基于RBF神经网络的永磁同步电动机PID控制
基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制
ｃｎｒｌ ｉ ｅａａ ｔ ｅｓ ｇ ｅ ｒ Ｉ ｄ ｓ ｒａ ｄＲ Ｆｎ ｕａ ｎｔｏｋｃｍｂｎｎ ．Ｓｍ ｌｔ ｎｒ。 ｏｔ ｔ ｔ ｄｐ ｖ ｉｌ ｎ ｕｏ ＰＤ ａｊ ｔ ｎ Ｂ ｅ ｒ ｅ ｒ ｏ ｉｉｇ ｉｕａｉ ｏ ｗｈ ｈ ｉ ｎｅ ｎ ｕｏ ｌ ｗ ｏ ｅ
维普资讯
第 ２ 卷第 ２ ２ 期
２００７年 ６月
电 力 科 学 与 技 术 学 报
Ｊ ＯＵＲＮＡＬ ＯＦ ＥＣＴＲＩ ＰＯＷ ＥＲ ＣＩ ＥＩ Ｃ Ｓ ２ １２
Ｎｏ ２ ．
Ｊ ． ２ ０ ｕｎ ０ ７
摘 要 ： 提出一种基于Ｒ Ｆ Ｂ 神经网络在线辨识的永磁同步电机单神经元 ＰＤ矢量控制新方法， Ｉ 该方法针对传统的
Ｐ 调节器固定参数所造成的不足 ， １ 利用具有 自适应能力的单神 经元 ＰＤ调节器和 Ｒ Ｆ神经 网络相 结合 ， Ｉ Ｂ 实现 了参 数在线辨识 ， 转速在线控制． 仿真结果表 明该方法控制精度高 ， 动态特性好 ， 适合于永磁 同步 电机的速度控制 ．
关
键
词： 永磁同步电机； 矢量控制 ； 单神经元； Ｉ ＰＤ调节器； Ｂ 神经网络； ＲＦ 在线辨识
中图分类号 ：Ｍ３５Ｔ２３ Ｔ １ ；Ｐ７
文献标 识码 ： Ａ
文章编 号 ：６３９４ （０７ ０－ ４ － １７－１ ２０ ）２０ ８ ５ ０ ０ ０
Ａ ｏ ｅ ｅ ｈ ｄ ｏ ｉ ｇ ｅ ｎ ｕｒ ｎ Ｄ ｅ ｔ ｒ ｃ ｎ ｒ ｌｆ ｒ ｐｅ ｍ ａ ｎ ａ ｎ ｔ ｎ ｖ ｌｍ ｔ ｏ ｆ ｓｎ ｌ ｅ ｏ ＰＩ ｖ ｃ ｏ ｏ ｔ ｏ ｏ ｒ ｎｅ ｔｍ ｇ ｅ
ｓ ｎｃ ｒ ｎ ｕ ｏ ｏ ｓ ｄ ｏ ｙ ｈ ｏ ｏ ｓｍ ｔ ｒ ｂａ ｅ ｎ ＲＢＦ ｕ ａ ｅ ｗｏ ｋ ｏ ｌ ｄ ｎ ｉ ｃ ｔｏ ｎｅ ｒ ｌｎ ｔ ｒ ｎ－ｉ ｉ ｅ ｔｆ ａ ｉ ｎ ｎｅ ｉ
基于RBF神经网络PID参数的自调节及仿真
科技与创新┃Science and Technology &Innovation·64·2017年第16期文章编号：2095－6835（2017）16－0064－03基于RBF 神经网络PID 参数的自调节及仿真史磊，王蔚（长春工业大学，吉林长春130012）摘要：鉴于传统PID 控制器不能够对参数进行严格整定的问题，提出了RBF 神经网络与传统PID 控制器相结合而进行参数自调节的一种控制算法。
该控制算法能够充分使用RBF 神经网络的自适应、自学习能力来调整系统的控制参数。
在仿真软件MATLAB2010a 上对所提出的控制算法进行了仿真研究，仿真结果表明，所提出的基于RBF 神经网络的PID 参数自校正控制算法是可行的和有效的，与传统PID 控制器相比具有更强的适应性、鲁棒性，能够达到令人满意的控制效果。
仿真结果充分说明了RBF 神经网络自适应PID 控制算法在总体上优于传统的PID 控制算法，为今后对风力发电并网逆变器的研究提供了理论和实验基础。
关键词：MATLAB2010a ；并网逆变器；PID 控制；RBF 神经网络中图分类号：TP273文献标识码：ADOI ：10.15913/ki.kjycx.2017.16.064对于传统的PID 控制器来说，它的特点是结构比较简单，应用性和适应性较其他控制均较广，可是单一的PID 控制在很多地方不能满足控制要求，校正好的控制器在一段时间之后就会出现偏差，满足不了工业控制生产要求，比如在时变对象和非线性系统领域就不能够满足工业生产要求。
此文就在原控制器基础之上提出了将RBF 神经网络和PID 控制技术相结合。
对于非线性系统来说，把两者相结合的控制系统不但能克服PID 控制原有的缺陷，而且自学习能力和适应性都显著增强，解决了PID 参数难以整定的问题，具有良好的控制效果。
1传统PID 控制器PID 控制之所以在以前的工业控制中能够被广泛应用，就是因为它的算法简单、鲁棒性好、可靠性高等优点，是发展最快的控制策略之一[1-3]。
基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定34页PPT
② 当 e k 0 ,e k e k 1 ，本次误差大于上次误差，此时应减少 步长，放慢搜索速度。
神经网络辨识技术
神经网络系统辨识实质上是选择一个适当的神经网络模 型来逼近实际系统的数学模型。
本课题，首先建立单通道电液位置伺服控制系统的数 学模型，然后根据该模型获取被控系统的输入输出数 据。
在实际生产过程中，对象的特性和模型随时都在变化 ，只不过变化比较缓慢而已。整定和优化好的PID，在 一段时间后，就可能不再有很好的控制效果。
为了使生产过程始终保持良好的控制效果，就要对PID 控制器的参数进行在线调整和优化。
分析。
➢ RBF神经网络学习算法
① 确定隐层个数L，m个径向基函数的中心向量c，基函数 宽度b，从隐层到输出层的各连接权w。
② 根据经验选取中心，L个中心应具有“代表性”。
③ 采用梯度下降法确定RBFNN的输出权w，节点中心c及节 点基宽度b，选取算法如下：
w j k w j k 1 y k y m k h j w j k 1 w j k 2
系统辨识的原理 就是通过调整辨 u
RBF在线辨识与PID参数自适应整定
RBF神经网络结构及其学习算法
➢ RBF神经网络隐层节点函数的选择 高斯函数： fxex p x 2 b c 2 j 2 ,j 1 ,2 ,3 ...,m
函数优点： ① 表示形式简单，即是对于多变量输入也不增加太多的复
杂性； ② 竞相对称； ③ 光滑型号，任一阶导数均存在； ④ 由于该基函数表示简单其解析性好，因而便于进行理论
基于RBF神经网络电液伺服系统智能控制 的在线辨识与PID参数自适应整定
基于神经网络设计的永磁交流同步电机的控制系统
基于神经网络设计的永磁交流同步电机的控制系统摘要：文章为进一步改善永磁交流同步电机（PMSM）交流伺服系统的控制性能，使控制系统能够实时跟踪控制对象参数的变化相应地调整控制器参数,以提高控制系统的快速性、鲁棒性和自适应能力，采用了神经网络控制策略，把神经网络和传统 PID 调节器结合起来形成单神经元自适应 PID 智能控制器，在 MATLAB 仿真软件的运行环境下，建立了单神经元控制器的仿真模型和永磁同步电机及其基于电机矢量控制的双闭环交流伺服系统的仿真模型，完成了单神经元控制器作为速度环控制的仿真实验。
