發布時間：2021-03-22所屬分類：電工職稱論文瀏覽：1次
摘 要： 摘要：為了提高無刷直流電機BLDCM(BrushLessDirectCurrentMotor)的工作穩定性，設計了一種基于Q學習算法優化的BP神經網絡控制器QBP-PID(Q-learningoptimizedbackpropagationneuralnetworkPID)。QBP-PID利用BP神經網絡BPNN(BPNeuralNetwork)對PID增益進行調節
摘要：為了提高無刷直流電機BLDCM(BrushLessDirectCurrentMotor)的工作穩定性，設計了一種基于Q學習算法優化的BP神經網絡控制器QBP-PID(Q-learningoptimizedbackpropagationneuralnetworkPID)。QBP-PID利用BP神經網絡BPNN(BPNeuralNetwork)對PID增益進行調節，并且引入Q學習的最優策略來修正權值動量項因子，優化BPNN中的關鍵權值，使得控制器具有更好的學習能力和在線修正能力。仿真結果表明相比傳統的PID、模糊PID(Fuzzy-PID)和BP神經網絡PID(BP-PID)，QBP-PID的自適應能力、抗干擾能力和魯棒性更強。
關鍵詞：控制理論與控制工程;無刷直流電機;PID控制器;BP神經網絡;Q學習
0引言
近年來，隨著電子、傳感器、自動控制以及制造技術的不斷發展，無刷直流電機以其效率高、響應快、可靠性強以及易維護等優點在伺服、驅動、定位和變速等領域得到了廣泛的應用[1-5]。轉速控制是無刷直流電機驅動應用的一個重要方面，通常需要設計高效的控制器來實現不同工作條件下的連續控制，目前已經開發了許多轉速控制器來提高無刷直流電機的性能[6-8]。
傳統PID控制器由于其結構設計簡單和可靠性強而被廣泛用于無刷直流電機轉速控制[5,8]，但其也存在參數難以確定和非線性問題等，使得控制器無法達到最佳性能。因此，出現了許多智能控制算法優化的無刷直流電機轉速控制器，如滑�？刂破骱湍：齈ID控制器[6,9]。模糊PID控制器相比于滑�？刂破�，除了無抖振外，其無需精確的數學模型，且控制精度高、響應速度快[9]，但模糊控制的控制規則基于經驗確定導致其適應性差。而神經網絡具有較強的學習能力，其能自適應地對PID參數進行調節，從而提高控制器的性能。文獻[8]中設計了一個單神經元PID控制器對無刷直流電機轉速進行控制，文獻[10]構建了一個單隱層前饋神經網絡來實現無刷直流電機的無位置傳感器控制，文獻[11]中針對永磁同步電機中存在的混沌運動，設計了時延Elman遞歸神經網絡控制器和辨識器。相比于其他神經網絡，BP神經網絡只要有足夠多的隱含層和隱節點，就可以逼近任意的非線性映射關系，而且結構和學習算法簡單明確,不依賴于被控對象的模型,通過神經網絡自身的學習，可以找到某一最優控制律下的參數[12]。
文獻[13]中為了使電梯能夠更好的滿足舒適性和快速性的要求，對電梯用永磁同步電機的控制算法進行改進，將BP神經網絡PID控制算法應用于永磁同步電機調速系統。文獻[14]中針對無軸承異步電機傳統PID控制中存在參數難以獲得的問題，提出了一種基于BP神經網絡PID控制新策略。但這些算法訓練時間長，且權值參數難以確定。而Q學習具有很強的搜索能力，能快速確定神經網絡的參數[15]。
相關期刊推薦：《吉林大學學報(工學版)》1957年創刊，是綜合性學術期刊。主要報道吉林大學工學門類的科學研究成果。包括：機械工程、材料科學與工程、動力工程及工程熱物理、交通運輸工程、農業工程、控制科學與工程、計算機科學與技術、電子科學與技術、信息與通信工程等方面的學術論文。也發表國內外在上述領域的最新研究成果。
