摘 要：為研究智能化技術(shù)在電氣工程及其自動(dòng)化中的運(yùn)用，并優(yōu)化電氣工程及其自動(dòng)化領(lǐng)域的控制精度和動(dòng)態(tài)響應(yīng)性能，本文立足于智能化技術(shù)在電氣工程及其自動(dòng)化控制領(lǐng)域的特點(diǎn)，提出了一種以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模糊PID控制器。并通過MATLAB平臺(tái)進(jìn)行仿真試驗(yàn)證明。與傳統(tǒng)的PID控制算法相比，該控制器具備更優(yōu)秀的動(dòng)態(tài)響應(yīng)性能和控制精度，大幅降低了超調(diào)量，縮短了設(shè)定時(shí)間，并實(shí)現(xiàn)了控制參數(shù)在線自調(diào)整，為后續(xù)相關(guān)技術(shù)的發(fā)展奠定了堅(jiān)實(shí)的理論與試驗(yàn)基礎(chǔ)，并為智能化電氣控制系統(tǒng)設(shè)計(jì)指明了新的方向。

關(guān)鍵詞：電氣工程；自動(dòng)化；智能化技術(shù)

中圖分類號(hào)：TM 76" " 文獻(xiàn)標(biāo)志碼：A

在電氣工程與自動(dòng)化控制領(lǐng)域，由于智能化技術(shù)具有卓越的數(shù)據(jù)解析和整合能力，因此得到廣泛應(yīng)用。此類技術(shù)不僅使系統(tǒng)操作實(shí)現(xiàn)了自動(dòng)化和便捷化，還具備高效的數(shù)據(jù)處理能力。在控制系統(tǒng)的設(shè)計(jì)與執(zhí)行過程中，智能技術(shù)力求提升系統(tǒng)的適應(yīng)性和精確度。為應(yīng)對(duì)此挑戰(zhàn)，眾多研究者進(jìn)行了深入研究。例如，劉甫等[1]在剖析傳統(tǒng)比例-積分-微分（PID）控制算法局限性的基礎(chǔ)上，針對(duì)無刷直流電動(dòng)機(jī)控制問題，提出了一種具備模糊自適應(yīng)功能的PID調(diào)節(jié)器。該調(diào)節(jié)器能根據(jù)操作條件的變化調(diào)整控制參數(shù)，從而提升無刷直流電動(dòng)機(jī)的控制效能。此外，王立紅[2]提出了神經(jīng)網(wǎng)絡(luò)模糊PID控制算法的架構(gòu)，巧妙地將神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力與PID控制相結(jié)合，進(jìn)行更精確的自動(dòng)化控制參數(shù)調(diào)整，降低系統(tǒng)誤差，從而提高系統(tǒng)控制精度。在此基礎(chǔ)上，本文提出了一種徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模糊PID控制器，旨在提升電氣工程自動(dòng)化控制精度，通過精細(xì)調(diào)整控制策略應(yīng)對(duì)復(fù)雜、多變的操作環(huán)境。

1 基本方法

1.1 PID控制原理

PID控制器是一種常見的線性反饋控制系統(tǒng)，其目的是調(diào)節(jié)輸入信號(hào)以使參考信號(hào)rin（t）和系統(tǒng)輸出信號(hào)yon（t） 間的控制偏差e（t）最小化，如公式（1）所示。

e（t）=rin（t）-yon（t） " （1）

PID控制策略運(yùn)用比例（P）、積分（I）和微分（D）這3種控制作用疊加形成調(diào)節(jié)信號(hào)，對(duì)控制對(duì)象進(jìn)行調(diào)節(jié)。比例增益（Kp）可實(shí)時(shí)調(diào)整系統(tǒng)偏差信號(hào)，減少偏差幅度。積分增益（Ki）能消除穩(wěn)態(tài)工作條件下的殘余誤差，提高穩(wěn)態(tài)精度。低Ki值可促進(jìn)系統(tǒng)快速消除靜態(tài)誤差，但是過低可能會(huì)引發(fā)積分飽和現(xiàn)象。微分增益（Kd）可分析偏差信號(hào)變化趨勢(shì)，預(yù)測未來走向，以提前介入系統(tǒng)調(diào)節(jié)，提高動(dòng)態(tài)響應(yīng)能力，縮短達(dá)到平衡點(diǎn)所需時(shí)間。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單且出色的逼近能力，在控制理論和實(shí)踐領(lǐng)域中具有廣泛運(yùn)用。構(gòu)建該網(wǎng)絡(luò)時(shí)，為了在保證網(wǎng)絡(luò)控制能力和運(yùn)算效率間找到合適的折中方案，本文將一個(gè)3層的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)作為控制算法的核心。該3層結(jié)構(gòu)包括輸入層、隱含層以及輸出層，如圖1所示。