关键词：永磁交流同步电机；神经网络；PID 调节器引言：在神经网络控制下的永磁同步电机系统应用已成为控制研究中的热门课题。
将神经网络引入控制系统是控制学科发展的必然趋势。
人工神经网络能够实现极复杂的非线性映射且具有很强的学习能力，随着永磁材料的迅速发展，电力电子和控制技术的进步，永磁电机将越来越多地替代传统电机。
通过将二者优势的结合，将会在电机的控制系统上带来一场伟大的革命[1]。
一神经网络单神经元PID控制一般永磁同步电机的速度、位置控制器都采用比例积分(PI)控制器，但是PI控制器容易受电机参数变化和负载扰动等不确定性的影响。
为克服P I控制器的不足，传统的P I D调节器因其技术成熟，在过程控制中得到了广泛的使用，但对一些复杂、时变系统，因P I D 的参数不易于实时在线调整，所以应用中会影响系统控制品质。
因此将其与神经网络控制相结合，形成神经网络PID控制。
神经网络作为一种新的控制策略已有了广泛的应用，但是对单纯使用神经网络的控制方法的研究有待进一步发展，通常需要将人工神经网络技术与传统的控制理论或智能控制技术综合使用。
神经网络PI D控制器具有收敛速度快、实现简单、初始权值和结构有规律等优点。
本设计将神经网络P I D控制器应用于永磁同步电机的速度控制，以达到更好的预期效果。
二单神经元控制器的结构及其算法单神经元PID控制结构图如下图所示：图4-1(a) 单神经元PID控制结构图图4-１(b) 单神经元PID控制结构图由图可得输出量为：(4-1)已知增量式P I D 控制规律的差分方程为：(4-2)取神经元输入分别为：x1=e(k)-e(k-1),x2=e(k),x3=e(k)-2e(k-1)+e(k-2), (4-3)则网络输出为：u(k)=(4-4)在该控制算法中：xi(k)的物理意义是：是系统误差的累计，是反应了系统误差，是反应了系统误差的一阶差分，、、分别相当于积分项、比例项和微分项，其大小随着误差的变化而调整，可以理解为参数动态可调的 PID 控制器。
基于RBF神经网络的参数自适应PID变桨控制器的设计
电力系统及其自动化学报Proceedings of the CSU-EPSA Vol.32No.5 May2020第32卷第5期2020年5月基于RBF神经网络的参数自适应PID变桨控制器的设计张真源1，刘国荣1，杨小亮2，刘科正1，邓争3（1.湖南工程学院风电装备与电能变换协同创新中心，湘潭411104；2.湖南大学电气与信息工程学院，长沙410082；3.湘潭大学信息工程学院，湘潭411101）摘要：自然界风速的多变性与风机变桨系统的迟缓性会导致风机输出功率的不稳定。
为了改善风机输出功率的稳定，首先基于RBF神经网络RBFNN（radial basis function neural network），以功率差作为信号来源，设计了RBF-PID自适应变桨控制器，建立了风力机及变桨距机构仿真模型。
其次，建立了2种风况模型，较好地模拟了自然界基本风况。
仿真表明：在不同风况下对比常规模糊控制与PID控制，RBF-PID参数自适应方法在风速波动较大的情况下能够更好地稳定输出功率，且减小了变桨的幅值与频率，增加了风机的寿命。
关键词：径向基神经网络；变桨距；参数自适应；功率稳定中图分类号：TP277文献标志码：A文章编号：1003-8930（2020）05-0016-08DOI：10.19635/ki.csu-epsa.000296Design of RBF Neural Network Based Parameter Adaptive PID Pitch Controller ZHANG Zhenyuan1，LIU Guorong1，YANG Xiaoliang2，LIU Kezheng1，DENG Zheng3（1.Wind Power Equipment and Power Conversion Collaborative Innovation Center，Hunan Institute of Engineering，Xiangtan411104，China；2.College of Electrical and Information Engineering，Hunan University，Changsha410082，China；3.College of Information Engineering，Xiangtan University，Xiangtan411101，China）Abstract:The variability of natural wind speed and the sluggishness of a wind turbine pitch-regulated system lead to the instability of wind turbine output power.To solve this problem，based on a radial basis function neural network（RB⁃FNN），an RBF-PID adaptive pitch controller is designed with power differences as the signal source，and a simulation model of wind turbine and pitch-regulated mechanism is established.Then，two kinds of wind speed models are estab⁃lished，which can better simulate the basic wind conditions in nature.Simulation results show that compared with the conventional fuzzy control and PID control，the RBF-PID parameter adaptive method can better stabilize the output pow⁃er and reduce the amplitude and frequency of pitch under larger fluctuations of wind speed，thereby improving the ser⁃vice life of the wind turbine.Keywords:radial basis function neural network（RBFNN）；variable pitch；parameter adaptive；power stability随着技术的不断发展，风电渗透水平在不断提高，大规模的风电并网严重考验大电网的稳定性。
