[发明专利]基于改进PSO-BP神经网络的无刷直流电机控制方法

权利要求书

1.一种基于改进PSO-BP神经网络的无刷直流电机控制方法，采用BP神经网络控制器来控制速度环，其特征在于，用改进粒子群算法来优化BP神经网络结构，该方法具体包括了两部分算法，即改进PSO算法离线训练BP神经网络初始权值算法流程和BP神经网络控制器的参数在线自整定算法流程；首先通过改进PSO粒子群算法对BP神经网络初始权值进行离线训练，其次将离线训练得到的最优网络权值作为BP神经网络的初始网络权值，并通过BP神经网络自学习进行网络权值调整从而对PID的三个控制参数在线调节，进而控制无刷直流电机。

2.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法，其特征在于，所述改进PSO算法离线训练BP神经网络初始权值算法流程，具体包括以下步骤：

(1)随机初始化粒子群，初始化包括以下处理：

假设粒子群规模为N，每个粒子均在D维空间以一定的速度飞行搜索，则每个粒子在D维空间的位置和速度分别表示为：

利用粒子群优化BP神经网络控制器中，D维向量空间对应BP神经网络的权值。控制器中的所有权值随机产生初始值，范围在[0，1]之间；将粒子i的位置更新方程如下：

其中，x_id^k为第k次迭代粒子i的第d维位置矢量，x_id^k为第k次迭代粒子i的第d维位置矢量，v_id^k为第k次迭代粒子i的第d维速度；

粒子i在d(d＝1，2，..，D)维空间的飞行速度更新方程如下：

其中，w_max为惯性权重的最大值，取0.9，w_min为惯性权重的最小值，取0.4，K_max为最大迭代次数，k为当前迭代次数，c_1s、c_1e、c_2s、c_2e分别是c₁、c₂的初始值和结束值，取c_1s＝c_2s＝2.5，c_1e＝c_2e＝0.5；v_id^k为第k次迭代粒子i的第d维速度，x_id^k为第k次迭代粒子i的第d维位置矢量，c₁为自我学习因子，c₂为社会学习因子，通常c₁、c₂取常数，rand₁、rand₂为[0，1]之间的随机数，为粒子目前搜索到的最优适应值，为粒子群目前搜索到的最优适应值；

(2)按照公式(8)对粒子群进行适应度计算，适应度函数的表达式为

其中，n_ref(k+1)是给定电机转速，n_out(k+1)是实际电机转速，e(k+1)是电机给定转速与实际转速二者的误差，fit(k+1)是粒子的适应度值；

(3)根据速度更新方程(7)和位置更新方程(3)对粒子的速度和位置迭代更新，同时更新粒子个体最优和群体最优值，若达到最优粒子或者满足终止条件时，以当前的群体最优粒子作为BP神经网络的初始权值。

3.如权利要求1所述的基于改进PSO-BP神经网络的无刷直流电机控制方法，其特征在于，所述BP神经网络控制器的参数在线自整定算法流程，具体包括以下步骤：

(1)确定BP神经网络的输入层和隐含层的个数，初始化学习速率η，把改进粒子群算法得到的最优初始权值作为BP神经网络的输入层权值和隐含层权值，令k＝1，k代表迭代次数；

(2)采样得到n_ref(k)和n_out(k)，n_ref(k)是给定电机转速，n_out(k)是实际电机转速，计算电机给定转速与实际转速二者之间的转速误差e(k)＝n_ref(k)-n_out(k)；

(3)计算BP神经网络各层神经元的输入和输出，公式(1)和公式(6)的结果。

使用的BP神经网络控制器输入层节点有2个，隐含层节点有6个，输出层节点为3个，输出层的3个节点和PID控制器的三个可调参数K_p、K_i、K_d分别对应；

神经网络控制器的输入为：

式中，n_ref(k)为给定输入速度，e(k)为第k步的转速误差；

隐含层的输入和输出为：

式中，下标j表示输入层的节点号，下标i表示隐含层的节点号，上标(1)、(2)、(3)代表控制器的输入层、隐含层、输出层。其中激励函数f(x)为双曲正切函数，如下：

神经网络控制器的输出为：

式中，l是输出层的节点号，K_p、K_i、K_d不为负数，因此输出层的激励函数取非负的双曲线正切函数，如下：

输出层的输出即为PID控制器的三个可调参数，计算PID控制器的控制输出；

(4)进行BP神经网络自学习，调整输入层权值和隐含层权值，即：首先通过网络的实际转速输出和给定转速，计算误差函数，根据误差函数对输出层的神经元求偏导，其次反向通过隐含层到输出层的连接权值，计算误差函数对隐含层的神经元的偏导，再通过输出层和隐含层各神经元的偏导修正隐含层与输出层的连接权值，最后通过输入层和隐含层各神经元的偏导修正隐含层与输入层的连接权值，使得修正后的网络控制的转速误差达到控制要求的精度，实现PID控制器在线调整控制参数；

(5)更新输入层权值和隐含层权值，令k＝k+1，返回(2)。