[发明专利]LQR优化型无刷直流电机调速神经网络PID控制器

说明书

本发明设计了LQR优化型无刷直流电机调速神经网络PID控制器，用于改进传统神经网络PID控制器和传统LQR优化型PID控制器的控制性能。设计的LQR优化型神经网络PID控制器（LNPID）利用BP神经网络对控制器的K_P，K_I，K_D增益进行调节，提高了控制器的动态特性和鲁棒性；本发明采用的三层BP神经网络具有较强的非线性映射能力，可以有效地抑制被控对象的非线性情况；但传统的BP神经网络是一种局部搜索的优化方法，因此，本发明引用LQR控制算法优化BP神经网络的最优输出,使输出数据更接近目标PID增益；最后将控制器的控制输出值输入到无刷直流电机中，达到电机的转速控制。同时采用LNPID以不断地监控参数的变化以及参数的实时反馈，使控制效果达到理想化。

技术领域

本发明属于无刷直流电机调速技术领域，具体涉及一种LQR优化型无刷直流电机调速神经网络PID控制器。

背景技术

无刷直流电动机以其结构简单、效率高、维护费用低、动态响应高等优点，在航空航天、机器人、电动汽车等领域得到了广泛的应用。众所周知，转速控制是无刷直流电机驱动领域的一个重要方面。随着现代电力电子技术、传感器技术、自动控制技术和制造技术的不断快速发展，研究响应速度快、调节能力强、控制精度高的无刷直流电机调速控制器具有重要的现实意义和应用前景。然而，复杂的强耦合非线性特性使得传统控制方法难以实现良好的速度控制性能。因此，近几十年来，为了提高无刷直流电机的性能，人们提出了许多新的转速控制器。

为了改善无刷直流电机的暂态和稳态特性，PID控制器通常是无刷直流电机调速的最佳选择。基于PI的无直流电机速度控制控制器，通过增加比例增益，提高了速度控制器的灵敏度，降低了速度超调。但是传统的PID对增益选择的依赖性较强，导致无刷直流电机性能下降，具有各种不确定性和非线性。因此提出了许多方法来简化或改进PID增益整定过程，基于神经网络的算法能取得较好的结果。

基于神经网络的PID增益更新算法已成功地应用于伺服电机、数控机床等的控制中。单神经元PID控制器已经对无刷直流电机进行控制。Vikas等人提出了一种基于神经网络的PID控制器，该控制器由混合的局部递归神经网络组成，最多包含三个隐藏节点，该控制器易于实现，但是这种策略的主要缺点是在需要先验过程知识的训练之前需要确定参数数量。此外，基于梯度下降的训练算法是一个耗时的过程。为此，提出了一些优化方法。采用粒子群优化算法初始化自适应PID神经网络控制器的权值，采用改进的梯度下降算法对PID神经网络的参数进行调整。该方法的缺点是粒子群优化算法初始化PID神经网络的时间较长。经典的最优控制理论经过几十年的发展，已经形成了一种著名的线性二次稳压器，它可以使系统状态轨迹的偏差最小化，并且只需要最小的控制器努力。LQR的这种典型行为促使控制设计人员使用它来调整PID控制器。LQR优化PID控制器虽然具有良好的跟踪性能和稳定的性能，但其鲁棒性还有待提高。为了能更进一步提高无刷直流电机的各种性能指标，本文提出了一种LQR优化型无刷直流电机调速神经网络PID控制器。

发明内容

本发明设计的LQR优化型神经网络PID控制器（LNPID）对无刷直流电机的稳态状态和瞬态状态进行调速控制，利用LQR算法优化BP神经网络的控制输出，最佳控制输出调节控制器的K_P，K_I，K_D增益，提高控制器的动态特性和鲁棒性,确保在不同操作条件下(参考、负载干扰和噪声信号的变化)LNPID比传统神经网络PID (NNPID)和LQR优化的PID控制器(LQRPID)更快更有效。

本发明提出的一种LQR优化型无刷直流电机调速神经网络PID控制器，具体包括如下控制步骤：

S1:建立三层BP神经网络，其中输入层为3个神经元，隐层为6个神经元，输出层为3个神经元，随机生成各层间加权系数的初值W_ij(0)、W_jk(0)，选取学习率η,并令k=1。