[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

说明书

本发明公开了一种基于改进PSO‑BP神经网络的无刷直流电机控制方法，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。与现有技术相比，本发明大大减小了无刷直流电机控制中的转速误差。

技术领域

本发明涉及自动化控制领域，尤其涉及一种无刷直流电机的控制方法。

背景技术

无刷直流电机是随着永磁新材料、微电子技术、自动控制技术以及电力电子技术特 别是大功率开关器件的发展而迅速发展的一种新型电机，它以电子换向器取代了机械换 向器，具有直流电机良好的控制性能，同时还具有结构简单、运行可靠、功率密度高、 调速性能好、抗电磁干扰能力强、寿命长、运行可靠性高等优点，在工业自动化系统、 通讯设备、航空航天、消费电子、医学电子、汽车工业等领域得到了广泛的应用。由于 无刷直流电机是一个非线性、多变量、强耦合的系统，采用经典的控制理论很难满足实 际的要求，而智能控制系统具有自学习、自适应、自组织等功能，能够解决模型不确定 性、非线性控制以及其它较复杂的问题。因此，采用现代智能控制策略成为无刷直流电 机的发展趋势。

神经网络控制是一种模拟人脑神经元的分布式工作特点和自组织功能实现并行处 理、自学习和非线形映射等功能的控制方法。它能够充分逼近任意复杂的非线性系统，能够学习和适应严重不确定性系统的动态特性，具有较强的鲁棒性，因而在无刷直流电 机的控制系统中得到广泛的应用。其中，BP神经网络是一种单向传播的多层前向网络， 具有良好的泛化性能，但其存在收敛速度慢、易陷入局部最小点等缺点使其难以满足函 数逼近时高精度的要求。BP神经网络使用的粒子群算法是一种基于群体的演化算法， 其中每个粒子的位置是一个潜在的优化解，通过更新粒子位置和速度，以粒子适应度为 优化手段，找出最佳粒子位置使优化目标最优，因此具有较强的全局搜索能力。

针对BP神经网络存在的不足，是本发明在其应用于无刷直流电机自适应控制方法时亟待解决的问题。

发明内容

本发明提出了一种基于改进PSO-BP神经网络的无刷直流电机控制方法，将PSO 算法应用于BP神经网络控制器的设计中，为无刷直流电机实现了更好的现代智能控制。

1.本发明的一种基于改进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；