楊瑞鋒

摘要：基于傳統(tǒng)的PID控制，對無刷直流電機轉(zhuǎn)速引入模糊控制，設(shè)計了模糊PID控制器。再將模糊控制與神經(jīng)網(wǎng)絡(luò)融合，使模糊規(guī)則、模糊推理和隸屬度函數(shù)映射于BP網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)中，提取模糊PID控制器的輸入/輸出數(shù)據(jù)，訓練 BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)（FNN）控制器，對無刷直流電機轉(zhuǎn)速環(huán)實現(xiàn)了穩(wěn)定控制。系統(tǒng)仿真結(jié)果表明模糊PID和模糊神經(jīng)網(wǎng)絡(luò)控制策略均優(yōu)于傳統(tǒng) PID 控制，并使無刷電機控制系統(tǒng)的自適應(yīng)能力、動靜態(tài)性能以及抗負載擾動能力明顯提高。

關(guān)鍵詞：無刷直流電機；PID；模糊控制；BP神經(jīng)網(wǎng)絡(luò)；模糊神經(jīng)網(wǎng)絡(luò)（FNN）

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）17-0185-03

Abstract： Based on the traditional PID control， the brushless dc motor speed the introduction of Fuzzy control， Fuzzy PID controller is designed. Then the Fuzzy control and neural network are integrated， make the membership functions and fuzzy rules and fuzzy reasoning mapping of BP network structure and parameters， extracting of Fuzzy PID controller input/output data， training the BP neural network， construction of fuzzy neural network （FNN） controller， the brushless dc motor speed loop stability control is realized. System simulation results show that Fuzzy PID and Fuzzy neural network control strategy is superior to traditional PID control， and the adaptive ability of the control system of brushless motor， the dynamic and static performance， and obviously improve the ability to resist load disturbance.

Key words： Brushless dc motor； PID； Fuzzy control； BP neural network； fuzzy neural network （FNN）

無刷直流電機的產(chǎn)生憑借其體積小、重量輕、結(jié)構(gòu)簡單、維護方便、運行可靠、效率高等諸多優(yōu)點，在許多領(lǐng)域得到了廣泛應(yīng)用[1]。由于無刷直流電機調(diào)速控制系統(tǒng)是多變量、強耦合的非線性系統(tǒng)，而傳統(tǒng)的 PID 控制只適用于線性系統(tǒng)，并且主要依賴于系統(tǒng)精確的數(shù)學模型，在一些要求高精度、高性能的場合，PID 調(diào)速已不能滿足較高的控制要求。因此，研究采用新型智能化控制方法提高控制系統(tǒng)的整體性能具有重要意義。

模糊控制是智能控制的一個重要分支，它是一種以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的計算機控制[2-4]。人工神經(jīng)網(wǎng)絡(luò)是從微觀結(jié)構(gòu)和功能上對人腦神經(jīng)系統(tǒng)的模擬而建立起來的一類模型，具有非線性、學習能力和自適應(yīng)特征[5]。

本文將模糊控制和神經(jīng)網(wǎng)絡(luò)控制相融合，優(yōu)勢互補，設(shè)計了一個模糊神經(jīng)網(wǎng)絡(luò)控制器對無數(shù)直流電機的轉(zhuǎn)速環(huán)進行控制。通過仿真實驗與傳統(tǒng)PID控制進行比較研究。

1 PID控制

PID控制是將經(jīng)過反饋后得到的誤差信號分別進行比例、積分和微分運算疊加得到控制器輸出信號。常規(guī)PID控制系統(tǒng)仿真模型如圖1所示。

式中，KP為比例系數(shù)，為積分時間常數(shù)，[τ]為微分時間常數(shù)，三者都是可調(diào)參數(shù)。在實際應(yīng)用中多是通過試湊法來確定PID的參數(shù)。

2 模糊PID控制器

模糊控制器設(shè)計：結(jié)構(gòu)如圖2所示。輸入為偏差e和偏差變化率[ec=de/dt]，輸出量為實際控制量u。偏差 E、EC、U 的模糊子集均?。簕NB，NM，NS，ZO，PS，PM，PB}，論域均為[-6，6]，選取正態(tài)分布隸屬度函數(shù)。當控制系統(tǒng)輸入為2500rpm時，設(shè)置比例因子分別為[ke=0.0024]，[kec=0.000022]，[ku=416]。對應(yīng)的模糊控制規(guī)則如表1所示。

基于Matlab 2009a軟件環(huán)境，對無刷電機（BLDCM）和逆變器模型搭建Simulink仿真模型。BLDCM參數(shù)：額定功率 P=1kW，額定轉(zhuǎn)速[ne]=3000rpm，定子繞組相電阻R=2.875?，繞組自感L=8.5mH，互感M=1.2mH，轉(zhuǎn)動慣量[J=0.008kg?m2]，極對數(shù)[p=4]。參數(shù)設(shè)置：給定2500rpm，采樣周期[Ts=5×10-5s]，PID參數(shù)：[kp=100]，[ki=5]，[kd=0.1]。PID與模糊控制器切換點設(shè)置為12。模糊PID控制的無刷直流電機控制系統(tǒng)仿真模型如圖3所示。

