基于PID神經網絡控制器的汽車起動電機測試系統*

張墩利,　周國棟,2

(1. 湖南廣播電視大學 機電工程系，湖南 長沙　410004；2. 中南大學 機電工程學院，湖南 長沙　410083)

?

基于PID神經網絡控制器的汽車起動電機測試系統*

張墩利1,周國棟1,2

(1. 湖南廣播電視大學 機電工程系，湖南 長沙410004；2. 中南大學 機電工程學院，湖南 長沙410083)

汽車起動電機測試系統具有復雜的非線性和強干擾等特點，測試精度高、測試速度快，對控制器要求很高。傳統的PID算法對非線性系統效果不佳，容易出現較大的電流和力矩沖擊；復雜的智能算法過程繁瑣，參數整定困難，在工程實際中實現困難。設計了PID神經網絡控制器，結合PID算法和智能算法兩者的優點，既利用PID簡單的結構，又借助神經網絡的非線性映射特點和自學習能力來優化PID參數。仿真表明系統具有較高的測試精度和測試效率。該方法使用簡單，很適合在工程實際中推廣應用。

直流電機； 起動電機測試系統； PID神經網絡

0　引　言

汽車起動電機測試系統具有復雜的非線性和強干擾等特點，為了實現測試精度高、測試速度快，對控制器要求很高[1]。目前工程實際中用的主要是PID算法，實際表明PID對非線性系統效果不佳，輸出量波動很大，容易出現較大電流和力矩沖擊、效果不佳。

近年來，智能算法開始應用于電機測試系統，有自抗擾控制算法(Active Disturbance Rejection Control, ADRC)[2]、滑模變結構理論[3]、模糊控制[4]等。但智能算法大都結構復雜、參數眾多，且參數物理意義不明顯，所以整定和優化都很困難，以上方法雖在試驗室取得了較好的結果，但在工程實際中卻不易應用。

PID神經網絡(PID Neural Network, PIDNN)是用于非線性系統控制中的一種結構簡單、算法高效的控制方法[5]。其派生于傳統PID控制算法，既繼承了PID控制不需要被控系統精確數學模型、結構簡單、算法高效等優點，又結合了神經網絡的非線性映射特點和自學習能力[6-7]。

本文通過分析汽車起動電機測試系統數學模型的特點，將PIDNN算法應用于起動電機測試系統，用PID元素作為神經網絡的隱含層神經元，既簡化了神經網絡的結構設計，又使神經元的物理意義變得清晰，再利用神經網絡的非線性映射規律和在線優化的能力，自動調整PID的權值參數。

1　起動電機測試系統模型分析

圖1為汽車起動電機性能測試原理圖。其控制任務是通過兩個不同的調節回路，同時調節好起動電機的輸出轉速和模擬負載力矩，再判斷輸出電流是否合格。由PIDNN控制器完成模擬負載力矩和轉速的雙控制量解耦輸出。

圖1　起動電機測試系統原理圖

測試系統的狀態方程如下[8]：

(1)

式中：La——轉子電感；

ia——轉子電流值；

Ua——電機的轉子電壓；

r——轉子內阻值；

Ce——電機電勢系數；

v——轉子轉速；

J——電機轉動慣量；

T——電機力矩，T=CTia；

Td——系統未知的擾動轉矩總和；

TL——電機負載轉矩，即磁粉制動器的輸出力矩；

CT——轉矩系數。

磁粉制動器的輸出力矩TL與輸入信號ig的關系為

TL=kig+d

(2)

式中：k、d——線性關系系數值，可通過試驗數據的回歸得到。

綜上可知，該系統中，Ua、ig為輸出量，ia、v為輸入量。

2　PIDNN控制算法

對起動電機測試系統模型分析可知，系統應為兩輸入兩輸出的結構。因此，選ia、v作為測試系統的狀態變量，相應地選擇Ua、ig作為測試系統的控制變量。設計PIDNN控制器的網絡拓撲如圖2所示。

圖2　PIDNN控制算法的網絡結構圖

2.1正向通路算法

神經網絡正向通路的任務是實現將信號從輸入層傳遞到隱含層，再從隱含層傳遞到輸出層。在該系統中，其任務是接受目標調節值，經過神經網絡計算，輸出為測試起動電機所需的Ua、ig。各層算法如下[9]。

(1) 輸入層算法。

xi(k)=ui(k)

(3)

式中：xi(k)——輸入層各神經元的轉換輸出值；

i——輸入層神經元的序號,取值為1～4；

k——時序序號；

ui(k)——輸入層各神經元的原始輸入值。

隨著市場經濟的發展，評估行業已經成為一個十分重要的中介服務行業。為規范評估從業行為，遵循權利與義務對等的原則，本條明確規定了評估專業人員的法定義務，從而督促評估專業人員誠實守信、勤勉盡責，依法獨立、客觀、公正從事業務。

(2) 隱含層。隱含層包含2個比例神經元P(序號為1和4)、2個積分神經元(序號為2和5)和2個微分神經元D(序號為3和6)，共6個神經元。其輸入值來自上一層輸入層的輸出值乘以相應的權值，其輸出值即為PID算法結果。表達式如下：

(4)

比例元：

(5)

微分元：

(6)

積分元：

(7)

為保證系統輸出的穩定，必須對PID神經元的輸入和輸出量都進行限幅，按照歸一化運算規則，上限為+1，下限為-1，即：

(8)