永磁同步直线电机RBF神经网络的PID控制
易实现 ， 但在高速高精度应用场合却 不能 达到理 想的控 制效果 。提出 了一 种基 于 Ｒ Ｆ神经 网络 与传统 ＰＤ Ｂ Ｉ
控制相结合 的新 策略 ， 形成 Ｒ Ｆ神经 网络整定 ＰＤ控 制 ， Ｂ Ｉ 在一定程度上改进 了 ＰＤ控制 的性 能 。仿真结果 表 Ｉ 明， Ｂ Ｒ Ｆ神经 网络 ＰＤ控制具有更好的动态响应性和更加稳定 的跟 踪性 能。 Ｉ 关键 词 ： 永磁 同步直 线电机 ； Ｂ Ｒ Ｆ神经 网络 ； Ｉ ＰＤ控制 ； 速度控制 中图分类号 ：Ｍ ３ １ Ｔ ５ 文献标志码 ： 文章编 号 ：６ ３６ ４ （０ ２ ０ － ２ －４ Ａ １７ －５ ０ ２ １ ）６０ ９０ ０
ｌＢＦ ｕｒ ｌＮｅ ｗｏ ｋ ＰＩ Ｃｏ ｒ ｌｏ ｒ ａ ｎｔＭ ａ ｎ ｔＬｉ ｅ ｒ Ｍ ｏ ｏ ｉ Ｎｅ ａ ｔ ｒ Ｄ ｎｔ ｏ ｆＰｅ ｍ ｎｅ ｇ ｅ ｎ ａ ｔｒ
Ｈ Ｎ Ｍｉｇ ｅ ． Ａ ｎｗｎ ＵＪ ｎ ｕ
（ ．ｎｔｕｅｏ ｌ ｔｃｌ ｎ ｉｅｒ ｇ Ｓ ａ ｇ ａ Ｄ ａｊ Ｕ ｉ ｒ ｔ， ｈ ｎ ｈｉ ０ ２ ７ ｈ ａ １ Ｉｓｔｔ ｆ ｅ ｒ ａ Ｅ ｇｎｅ ｎ ， ｈ ｎｈ ｉ ｉ ｉ ｎｖ ｓｙ Ｓ ａ ｇ ａ ２ ０ ３ ，Ｃ ｉ ； ｉ Ｅ ｃｉ ｉ ｎ ｅｉ ｎ ２ Ｉｓｔｔ ｏ ｆ ｍ ｔ ｎ Ｅ ｓ Ｃ ｉａＵ ｉｅｓｙｏ ｃｅｃ ｎ ｅｈ ｏ ｇ ， ｈ ｎｈ ｉ ０ ２ ０ Ｃ ｉａ ．ｎｔｕ Ｓ ａ ｇ ａ ２ ０ ４ ， ｈｎ ） ｉ Ｉ ｒ ｏ ｔ Ｓ ｎ ｏ
Ａｂ ｔ ａ ｔ Ａｃ ｏ ｄ ｎ ｏ ｔ ｅ ｃ ａ ａ ｔｒ ｔ ｆ ｔ ｅ ｍａ ｎ ｔｆ ｘ ｏ ｅ ｍａ ｅ ｔ ｍａ ｎ ｔ ｌ ｅ ｙ ｃ ｒ ｎ ｕ ｔｒ ｓｒ ｃ ： ｃ ｒ ｉ ｇ ｔ ｈ ｈ ｒ ｃｅ ｉ ｉ ｏ ｈ ｇ ｅ ｕ ｆ ｐ ｒ ｎ ｎ ｇ ｅ ｉ ａ ｓ ｎ ｈ ｏ ｏ ｓ ｍｏ ｏｓ ｓｃ ｌ ｎｒ
基于RBF神经网络的永磁同步电机速度控制
ｓ ｔ ｒ ｏ ｎ ｇ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｍａ ｐ ｐ ｉ ｎ ｇ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ＲＢ Ｆ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ， ａ ｋ ｉ ｎ ｄ ｏ ｆ Ｐ Ｉ Ｄ ｓ ｅ ｆ ｒ － ｔ ｕ ｎ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ
Ａｂ ｓ ｔ ｒ ａｃ ｔ ：Ｆ ｏ ｒ ｔ ｈ ｅ ｓ ｈ ｏ ｒ ｔ ａ ｇ ｅ ｏ ｆ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ＰＩ Ｄ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｏ ｆ ＰＭＳ Ｍ ｓ ｐ ｅ ｅ ｄ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｓ ｙ ｓ ｔ ｅ ｍ ，ｉ ｎ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｏ ｆ
ａ ｎ ｄ ｓ ｔ ｕ ｄ ｙ ｏ ｆ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｂ ｊ ｅ ｃ ｔ ｗ ａ ｓ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｄ ．Ｔ ｈ ｅ ｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｌ ｅ ｒ ｈ ａ ｓ ｂ ｅ ｔ ｔ ｅ ｒ ｓ ｔ ａ ｔ ｉ ｃ
种基 于 Ｒ Ｂ Ｆ神经 网络 Ｐ Ｉ Ｄ 自整 定方案。该算法通过 Ｒ Ｂ Ｆ神经 网络在 线辨识 对 Ｐ Ｉ Ｄ参数整定 ，改善 常规 Ｐ Ｉ Ｄ控 制效 果 。在 Ｍａ ｔ ｌ ａ ｂ ／ Ｓ ｉ ｍｕ ｌ ｉ ｎ ｋ 构建 了基 于 Ｓ函数 的 Ｒ Ｂ Ｆ神经 网络 Ｐ Ｉ Ｄ控制 器和永磁 同步电机调速系统 ，并结合研究对象进
行仿真研究 。仿真结果表 明 ：该控制 器具 有较好的静 、动态性能 ，并有较强 的 自适应性 和鲁棒性 。
关键词 ：永磁 同步 电机 ；Ｒ Ｂ Ｆ神经 网络 ；Ｐ Ｉ Ｄ参数整定
基于RBF神经网络的PID控制系统优化控制研究
1 引言
泄洪系统的控制技术虽然有了较好发展，但在复杂的工 作环境条件下，控制系统的控制性能还需要进一步提升，主 要表现在控制的灵敏度，故障处理不及时则会对泄洪系统产 生严重的影响。因此泄洪系统的对控制系统的稳定性、可靠 性要求比较高。经实践研究，PID 控制能够较精确和快速的实 现对闸门液压启闭机的控制，使闸门控制系统稳定运行。但 是由于液压启闭机具有非线性特性，在不同的阶段模型是变 化的，所以 PID 参数无法较好的实现系统在整个运行过程中 的精确控制，输出响应存在一些波动，且在某些运行区域很 难达到良好的控制效果。为解决该问题，本文采用 RBF 神经 网络进行 PID 参数优化来实现对液压启闭机的优化控制。
息之间的灵敏度变化情况：
（3-7）
式中
。
结合 RBF 分析的数据，PID 控制系统能够实时的调整学
习到的控制参量，自动实现对 PID 参量的调整和矫正，从而
达到较高的控制水平，并且能够满足控制要求。通过采用数
字 PID 控制算法（增量式）进行控制误差 e 计算，计算如下：
