基于微型神经网络的步进电机PID参数自匹配方法组成比例

本发明专利技术公开了一种基于微型神经网络的步进电机PID参数自匹配方法，包括以下步骤：构架微神经网络；设定输入层神经元的权重系数的初始值以及学习速率；获取步进电机当前某相电流值，获取步进电机当前的目标电流；计算误差值；计算输入层神经元值；计算新的权重系数；计算输出层的神经元值，该值作为步进电机的电压。本发明专利技术的有益效果：无需人工干预即可自动完成PID参数的匹配，减轻了整机调试的工作量，减少了用户设置环节，因而也避免了出错的可能性；对各类型步进电机有更广泛的适应性，对于非标准型号的步进电机，能够通过快速学习而自匹配出最优参数；能充分发挥步进电机的性能，减少电机震动，提高整机系统可靠性。

【技术实现步骤摘要】

本专利技术涉及到一种步进电机PID参数控制方法，特别是涉及到一种基于微型神经网络的步进电机PID参数自匹配方法。
技术介绍
在一些现实应用场合，通常一个驱动器可能需要适配多种型号的步进电机，不但同型号的电机机械参数和电气参数有差别，而且不同型号的电机得参数差别更是巨大。驱动器的作用是尽可能的发挥电机最大性能，如果驱动器控制参数跟步进电机参数匹配不好则会影响步进电机性能发挥。现在驱动器常用的控制方法是，对于不同的型号的电机事先将参数写入程序，在试验阶段通过大量的试验，找出某一型号内电机的参数的平均值，然后依次整定出驱动器与之相匹配的参数，并事先写入程序。这样用典型值来代替普遍值控制电机。 (I)现有技术缺点是无法准确匹配步进电机控制参数，造成无法充分发挥步进电机性能；(2)对于电机速度较高，且变化较快的应用场合，现有技术无法很好的跟踪速度，因而造成反应滞后等问题，从而造成电机震动，影响整机系统可靠性和精度。。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点和不足，提供一种基于微型神经网络的步进电机PID参数自匹配方法，用来解决(I)现有技术无法自动匹配各种型号的电机的现象；(2)当转速较高且频繁变化时响应滞后的现象和响应超调的现象，从而影响系统可靠性和精度的缺陷。本专利技术的目的通过下述技术方案实现基于微型神经网络的步进电机PID参数自匹配方法，包括以下步骤 (1)构架微神经网络，该微神经网络包括输入层和输出层，所述的输入层包括三个神经元，该三个神经元分别为比例、微分和积分，输出层包括一个神经元； (2)设定输入层神经元的权重系数的初始值以及学习速率； (3)获取步进电机当前某相电流值，记为Ia;获取步进电机当前的目标电流Iexa，目标电流Iexa即是步进电机在当前工作状态的额定电流； (4)当前时刻电流大小与目标电流的差值e=Iexa- Ia,得到在K时刻步进电机的当前电流和目标电流的差值，即误差值e (K) e (K) =Iexa (K) - Ia(K)(I) 其中 K 为 0，1,2,3-； (5)计算输入层神经元值； (6)计算新的权重系数； (7)计算输出层的神经元值，该值作为步进电机的电压。进一步，上述的学习速率即是比例学习速率Vp,微分学习速率和积分学习速率:比例学习速率%、积分学习速率和微分学习速率的取值范围为O I。且比例学习速率Pfl的最佳值为O. 01、微分学习速率^^的最佳值为O. I和积分学习速率^J!的最佳值为0.001。上述的权重系数的初始值，即比例权重系数为冒^0)=0,1,微分权重系数为W2(O)=O,!积分权重系数为tW3 (0)=0,M5o上述的输入层神经元值通过式(2)计算得到X1 (A ) = e(k )x2(k)= e(k)- e(k - ) k 2 - (Λ) = Σ ^Ci)户O· 式中其中X1^l为k时刻的比例输入值，X2 (k)为k时刻的微分输入值为k时刻的积分输入值。上述的新的权重系数通过式(3)计算得到 I W1 (k + 1) = W1 (是)+Iff ^e(k)^ X1 (k)IW2 (k +1) = W3 (Ir) + 花.e (k) - X2 (k)(3)。 = %(!:)+% e(k) %(々)上述的输出层的神经元值通过式(4)计算得到 a 雄) = 2w#W*)⑷。 i*i微神经网络作为一种简化的神经网络，具有在线学习和自适应能力，不但结构简单，且易于计算，有较强的鲁棒性，在结合PID算法后，更是具备响应快速等特点。