基于GA优化BP网络的永磁同步电机PID控制方法研究

doi:10.3969/j.ISSN.1672-0792.2019.08.002

ElectricPowerScienceandEngineering

电力科学与工程

Vol.35,No.8Aug.,2019

基于GA优化BP网络的永磁同步电机

PID控制方法研究

张　震a,张丰收a,b,宋卫东b

(河南科技大学a.医学技术与工程学院;b.机电学院,河南洛阳471003)

摘　要:;永磁同步电机是一个高度耦合、复杂的非线性系统,传统单一控制方法存在精度低,振荡性大等问题。针对永磁同步电机的数学模型,提出了基于遗传算法优化BP神经网络的永磁同步电机PID控制方法,并在MATLAB/SIMULINK软件上进行仿真。通过与传统PID控制进行比较,结果表明所提出的控制方法具有较快的动态响应、电磁转矩波动幅值较小、抗干扰能力较强,具有一定的应用价值。

关键词:永磁同步电机;遗传算法;BP神经网络;PID控制

中图分类号:TM351　　文献标识码:A　　文章编号:1672-0792(2019)08-0007-05

ResearchonPIDcontrolmethodofpermanentmagnetsynchronousmotorbasedonBPNNoptimizedbyGA

ZHANGZhena,ZHANGFengshoua,b,SONGWeidongb

HenanUniversityofScienceandTechnology,Luoyang471003,China)

(a.SchoolofMedicalTechnologyandEngineering;b.SchoolofMechatronicsEngineering,

Abstract:Thepermanentmagnetsynchronousmotorisastronglycoupledandcomplexnonlinearsystem.Thetraditionalsinglecontrolmethodhasproblemsoflowprecisionandlargeoscillation.Aimingatobtaininganaccuratemathematicalmodelofpermanentmagnetsynchronousmotor,thispaperproposedaPIDcontrolmethodbasedongeneticalgorithmtooptimizeBPneuralnetworkforpermanentmagnetsynchronousmotor,andsimulateditinMATLAB/SIMULINK.BycomparingwiththetraditionalPIDcontrol,theresultsshowthattheproposedcontrolmethodhasafastdynamicwhichhascertainpracticalvalue.control

response,smallamplitudeofelectromagnetictorquefluctuation,andstronganti-interferenceability,Keywords:permanentmagnetsynchronousmotor;geneticalgorithm;BPneuralnetwork;PID

收稿日期:2019-05-04

基金项目:国家重点研发计划(2017YFB0300401)

作者简介:张　震(1994—),男,硕士研究生,主要研究方向为智能控制与制造、生物医学仪器;

宋卫东(1978—),男,讲师,主要研究方向为医学信号处理、智能控制技术;张丰收(1972—),男,教授,主要研究方向为智能控制技术、先进制造技术。

通信作者:宋卫东

8

电力科学与工程

2019年

0　引言

　　永磁同步电机(PMSM)以制作简单,转动惯量小、功率高、低耗损[1]等优点,在要求快速响应、调速范围宽、精确定位的高性能伺服传动系统中得到了很广泛的应用。由于PMSM是一个高度耦合、复杂的非线性系统,传统单一的控制方法已无法达到在运用中响应速度快、鲁棒性好等控制要求,因此研究出一种能把永磁同步电机优点发挥轴分量;R是定子电阻;ψd、ψq表示定子磁链在d-q轴上的分量;ωe为电角速度;Lq、Ld表示在d-q轴上的电感;ψf是永磁体的磁链;pn为极对数。

-q轴的定子电压;id、iq分别表示定子电流在d-q

2　永磁同步电机BP神经网络的PID控制方法

　　PID控制在线性系统控制领域中技术成熟、应[10]到最大化的控制器,具有一定的实际意义。

直接转矩控制PMSM控制按照被控对象可分为矢量控制和

,近年来国内外相关学者也研究出了多种PMSM不同的控制方法。随着人工智能神经网络的发展,神经网络以自身独特的优势被大

量运用到各领域。文献[2-5]分别把神经网络与经典PID控制相结合研究出多种PMSM的矢量控制方法。文献[6-8]利用神经网络研究出了不同的PMSM的直接转矩控制方法,从不同角度改善了PMSM的控制方法。

