基于BP神经网络的伺服速度控制参数自整定研究*

周　佳，卢少武，周凤星

(武汉科技大学 信息科学与工程学院，武汉　430081)



基于BP神经网络的伺服速度控制参数自整定研究*

周佳，卢少武，周凤星

(武汉科技大学 信息科学与工程学院，武汉430081)

摘要：针对PMSM伺服系统PI控制参数自整定方法控制效果不理想、整定效率低的问题，提出一种基于BP神经网络的伺服系统速度控制参数自整定方法，该方法利用BP神经网络具有以任意精度逼近任意非线性函数的能力，构造BP神经网络速度PDFF控制器，对伺服系统速度控制参数进行在线整定，改善常规速度PI控制器的控制效果，最后通过仿真实验进行了验证。仿真结果表明：与常规PI控制方法相比，该方法稳定有效，控制精度高，收敛速度快，控制效果更好。引入了BP神经网络的伺服系统，提高了动态性能，增强了系统稳定性和快速性。

关键词：伺服系统；永磁同步电机；BP神经网络；PDFF参数整定

0引言

随着电力电子技术、新型电机控制理论和稀土永磁材料的快速发展，永磁同步电机在许多领域得到了广泛应用，而伺服系统控制参数的好坏直接影响到永磁同步电机伺服系统的控制性能。速度环为伺服系统三层控制环节的中间层控制环，是交流伺服系统中极为重要的一个环节，其作用是增强系统抗负载扰动的能力，抑制速度波动，保证电动机的转速与指令值相一致，消除负载转矩扰动等因素对电动机转速的影响，因此对伺服系统速度控制参数自整定方法进行研究具有重要意义[1-2]。

随着神经网络走入人们的视野，人们逐渐认识到神经网络的优越性。目前，将BP神经网络应用于伺服系统控制已成为一大研究热点。文献[3]针对液压伺服控制系统的非线性和时变性因素，提出一种基于BP神经网络的PID控制器，该控制器结合PID算法和神经网络二者的优点，具有鲁棒性强、超调量小和运行平稳等特点。文献[4]提出RBF网络动态辨识的BP神经网络PID参数自整定算法，该算法能克服被控对象的不确定性和非线性，显著提高伺服电机转速的动态响应和跟踪精度。文献[5]提出一种基于BP神经网络的PID控制算法，利用BP神经网络学习能力强的特点实现PID控制参数的在线调整和优化，该PID控制器能明显提高系统收敛速度和误差精度，使伺服系统具有较强的适应性和鲁棒性。

BP(BackPropagation)神经网络不仅具有以任意精度逼近任意非线性函数的能力，而且具有自适应学习、并行分布处理和有较强的鲁棒性和容错性等特点，适用于复杂非线性系统的建模和控制[6]。本文以永磁同步电机伺服系统速度环为研究对象，采用基于BP神经网络的速度PDFF控制器对伺服系统速度控制参数进行整定，实现伺服系统速度环参数自动调节。最后在Matlab中进行了仿真，得到较为满意的结果。

1PDFF控制器模型

通常伺服系统速度环调节中使用PI控制器，而PI调节存在超调量容易过大、DC刚度低的问题。本文中伺服系统速度环控制结构采用了由PI控制器经过改进的PDFF控制器。PDFF控制通过加一前馈增益可以使许多低频干扰信号被积分环节过滤，同时可以在加大积分增益的情况下不会产生过大的超调，从而达到既可以提高系统响应能力又可以提高系统DC刚度的目的，所以在速度环上采用了PDFF控制器[7-8]。图1为PDFF控制器框图。系统由PDFF控制器和速度环被控对象组成。

图1　PDFF控制器框图

本文采用增量式PDFF控制器，由图1所给控制器结构，得到速度误差为：

e(k)=ω*(k)-ω(k)

(1)

PDFF控制器的离散形式：

(2)

由式(2)推出式(3)：

(3)

则PDFF控制算法为：

u(k)=u(k-1)+kvf(ω*(k)-ω*(k-1))-

kvp(ω(k)-ω(k-1))+kvie(k)

(4)

其中，ω*(k)是速度输入指令，ω(k)是速度输出，u(k)是控制器输出，kvf为前馈增益系数，kvp为比例系数，kvi为积分系数。

2BP神经网络速度PDFF参数整定

2.1BP神经网络的速度PDFF控制器结构

BP神经网络的速度PDFF控制器结构如图2所示。该控制器由常规PDFF控制器和BP神经网络两部分组成。BP神经网络能够根据系统运行状态和运行环境的变化所产生的误差，自动调整控制参数，通过BP神经网络较强的非映射能力逼近控制器的最优参数，进而得到最理想的控制效果[9]。

图2　BP神经网络的速度PDFF控制器结构

2.2BP神经网络

BP(BackPropagation)神经网络是一种前向网络。它由输入层、隐含层、输出层组成。当外界环境发生改变时，该神经网络模型通过自学习、加权系数的调整，能够使得神经网络输出对应于该环境下最优的控制参数[10]。

BP神经网络输入层的输入为：

(5)

式中，M表示输入变量的个数，由被控系统的复杂程度决定。

BP神经网络隐含层的输入和输出分别为：

(6)

(7)

(8)

BP神经网络输出层的输入和输出分别为：

(9)

(10)

(11)