(3) 輸出層。PIDNN輸出層的任務是完成神經網絡的總和輸出。其輸入為上一層隱含層的各個輸出值的加權和，表達式為

(9)

與隱含層一樣，為方便歸一化計算，輸出層的輸入輸出也需要進行限幅。輸出x″h(k)表達式為

(10)

式中：i——輸入層的神經元編號(i=1，2，3,4)；

j——隱含層的神經元編號(j=1，2，3，4，5，6)；

wij——輸入層到隱含層的連接權重值；

whj——隱含層到輸出層的連接權重值；

標單引號的變量——隱含層變量；

標雙引號的變量——輸出層變量。

2.2反向通路算法

神經網絡反向通路的任務是實現根據系統輸出值和目標值的差距，以及各狀態變量值，按照最優梯度下降法不斷修改各個連接權重值，從而達到訓練神經網絡的目的。本系統中，就是不斷優化wij和whj值，使系統輸出最接近目標值。

PIDNN學習的目標就是尋找誤差的最小二乘，使J達到最?。?/p>

(11)

式中：m——采樣點數。

PIDNN的權重值調節算法如下。

(1) 隱含層至輸出層：

(12)

(13)

(2) 輸入層到隱含層：

(14)

(15)

3　仿真試驗

根據以上計算分析公式和表1中起動電機仿真參數[10]，得出PIDNN的初始權重值如表2所示。以此對PIDNN進行訓練，學習步長設置為0.05，每一步的采樣點數設置為m=800，15步后完成訓練。

對系統分別做了開環、按經驗給定初始權值的PIDNN、經過訓練后的PIDNN三種不同控制方式下的性能測試。

表1　起動電機仿真參數

表2　PIDNN初始權重值

設置調節目標為轉速3200r/min、電流72A，分別采用上述三種控制器所對應的輸出波形如圖3所示。

從圖3可知，開環調節的電流、轉速在2.2s達到穩態，最大超調量為80A、3587r/min；給定初始權值的PIDNN調節器在1.8s達到穩態，最大超調量為83A、3910r/min；而訓練后的PIDNN調節器在1.2s達到穩態，最大超調量為75A、3850r/min。

以上試驗表明，訓練后的PIDNN控制器具有超調量更小、過渡時間更短、調節速度更快等優點，可以更好地保證測試過程能在更短的時間內完成，以便更好地保護起動電機、提高測試效率和測試精度。

圖3　轉速、電流起動測試響應曲線

4　結　語

將PIDNN控制器應用于汽車起動電機測試系統，有效地將PID算法簡單高效的優點和神經網絡自適應能力強的優點巧妙地結合起來。仿真顯示PIDNN控制器表現出了較好的控制優勢，具有動態響應快、調速范圍寬等特點，為工程實際應用提供了一種簡單實用的新方法。

[1]道路車輛起動機電氣特性試驗方法： GB/T 26674—2011[S].

[2]張墩利，周國棟.采用自抗擾控制器的汽車起動電機測試系統[J].電機與控制應用，2015,42(8)： 77-80.

[3]李政，胡廣大，崔家瑞，等.永磁同步電機調速系統的積分型滑模變結構控制[J].中國電機工程學報，2014,34(3)： 431- 438.

[4]BOSSANYI E A. GH bladed theory manual[G]. UK-Bristal： Grand Hassan and Partner Limited， 2009.

[5]舒懷林.PID神經元網絡及其控制系統[M]．北京： 國防工業出版社，2006．

[6]李爽,王志新,王國強.基于改進粒子群算法的PIDNN控制器在VSC-HVDC中的應用[J].中國電機工程學報,2013,33(3)： 14-21.

[7]蘇立軍,朱紅娟,李小民,等.四旋翼PIDNN控制器設計[J].電光與控制，2015,22(2)： 65-69.

[8]周儒勛,張澤龍,圿迎川.直流電機模型參數的直接辨識[J].計算機仿真，2006,21(6)： 113-115.

[9]郭紅霞,楊金明,劉文剛.無刷雙饋電機的PID神經網絡控制[J].系統仿真學報,2008,25(1)： 53-57.

[10]周國棟,張墩利.基于ADRC的起動機負載測試系統[J].自動化與儀表,2015,21(1)： 51-54.

Automobile Staring Motor Test System Based of PID Neural Network Controller*

ZHANGDunli1,ZHOUGuodong1,2

(1. Department of Mechanical and Electrical Engineering, Hunan Radio and TV University,Changsha 410004, China;2. College of Mechanical and Electrical Engineering, Central South University, Changsha 410083, China)

Starter performance tester requires high precision and fast speed with a complex nonlinear structure and strong interference. The traditional PID controller always brings the bad effect with larger current and torque shocks. The complex intelligent algorithm was difficult to be realized in practical engineering for its trouble of parameter tuning. A new PID neural network(PIDNN) controller was designed which integrated the advantages of PID and intelligent controller. PIDNN had simple structure as PID and self learning ability as NN to optimize parameters. The simulation results verified the precision and efficiency of the test system.

DC motor; starting motor test system; PID neural network

湖南省教育廳資助項目(15C0930);湖南省科技廳工業支撐項目(2014GK3054)

張墩利(1979—)，女，碩士，講師，研究方向為電機控制技術。

周國棟(1979—)，男，博士，副教授，研究方向為先進控制技術等。

TM 306

A

1673-6540(2016)09- 0070- 04

2016-04-24