本文采用GA算法优化的BP神经网络PID控制,把遗传算法植入BP神经网络进行学习训练,寻找出适合本控制系统的权值和阈值,进而达到PID参数的实时调整。仿真结果表明,其转速性能、电磁转矩以及响应时间都优于传统PID控制。

1　永磁同步电机的数学模型

　假设　为了更好地简化分析三相:1)忽略电机铁心的饱和电机中涡流和磁滞PMSM,可做以下的损耗。;2)可在同步旋电机中的转电坐流标为系对d-q称三下相建正立弦数波学电流

[9]

型。则可得出定子电压方程为:模

éêudùR0-ωéêú=éê

Rùúé

idùépúêêúeù

êψdùëuqúûêë0

û+êpúú　　定子磁链方程为ëiqúûêëωe

û

êψúëqúû

(1)

éêψdùú=éêL:dé

êêidùψêú　ëψqúûêë0

L0ùú　转矩方程为:

qúû

ëi+éê0fùú

qúûêëúû

(2)

Te=

1

2pniq[id(Ld

-Lq)+ψf](3)

式(1)~(3)中:ud、uq分别表示同步旋转坐标系d

用普遍很大的局限性,但在高度耦合。BP神经网络有着很强的非线性、复杂的非线性系统中有拟合能力,并且能以任意精度逼近任意非线性连续函数[11]统。因此把,这就使其有能力解决复杂的非线性系PID控制和BPNN相结合,能有效地改善PID控制在复杂非线性系统中的局限性。其控制流程如图PID控制器1所示。图1中采用增量式离散é,K则其数学模型可写为Δu(k)=êpù:ú

éêêe(k)-e(k-1)ù

êKêêiú

ëKúdúû

êe(k)ú

ú

ëe(k)+e(k-2)-2e(k-1)úû

(4)

图1　BP神经网络PMSM-PID控制流程图

　BPNN　如图同步电机的精确控制的31个输出所示,把,进而来实现PID控制器的3个参数作为,K。其数学模型可写为PID控制器对永磁k-1),e(k-:Δuk=f[Kpi,Kd,e(k),e(2)]

式中:f(·)是关于K,通过BP神经网络的训练和学习可以寻找最佳p、Ki等6个参数的非线性函(5)

数的控制方法。

传播BP(Back,利用本层误差反向传递来求出上一层的误Propagation)算法其思想是误差反向

差,这样反复传递下去,就得到了所有层的误差。标准BP神经网络学习算法是基于梯度下降法,因在学习训练过程中只用到了均方误差函数对权值和阈值的梯度信息,所以不可避免地存在收敛速

第8期张　震,等:基于GA优化BP网络的永磁同步电机PID控制方法研究

　9

度慢,易陷入局部极小的问题[12]。图2为BP神经网络的模型图。

式(7)计算规则能使两个适应度相差较大的个体相交叉的概率高,突变概率pm计算规则如图2　BP神经网络模型图

2.1　基于GA优化BP神经网络的学习算法

遗传算法具有宏观搜索能力

[13]

和优良的全局

优化能力,因此可以将遗传算法移植入BP神经网络,在训练时利用GA算法对BPNN进行权值和阈值寻优。然后利用BP神经网络进行精确求解,即可达到全局寻优和快速高效的目的,并能有效地避免求解陷入局部最小问题[14]

经网络算法如下(1)网络初始赋值:

。遗传优化BP神

予初值。其中ω。给ωih、ωho、bh、bo分别赋

ih含层的权值、隐含层和输出层的权值、ωho、bh、bo分别表示输入层和隐、隐含层神经元的阈值、输出层神经元的阈值。为了防止初始种群集中分布在局部范围内,每个个体基因位产生符合如下规则:

