基于柔性神经网络PID参数自适应控制方法及系统技术方案

本发明专利技术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。实现电流瞬时控制和保护。实现电流瞬时控制和保护。

【技术实现步骤摘要】
基于柔性神经网络PID参数自适应控制方法及系统


[0001]本专利技术属于电机及其控制系统
，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。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]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。
[0004]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 Torque Control，DITC)。
[0005]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。

技术实现思路

[0006]为了解决上述问题，本专利技术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，本专利技术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。
[0007]根据一些实施例，本专利技术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：
[0008]一种基于柔性神经网络PID参数自适应控制方法，包括：
[0009]获取电机的实际转速和电机的实际输出转矩；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]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；
[0016]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。
[0017]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：
[0018]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；
[0019]预先训练柔性神经网络模型；
[0020]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。
[0021]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：
[0022]所述柔性神经网络模型包括输入层、隐含层以及输出层；
[0023]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；
[0024]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；
[0025]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；
[0026]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。
[0027]进一步地，所述性神经网络模型的性能指标函数，具体为：
[0028][0029]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； t
k
表示第k次的积分时间。
[0030]进一步地，所述训练柔性神经网络模型，具体为：
[0031]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；
[0032]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；
[0033]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；
[0034]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；
[0035]步骤e：输入第二个训练样本，返回到步骤b；
[0036]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。
[0037]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。
[0038]进一步地，所述训练样本的获取步骤，具体为：
[0039]获取一定转速下的PID控制参数组合；
[0040]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；
[0041]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；
[0042]最终获得m
×
n个效率最优的训练样本。
[0043]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
＝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；t
k
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v
ij
(0)和ω
lj
(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...

【专利技术属性】
技术研发人员：慕永云，周广旭，朱孟美，宋宁冉，郭磊，
申请(专利权)人：山东省科学院自动化研究所，
类型：发明
国别省市：