（3-8）
48 CWT 中国水运 2019·09
DOI 编码：10.13646/ki.42-1395/u.2019.09.018
基于 RBF 神经网络的 PID 控制系统 优化控制研究
张强 1，安小刚 2 （1. 黑龙江水运建设发展有限公司，黑龙江 哈尔滨 150020；2. 交通运输部水运科学研究院，北京 100088）
摘 要：液压启闭机运行工况复杂、本身具有非线性特性，普通 PID 参数无法较好地实现系统在整个运行过程中的精
1.4
Input
1.2
PID Control RBF PID
1
Output
基于RBF神经网络的永磁同步电机速度控制研究
Gain1
Add1
Constant4
park (2r/3s)
20/pi Gain2
图 2 RBF 神经网络 PID 速度控制系统 SIMULINK 模型
电磁转矩方程为： 1 Te pn [ f is sin ( Ld Lq )is2 sin 2 ] （1） 2 id is cos ， iq is sin 。对于面装式 PMSM，有 Ld Lq ，因此式（1）可写为：
Te pn f iq
（2）
波励磁磁场轴线间的空间电角度。 PMSM 机械运动方程为： d m J Te Tl Bm （3） dt 式中， J 为转动惯量；Tl 为负载转矩； B 为 阻尼系数； m r pn ，为转子机械角速度。
式中， pn 为转子极对数； 为转矩角，是 定子三相基波合成旋转磁动势轴线与永磁体基22（RBFNNI）来自常规 PID 控制器两部分组成。
_ r(k) + em(k) PID u(k) PMSM y(k) + _ RBFNNI ym(k)
图 1 RBF 神经网络整定 PID 控制框图 2.2.速度控制研究 基于上述 RBF 神经网络 PID 速度控制器构 建了 PMSM 矢量控制系统的 SIMULINK 模型， 如图 2 所示。系统包含永磁同步电机、RBF 神 经网络 PID 速度控制器、电流控制器、PARK 变 换与逆变换模块、 PWM 发生器和逆变器。 图中， 采用 SVPWM 产生逆变器所需的控制信号，电 流控制器采用传统的 PI 控制分别实现直轴电流 和交轴电流的控制，其中直轴电流采用 id 0 的 控制方式。 图 2 中 PMSM 仿真模块是由永磁同步电机 数学模型构建并封装好的模块， 它的输入是三相 端电压和负载，输出是三相电流、磁极位置角、 转矩和速度。模块内封装的具体运算环节如图 3 所示。这里的电机模型采用的是 d -q 模型，因此 在模块中还包含 Park 变换及其逆变换。模块 3s/2r(2r/3s) 中 包 含 有 电 压 方 程 子 Mechanieal model 由机械运动方程（1） 、 （2） 、 （3）构建，
RBF神经网络结合PID控制系统优化方案及应用实现
其次，通过数据信息采样，计算出输入信号 rin（p）和输出 数据 v（p），根据公式（3）计算出 u（p），最后得到神经网络的输 入参数。
在 PID 控制系统运行过程中利用 RBF 神经网络对网络参数 进行优化，并利用相关算法得到控制系统的各项权重，并经入到 第二个周期的控制中。
结合 RBF 神经网络改变原有 PID 控制系统的变尺度混沌策 略，首先改变系统初始化参数与初始追的选择策略，假设 p=0 表示为混沌变量的迭代标志，B1 为粗略搜索的次数，B2 为细致 搜 索 的 次 数，M=（p1，p2，p3，…，pn，g1，g2，g3，…，gm）表 示 为 PID 控制系统的所有控制参数集合，因此此时混沌变量的最优 值变为 M=（p1*，p2*，p3*…，pn*，g1*，g2*，g3*，…，gm*），则当前最 优目标函数的输出值应为集合中最大的数。假设在 [0，1] 区间当 中的任意 14 个相异的初值为混沌变量，则各个初始值当中选择
=I 1 [x( p) − y( p)]2
2
（ 1）
公式（1）中，I 表示为神经网络优化性能指标函数 ；x（p）和 y（p）分别表示为 RBF 神经网络中的输入的两个特征参数 ；p 表 示为网络的迭代步骤。
第三步 ：根据公式（2）进行迭代运算 ：
c( p)=c( p −1) + λc + γ [c( p −1) − c( p − 2)] （ 2）
改进型变尺度 混沌优化策略
性能指标
-
+
PID1
DRNNI
-
+
被控制对象
图 1 优化后 PID 控制系统结构示意图
基于RBF神经网络的PID控制整定
基于RBF神经网络的PID控制整定作者：许笑梅赵东亚曹磊来源：《科技创新与应用》2019年第13期摘 ;要：基于RBF神经网络的PID控制整定分析，通过MATLAB构建CSTR对象模型，综合生产环境与各种干扰性因素，利用整定PID参数的方式进行控制分析，效果显著。
基于此，文章主要对基于RBF神经网络的PID控制整定的相关内容进行了简单的分析论述。
关键词：RBF神经网络;PID控制整定;CSTR中图分类号：TP273 ; ; ; ;文献标志码：A ; ; ; ; 文章编号：2095-2945（2019）13-0032-02Abstract： The PID control setting analysis based on RBF neural network， the CSTR object model is constructed by MATLAB， the production environment and various interference factors are integrated. The control analysis is carried out by setting PID parameters， and the effect is remarkable. Based on this， this paper mainly analyzes and discusses the related contents of PID control setting based on RBF neural network.Keywords： RBF neural network; PID control setting; CSTR1 基于RBF神经网络分析1.1 神经元基础模型分析单神经元主要就是模仿生物神经元的具体结构、功能，在数学角度对其进行描述的一种基本单位模式，通过人脑神经元进行抽象简化获得。