{

xi=xxmin+(xmax-xmin)×(n-1)/n

i=x式中:第一式取值范围max×m/n

(6)

,当i=1,…,j,n=1,…,

m-1时;第二式取值范围,当n=m时,x分别代表初值的上限和下限;m为种群规模max;、jxmin为编码长度代数(2)。种群规模对参数初始化。

m为60,,生成种群交叉概率popP(t),t为遗传

适应概率,设群体平均适用度为fc为动态的自别为favg1、f2,设交叉概率Pc的范围[a,,1],两个个体分a为0~1

之间的实数,其计算规则如下:

{

pc=a+(1-a)-r

fpc=a

f1≠=ff212

(7)

下:

pm=0.05+

(km

-1

)

2

(8)

式(8)中:k表示连续k代没有出现最优解,k越大发生突变概率越大,有效地缩短了找到最优解的时间。

存在精度(3)对每个个体进行编码问题,本文采用实数,编由于二进制编码

码。其编码长度为:

　　(4)适应度函数j=O×(fI+H)+O+H

(9)

i采用误差函数的倒数,误差越小,其适应度越大。对每个个体进行适应度计

算,并将它们排序。

fi=1/E(i)

(10)

式中:(5)i=1,2,3,…,选择个体,n采用式为个体数(10)。体。

的概率值来选择个

Pn

i=fi/∑i=1fi

(11)

式中:fi为第i个体的适应度,i=1,2,3,…,n为个体数。

行交叉(6),得到新的个体交叉和变异,以概率g′pc对个体g1和g2进制。以p的新个体1和g′2。(7)计算新个体的适用度函数g′其他个体直接复m突变产生g3,3。

否结束,未结束则返回步骤(3)进行循环操作直到并判断算法是

找到满意的个体为止。

2.2　遗传算法优化BP神经网络PID控制算法步骤

速N∗(1),对网络系统初始化ω,确定ih、ωho、bBP网络结构,设定转

差e((2)采样得到eh、bo分别进行随机赋值。

(3)t)=根据系统的运行状态通过神经网络的训r(k)-y((tk)。

)、r(k),并计算t时刻的误练,学习输出调节(4)根据传回PID来的控制的参数3,计个参数算PID。u(k)。

的输出中找到最优的权值和阈值(5)利用遗传算法进行循环寻优,实现PID,控制的在线从全局变量调整(6)。

计t=t+1,返回步骤(2)。

10

电力科学与工程

2019年

3　同步永磁电机调速系统仿真实验研究

3.1　仿真实验模型建立

PMSM,反电动波形为正弦波激励。矢量控制方法采用经典id=0控制,矢量控制框图如图3所示。

本次系统仿真实验仿真对象为表贴式三相

MATLAB/SIMULINK得出了传统PID控制方法与本文中控制方法下的电机转速N和电磁转矩T的变化曲线。

从图4和图5仿真结果表明,传统PID控制方法下,电机转速超调量较高,并在0.065s左右才达到系统所设定的转速;在0.25s突加负载时,系统转速明显下降;在大约0.025s之后才恢复设定转速。本文控制算法下,超调量图3　基于GA-BPNN-PID控制器的

三相PMSM矢量控制

此模型主要有转速环GA-BPNN-PID调节器、电流环PI调节器以及SVPWM算法3大模块组成,其中转速环PID调节器中的参数由遗传算法优化的BP神经网络整定,传统PID控制方法参数由文献[15]公式整定分别为:KKp=0.13、Ki=6.84、制器d=0。[16]电流环的原理进行整定PI调节器中的参数可根据内模控。仿真模型中PMSM参数设置如表1所示。