在圖2中，輸入層由一組含有n個(gè)元素的輸入向量X={X1，X2，...，Xn}構(gòu)成，它們代表神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。隱含層包括一組高斯函數(shù)H={h1，h2，...，hn}，這些函數(shù)是激活函數(shù)，用于將輸入向量映射到隱含層的空間。每個(gè)高斯函數(shù)與網(wǎng)絡(luò)中的一個(gè)隱藏節(jié)點(diǎn)相對(duì)應(yīng)。權(quán)值向量W={w1，w2，...，wn}包括從隱含層到輸出層的連接權(quán)重，其中Wij代表連接第i個(gè)隱藏節(jié)點(diǎn)和第j個(gè)輸出節(jié)點(diǎn)的權(quán)重。最終，輸出層由這些加權(quán)求和后的輸出值構(gòu)成。

2 模糊神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)

現(xiàn)有研究表明，集成模糊PID調(diào)節(jié)技術(shù)與徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的控制策略越來越受重視。模糊PID控制器適應(yīng)性強(qiáng)，但是優(yōu)化動(dòng)態(tài)響應(yīng)有局限。RBF神經(jīng)網(wǎng)絡(luò)以自適應(yīng)學(xué)習(xí)和近似復(fù)雜動(dòng)態(tài)著稱，可補(bǔ)充模糊PID的調(diào)節(jié)精度不足。本文提出基于RBF增強(qiáng)的模糊PID控制器，利用RBF自學(xué)習(xí)特性實(shí)時(shí)微調(diào)控制系統(tǒng)，以提高其性能?？刂七壿嬃鞒倘鐖D2所示。實(shí)施時(shí)，神經(jīng)網(wǎng)絡(luò)根據(jù)性能要求動(dòng)態(tài)調(diào)整參數(shù)。同時(shí)，方法涉及即時(shí)處理驅(qū)動(dòng)電動(dòng)機(jī)速度和電流數(shù)據(jù)，以保證系統(tǒng)精確、高效并穩(wěn)定運(yùn)作。

根據(jù)圖1和圖2可知，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)化控制流程為輸入層標(biāo)準(zhǔn)化模糊PID控制器輸出，輸送至隱含層并進(jìn)行高斯核函數(shù)非線性轉(zhuǎn)換和離散化處理，最終將非線性轉(zhuǎn)換后的數(shù)據(jù)送至輸出層進(jìn)行加權(quán)和計(jì)算，進(jìn)而輸出控制參數(shù)。1） 在隱含層中，高斯函數(shù)如公式（2）所示。2） 在輸出層，線性求和如公式（3）所示。3） PID變化量整定。

將RBF神經(jīng)網(wǎng)絡(luò)處理后計(jì)算出的參數(shù)變量直接傳輸至速度比例-積分-微分（PID）調(diào)節(jié)單元。在該調(diào)節(jié)環(huán)節(jié)中，根據(jù)神經(jīng)網(wǎng)絡(luò)處理得到的參數(shù)變量來設(shè)定控制器的輸出參數(shù)，即?kp、?ki和?kd。這些參數(shù)用于精確調(diào)節(jié)速度控制量，提升控制系統(tǒng)精度和響應(yīng)性。為優(yōu)化參數(shù)調(diào)整，本系統(tǒng)采用梯度下降法在線整定PID控制器參數(shù)。該方法可計(jì)算誤差梯度并逐步調(diào)整參數(shù)，使誤差最小化，更準(zhǔn)確、高效地控制輸出。整定過程如公式（4）所示。將計(jì)算得出的控制參數(shù)變量會(huì)與前一時(shí)刻的控制參數(shù)相結(jié)合，即將當(dāng)前計(jì)算的參數(shù)與上一個(gè)時(shí)刻的參數(shù)相加得出最終調(diào)節(jié)結(jié)果。該最終結(jié)果將被反饋到系統(tǒng)中，用于調(diào)整控制變量，以更精確地進(jìn)行變量控制，如公式（5）所示。

