[发明专利]一种电机的神经网络滑模自适应控制方法及装置

权利要求书

1.一种电机的神经网络滑模自适应控制方法，其特征在于，包括：

获取电机转速参数；

根据所述电机转速参数，基于神经网络的滑模自适应控制算法，生成电机转速的向量值以及PID控制器的可调参数；

根据所述电机转速的向量值和所述PID控制器的可调参数，通过PID控制器对电机进行控制。

2.根据权利要求1所述的方法，其特征在于，所述根据所述电机转速参数，基于神经网络的滑模自适应控制算法，生成电机转速的向量值以及PID控制器的可调参数，包括：

将所述电机转速参数输入第一神经网络，生成电机的d轴电压的等效控制分量和q轴电压的等效控制分量；

将所述电机转速参数输入第二神经网络，生成电机的d轴电压的切换控制分量和q轴电压的切换控制分量；其中，所述电机转速的向量值包括电机的d轴电压的等效控制分量和q轴电压的等效控制分量以及电机的d轴电压的切换控制分量和q轴电压的切换控制分量；

根据所述电机转速的向量值，进行滑模自适应控制，输出PID控制器的可调参数。

3.根据权利要求1所述的方法，其特征在于，所述获取电机转速参数，包括：

获取电机的转速的初始值；

获取所述电机的转速的反馈值；

根据所述电机的转速的反馈值与所述电机的转速的初始值，计算所述电机转速的反馈值与所述电机转速的初始值之间的转速差值。

4.根据权利要求3所述的方法，其特征在于，所述根据所述电机转速的向量值和所述PID控制器的可调参数，通过PID控制器对电机进行控制，包括：

所述PID控制器通过如下公式计算：

u(k)＝u(k-1)+k_p[e(k)-e(k-1)]+k_ie(k)+k_d[e(k)-2e(k-1)+e(k-2)](1)

其中，u(k)为当前时刻的PID控制器，u(k-1)为前一时刻的PID控制器，e(k)为当前时刻的PID控制器差值，e(k-1)为前一时刻的PID控制器差值，e(k-2)为前两个时刻的PID控制器差值，PID控制器的可调参数包括k_p值、k_i值和k_d值。

5.根据权利要求1所述的方法，其特征在于，在所述获取电机转速参数之前，还包括：

基于自适应粒子群算法，对神经网络的初始权值进行训练，优化神经网络的初始权值，输出优化权值。

6.根据权利要求5所述的方法，其特征在于，所述基于自适应粒子群算法，对神经网络的初始权值进行训练，优化神经网络的初始权值，包括：

初始化种群，其中，所述种群的每一个粒子的位置均表示神经网络的初始权值，神经网络中起连接作用的权值数量决定每个粒子的维数；所述神经网络的权值为粒子群位置向量的元素；

根据粒子群位置向量和训练随机样本，计算所述粒子的适应度值；

更新粒子的位置和速度，并根据所述粒子的适应度值确定所述粒子的个体极值和整体极值；

根据所述粒子的个体极值和整体极值，选取优化初始权值作为所述神经网络的初始权值。

7.根据权利要求6所述的方法，其特征在于，所述初始化种群，包括：

对所述粒子的位置和速度初始化。

8.根据权利要求6所述的方法，其特征在于，所述根据所述粒子的个体极值和整体极值，选取优化初始权值，作为所述神经网络的初始权值，包括：

根据所述粒子的个体极值和整体极值，更新种群的适应度方差，并更新粒子的自适应权重；

根据更新后的所述自适应权重，更新粒子的位置和速度，并输出优化结果。