发动机-传动电机的转速控制(BP+PID)

目录

一、设计题目 (1)

二、系统的工作原理 (2)

三、BP神经网络 (3)

3.1BP神经网络结构 (3)

3.2BP网络学习算法 (4)

四、基于BP神经网络的PID控制器 (6)

4.1PID控制器 (6)

4.2基于BP神经网络的PID控制器 (7)

五、程序代码及结果分析 (10)

5.1程序代码 (10)

5.2仿真结果 (13)

六、结论 (15)

一、设计题目

柴油-电力机车传动电机的转速控制

柴油机有着十分广泛的用途，它可用来驱动内燃机车的传动电机，从而保证重型列车的正常运行。但是柴油机的工作效率对转速非常敏感，因此为了提高其工作效率，应该控制传动电机的转速。图中给出了柴油内燃机车的电力传动模型。

图1-1 转速控制模型

移动输入电位计的游标，可设置控制阀的位置，从而设定传动电机的预期转速w r 。负载转速w 0是受控变量，其实际值由测速机测量。测速机由电机轴上的皮带驱动，其输出电压v 0是系统的反馈变量。由于输入电位计提供了预期参考电压，由此可求得参考电压与反馈电压间的偏差为( v r - v 0 )。放大器将偏差电压放大后，生成电压信号v f ，并用作直流发电机的线圈磁场电压。

在电力传动系统中，柴油机的输出转速恒为w q ，直流发电机由柴油机驱动，其输出电压V g 是电枢控制直流电机的驱动电压。此外电枢控制直流电机的励磁磁场电流i 也保持恒定不变。在上述条件下，由于V R 的作用，直流电机将产生力矩T ，并使负载转速w 0逐渐趋近于预期转速w r 。

已知：

● 电机的反电动势系数为Kb ＝31/50；

● 与电机有关的参数为J=1，b=1，La=0.2，Ra=1； ● 发电机有关的参数为励磁电阻Rf=1，励磁电感Lf=0.1，Lg=0.1，Rg=1；

柴油机 w r

v r

v 0

v d 常量

放大器

i f L f R f

i a L a R a

发电机

电机

测速机

负载w 0，J ，b

v f

V g

● 测速机增益Kt=1；

●

发电机常数Kg ，电机常数Km 自定；

二、系统的工作原理

本系统利用移动输入电位计的游标，可设置控制阀的位置，从而设定传动电机的预期转速w r ，在移动输入电位计两端加有电源，每当游标移动一定距离，电位计上输出电压也跟随变化，该变化的电压（由输入电位计提供的的预期参考电压）与电动机反馈回来的电压值v 0进行比较，得到一个电压差v r - v 0。电压差V 1输入运算放大器K ，根据放大器“虚短”与“虚亏”方法，放大器K 的放大系数为540，电压差V 1经过放大器K 放大后输出电压信号V 2，并用作直流发电机的线圈磁场电压。在电力传动系统中，柴油机的输出转速恒为w q ，直流发电机由柴油机驱动，其输出电压V g 是电枢控制直流电机的驱动电压，直流电机带动负载转动并由测速机测量其实际转速w 0。测速机由电机轴上的皮带驱动，其输出电压v 0是系统的反馈变量。此外电枢控制直流电机的励磁磁场电流i 也保持恒定不变。

其中，控制系统的被控对象是电动机，发电机；被控量是电压；系统的输入量为转速w r ，输出量为转速w 0；给定量是移动输入电位计，功率放大器K ，测速发电机。

系统模型及结构图如下：

图 2-1 系统模型

图2-2 系统结构图

1()

G s 2()G s

3()G s 4()G s 1()

G s 0(t)

系统传递函数求解：

由上述框架结构图可以看出该系统为一个四阶系统，为求解方便将其化简成一个二阶系统（除去不大的极点），其结构框图如下图2.3：

图2-3 化简后的系统传递函数结构图

简化思路如下：由于励磁电感远小于励磁电阻，故励磁电感可以忽略。 建立系统的数学模型和传递函数一般表达式：

比较电路 V1=Vr-V0;(Vr 输入电压，V1为偏差电压) 回馈电路 电机的反电动势系数为Kb ＝31/50； 放大电路 V 10=1.5（正常工作点）；V 2=2e 3v 1 发电机电路：

0.11

Kg

S +

电机电路：

1

Km

S +

测速电路：测速机增益Kt=1； 所以系统的开环传递函数为：

5400*(10)(10.62)

Kg Km

G s s Km =

+++

系统的闭环传递函数为：

5400*()(10)(10.62)5400*Kg Km

G c s s Km Kg Km

=

++++

三、BP 神经网络

3.1 BP 神经网络结构

大脑是一部不寻常的智能机，它能以惊人的高速度解释感觉器官传来的含糊不清的信息。它能觉察到喧闹房间内的窃窃私语，能够识别出光线暗淡的胡同中的一张面孔，更能通过不断地学习而产生伟大的创造力。所谓神经网路系统是利

用工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。严格地讲神经网络应该称为人工神经网络，为了简化起见，一般省略人工二字直接称神经网络，可简记为 NN （Neural Network ）。由于神经网络具有信息的分布存储、并行处理以及自学习等优点，所以它在信息处理、模式识别，智能控制等领域有着广阔的应用前景。人工神经网络的着眼点不是利用物理器件来完整的复制生物体中细胞网络，而是采纳其可利用的部分来解决目前计算机或其它系统不能解决的问题，如学习、识别、控制和专家系统等。随着生物和认知科学的发展，人们对人脑的结构和认知过程的了解越来越深入，促进了人工神经网络技术的发展，越来越多的生物特性将被利用到工程中去。

X1X3

X2Y1Y2Y3

……

…

图3-1 BP 神经网络结构图

BP 神经网络结构如图3-1所示。由图可见，BP 网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后神经元的激活值从输入层经中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP 算法。随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。与感知器不同的是，由于误差反向传播中会对传递函数进行求导计算，BP 网络的传递函数要求必须是可微的，所以不能使用感知器网络中的硬闭值传递函数，常用的有sigmoid 型对数、正切函数或线性函数。由于传递函数是处处可微的，所以对BP 网络来说，一方面，所划分的区域不再是一个线性划分，而是由一个非线性超平面组成的区域，它是比较平滑的曲面，因而它的分类比线性划分更加精确，容错性也比线性划分更好;另一方面，网络可以严格采用梯度下降法进行学习，权值修正的解析式十分明确。

3.2 BP 网络学习算法

设有n 个输入节点1x ，2x ……n x ;q 个输出节点1y ，……n y ;网络层的隐含节点有p 个神经元。输入层第i 个单元至隐含层第j 个单元连接权j i w ,。隐含层第j 个单元至输出层第t 个单元连接权t j v ,。隐含层各单元的阈值为j θ，输出层各个单元的阈值为t γ，在训练该网络的学习阶段，设有N 组训练样本，先假定