《基于BP 神经网络的电机系统的波形控制（学位论文-工学）》由会员分享，可在线阅读，更多相关《基于BP 神经网络的电机系统的波形控制（学位论文-工学）（5页珍藏版）》请在金锄头文库上搜索。
1、基于 BP 神经网络的电机系统的波形控制邓建国李杰【摘要】阐述了 BP 神经网络模型和算法，建立了电流型交交变频同步电动机的波形控制神经网络 BP 模型，并将计算结果与仿真结果作了比较。关键词：BP 神经网络；反向传播算法；波形控制Artificial Neural Network Method for Wave Control of Current-source Cydocorwerter-fed Synchronous MotorDeng Jianguo Li JieAbstract：This paper expounds the back propagation algorithm of
2、 the artificial neural network and proposes the adaptive control method of the armature current wave of current-source motor. The result is in agree with the simulation result.Key words：Artificial neural; Network back propagation; Wave control1引言电流型交交变频同步电动机稳态运行时，电机相绕组电流近似为一矩形波，其波形与电动机参数、电源侧整流电压平均值
3、Ud、平波电抗器电感 Ld值有关。在实际应用中，由于负载大小、性质不同，往往对电动机电流波形有不同要求，这时一般方法是通过假设一组控制参数，经过仿真程序或实验测定获得电流波形，然后调整控制参数，多次循环反复至获得所要求的电流波形。显然，这种方法比较盲目，需要人工调节，对经验的要求很高，所需计算时间很长，不符合实时控制的要求。人工神经网络以其高度非线性映射，自组织结构，高度并行和不需预先建模等优点为解决上述问题提供了可能，它为人们解决实际问题提供了一个崭新的手段。2BP 神经网络模型及算法BP 模型是一个多层感知机构，是由输入层、中间层（隐层）和输出层构成的前馈网络，只含有一个中间层的 BP 模
4、型，如图 1 所示。图 1 神经网络模型图 1 中有 N 个输入节点和 L 个输出节点，它们的非线性激活函数即 Sigmoid 函数为：(1)多层计算单元的输出按式(2)、(3)计算：(2)(3)式中X i输入层第 i 个节点的输出值Y j中间层（隐层）第 j 个节点的输出值W ij输入层第 i 个节点到中间层第 j 个节点的权系数W jk隐蔽层第 j 个节点到输出层第 k 个节点的权系数 j中间层第 j 个节点的内部阀值 k输出层第 k 个节点的内部阀值Z k输出层中第 k 个节点的实际输出值BP 神经网络的自学习过程是一个反复迭代的过程，首先给网络一组初始权值，然后输入一个样本并计算其输出
5、，通过实际的输出与期望值之间的差值用一定的方法来修改网络的权值，以达到减小这个差值的目的。反复执行这个过程直到这个差值小于预先确定的值为止。对足够的样本进行这样的训练后，网络所得的那组权值便是网络经过自适应学习得到的正确的内部关系。自学习过程的具体算法如下：(1)给网络赋一组小的随机初始权值，其值在 0 到 1 之间，并使其互不相等。(2)将输入数据规一化，使其在 0 到 1 之间，并确定期望输出信号(d 0, d1, dL-1)。(3)逐层计算神经网络的实际输出值。(4)(4)从输出层开始，反向调整权值，其调整公式如下：W jk+ kYjW jkW ij+ jXiW ij式中 k=(dk-Z
6、k)Zk(1-Zk)(5)计算总的误差 E，若 E，学习停止，否则转到(3)重新计算。在实际编制程序时，如果步长 较小则学习速度较慢，而若 过大则会引起网络出现摆动。为解这一问题，可在式(4)中加入一个动量 (01)，即Wjk+ kYj+ .W jkW jkWjk+ jXi+ .W ijW ij式中 W jk连续两次 Wjk 之差W ij连续两次 Wij 之差3神经网络模型用于波形控制3.1神经网络用于波形控制实际应用中，一般电动机参数及励磁情况不变，可控参数为电源侧整流电压 Ud、平波电抗器值 Ld，描述电动机定子绕组电流波形的参数为一个 60计算周期的电流平均值 Id和波形系数 Kd。如图