因此本专利技术的有益效果是 (I)无需人工干预即可自动完成PID参数的匹配，减轻了整机调试的工作量，减少了用户设置环节，因而也避免了出错的可能性； (2 )对各类型步进电机有更广泛的适应性，对于非标准型号的步进电机，能够通过快速学习而自匹配出最优参数； (3)能充分发挥步进电机的性能，无论是在低速，还是高速情况下，都有较好的表现，尤其是在高速情况下，相比于现有技术能减少电机震动，提高整机系统可靠性。附图说明图I为本专利技术的控制原理 图2为采用本专利技术电机、采用普通PID算法电机以及理论上电机的最佳速率变化曲线比较 图3为采用本专利技术电机、采用普通PID算法电机以及理论上电机的最佳矩频特性曲线比较图。具体实施例方式下面结合实施例对本专利技术作进一步的详细说明，但是本专利技术的结构不仅限于以下实施例 实施例 如图I所示，基于微型神经网络的步进电机PID参数自匹配方法，包括以下步骤 (1)构架微神经网络，该微神经网络包括输入层和输出层，所述的输入层包括三个神经元，该三个神经元分别为比例、微分和积分，输出层包括一个神经元； (2)设定输入层神经元的权重系数的初始值以及学习速率； (3)获取步进电机当前某相电流值，记为Ia;获取步进电机当前的目标电流Iexa，目标 电流Iexa即是步进电机在当前工作状态的额定电流； (4)当前时刻电流大小与目标电流的差值e=Iexa- Ia,得到在K时刻步进电机的当前电流和目标电流的差值，即误差值e (K) =Iexa (K) - Ia(K), K为0，1,2,3-； (5)计算输入层神经元值； (6)计算新的权重系数； (7)计算输出层的神经元值，该值作为步进电机的电压。进一步,上述的学习速率即是比例学习速率微分学习速率和积分学习速率 比例学习速率积分学习速率PfP微分学习速率的取值范围为O I。且比例学习速率的最佳值为0.01、微分学习速率的最佳值为ο. I和积分学习速率!的最佳值为 O. 001。上述的权重系数的初始值，即比例权重系数为胃i (0)=0. L 微分权重系数为W2(O)=Ul,积分权重系数为冒 (0)=0.015.上述的输入层神经元值的计算式为X1 (k ) = e(k')X2 (k)= e(k) - e(k - )(O k X3 ⑷=Σ e(j) /期O 式中其中X10:)为k时刻的比例输入值，X2 (Jr)为k时刻的微分输入值,％(无)为k时刻的积分输入值。上述的新的权重系数的计算式为 Wi Φ+1) = W#)+ηρ. X1 {k) i w2(^+l) = w2 (k)+:7,. e(k) ■ x2(k)(2)。[W3(k + 1)= (Ir)+η 'e(t)'X3( )上述的输出层的神经元值计算式为 )=2 ⑶。 i-l本专利技术涉及初始比例系数、学习速率、加权系数等参数的确定，这些参数对学习和控制品质有很大的影响。关于这些参数的设定和调整有以下规则 规则I:学习速率对提高系统的快速性、鲁棒性，消除超调及静态误差影响很大，学习速率不能过大，否则神经元调节器易超调；学习速率也不能过小，否则神经元调节器调节过程缓慢。一般可通过多次仿真或试验来确定最佳系数。规则2 :—旦学习速率选定后，权重的初值可在一定范围内变化，而不影响系统的性能。根据微神经网络的算法，神经元通过学习使权值朝着使系统稳定的方向变化，但如果初始权值的选择超过了神经元的调节范围，系统将无法收敛。仿真结果表明，适当的学习速率可以使初始权值在较大范围内选取，经过多次仿真研究后，才得到较好的取值比 例学习速率的最佳值为0.01、微分学习速率Pi的最佳本文档来自技高网...

【技术保护点】
基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，该方法包括以下步骤：（1）构架微神经网络，该微神经网络包括输入层和输出层，所述的输入层包括三个神经元，该三个神经元分别为比例、微分和积分，输出层包括一个神经元；（2）设定输入层神经元的权重系数的初始值以及学习速率；（3）获取步进电机当前某相电流值，记为Ia；获取步进电机当前的目标电流Iexa，目标电流Iexa即是步进电机在当前工作状态的额定电流；（4）当前时刻电流大小与目标电流的差值e=Iexa–Ia，得到在K时刻步进电机的当前电流和目标电流的差值，即误差值e(K)：e(K)=Iexa(K)–Ia(K)？？？？？？？？？？？？？？？？（1）其中K为0,1,2,3…；（5）计算输入层神经元值；（6）计算新的权重系数；（7）计算输出层的神经元值，该值作为步进电机的电压。

【技术特征摘要】

【专利技术属性】
技术研发人员：周帆，
申请(专利权)人：成都乐创自动化技术股份有限公司，
类型：发明
国别省市：