基于BP神經網絡的無刷直流電機控制器優化設計

王 玲，程耕國，趙玉壽

（武漢科技大學 信息科學與工程學院，武漢 430081)

基于BP神經網絡的無刷直流電機控制器優化設計

王 玲，程耕國，趙玉壽

（武漢科技大學 信息科學與工程學院，武漢 430081)

無刷直流電機是一個多變量、強耦合的非線性系統，用常規的線性控制方法很難達到理想的控制效果。為了克服常規PID控制方法的不足，應用了BP神經網絡對速度控制器的PID參數進行了優化設計。使用MATLAB仿真結果表明，采用BP神經網絡這種控制方式的無刷直流電機調速系統具有良好的動態性能和穩態精度，能達到進一步優化控制系統性能的目的。

無刷直流電動機；BP神經網絡；速度控制系統

引言

無刷直流電機由于采用永磁轉子，其能量密度也比交流電機大，結構簡單和具有良好的調速性能，在工業中得到了廣泛的應用。但由于該電機是一個多變量、強耦合的非線性系統，如電樞反應的非線性、負載擾動、電阻變化等，使得難以用一個精確的數學表達式來描述永磁無刷直流電機的電磁關系，所以使用常規的 PID控制方法很難達到理想的控制效果。

人工神經網絡是由大量神經元處理單元廣泛互聯形成的網絡，是一個高度復雜的非線性動力學系統，特別適合處理需要同時考慮許多因素和條件的、不確定和模糊的信息處理問題。反向誤差傳播算法（back propagation以下簡稱BP網絡）是對非線性可微分函數進行權值訓練的多層前向神經網絡，是目前人工神經網絡實際應用中應用最廣，效果最好的一種模型方法，它有較好的持久性和適時預報性。本文用BP神經網絡來優化控制器的比例、積分、微分參數，仿真表明，該方法可以獲得較好的控制效果。

1 PID控制基本原理

常規PID控制系統的原理圖，如圖1所示。

圖1 常規PID控制器的原理圖

常規PID的控制規律為：

式中：KP——比例系數；Ti——積分時間常數；Td——微分時間常數； e( t)——設定值 r( t)與實際輸出值 y ( t)之差。寫成增量式PID控制方式為：

式中：Kp，Ki，Kd即要優化的參數。

2 BP神經網絡PID控制器設計

2.1 BP神經網絡PID控制器基本結構

BP神經網絡無刷直流電機調速系統基本結構如圖2所示。

由圖2可知，常規PID控制器對無刷直流電機的轉速加以閉環控制，控制器參數Kp，Ki，Kd通過神經網絡在線整定。神經網絡的主要作用是根據系統的運行狀態，對PID控制器參數加以調節，以達到期望最優的性能指標。即神經網絡的輸出作為傳統PID控制器的可調參數Kp，Ki，Kd，通過神經網絡自身的不斷學習，加權系數的調整，來達到對轉速性能指標的最優化，以充分發揮神經網絡的優點所在。在神經網絡自學習控制器中，采用BP神經網絡構建自學習控制器，并由其實現數字增量式PID控制器的輸入輸出對應關系。

圖2 BP神經網絡無刷直流電機調速系統框圖

2.2 BP神經網絡PID控制算法

BP神經網絡具有逼近任意非線性函數的能力，而且結構和學習算法簡單明確，通過網絡的自身學習，可以找到某一最優控制規律下的PID參數。三層BP神經網絡結構如圖3所示。

