一种基于自适应模糊神经网络的电机转速跟踪控制方法技术

本发明专利技术涉及一种基于自适应模糊神经网络的电机转速跟踪控制方法，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器（SMFNN），内环为电流环，采用比例积分（PI）控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，模糊神经网络利用基于滑模控制理论设计的参数修正方法进行在线实时学习，这两部分共同作用得到转速控制器的输出ir，即PID控制器的输出iPID减去模糊神经网络的输出iFNN作为转速控制器的输出ir。本发明专利技术的控制策略能提高电机调速系统的控制精度和抗扰性能。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器（SMFNN），内环为电流环，采用比例积分（PI）控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，模糊神经网络利用基于滑模控制理论设计的参数修正方法进行在线实时学习，这两部分共同作用得到转速控制器的输出ir，即PID控制器的输出iPID减去模糊神经网络的输出iFNN作为转速控制器的输出ir。本专利技术的控制策略能提高电机调速系统的控制精度和抗扰性能。【专利说明】所属
本专利技术涉及电机调速方法，尤其涉及电机智能调速控制领域。
技术介绍
电机调速系统在电梯、医疗器械、变频空调、电动汽车等诸多领域的应用日益广泛，人们对电机调速系统控制精度的要求也越来越高。因此，电机转速跟踪控制方法成为科研界研究的热点。目前，电机调速系统通常采用比例积分(proportional-1ntegral, PI)控制策略，然而实际应用中，电机的时变、非线性、强耦合的特性使得传统控制策略无法满足系统高精度的动、静态性能指标。将现代控制理论中的最优控制、模型参考自适应控制、预测控制、滑模控制等最新成果引入电机控制系统中，有效提高了电机的运行性能。但是这些方法依赖于电机精确的数学模型，系统性能易受到参数变化及各种不确定因素的影响，使得其应用受限。基于人工智能的方法，如模糊控制、人工神经网络控制，具有无需依赖控制对象精确模型的特性，利用一些先进的控制算法可以实现很好的控制。模糊控制网络控制兼有模糊控制的知识表达优势和神经网络控制的并行处理能力以及能以任意精度逼近非线性函数的优点，已成功应用于机器人系统、空间飞行器、化工过程和生物工程等领域。传统的模糊神经网络的参数训练方法一般为基于梯度下降的方法，由于被控系统一般为非线性系统，这种修正方法中会存在一个未知偏导数的求取问题，即被控系统的输出对模糊神经网络输出的偏导数。有学者提出了采用一种误差适应法则的方法来替代这个未知偏导数，然而系统的稳定性却难以证明；也有学者提出采用基于扩展卡尔曼滤波的方式来训练模糊神经网络的权值和隶属度函数的参数，但是由于其算法相对复杂，应用场合受到一定的限制；也有学者采用辨识器将未知偏导数辨识出来，但是该法需要大量的在线实时计算，对系统硬件要求较高；另外还有学者将未知偏导数用符号函数代替，然而这样学习的精度和效率会降低。
技术实现思路
本专利技术目的在于解决电机调速系统中存在的控制精度和抗扰性能的问题，提出一种针对电机调速系统的模糊神经网络自适应控制方法。同时，鉴于传统的模糊神经网络参数学习中的偏导数不易求取，提出基用滑模控制理论来进行权值等参数的在线修正，实现李雅普诺夫意义上的稳定性，避免传统神经网络参数学习过程中易陷入局部极小点的问题，从而提高电机调速系统的控制精度和抗扰性能。本专利技术的技术方案如下:，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器(SMFNN)，内环为电流环，采用比例积分(PI)控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，这两部分共同作用得到转速控制器的输出即PID控制器的输出iPID减去模糊神经网络的输出iFNN作为转速控制器的输出U且ivm=kve + k]edt + l e kp、k1、kd分别为比例、积分和微分系数，e为转速误差，?为转速误差的导数；转速控制器的模糊神经网络部分，将PID型等效滑模面表示为Spid，且SPID=iPID，学习速率表示为Π，模糊神经网络的输入层有两个节点，分别表示为X1和x2，X1和X2分别是转速误差e和转速误差的导数?，X1的导数表示为4，X2的导数表示为4，隶属度层选用高斯隶属度函数，作用是将输入层的信号模糊化，Cm、oAi分别表示输入层节点X1的第i个隶属度函数的中心因子和标准差，cBJ, σ BJ分别表示输入层节点X2的第j个隶属度函数的中心因子和标准差，规则层的作用是对隶属度层的节点进行模糊推理，规则层Iu规则的输出经归一化后表示为$，且Z =..H2…U，其中i=l、2…M, j=l、2…N, M和N分别表示属于X1和X2的隶属度函数的个数，ω"为规则层Iu规则在输出层所占的权重值，输出层有一个节点，为规则层的加权线性组合，即【权利要求】1.，其特征在于，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器(SMFNN)，内环为电流环，采用比例积分(PI)控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，这两部分共同作用得到转速控制器的输出U即PID控制器的输出iPID减去模糊神经网络的输出iFNN作为转速控制器的输出仁，且Zhd =kve + t]edt + kAk，其中kp、k1、kd分别为比例、积分和微分系数，e为转速误差，?为转速误差的导数。2.根据权利要求1所述的电机转速跟踪控制方法，其特征在于，模糊神经网络部分，将PID型等效滑模面表示为SPID，且SPID=iPID，学习速率表示为η，模糊神经网络的输入层有两个节点，分别表示为X1和x2，X1和X2分别是转速误差e和转速误差的导数?，X1的导数表示为V X2的导数表示为4，隶属度层选用高斯隶属度函数，作用是将输入层的信号模糊化，cA1、σΜ分别表示输入层节点Xl的第i个隶属度函数的中心因子和标准差，CBj, σΒ]分别表示输入层节点X2的第j个隶属度函数的中心因子和标准差，规则层的作用是对隶属度层的节点进行模糊推理，规则层Iu规则的输出经归一化后表示为€，且^ = U J1..XfJ2Jn..HJm 1.了 J1，其中 ?=1、2...Μ, j=l、2…Ν,Μ和 N 分别表示属于 xjPx2的隶属度函数的个数， 3.根据权利要求2所述的模糊神经网络的参数修正方法，其特征还在于，修正律中的符号函数Sgn(Spm)用如下函数g(SPID)代替: 【文档编号】H02P23/00GK103701396SQ201310695259【公开日】2014年4月2日 申请日期:2013年12月13日 优先权日:2013年12月13日 【专利技术者】史婷娜, 肖竹欣, 夏长亮 申请人:天津大学本文档来自技高网...

【技术保护点】
一种基于自适应模糊神经网络的电机转速跟踪控制方法，其特征在于，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器（SMFNN），内环为电流环，采用比例积分（PI）控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，这两部分共同作用得到转速控制器的输出ir，即PID控制器的输出iPID减去模糊神经网络的输出iFNN作为转速控制器的输出ir，且其中kp、ki、kd分别为比例、积分和微分系数，e为转速误差，为转速误差的导数。?FDA0000437243260000011.jpg,FDA0000437243260000012.jpg

【技术特征摘要】

【专利技术属性】
技术研发人员：史婷娜，肖竹欣，夏长亮，
申请(专利权)人：天津大学，
类型：发明
国别省市：