《基于神经网络的多电机同步控制》由会员分享，可在线阅读，更多相关《基于神经网络的多电机同步控制（4页珍藏版）》请在金锄头文库上搜索。
1、基于神经网络的多电机同步控制基于神经网络的多电机同步控制在造纸、印染、纺织等高精度、高转速传动系统中，随着工业自动化程度的提高和生产规模的扩大，采用单电机驱动往往难以满足生产的要求。而多电机同步控制历来是最核心的问题，对多电机同步协调控制，国内、外同行也有不少研究。在实际应用中，多电机的同步性能会因各传动轴的驱动特性不匹配、负载的扰动等因素的影响而恶化，因此同步控制方法的好坏直接影响着系统的可靠性。本文通过对的多电机同步传动系统主要控制策略分析，得出改进的耦合控制是当前比较好的控制思想，实际应用中采用易于实现的 PID 作为同步补偿控制器算法。但传统 PID 控制器结构简单、鲁棒性较差且抗扰动
2、能力也不太理想。因此在控制策略上，采用神经网络控制和 PID 控制算法相结合的方法。仿真结果表明，将该方法用于多电机同步控制中，不仅具有良好的动态性能，而且整个系统同步精度也有所提高。2 多电机同步控制的原理对于多电机同步控制系统来说，实现的是电动机转速的跟随，受到扰动的电动机转速是变化的，其它的电动机跟随这台电动机的转速变化。在系统受到扰动后的初始状态，电动机之间的转速趋于同步越快越好，即应尽快消除转速偏差；当电动机之间的转速趋于同步时，要尽量减小转速发生超调。一般情况是要求系统中的第 i 台电动机转速 vi 和第 i+l 台电动机转速 vi+1，之间保持一定的比例关系，即 vi=avi+1
3、 以满足系统的实际工艺要求。这里 a 为转速同步系数。在实际运行过程中若要满足系统的同步要求，周期采样获取某一环节的前台电动机转速 vi 和后台电动机转速vi+1 后，vi 和 vi+1 按下式定义转速同步偏差时，表明在同步系数 a 下，vi 和 vi+1 同步，当 e0 时，表明在同步系统 aF，vi 和 vi+l 不同步在本文中采用改进的耦合同步控制系统(如图 1)，各电机采用同一电压给定的基础上，电机l 转速误差v1=v1vfb1，电机 2 的转速误差v2=v2 一 vfb2，计算某一电机实际速度和给定速度的偏差 e，以及当前的偏差变化量e，同步控制器补偿同样采用 PID 控制。其差值经
4、过 PID 补偿器加到随动电机输入端。3 基于神经网络 PID 控制器的建立BP 神经网络是应用最广泛的一种人工神经网络，在各门学科领域中都具有很重要的实用价值，根据本系统的控制系统的特点，为了快速消除同步误差，本文采用 BP 神经网络与 PID 相结合的作为同步补偿方法。31 BP 神经网络 PID 控制系统的结构基于 BP 网络的 PID 控制系统结构如图 2 所示，控制器由两部分组成：(1)常规 PID 控制器，直接对被控对象进行闭环控制，并且其控制参数 Kp、Ki、Kd 为在线调整方式；(2)BP 神经网络，根据系统的运行状态，调节 PID 控制器的参数，以期达到某种性能指标的最优化，
5、使输出层神经元的输出对应于 PID 控制器的 3 个可调参数 KD、Ki、Kd。通过 BP 神经网络的自学习、加权系数的调整，使 BP 神经网络输出对应于某种最优控制规律下的 PID 控制器参数。以电机作为控制对像，一般采用增量式 PID 控制算法进行控制。它的控制算式为：式中 KP、KI、KD 分别为比例、积分、微分系数32 神经网络 PID 的算法实现1)训练阶段的工作第 l 步：设计输入输出神经元。本 BP 网络的输入层设置 3 个神经元，分别为输入速度 vi、速度偏差 e 和偏差变化量e，输出层有 3 个神经元，为 PID 控制器的 3 个可调节参数 Kp、Ki、Kd第 2 步：设计隐
6、含层神经元个数。本文初步确定隐含层节点数为 5 个学习一定次数后，不成功再增加隐含层节点数，一直达到比较合理的神经元数为止；第 3 步：设计网络初始值。本文中设定的学习次数 N=5000 次，误差限定值 E=002；第 4 步：应用 Simulink 对 BP 网络进行训练和仿真。2)测试阶段的工作在测试阶段，主要是对训练过的网络输入测试样木，测试网络的学习效果，即判断网络的运算值与样本的期望值之差是否在允许的范围之内。在此不再赘述具体判定过程。4 仿真与分析本文以 2 台电机同步为模型进行仿真。在电机的参数设定时，对 2 台电机的参数取相同值。电机参数为：定子每相绕组电阻 R=59，定子 d
7、 相绕组电感 Ld=0573，转子电阻 R=56 转子电感 L=O58 给定转速n=500radsec，极对数为 3。在 t=005 s 时，突加阶跃扰动，利用 Matlab 对传统 PID 和神经网络 PID 分别进行仿真，得到实验曲线如图所示图 4 神经网络 PID 控制响应曲线 比较两种仿真结果，经计算采用常规 PID 补偿器时，突加负载扰动后，同步误差Verror=026采用神经网络 PID 补偿器时，突加负载扰动后，同步误差Verror=O08，由些可以看到采用神经网络 PID 补偿器方法的时候，系统的同步性能、抗干扰性能优于只采用常规 PID 补偿器时的性能，其具有更好的控制特性。5 结束语本文针对于多电机同步控制中出现的多变量、强耦合、具有大惯性环节、难以建立准确数学模型的被控对象，在传统 PID 的基础上引入神经网络的的概念，将神经网络 PID 用于速度同步补偿中，仿真结果表明，该方法使系统的抗干扰能力增强，同步精度有所提高，控制效果良好。本文来源：www.opg- 转载需注明出处