表1　仿真PMSM参数设置

名称值极对数Pn

4定子在d、q轴电感/mH

5.25定子电阻/Ω0.958磁链/Wb0.1827转动惯量/kg·m2

0.003阻尼系数

0.004

3.2　仿真结果分析

假设仿真条件如下:仿真时间为当t=0.25500s时r/负min,载初始负载转矩设为0.5转矩增加到10N5s,·m。N设定

转速N∗=1·m,从

明显减少,且只需大概0.01s就能达到设定转速,比传统PID控制方法缩短了0.055s,当突加负载时,系统响应很迅速,转速下降不明显,抗干扰能力较强。

图4　传统PID控制下电机转速变化曲线

图5　本文方法控制下电机转速变化曲线

从图6和图7仿真结果表明,传统PID控制下,电机从零速开始上升时,电磁转矩震荡很大,在经过0.025s左右恢复至设定转矩,但是在设定转矩上下震荡较大。本文控制算法下,电机从0.零速开01s左右就能恢复到设定的负载转矩始上升时,电磁转矩响应很快,,大且震荡约在

幅值非常小,突加转矩时,系统负载转矩突然增加,但是又以很快的响应速度恢复到设定的负载转矩。

第8期张　震,等:基于GA优化BP网络的永磁同步电机PID控制方法研究

　11

图6　传统PID控制下电磁转矩变化曲线

图7　本文方法控制下电磁转矩变化曲线4　结论

　了基于遗传算法优化　本文在传统PID控制BP神经网络的永磁同步电PMSM的基础上,提出机PID控制方法,并通过MATLAB/SIMULINK软件建立了传统PID控制仿真模型和文中算法控制仿真模型,从仿真结果看出,利用本文提出的控制方法控制PMSM时,电机启动时超调量较小。

参考文献:

[1]王赫计和,特杨立超性探讨,于海蒂[J].,内等燃.机永磁同步电机结构设与配件,2018,41

[2]彭熙伟(20):,94高瀚林-96.

经网络PI控制策略.永磁同步电机的改进对角递归神

[J].电机与控制学报,2019,

16(4):127-132.[3]邵文强动机PID,康尔良控制[.J].基于微RBF特电神经网络的永磁同步电机,2018,46(11):

[4]王同旭75-78.

BP,马鸿雁,聂沐晗.电梯用永磁同步术学报神经网络,2015,PID30调控制方法的研究(S):43-47.

[J].电工技电机

[5]PID韩璐永磁同步电机的仿真与研究,张开如,樊英杰,等.基[于J].神经元自适应

术,2016,39(15):167-170.

现代电子技[6]孙一品的PMSM,丁学明无传感.基于器矢RBF量控神经网络制[J].-滑模观测器测控技术,

[7]朱熀2019,,38秋杜伟(2):.基于模糊神经网络逆系统的无轴承137-141.永磁同步电机解耦控制[8]刘云飞2019,39,李兵(4):,姚明林1190-[J].中国电机工程学报,

1197.网络的直接转矩控制[.J].基于现代电子技术PSO优化的模糊神经,2018,

[9]刘金海41(19):.基于参数化117-120.矢量控制[J].电气dq工0程坐标变换的学报,2017,PMSM12建模与(11):

[10]王积伟28-34.

教育出版社,吴振顺,2010:.控制工程基础186-189.[M].北京:高等[11]李牧樵技传播.,浅析人工神经网络及其应用模型2019,25(08):137-138.[J].科[12]刘春艳,凌建春,寇林元,等.GA-BP神经网络与[13]苏崇宇30BP(2):神经网络性能比较173-175.

[J].中国卫生统计,2013,

网络[J]..基于改进的自适应遗传算法优化工业控制计算机,2019,32(1):BP神经

67-[14]69.

墨蒙BP神经网络研究应用,赵龙章,龚嫒雯,[J].等.现代电子技术基于遗传算法优化的,2018,

[15]李君41(9):42-44.制[J]..无速度传感器永磁同步电机的中国电机工程学报,2007,27SVM-DTC(3):28控

-[16]34.

曾成[J].,电工电气张维.内模,2018,控制在16永(6):磁同1步-9.电机中的应用