输出层神经元的活化函数由非负的Sigmoid函数表示：

(12)

BP神经网络是个不断学习的过程，需要有一个考察学习次数的性能指标函数，本文中取性能指标函数为：

(13)

按照梯度下降法修正网络的权系数，并附加一使搜索快速收敛全局极小的惯性项，则有：

(14)

式中，η为学习速率；α为惯性系数。

(15)

(16)

由式(4)和式(11)，可求得：

(17)

(18)

(19)

通过以上分析可推导出网络输出层权的的学习算法为：

(20)

(l=1,2,3)

(21)

同理可得隐含层加权系数的学习算法：

(22)

(23)

式中，g′(·)=2g(x)(1-g(x)),f′(·)=1-f2(x)

3仿真实例

为了验证本文提出的基于BP神经网络的伺服系统速度控制参数自整定方法相比常规PI控制方法具有收敛速度快、控制精度高的优点，将两种方法进行仿真对比。伺服电机的相关参数如表1所示，通过对伺服系统速度环的数据在线采样，并对其进行递推最小二次辨识可得被控对象近似模型为：

ω(k)=ω(k-1)-0.0003478ω(k-2)+1.388u(k-1)+0.1986u(k-2)

(24)

表1　伺服电机参数

图3　速度阶跃响应

图4　速度跟踪误差

图5　控制参数自适应整定

由图3可以看出基于BP神经网络的速度PDFF控制方法的输出响应要比常规速度PI控制方法的输出响应更快到达输入给定值；由图4可知基于BP神经网络的速度PDFF控制方法跟踪误差达到0的时间比常规速度PI控制方法的跟踪误差达到0的时间更短，且常规速度PI控制方法存在较小的稳态速度跟踪误差。由此可以看出，与常规速度PI控制方法相比，基于BP神经网络的速度PDFF控制参数自整定方法收敛速度更快，控制精度更高，具有更好的控制效果。

4结束语

本文以永磁同步电机伺服系统速度环为研究对象，结合BP神经网络和PDFF控制器二者的优点，采用基于BP神经网络的速度PDFF控制器对伺服系统速度环的控制参数进行整定，实现伺服系统速度环参数自动调节，通过仿真实验说明基于BP神经网络的伺服系统速度PDFF控制参数自整定方法能明显改善常规PI控制效果，提高收敛速度和控制精度，同时也验证了该方法的稳定性和正确性。

[参考文献]

[1] 杨立永, 张艳秋,陈智刚, 等.永磁同步调速系统自整定PI速度控制器设计[J].电力电子技术,2012,46(5):28-30.

[2] 郑世祺, 唐小琦,卢少武,等.PMSM伺服系统参数自整定研究[J].电气传动,2013,43(3):10-13.

[3] 丁曙光, 吴卫平.桂贵生.基于神经网络PID的液压位置伺服系统控制的研究[J].组合机床与自动化加工技术,2009(3):49-51.

[4] 林青松,姚玉菲,王军晓.智能PID参数自整定技术在伺服系统中的应用[J].自动化仪表,2011,32(2):59-62.

[5] 王军晓,林青松,姚玉菲,等.基于BP神经网络的PID控制器在伺服系统中的应用研究[J].工矿自动化,2010(5):68-70.

[6] 陈书谦, 张丽虹.BP神经网络在PID控制器参数整定中的应用[J].计算机仿真,2010,27(10):171-174.

[7] 李宁刚,代作晓.PDFF调节在交流永磁同步电机控制中的应用[J].科学技术与工程,2006,6(13):1907-1910.

[8] 唐道奎,支长义,谭志红,等.基于PDFF和输入整形的钻孔机残余震动抑制[J].微电机,2011,44(1):100-103.

[9] 黄剑平.基于BP神经网络的PID控制研究[J].计算机仿真,2010,27(7):167-170.

[10] 刘金坤.先进PID控制MATLAB仿真[M].3版.北京:电子工业出版社,2011.

(编辑李秀敏)

文章编号：1001-2265(2016)07-0070-03

DOI:10.13462/j.cnki.mmtamt.2016.07.020

收稿日期：2015-08-11;修回日期：2015-09-15

*基金项目：国家自然科学基金项目(51405349)

作者简介：周佳(1990—)，男，湖北黄冈人，武汉科技大学硕士研究生，研究方向为伺服控制器和嵌入式，(E-mail)598308367@qq.com。

中图分类号：TH166;TG659

文献标识码：A

Study on Speed Control Parameters Auto-tuning of Servo System Based on BP Neural Network

ZHOU Jia, LU Shao-wu, ZHOU Feng-xing

(CollegeofInformationScienceandEngineering,WuhanUniversityofScienceandTechnology,Wuhan430081,China)

Abstract：In order to solve the problem of PI control parameters auto-tuning of PMSM servo system about being low efficiency, this paper presents a speed control parameters auto-tuning algorithm of servo system based on BP neural network. The neural network was used because it could change parameters itself on line. The aim of the algorithm is to improve the control effect of PI controller. It is verified through simulation finally. The simulation results show that, compared with PI control algorithm, the proposed algorithm is stable and effective, and has high precision, fast convergence rate and better control effect. Based on the BP neural network, the dynamic performance, the study speed and the stability of the servo system is improved obviously.

Key words：servo system; PMSM; BP neural network; PDFF parameter tuning