基于DSP无刷直流电机的BP神经网络调速系统

图4 速度控制相应曲线和参数整定的仿真曲线
4 结 语
基于 TMS320L F2407 ( DSP ) 数字信号处理器为 主控制器件来设计复杂的硬件电路 , 使硬件控制系统 结构简单 ,避免了扩展额外器件的成本费用 , 经济实 用 ; 同时采用非线性预测模型 B P 神经网络的软件算 法 ,实现了软件控制的高精确性和可靠性 ,对电机调速 的非线性系统有良好的调节作用 . 硬件和软件的相结 合 ,使整个系统精确 、 可靠 .
结合 , 充分利用了非线性预测模型 B P 神经网络逼近 任意连续有界非线性函数的能力 . 文中提出其速度的 调节采用经典 PI 调节 ,电流的调节采用非线性预测模 型 B P 神经网络 PID 调节 , 这种 PID 控制方法能学习 和适应严重不确定系统的动态特性 ,有很强的鲁棒性 , 同时也显示了神经网络在解决高度非线性和严重不确 定系统方面的潜能 . 仿真结果表明 ,该神经网络调速系
式中 : y ( k) u ( k) 为系统的输出和输入 ; n y ) 为非线性函数 . 为{ y} 和{ u} 阶次 ; f ( ・
nu
为了计算预测输出 ^ y ( k + 1) 或 9 ^ y ( k + 1) / 9u ( k) , 采用 B P 神经网络结构 — — — 包括输入层 、 隐含层和输 ( ) 出层的 B P 神经网络模型 NNM 作为非线性模型的 预测模型 ,为了便于对非线性系统进行辨识 ,输出层神 经元的活化函数取为线性函数 , 而隐含层神经元的活 化函数仍取为 Sigmoid 函数 . 2. 3 非线性预测模型 B P 神经网络的学习计算过程 B P 神经网络模型 ( NNM ) 的前向计算过程[ 5 ] 为 : 以被控对象的输入输出过程量 { y ( k ) } 和 { u ( k) } 作为
第5期
Q ( )
王晓雷等 : 基于 DSP 无刷直流电机的 B P 神经网络调速系统
( )
・35 ・
9o i 2 ( k) 9net i 2 ( k) 9y ( k + 1) ・ ・ ( ) ( ) ∑ 9o i 2 ( k) 9net i 2 ( k) 9u ( k) = i =0
Q i =0
NNM 的默认特征 ,即对于输入层有
( 1) oj ( k) =
y ( k - j ) 0 ≤ j ≤ ( n y - 1) u ( k - j + n y ) n y ≤ j ≤ ( n y + nu - 1 ) ( 3)
图1 系统控制框图
o
( 1) n y + nu
( k) ≡1
n y + nu
( 2) ( 2) oj ( k) = f [ net i ( k) ] ( i = 0 , 1 , L , Q - 1)
( 4) o
( 2) i
( k) ≡1
( ) ( )
式中 : w ij2 为隐含层加权系数 ; w i(2n y + nu) 为阈值 , ( 2) w i ( n y + nu) = θ ] 为活化函数 , f [ ・ ] = tan h ( x ) . i ; f [・ 最后 , 网络输出层的输出为
电机调速系统是电机控制过程中的一个重要环 节 ,关系到整个操作系统的正常运行 . 传统无刷直流电 机调速系统通常采用电子器件和经典 PI 控制相结合 . 然而 ,对于非线性系统 , 经典 PID 控制不具有自适应 性的特点 ,对经典 PID 的挖掘已经不能满足直流电机 调速系统对快速性 、 稳定性和鲁棒性的要求 . 目前 , 在 算法实现上大多采用模糊控制 ,然而 ,模糊控制器对纯 延迟时间还不如 PI 控制器那样敏感 [ 1 - 4 ] . 针对这些特 点 ,本文提出了无刷直流电机 B P 神经网络调速系统 , 该系统采用 TI 公司电机专用芯片 TMS320L F2407 数 字信号处理器 ( DSP) 为核心控制器件 . 此数字信号处 理器具有专为电机控制应用提供单片机解决方案所必 需的外围设备 ,包括在转速检测时使用 SZGH - 01 型 增量式旋转编码器的外部接口 , 以及电流检测等外部 接口[ 5 - 6 ] . 该直流电机调速系统的控制算法 ,采用经典
基于 DSP 无刷直流电机的 B P 神经网络调速系统
王晓雷 ,毋炳鑫 ,吴必瑞
( 中原工学院 ,郑州 450007)
摘 要: 针对无刷直流电机速度调节系统中存在的控制不精确性 ,以及单一使用传统 PID 算法不能满足大范围调速和 抑制超调等方面的问题 ,提出以 TMS320L F2407 数字信号处理器 (DSP) 为硬件控制核心 ,同时在算法实现上 ,采用非线 性预测模型 B P 神经网络 PID 的控制算法 ,硬件和算法相结合 ,解决了系统中 PWM 信号的生成 、 电机速度和电流反馈等 问题 ,仿真结果表明 : 系统的响应速度快 、 稳定性能好 ,提高了无刷直流电机的可控性 . 关 键 词 : TMS320L F2407 ;DSP ;B P 神经网络 ; PID 算法 中图分类号 : TP272 文献标识码 : A
PI 和非线性预测模型 B P 神经网络 PID 控制算法相
统响应速度快 ,精度高 ,具有良好的鲁棒性 [ 7 - 8 ] .