7、 2 所示。图 2定子相电流波形这里 Kd=Imax/Imin式中I max、I min分别为一个 60计算周期的最大、最小瞬时电流值具有高度非线性特征的人工神经网络为解决 Id、K d、U d、L d变量之间复杂的映射关系提供了新的手段和工具。神经元 BP 网络具有很强的映射功能，这可由 kolmogorov 多层神经网络映射存在定理看出 2。该定理的主要内容是：对于任一连续函数中：:I NR M,Y=(x)（I 是单位闭区域0，1），都存在一个输入层有 n 个神经元，隐层有 2n+1 个神经元，输出层有 m 个神经元的三层神经网络，该神经网络可以用来精确地表达该连续函数 Y=(x)。kol
8、mogorov 三层神经网络存在定理，在理论上证明了任意一个连续函数都能与一个三层神经 BP 网络建立映射关系。基于 kolmogorov 三层神经网络映射存在定理，对于本文研究的问题，可以采用三层 BP 神经元网络精确实现映射 F:(Id, Kd)(U d, Ld)。相应地可给出如图 3 所示的 BP网络控制模型。图 3 BP 网络控制框图本文构造的三层 BP 网络，其输入层有 2 个神经元，隐层有 5 个神经元，输出层有2 个神经元。3.2 训练集样本的选取为了获得训练集样本，在文献3的仿真模型中，改变参数值 Ud和 Ld，可以得到不同的 Id和 Kd。本文通过这种方法获得了 9 个样本点
9、，数据如表 1 所示。另外，通过实验方法也可获得样本集，这里用到仿真模型只是为了较容易地获得样本集。3.3 输入数据的标准化由于输入样本各参数的集中取值范围不同，参数大小不一，为了使各类参数所起的作用大致相同，必须对输入数据进行标准化，把输入数据都规一到0,1闭区域内。对于表 1 中的输入向量 ，因此，在生成输入向量时，L d、K d应分别缩小10%，以使数据规一到0,1之间。表 1 样本集Ud Ld Id Kd0.866 1.88 0.5468 1.11310.845 1.88 0.4687 1.13230.827 1.88 0.4096 1.16120.866 3.72 0.5124 1.
10、06590.845 3.72 0.4812 1.06570.827 3.72 0.4409 1.07390.866 5.50 0.5105 1.04430.845 5.50 0.4809 1.43200.827 5.50 0.4579 1.04543.4 结果分析与讨论对给定的样本集进行训练学习后，对于给定的 Id、K d，即可利用训练好了的神经网络模型确定控制参数 Ud、L d。为了检验结果的正确性，把人工神经网络输出的Ud、L d又代入仿真模型中计算出 Id、K d。表 2 给出了人工神经元 BP 网络实计算结果与仿真模型计算结果比较。表 2 人工神经元网络计算结果与仿真模型计算结果比较U
11、d Ld Id Id Kd Kd网络 仿真 网络 仿真0.8478 2.686 0.48 0.4643 0.0157 1.10 1.0935 0.00650.8244 4.9835 0.43 0.4455 0.0155 1.06 1.0546 0.0054从表 2 可知，人工神经元网络计算结果与仿真模型计算结果相近，说明本文建立的人工神经元三层 BP 网络模型是正确的。 4 结论由本文的分析可知，用人工神经网络 BP 三层反向传播模型研究电流型交交变频同步电动机稳态运行的波形控制能够得到非常满意的结果。这种方法有如下优点：(1) 速度快。训练好的神经元网络只需做少量的四则运算，即可获得所需的控制参数；(2) 可靠性高。在神经网络模型中信息分布存储在各个单元中，个别单元损坏或个别输入信号测量误差变大都不会引起可控参数的错误，因此用神经网络模型进行波形控制容错能力强，可靠性高。可以预见，人工神经网络方法在波形控制以及其它领域将有广阔的应用前景。作者单位：湖南大学(长沙 410082)参考文献1张立明.人工神经网络的模型及其应用.上海：复旦大学出版社，1992.2胡德文.多层神经网络逼近精度研究.首届中国神经网络学术大会论文集，1990.3李杰.无换向器电机交交系统稳态运行时的数学模型及阻尼绕组电流的计算研究.湖南大学学报，1996，(6).