rbf神经滑模控制在永磁直线同步电机的应用研究
rbf神经滑模控制在永磁直线同步电机的应用研究近几年来，永磁直线同步电机（PMLM）的性能及其应用越来越受到人们的重视。
它的优点是由于结构简单，对调整转矩变量范围很宽，可以实现高精度低噪声的转矩控制。
为了实现PMLM控制系统的高性能，近年来，根据解耦控制准则和适当的多参数设计，利用RBF神经网络控制器取得了较好的结果。
本文主要研究RBF神经滑模控制在PMLM上的应用。
首先，使用动态模型对PMLM进行建模，然后计算动态模型建模的误差，利用RBF 神经网络控制器（RBFNNC）对误差进行滑模控制。
本文通过系统仿真和实验研究了RBFNNC控制器在PMLM上的应用。
最后，本文提出了一些改进和优化方面的建议。
1.介绍1.1永磁直线同步电机永磁直线同步电机(PMLM)是一种新型的驱动电机，具有较高的效率、精度和功率因数特性。
它主要由三个部分组成：一个永磁同步电机、一个控制器和一个负载(可以是油缸或机械系统)。
由于其结构简单，调节转矩变量范围很宽，可以实现高精度低噪声的转矩控制。
1.2 RBF神经网络控制器RBF神经网络控制器是一种基于神经网络模型的控制算法。
它是应用机器学习理论，以及建立隐式模型网络技术，将输入变量作为神经网络的输入，运用自适应调节控制的方法调节系统的输出。
RBF神经网络控制器通过计算机实现对复杂系统的自适应控制，具有良好的参数估计能力，可以有效解决系统建模不精确和参数不可知等问题。
2.RBF神经滑模控制原理本文研究RBF神经滑模控制在永磁直线同步电机上的应用。
RBF 神经滑模控制系统以RBF神经网络控制器（RBFNNC）作为控制器，通过调整参数将系统的输出与期望输出对齐。
2.1 RBF神经网络控制器的设计RBF神经网络控制器由三个部分组成：RBF神经网络、滑模解耦算式和控制器参数调整。
1) RBF神经网络：由输入层、隐藏层和输出层组成，其中输入层用于输入系统信号，隐藏层用于计算系统误差，输出层用于纠正系统误差，使系统输出达到期望值。
基于RBF神经网络的开关磁阻电机单神经元PID控制
第25卷第15期中国电机工程学报V ol.25 No.15 Aug. 2005 2005年8月Proceedings of the CSEE ©2005 Chin.Soc.for Elec.Eng.文章编号：0258-8013（2005）15-0161-05 中图分类号：TM352 文献标识码：A 学科分类号：470⋅40基于RBF神经网络的开关磁阻电机单神经元PID控制夏长亮，王明超（天津大学电气与自动化工程学院，天津市南开区300072）SINGLE NEURON PID CONTROL FOR SWITCHED RELUCTANCE MOTORS BASEDON RBF NEURAL NETWORKXIA Chang-liang, WANG Ming-chao（School of Electrical Engineering and Automation, Tianjin University, Nankai District, Tianjin 300072, China）ABSTRACT: This paper presents an novel approach of single neuron adaptive control for switched reluctance motors (SRM) based on radial basis function (RBF) neural network on-line identification. The method uses single neuron to construct the adaptive controller of SRM, and has the advantages of simple construction, adaptability and robustness. A RBF network is built to identify the system on-line, and then constructs the on-line reference model, implements self-learning of controller parameters by single neuron controller, thus achieve on-line regulation of controller’s parameters. The experimental result shows that the method given in this paper can construct processing model through on-line identification and then give gradient information to neuron controller, it can achieve on-line identification and on-line control with high control accuracy and good dynamic characteristics.KEY WORDS:Electric machinery; Radial basis function neural network; Switched reluctance motor; Single neuron; PID control; On-line identification摘要：论文提出了一种基于径向基函数（radial basis function）神经网络在线辨识的开关磁阻电机（SRM）单神经元PID自适应控制新方法。
基于S函数的RBF神经网络PID控制器
基于径向基函数的神经网络的PID控制器摘要RBF神经网络在分类问题中得到了广泛的应用，尤其是模式识别的问题。
许多模式识别实验证明，RBF具有更有效的非线性逼近能力，并且RBF神经网络的学习速度较其他网络快。
本文在具有复杂控制规律的S函数构造方法的基础上，给出了基于MATLAB语言的RBF神经网络PID控制器，及该模型的一非线性对象的仿真结果。