（2）

式中：C=[c1，c2，...，cn]為中心向量；b=[b1，b2，...，bn]為基款項(xiàng)量。

ym=ω1h1+ω2h2+...ωmhm （3）

式中：ω為網(wǎng)絡(luò)權(quán)值。

（4）

式中：η為學(xué)習(xí)速率；等同于。

（5）

3 試驗(yàn)仿真

3.1 電機(jī)和控制系統(tǒng)仿真

本文利用MATLAB軟件構(gòu)建電機(jī)及其控制系統(tǒng)的仿真環(huán)境，旨在分析模糊神經(jīng)網(wǎng)絡(luò)PID控制器與傳統(tǒng)PID控制器在控制性能上的差異。為了評(píng)估仿真中電機(jī)系統(tǒng)的動(dòng)態(tài)響應(yīng)特性，本文進(jìn)行空載條件下的模擬駕駛試驗(yàn)。該試驗(yàn)采用的電動(dòng)機(jī)模型參數(shù)設(shè)置如下：定子繞組電感為2.2 mH，電阻為0.324 Ω，電機(jī)具有2組對(duì)極，并且轉(zhuǎn)動(dòng)慣量為0.35 kg·m2。將模擬電機(jī)系統(tǒng)被施加200 V的電壓，并在70 ms的持續(xù)時(shí)間內(nèi)進(jìn)行仿真。仿真結(jié)果如圖3所示。

基于圖3的仿真結(jié)果，電機(jī)繞組在無負(fù)載起動(dòng)過程中的峰值電流為185 A，符合標(biāo)準(zhǔn)。正常操作下，繞組反電動(dòng)勢(shì)波形寬度約為125°，符合規(guī)范。這些數(shù)據(jù)表明本文構(gòu)建的電機(jī)及其控制系統(tǒng)仿真模型具有高代表性，能提供穩(wěn)定、可信的仿真信息。因此，該模型為控制策略開發(fā)和效能比較提供了有效仿真基礎(chǔ)。

3.2 模糊神經(jīng)網(wǎng)絡(luò)PID算法仿真

設(shè)被控對(duì)象如公式（6）所示。

（6）

輸入信號(hào)如公式（7）所示。

rin（t）=0.5sgn（sin（2πt）） " "（7）

使用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)辨識(shí)時(shí)，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3層，即輸入層、隱含層和輸出層。該網(wǎng)絡(luò)結(jié)構(gòu)為3-6-1，表明輸入層具有3個(gè)神經(jīng)元，隱含層具有6個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。該RBF網(wǎng)絡(luò)的3個(gè)輸入變量為u（t）、yout（t）和yout（t-1），輸出為RBF網(wǎng)絡(luò)辨識(shí)，其結(jié)果如圖4所示。

MATLAB仿真曲線分析表明，當(dāng)RBF神經(jīng)網(wǎng)絡(luò)與模糊邏輯被整合應(yīng)用于PID控制策略中時(shí)，與傳統(tǒng)的PID控制方法相比，本文提出的控制策略具有明顯優(yōu)勢(shì)，即控制過程中的超調(diào)更小，系統(tǒng)的響應(yīng)時(shí)間顯著減少。此外，該策略還實(shí)現(xiàn)了PID控制器中比例（P）、積分（I）和微分（D）這3個(gè)關(guān)鍵參數(shù)在線實(shí)時(shí)自調(diào)整，進(jìn)一步表明模糊RBF神經(jīng)網(wǎng)絡(luò)控制器在處理復(fù)雜的自動(dòng)化控制問題過程中具有優(yōu)良的性能表現(xiàn)。

4 結(jié)語

智能化技術(shù)的應(yīng)用提高了電氣自動(dòng)化控制的精確性和穩(wěn)定性。本文提出的基于RBF神經(jīng)網(wǎng)絡(luò)的模糊PID控制器運(yùn)用了先進(jìn)的智能算法，滿足了電氣工程中精確控制的需求。試驗(yàn)仿真結(jié)果驗(yàn)證了模糊神經(jīng)網(wǎng)絡(luò)PID控制方法在處理復(fù)雜系統(tǒng)的調(diào)節(jié)速度與準(zhǔn)確性方面比傳統(tǒng)PID控制更具優(yōu)勢(shì)。因此，本文不僅擴(kuò)展了智能化技術(shù)在自動(dòng)化電氣工程領(lǐng)域的應(yīng)用，還為今后相關(guān)技術(shù)的研究奠定了理論與試驗(yàn)基礎(chǔ)。

參考文獻(xiàn)

[1]劉甫，曾國輝，黃勃，等.基于改進(jìn)模糊控制的無刷直流電機(jī)控制系統(tǒng)[J].制造業(yè)自動(dòng)化，2021，43（10）：64-67，118.

[2]王立紅.直流調(diào)速系統(tǒng)神經(jīng)模糊自適應(yīng)控制器設(shè)計(jì)[J].機(jī)電工程技術(shù)，2021，50（4）：190-191，253.