基于神经网络的PMLSM建模

焦作工学院学报(自然科学版),第21卷,第2期,2002年3月

Journal of Jiaozuo Institute of Technology(Natural Science),Vol.21,No.2,Mar.2002

基于神经网络的PML SM建模

张向文,杨海柱,王福忠,焦留成

(焦作工学院电气工程系,河南焦作454000)

摘要:永磁直线同步电动机(PML SM)是直线电机驱动的垂直运输系统的核心,它的模型的建立对于整个系统的控制与运行分析具有重要的意义.利用BP算法,用C语言编制程序,实现了一个单输入层单输出层4隐含层的神经网络,并用实验数据对网络学习训练,建立了PML SM的模型.通过实验验证,该模型的输出结果与实际结果十分接近,能够反映PML SM的基本运动特性,因此这种模型可以作为PML SM的仿真模型进行控制和运行特性的仿真研究,并且在进行控制时可以把这种模型作为系统的辩识模型进行预测控制,使控制效果更好.这种模型的建立将为PML SM的研究开辟出一条新路.

关　键　词:BP网络;PML SM;神经网络

中图分类号:TD412 文献标识码:A 文章编号:1007Ο7332(2002)02Ο0136Ο04

0　引　言

目前,高层建筑的发展使新型无绳垂直提升系统成为提升领域研究的重要方向,而以永磁直线同步电动机(PML SM)驱动的垂直运输系统可能是其中最好的方案[1].现阶段这种方案研究的重点是电机本体,而电机模型的建立是其中的关键.直线电机的特殊结构使它的模型主要建立在一维稳态方面,对于暂态和三维的模型都是在忽略边端效应、铁心开断、三相绕组分布不对称等因素影响的理想状态下建立的[4],因此以这种模型为基础所进行的控制和运行特性分析都不能令人满意.本文从实验本身出发,利用神经网络建立了PML SM的模型.经过实验验证,这种模型能够比较准确地反映PML SM的真实运行情况,该模型对于PML SM的控制和运行特性的仿真研究以及系统控制策略的实施都具有实际的应用价值.

1　神经网络的建立及PML SM模型的形成

人工神经网络是由许多处理单元(神经元)按照一定的拓扑结构

相互连接而构成的一种具有并行计算能力的网络系统,这种网络系统

具有非线性大规模自适应的动力学特征,可以比较准确地反映1个系

统的运行状态和特性[2].神经元是神经网络的基本处理单元,一般

是多输入Ο单输出的非线性单元,见图1.图1中u i为该神经元的内

部状态,θi为阈值,x j(j=1,2,…,n)为来自其他神经元的输入

信号,w ij表示从神经元i到神经元j的连接权重值,y i为神经元的输

出,其外部特性为y i(t+1)=f∑n

w ij×x j(t)-θi,f为激励函

j=0

数,一般取f(x)=1

.

1+e-x

收稿日期:2001Ο06Ο07;修回日期:2001Ο09Ο21

作者简介:张向文(1976Ο),男,河南南阳人,硕士研究生,从事永磁直线同步电动机的电磁场和建模研究.

神经网络模型是利用大量实验数据进行学习训练从而建立系统模型的神经网络结构.常用的神经网络模型是BP 网络模型,这种网络是采用误差反向传播算法(Error Back Propation Method )进行学习训练的,因此被称为BP 网络.BP 网络由输入层、若干隐含层和输出层相互连接而成,每层由若干个单元组成.它的工作过程通常有2个阶段组成:一个阶段是工作期,在这一阶段,网络各神经元间的连接权重值固定不变,网络的计算从输入层开始,逐层逐个单元计算每个神经元的输出,直到输出层中的各神经元计算完毕;另一个阶段是学习期,在这一阶段,各神经元的输出保持不变,网络学习则是从输出层开始,反向逐层逐个单元计算各连接权重值的修改量,以修改各连接的权重值,直到输入层为止.这两个阶段又称为正向传播和反向传播过程.系统模型的形成过程就是正向传播和反向传播循环进行,直到误差达到最小为止而建立起来的[3].

下面就以BP 网络来建立PML SM 的模型.

1.1　网络结构的选择

对于PML SM 来说,其已知量为三相电压u a ,u b ,u c ,三相电流i a ,i b ,i c 和阻力f ,未知量为推力F 和压力FN ,所以网络的结构可以选择1个输入层、若干隐含层和1个输出层,输入层选择7个单元,分别为u a ,u b ,u c ,i a ,i b ,i c ,f (阻力),并且用x i (i =1,2,…,7)表示,输出层选择2个单元,分别为F 和FN ,用y i (i =1,2)表示.隐含层和隐含层单元数的选择根据1个输入层,1个输出层,隐含层分别为1,2,3,4,5,每个

隐含层的单元数为10个左右的网络结构的收敛速度和

收敛性能的比较,最终选择收敛速度最快、收敛性能最

好的4隐含层结构,第1隐含层选择12个单元,第2

隐含层选择13个单元,第3隐含层选择14个单元,第

4隐含层选择15个单元.网络结构如图2所示.

1.2　网络算法的形成

网络算法的形成可以用下面4步来完成:

(1)用公式i k i =∑j

w k -1,k j ,i o k -1j -θk i ,o k i =f (i k i ),计算每一层每一个单元的输出,其中i k i 为网络

第k 层的第i 个神经元u k i 的输入,o k i 是它的输出,w k -1,k j ,i 为u k -1j 到u k i 的连接权重值,θk i 为u k i 的阈值;用公式E p =1

2∑j (y

j -o m j )2计算网络的误差,其中o m j 为输出层m 的第j 个神经元的实际输出,y j 为

期望输出,如果误差满足要求转向(4),否则按顺序执行.

(2)求连接权重值的修正值:Δw k -1,k i ,j (t +1)=-εd k j ・o k -1i +αΔw k -1,k i ,j

(t ),其中ε为修正系数,也称为学习率或学习步长,0<ε<1;α为指数衰减系数,0<α<1;t 为学习次数,d k j =

f ′(i k j )・∑i w k ,k +1j ,i ・d k +1i ,k

,阈值的修正值为:Δθk j =-η・d k j ,η为修正系数,0<η<1.(3)根据(2)算出的各神经元间的连接权重值的修正值和阈值的修正值,计算新的连接权重值和阈值,然后返回(1).

(4)误差满足要求,结束计算.

1.3　网络算法的实现和PML SM 模型的形成

首先通过实验采集一批PML SM 的原始数据,然后对这批数据进行处理,转化为相应的电压、电流和力.为便于计算,把电压、电流、阻力、压力和拉力都转化为标么值,最后把这批经过处理并化为标么值的数据作为训练数据存在计算机中.根据第1.2中的计算方法,用C 语言编写计算程序,利用计算机中存储的训练数据运算程序,对网络进行训练.当误差达到稳定的极小值之后,就认为网络已经训练好,此时记下连接权重值和阈值,利用这些数据就可以建立PML SM 的模型.程序的流程图如图3所示.

731第2期 张向文等:基于神经网络的PML SM 建模