圖3 三層BP神經網絡結構圖

網絡輸入層的輸入為：

式中：M代表輸入變量的個數，其大小取決于被控系統的復雜程度。

網絡隱含層的輸入、輸出為：

式中： wi(j2)代表隱含層的加權系數；上角標(1)、(2)、(3)分別代表輸入層、隱含層和輸出層。隱含層神經元活化函數取正負對稱的Sigmoid函數：

網絡輸出層的輸入輸出為：

輸出層輸出節點分別對應三個可調參數Kp、 Ki、Kd。由于 Kp、 Ki、 Kd負值，所以輸出層神經元的活化函數取非負的Sigmoid函數，即：

取性能指標函數為：

按照梯度下降法修正網絡的權系數，即按 ()E k對加權系數的負梯度方向搜索調整，并附加一個使搜索快速收斂于全局極小點的慣性項：

式中：η為學習速率；α為慣性系數。

按照梯度下降法修正網絡權系數的公式為：

輸出層權系數的學習算法為：

隱含層權系數的學習算法為：

2.3 BP神經網絡PID的運算步驟

BP神經網絡電機轉速PID控制器的運算步驟如下：

（2）采樣得到t = KT時刻的 nref(k)和 n( k)值，并計算出該時刻的誤差數值為： e( k ) = nref(k ) - n ( k )；

（3）計算神經網絡各層神經元的輸入、輸出，其輸出即為PID轉速控制器的三個可調參數 Kp、Ki、Kd；

（4）計算出數字PID轉速控制器的輸出量 ()u k；

（6）k值自增1，返回步驟（2），直到誤差滿足要求為止。

3 仿真分析

為了驗證控制方案的有效性，利用 Matlab對 BP神經網絡PID控制器進行仿真分析，并與常規PID控制器進行對比分析。其中，學習速率η=0.34和慣性系數α=0.05；無刷直流電機參數為：額定電壓400V，額定轉速為800r/min，電樞繞組相電阻3.4Ω，轉動慣量0.00162kg m·；反電動勢系數為0.5188V/rad。仿真比較曲線如圖4所示。仿真時，設置在t=2.5s時突然增加負載，結果如圖5所示。

圖4 電機空載時的運行情況

圖5 2.5s突加負載的運行情況

從上圖可以看出：利用BP神經網絡PID控制的電機轉速比常規PID響應快、調節時間短，具有更加優良的靜態和動態性能。在負載突變的情況下，神經網絡PID控制系統具有較小的擾動。

4 結束語

從仿真結果可以看出，和傳統的PID控制相比，神經網絡 PID控制可以實現實時自校正，具有調節時間短、魯棒性強等優點，有比較好的控制效果，證明了神經網絡PID控制器具有良好的參數整定性能，能有效的優化參數，從而進一步提高了控制器的性能。為非線性調速系統的控制、建模、辨識提供了有效的方法與工具。

[1] 董正良. 無刷直流電機 BP神經網絡控制的研究[D]. 西安: 西安電子科技大學, 2010．

[2] 姜忠山, 宋超, 朱飛翔. 遺傳算法優化BP神經網絡在轉速 PID控制中的應用[J]. 兵工自動化,2009, 28(3): 52-55.

[3] 龍駒. 永磁無刷直流電動機轉速控制系統的優化設計[M]. 成都: 西南交通大學出版社, 2006．

[4] 劉金錕. 先進PID控制MATLAB仿真(2版) [M].北京: 電子工業出版社, 2004．

[5] 戴瑩. 基于 BP神經網絡的無刷直流電機[D]. 合肥: 合肥工業大學, 2007．

[6] 焦竹青, 屈百達, 徐保國. 基于BP神經網絡PID控制的 BLDCM 調速系統[J]. 微計算機信息,2007, 23(4): 112-113.

[7] 付麗輝. 基于改進型 BP神經網絡的無刷直流電機調速系統的應用研究[J]. 大慶師范學院學報,2010, 30(6):29-32．

審稿人：許善春

The Improved Design of Brushless DC Motors Controller Based on BP Neural Network

WANG Ling, CHENG Gengguo, ZHAO Yushou
(School of Information Engineering, Wuhan University of Science and Technology, Wuhan 430081, China)

s: The brushless DC motor is a multi-variable, strong coupling and non-linear system. With conventional linear control methods are difficult to achieve the desired results. To overcome the shortage of conventional PID control method, use BP neural network improved the PID parameters of speed controller. MATLAB simulation results show that the BP neural networks using in the brushless DC motor speed control system has good dynamic performance and steady precision, and achieve the purpose of optimizing the control system performance.

brushless DC motor; back propagation neural networks; Speed control system

TM33

B

1000-3983(2012)01-0019-03

國家自然科學基金項目（60074032）

2011-04-17

王 玲(1987-)，碩士研究生，測技術與自動化裝置專業，主要研究方向為智能控制。