基于BP神经网络的永磁同步电机电流控制系统设计
前言
永磁同步电动机是一个强非线性系统,其动态过程不能用精确的数学模型表示。常用的控制方法是基于PI的FOC控制,PI控制具有结构简单、易实现的优势,但是,控制系统发生变化时,常规的PI控制难以对系统起到良好的控制效果。介绍一种基于神经网络优化PI参数的永磁同步电机电流控制器建模,对于提升系统的自适应具有一定的效果,整个建模过程不复杂,在Simulink中利用S-Function搭建。
一、神经网络的基本原理
神经网络主要是模拟人脑的行为,它是由大量与生物细胞相似的人工神经元相互连接,通过各自的相互作用,快速处理外界的信息。
1.人工神经元模型
人工神经元是神经网络的基本单位,M-P模型是目前人们使用相对普遍的一种神经元模型,其结构如图1-1所示。
图1-1 神经元模型示意图,此模型是含有多个输入和单个输出的非线性控制系统,这即是最简单的神经元模型结构。
2.BP神经网络PID建模过程
PID控制比例、积分、微分三个参数。借助BP神经网络对非线性函数的映射能力,就可以让PID控制中的参数进行非线性组合,从而得到最优解。其控制器由常规PID对控制对象形成闭环反馈;神经网络根据特定的学习算法和系统的状态,得到最优的PID控制器的参数。如图1-2所示。
借助BP神经网络对非线性函数的映射能力,就可以将PID控制中的参数进行非线性组合,从而优化得到最优解。所构建的控制器基于常规PID展开,建模过程中对控制对象形成闭环反馈;神经网络根据预设的学习算法优化PID控制器的参数。
BP神经网络整定PID参数,PID采用增量表达式:
u ( k ) = u ( k − 1 ) + K p [ e ( k ) − e ( k − 1 ) ] + K i ∗ e ( k ) + K d [ e ( k ) − 2 e ( k − 1 ) + e ( k − 2 ) ] u\left(k\right)=u\left(k-1\right)+Kp\left[e\left(k\right)-e\left(k-1\right)\right]+Ki^\ast e\left(k\right)+Kd\left[e\left(k\right)-2e\left(k-1\right)+e\left(k-2\right)\right] u(k)=u(k−1)+Kp[e(k)−e(k−1)]+Ki∗e(k)+Kd[e(k)−2e(k−1)+e(k−2)]
BP神经网络输入层的输入:
O (