1 无刷直流电机数学模型
无刷直流电机依靠电枢电流与磁场作用产生的电 磁转距来实现机电能量的转换 . 它是通过把直流电能 转换成机械能 ,带动轴上的生产机械做功 . 其数学模型 如下 : d ia 1 ωr ( - 2 < = [ 2 v ab + v bc - 3 Rs i a +λ p ′ a + dt 3L s ( 1) < ′ ′ b + < c) ] d ib 1 ωr ( < = [ - v ab + v bc - 3 Rs i b +λ p ′ ′ a - 2< b + dt 3L s < ′ c) ] d ia d ib d ic + =dt dt dt λ( < Te = p ′ ia + < ′ ib + < ′ ic ) a ・ b ・ c ・ 式中 , L s 为无刷直流电机的定子绕组电感 , R 为定 子绕组电阻 , <a 为三相磁通 , V ab 、 V bc 分别为 ab 之间和 bc 之间的线电压 ,ωr 为转子角速度 ,λ为永磁磁通 , p 为 电机的极对数 , T e 为电磁转距 根据对电机数学模型的分析 , 为实现对无刷直流 电 机 转 速 的 可 靠 控 制 , 系 统 采 用 TI 公 司 的 TMS320L F2407 数字信号处理器 ( DSP) . 该数字信号
Jy =
1 2 [ y ( k + 1) - ^ y ( k + 1) ] 2
( 6)
最小化 , 可得相应的修正公式为
2 ΔW i( 3) ( k + 1) = η [ y ( k + 1) - ^ y ( k + 1) ] oi ( k) + α Δw i( 3) ( k) ( i = 0 , 1 , L , Q)
以及将 DSP 控制器和非线性预测模型 B P 网络的 PID 控制相结合的有效性 .
( 9)
W ∑
( 3) i
f′ [ net i
( 2)
( 3) ( k) ] w ij ( k)
3 系统软件设计和仿真试验
3. 1 系统软件设计
该系统的软件是在 CCS3. 3 开发环境下采用 C 语 言编写 ,并采用模块化程序设计 . 程序流程模块包括非 线性 预 测 模 型 B P 网 络 的 PID 控 制 模 块 、 采用 ( ) TMS320L F2407 DSP 进行的电流 、 转速采集调整模 块等部分 ,软件流程图如图 3 所示 .
2 B P 神经网络 PID 算法
2. 1 PID 算法实现
网络的隐含层为
net
( 2) i
( k) =
j =0
∑w
( 2) ij
( 1) o j ( k)
系统采用双闭环调节电路 , 分别对电流和转速进 行反馈 . 由于直流电机调速系统是时变非线性系统 ,仅 仅采用常规 PID 控制算法 , 以固定的参数去适应时变 非线性系统 ,其效果难以让人满意 . 因此 , 系统采用对 转速反馈的调整进行经典 PID 调整 , 对电流反馈的调 整采用非线性预测模型的 B P 神经网络 PID 调节器进 行调整 . 控制器结构图如图 2 言编制仿真程序 ,进行仿真试验 . 取采样周期 T = 0. 00l s ,仿真阶跃响应曲线如图 4 所 示 . 由图 4 仿真波形图可以看出 ,在 n = 2 000 r/ min 的 参考转速下 ,系统响应接近平稳 ,调节时间约为 0. 1 s , 即时间调节很短 . 同时 , 控制器对 PID 参数整定的结 果也比较理想 ,证明了在直流电机调速系统中 ,采用非 线性预测模型 B P 网络的 PID 控制模型的可操作性 ,
^ y ( k + 1) =
Q i =0
∑w
( 3) i
oi
( 2)
( k)
( 5)
(3) (3) 式中 :wi(3) 为输出层加权系数 ; wQ 为阈值 , wQ =θ 0.
B P 神经网络模型 ( NNM ) 的反相学习过程 [ 5 ] 为 :
利用 B P 学习算法来修正加权系数和阈值 , 使指标函数
( k) o
( 3) i
Δw +α
( 2) ij
( k) , ( i = 0 , 1 , L , ny + nu )
η为学习速率 ; α为惯性系数 , 均在 ( 0 , 1) 上 式中 : 取值 . 活化函数的导数为
1 - f 2 ( x) f ( x) = 2