关键词：S函数；RBF神经网络PID控制器；Simulink仿真模型径向基函数（RBF-Radial Basis Function）神经网络是由J.Moody和C.Darken 在20世纪80年代末提出的一种神经网络，它具有单隐层的三层前馈网络。
由于它模拟了人脑中局部调整、相互覆盖接受域（或称野-Receptive Field）的神经网络结构，因此，RBF神经网络是一种局部逼近网络，已证明它能以任意精度逼近任意连续函数。
1.S函数的编写方法S函数是Simulink中的高级功能模块，Simulink是运行在MATLAB环境下用于建模、仿真和分析动态系统的软件包。
只要所研究的系统模型能够由MATLAB语言加以描述，就可构造出相应的S函数，从而借助Simulink中的S 函数功能模块实现MATLAB与Simulink之间的沟通与联系，这样处理可以充分发挥MATLAB编程灵活与Simulink简单直观的各自优势。
当系统采用较复杂的控制规律时，Simulink中没有现成功能模块可用，通常都要采用MATLAB编程语言，编写大量复杂而繁琐的源程序代码进行仿真，一是编程复杂、工作量较大，二来也很不直观。
如果能利用Simulink提供的S函数来实现这种控制规律，就可以避免原来直接采取编程的方法，不需要编写大量复杂而繁琐的源程序，编程快速、简捷，调试方便，则所要完成的系统仿真工作量会大大减少。
RBF神经网络PID控制器的核心部分的S函数为：function [sys,x0,str,ts]=nnrbf_pid(t,x,u,flag,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0) switch flag,case 0, [sys,x0,str,ts] = mdlInitializeSizes(T,nn);case 2, sys = mdlUpdates(u);case 3, sys = mdlOutputs(t,x,u,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0);case {1, 4, 9}, sys = [];otherwise, error(['Unhandled flag = ',num2str(flag)]);endfunction [sys,x0,str,ts] = mdlInitializeSizes(T,nn)sizes = simsizes;sizes.NumContStates = 0; sizes.NumDiscStates = 3;sizes.NumOutputs = 4+5*nn; sizes.NumInputs = 9+15*nn;sizes.DirFeedthrough = 1; sizes.NumSampleTimes = 1;sys=simsizes(sizes); x0=zeros(3,1); str=[]; ts=[T 0];function sys = mdlUpdates(u)sys=[u(1)-u(2); u(1); u(1)+u(3)-2*u(2)];function sys = mdlOutputs(t,x,u,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0)ci_3=reshape(u(7: 6+3*nn),3,nn); ci_2=reshape(u(7+5*nn: 6+8*nn),3,nn);ci_1=reshape(u(7+10*nn: 6+13*nn),3,nn);bi_3=u(7+3*nn: 6+4*nn); bi_2=u(7+8*nn: 6+9*nn);bi_1=u(7+13*nn: 6+14*nn); w_3= u(7+4*nn: 6+5*nn);w_2= u(7+9*nn: 6+10*nn); w_1= u(7+14*nn: 6+15*nn); xx=u([6;4;5]);if t==0ci_1=w0(1)*ones(3,nn); bi_1=w0(2)*ones(nn,1);w_1=w0(3)*ones(nn,1); K_pid0=K_pid;else, K_pid0=u(end-2:end); endfor j=1: nn % Gaussian basis hh(j,1)=exp(-norm(xx-ci_1(:,j))^2/(2*bi_1(j)*bi_1(j)));enddym=u(4)-w_1'*h; w=w_1+xite*dym*h+alfa*(w_1-w_2)+beta0*(w_2-w_3); for j=1:nnd_bi(j,1)=xite*dym*w_1(j)*h(j)*(bi_1(j)^(-3))*norm(xx-ci_1(:,j))^2;d_ci(:,j)=xite*dym*w_1(j)*h(j)*(xx-ci_1(:,j))*(bi_1(j)^(-2));endbi=bi_1+d_bi+alfa*(bi_1-bi_2)+beta0*(bi_2-bi_3);ci=ci_1+d_ci+alfa*(ci_1-ci_2)+beta0*(ci_2-ci_3);dJac=sum(w.*h.*(-xx(1)+ci(1,:)')./bi.^2); % JacobianKK=K_pid0+u(1)*dJac*eta_pid.*x; sys=[u(6)+KK'*x; KK; ci(:); bi(:); w(:)];该控制器中的外部参数均在封装后的控制器参数对话框中给出。
基于RBF神经网络的永磁同步伺服电机控制系统
