略和优化方法，获得近似神经网络。
[0045]作为一种优选的技术方案，所述步骤S5中，自学习神经网络获取输出错误量小于错误量阈值的神经元，获得错误神经元，将错误神经元采用输出质量参考模型计算近似值；根据近似值确定近似分配策略和优化方法。
[0046]作为一种优选的技术方案，所述步骤S6中，PID控制器输出的性能目标值包括PID控制器的能耗、性能和质量；对输出结果进行预估，选择一个硬件配置方案，并运行神经网络；若满足用户需求，则可以直接进行后续的工作，若不满足需求，需要输出参数反馈，对网络的硬件配置进行调整。
[0047]本专利技术具有以下有益效果：
[0048]本专利技术通过建立同步伺服PID自学习神经网络，输入权值和隐藏层偏置值能随机的设置，神经网络输出层的权值就可以具有解析的计算式，输出性能目标值并分配对应的硬件资源，提高了PID控制器实时性和工作效率。
[0049]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0050]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种同步伺服PID自学习分配神经网络方法，其特征在于，包括如下步骤：步骤S1：建立同步伺服PID自学习神经网络；步骤S2：采集智能伺服系统的中PID控制器参数，作为样本集；步骤S3：根据当前PID控制器参数获得同步伺服PID分配系数；步骤S4：根据同步伺服PID分配系数配对应的自学习神经网络；步骤S5：自学习神经网络输出性能目标值；步骤S6：PID控制器根据输出的性能目标值分配硬件资源。2.根据权利要求1所述的一种同步伺服PID自学习分配神经网络方法，其特征在于，所述步骤S1中，同步伺服PID自学习神经网络的建立包括两个过程：步骤S11、训练过程：使用训练样例作为神经网络的输入和输出，通过神经网络的学习规则调整各神经元之间的连接权值，直到产生所给的输出值为止；步骤S12、联想过程：将已训练调整的连接权值，代入至网络之中，由一输入数据通过神经网络来联想出正确的相对应输出值。3.根据权利要求1所述的一种同步伺服PID自学习分配神经网络方法，其特征在于，所述步骤S1中，自学习神经网络包括输入层、隐含层和输出层；所述输入层节点的输出为：式中，n为输入层节点的个数，n取决于伺服PID的复杂程度；所述隐含层的输入和输出分别为：式中，为隐含层加权系数，f[
·
]为激发函数；所述输出层的输入和输出分别为：所述输出层的输入和输出分别为：所述输出层的输入和输出分别为：式中，为隐含层加权系数，g[
·
]为激发函数。4.根据权利要求1所述的一种同步伺服PID自学习分配神经网络方法，其特征在于，所述步骤S2中，PID控制器的采集算法为：式中，e(k)＝r(k)
‑
y(k)表示第k次采样时刻输入的控制偏差；r(k)表示第k次采样时刻
的设定值；y(k)表示第k次采样时刻的实际输出值；u(k)表示第k次采样时刻空机器的输出值；K
i
(i＝P,I,D)表示控制器的比例、积分、微分系数；T为采样周期。5.根据权利要求1所述的一种同步伺服PID自学习分配神经网络方法，其特征在于，所述步骤S2中，将PID控制器参数作为样本集输入至PID控制模型，具体步骤如下：步骤S21：PID控制器参数的样本集为X＝{(x

【专利技术属性】
技术研发人员：李蜜，
申请(专利权)人：江苏亿控智能装备有限公司，
类型：发明
国别省市：