3 基于 BP神經(jīng)網(wǎng)絡(luò)的模糊神經(jīng)網(wǎng)絡(luò)控制器

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[6]，其結(jié)構(gòu)如圖6所示，網(wǎng)絡(luò)由輸入層、隱層、輸出層組成。結(jié)構(gòu)為i-j-m。[wij]為輸入到隱層連接權(quán)，[wjm]為隱層到輸出的連接權(quán)。

本文采用單輸入/單輸出的網(wǎng)絡(luò)結(jié)構(gòu)，隱層取15個神經(jīng)元，即網(wǎng)絡(luò)結(jié)構(gòu)為1-15-1。將圖3所示的模糊PID控制系統(tǒng)采集誤差e和控制器輸出u，作為網(wǎng)絡(luò)的輸入、輸出量，共采集1000組數(shù)據(jù)樣本，歸一化后輸入網(wǎng)絡(luò)進行離線訓練。參數(shù)設(shè)置：誤差精度設(shè)置為0.00001，隱層函數(shù)為“tansig”，輸出層函數(shù)選擇“purelin”，訓練方式為“trainlm”，該方法具有較快的收斂速度。將訓練好的BP網(wǎng)絡(luò)提取Simulink模型后作為模糊神經(jīng)網(wǎng)絡(luò)控制器，導入至電機控制系統(tǒng)，置換PID控制器如圖7所示。然后還需調(diào)節(jié)歸一化、反歸一化參數(shù)，并進行給定輸入、負載擾動作用下的實驗。

負載擾動為3[N?m]，輸入啟動信號為2500rpm，測試響應(yīng)曲線。將PID和FNN兩種控制方法的轉(zhuǎn)速仿真結(jié)果歸納為一個圖，如圖8所示。圖中FNN表示模糊神經(jīng)網(wǎng)絡(luò)控制器。常規(guī)PID控制器參數(shù)：[kp=17] [ki=0.013]，[kd=0]。兩種方法控制器限幅值均為[-500，500]。

由圖8明顯看出，采用模糊神經(jīng)網(wǎng)絡(luò)控制性能比PID控制好很多，達到無超調(diào)，響應(yīng)速度很快，抗負載擾動能力很強，而PID控制無論啟動還是抗干擾適應(yīng)能力弱。從而證明了模糊神經(jīng)網(wǎng)絡(luò)控制的優(yōu)越性。

模糊控制與神經(jīng)網(wǎng)絡(luò)方法融合，是將神經(jīng)網(wǎng)絡(luò)的學習能力引入到模糊控制系統(tǒng)中，用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)模糊控制中的模糊化、模糊推理、精確化計算。需要采集輸入樣本數(shù)據(jù)用 BP 算法對網(wǎng)絡(luò)進行離線訓練；利用訓練好的網(wǎng)絡(luò)，在線計算得到最佳輸出。這種控制模式反應(yīng)速度快，而且能充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學習功能和聯(lián)想記憶能力，對于未在訓練樣本中出現(xiàn)的情況，也可以通過聯(lián)想記憶功能，做出最優(yōu)控制決策，表現(xiàn)非常靈活。

在 Simulink仿真環(huán)境下建立模糊神經(jīng)網(wǎng)絡(luò)控制器模型后，即可實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)控制器與Power System Blockset仿真環(huán)境的有效連接。

5 結(jié)論

在 MATLAB環(huán)境中對無刷直流電機調(diào)速控制系統(tǒng)速度環(huán)進行PID控制仿真。在此基礎(chǔ)上，設(shè)計了模糊PID控制器、模糊神經(jīng)網(wǎng)絡(luò)控制器，建立了無刷直流電機調(diào)速系統(tǒng)的仿真模型，并進行了給定輸入、負載擾動作用實驗。仿真實驗結(jié)果曲線表明模糊PID控制、模糊神經(jīng)網(wǎng)絡(luò)控制均優(yōu)于常規(guī)PID控制，動靜態(tài)得到較大提高，尤其是模糊神經(jīng)網(wǎng)絡(luò)控制器具有較強的自學習、自適應(yīng)和抗擾動能力，系統(tǒng)的可靠性、穩(wěn)定性和魯棒性好，從而證明了本文方法的有效性。

參考文獻：

[1] 曹少泳. 基于 DSP 的 BLDCM 無位置傳感器模糊 PID 調(diào)速系統(tǒng)的研究[D]. 華南理工大學，2007.

[2] 姜長生，王從慶，等. 智能控制與應(yīng)用[M]. 科學出版社，2007：75-79.

[3] 韓俊峰，李玉惠. 模糊控制技術(shù)[M]. 重慶大學出版社，2003.

[4] 劉曙光，魏俊民，竺志超. 模糊控制技術(shù)[M]. 中國紡織出版社，2001.

[5] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與 MATALAB7實現(xiàn)[M]. 電子工業(yè)出版社，2005：18-20.

[6] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M]. 哈爾濱工業(yè)大學出版社，1999（5）：3，7，12-15.