因此，結合Q學習的強搜索能力與BP神經網絡的非線性映射能力、自適應能力等，設計了一種無刷直流電機的轉速控制器QBP-PID。QBP-PID引入Q學習來修正神經網絡權值動量項因子，使其達到更佳的控制效果，使得控制器具有更好的學習能力和在線修正的能力，從而增強系統的抗干擾和魯棒能力。為了驗證QBP-PID的性能，在不同的工作條件下，與傳統的PID[5]、Fuzzy-PID[9]、BP-PID[13]三種控制器在超/欠調量、穩定/恢復時間、穩態誤差等方面進行了仿真分析。
1無刷直流電機數學模型
三相星形連接BLDCM可轉換為如圖1所示的電路圖。BLDCM的數學模型可以用矩陣形式表示為
3仿真分析
在Matlab/Simulink環境中，編寫S函數與Simulink框圖相結合建立系統模型。同時在BLDCM控制系統中對不同運行條件下的控制器進行仿真比較，驗證QBP-PID的性能。BLDCM仿真參數如表1所示[17]。
首先，在空載條件下進行試驗，轉速響應對比曲線如圖5所示，其中圖5(b)為5(a)轉速恢復平穩狀態的細節圖。從圖5可以看出，PID和BP-PID有明顯的超調現象、穩定時間較長分別為0.068s和0.048s，且恢復穩定狀態時仍有振蕩現象，Fuzzy-PID雖然沒有明顯的超調現象但其穩定時間較長，達到0.077s，穩定狀態仍有小波動且誤差大，QBP-PID顯然沒有明顯的超調現象、穩定時間最短為0.025s且穩態誤差最小為0.2r/min。綜合以上性能指標的對比分析，可以看出QBP-PID比其他控制器的控制效果更好。
其次，BLDCM的控制系統在負載變化的情況下運行，以確定QBP-PID的性能優點。在0.1s對系統添加2N的外力，轉速響應曲線如圖6所示，圖6(b)為系統在0.1s處突加外力干擾的狀態細節圖。
從圖6可以看出，當負載施加在0.1s時，PID和BP-PID存在明顯的擾動現象，最大幅值分別為101.1r/min和74.3r/min，經過一段時間后才恢復穩定狀態且仍有小波動，Fuzzy-PID雖然沒有大幅的擾動現象但穩態誤差較大些，而QBP-PID波動最小，恢復穩定狀態快且穩態誤差最小。因此，證明了QBP-PID的魯棒性、抗干擾能力及響應速度明顯優于其他控制器。
最后，對QBP-PID在轉速變化條件下的控制性能進行驗證。當系統運行到0.2s時，速度從2500r/min加速至3000r/min，此時的速度響應對比曲線如圖7所示，圖7(b)為系統在0.2s時轉速變化的細節圖。
從圖7可以看出，當轉速在0.2s突然變化時，QBP-PID的響應速度最快，恢復穩定狀態用時最短，且穩態誤差最小，PID和BP-PID存在明顯的超調現象，經過一段時間后才恢復穩定狀態，Fuzzy-PID雖然沒有明顯的超調現象，但其響應速度較慢且恢復平穩狀態的時間較長約為0.089s。由此可見QBP-PID對系統的控制效果優于其他控制器。
從以上三組不同控制條件下的仿真結果可以看出，所有的控制器都可以正確的跟蹤設定的轉速。然而，所提出的控制器QBP-PID在響應速度、穩態誤差和穩定時間等方面都優于其他控制器。證明了該控制器具有更好的自適應能力、抗干擾能力和較強的魯棒性。
4結論
為了提高BLDCM的轉速控制性能，設計了一種基于Q學習算法優化的BP神經網絡控制器QBP-PID。通過對權值動量項因子的修正和關鍵權值的優化，QBP-PID獲得了自學習和在線修正的能力，從而大大提高了控制效果。在空載、負載、變速的工作條件下，仿真驗證了QBP-PID、PID、Fuzzy-PID及BP-PID四種控制器轉速響應的超/欠調現象、穩定時間、恢復時間、響應速度和穩態誤差等性能指標。結果表明，QBP-PID均優于PID、Fuzzy-PID和BP-PID控制器。——論文作者：王宏志1,2，王婷婷1，胡黃水3，魯曉帆3
SCISSCIAHCI