基于RBF神经网络的永磁同步伺服电机控制系统朱卫云;付东翔;葛懂林【摘要】针对永磁同步电机控制系统, 建立其磁场定向控制数学模型. 运用增量式数字PID的方法实现对PMSM的传统PID控制策略. 在此基础上, 借助RBF神经网络的学习能力, 进行PID控制器参数的自适应整定, 进一步改善PID控制器的性能. 同时, 为提高RBF网络性能, 采用粒子群算法对网络进行优化. 仿真表明, 与传统PID控制比较, 基于RBF的PID控制系统能提高PID控制器的性能, 改善了PMSM控制系统的收敛速度和跟踪精度.%This paper first proposes the establishment of PMSM mathematical model .Then, the conventional PID control is discussed to achieve PMSM control system by using an incremental PID .The learning ability of RBF neural network offers adaptive PID controller parameter to improve the performance of PIDcontrollers .The particle swarm optimization ( PSO) is also proposed to improve the performance of RBF network in .The simulation results in-dicate that the mode control system based on RBF neural network can improve the performance of PID controller com -pared with conventional PID control with higher convergence speed and tracking accuracy of PMSM control system .【期刊名称】《电子科技》【年(卷),期】2016(029)001【总页数】5页(P161-164,168)【关键词】PMSM;FOC;PID控制器;RBF网络;PSO算法【作者】朱卫云;付东翔;葛懂林【作者单位】上海理工大学光电信息与计算机工程学院,上海 200093;上海理工大学光电信息与计算机工程学院,上海 200093;上海理工大学光电信息与计算机工程学院,上海 200093【正文语种】中文【中图分类】TM351Abstract This paper first proposes the establishment of PMSM mathematical model.Then,the conventional PID control is discussed to achieve PMSM control system by using an incremental PID.The learning ability of RBF neural network offers adaptive PID controller parameter to improve the performance of PID controllers.The particle swarm optimization (PSO) is also proposed to improve the performance of RBF network in.The simulation results indicate that the mode control system based on RBF neural network can improve the performance of PID controller compared with conventional PID control with higher convergence speed and tracking accuracy of PMSM control system. Keywords PMSM;FOC;PID;RBF neural networks;PSO algorithm永磁同步电机因其自身的结构及运行特别,在运动控制应用中起着重要作用,而被广泛应用于机器人、航空航天和国防军事等高精度速度和位置控制领域中。
基于RBF神经网络的PID整定
基于RBF神经网络的PID整定
李广军;张翠芳;申元霞
【期刊名称】《佳木斯大学学报（自然科学版）》
【年(卷),期】2005(023)003
【摘要】针对非线性系统,采用了基于径向基函数(RBF)神经网络的PID整定,用遗传算法优化RBF神经网络.仿真结果表明,基于遗传算法优化的RBF神经网络PID 整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定.【总页数】4页(P354-357)
【作者】李广军;张翠芳;申元霞
【作者单位】西南交通大学计算机与通信工程学院,四川,成都,610031;西南交通大学计算机与通信工程学院,四川,成都,610031;西南交通大学计算机与通信工程学院,四川,成都,610031
【正文语种】中文
【中图分类】TP311.11
【相关文献】
1.基于支持向量机回归和RBF神经网络的PID整定 [J], 施建洪;徐吉辉
2.基于改进RBF神经网络的PID整定 [J], 李广军;张晶;曾安平
3.基于改进RBF神经网络的PID整定 [J], 李广军;张晶;曾安平
4.基于PMAC快速PID整定与精度补偿研究 [J], 冯一凡;孟祥印;翟守才;周亮君
5.基于Lambda方法的自衡对象PID整定研究 [J], 冯少辉;袁海雷
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Abstract:The RBF neural network was applied to the parameter tuning of the PID for permanent magnet synchronous motor. The parameters of RBF neural network were modified by the gradient descent algorithm. The variable integral was a鄄 dopted to improve the control precision for the integral part. The simulation results show that the controller shortens the o鄄 vershoot of the speed regulation and fastens the system responses. And it has better adaptation, robustness and preventing disturbance ability.
詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪
D摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
的雅克比( Jacobian) 信息,自适应调整 PID 的 3 个参
数 kP,kI,kD,并在积分项采用变速积分以提高控制
控 制
精度,来满足对 PMSM 系统的高性能控制要求。
摇 75
詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪
文
( 以下简称 RBF) 神经网络。 文献[7] 对比了 BP 神 强
经网络与 RBF 神经网络在一些非线性曲线拟合上 等
的性能,BP 神经网络对于每一个输入样本要调整网
摇 基
络全部的权值,会造成学习时间较长,可能出现局部 于
RBF
极小问题;RBF 网络是一种局部逼近网络,只有部
分权值影响网络输出,提高了训练速度,并且可以有
神 经
效避免陷入局部极小值。
网 络
本文将 RBF 神经网络应用在 PID 的参数调整 的
永
上,为了更好地实现网络输出逼近对象的实际输出, 磁
采用梯度下降法沿 RBF 神经网络性能指标函数的
同 步
负梯度方向修正网络参数,使网络输出与实际输出 电
动
的偏差降到最小,通过 RBF 神经网络辨识获得对象 机
PID
关键词:永磁同步电机;RBF 神经网络;PID 控制器;梯度下降法;变速积分 中图分类号:TM351摇 摇 文献标志码:A摇 摇 文章编号:1004-7018(2018)11-0075-04
PID Control of Permanent Magnet Synchronous Motors Based on RBF Neural Network
Key words:permanent magnet synchronous motor ( PMSM) ; RBF neural network; PID controller; gradient descent algorithm; variable integral
0摇 引摇 言
永磁同步电动机( 以下简称 PMSM) 因具有结构 简单、损耗低、功率密度高等优点,广泛应用于现代 工业伺服领域[1-2] 。 目前,大多数的工业自动化现 场仍采用比例-积分-微分( 以下简称 PID) 控制器, PID 控制器算法简单,通过系统参考值与输出值的 偏差,按照比例、积分、微分 3 个环节构成控制量来 达到对被控对象的控制。 其中,比例环节参数 kp 将 偏差信号放大或缩小一定倍数,来减小偏差;积分环 节参数 kI 不断积累偏差,来消除静态误差;微分环 节参数 kD 反映偏差信号的变化方向以提前调整输 出[3] 。 传统的 PID 参数整定大多采用人工手动调 节,对于复杂的工业环境,在负载波动大且对速度的 精度要求比较高的情况下,传统 PID 控制器难以达 到较好的控制效果。
文献[4] 提出一种基于专家思想的 PID 控制算 法,能够有效减小系统的超调量及稳态误差,但专家 系统主要用于解决专门的或者比较困难的问题,由 于知识面较窄、缺乏自学能力等原因导致其在工程 中应用并不多。 文献 [5] 利用模糊控制器调节 PI
收稿日期:2018 -03 -21 基金项目:黑龙江省科技攻关资助项目( GC04A517)
詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪
驱动控制 rive and control
摇詪詪摇
基于 RBF 神经网络的永磁同步电动机 PID 控制
邵文强,康尔良
( 哈尔滨理工大学,哈尔滨 150080)
摘摇 要:将 RBF 神经网络应用于永磁同步电动机 PID 的参数调整中。 采用梯度下降法修正 RBF 神经网络的参 数,积分项采用变速积分以提高控制精度。 仿真结果表明,该控制器减小了速度调节的超调量,加快了系统的响应 速度,具有较好的自适应性、鲁棒性和抗干扰能力。
参数,减小负载扰动,加快了系统速度响应,但模糊
变量和模糊规则的确定比较费时。
神经网络拥有强大的自学习、自适应能力,在电
机控制领域得到了越来越多的关注,与传统 PID 控
制器 相 结 合, 能 够 较 好 地 改 善 PID 控 制 器 的 性
能[6] 。 目前应用较为普遍的神经网络主要是误差
反向传播 ( 以下简称 BP) 神 经 网 络 和 径 向 基 函 数 邵