[发明专利]一种基于自适应模糊神经网络的电机转速跟踪控制方法

说明书

所属技术领域

本发明涉及电机调速方法，尤其涉及电机智能调速控制领域。

背景技术

电机调速系统在电梯、医疗器械、变频空调、电动汽车等诸多领域的应用日益广泛，人们对电机调速系统控制精度的要求也越来越高。因此，电机转速跟踪控制方法成为科研界研究的热点。

目前，电机调速系统通常采用比例积分（proportional-integral,PI）控制策略，然而实际应用中，电机的时变、非线性、强耦合的特性使得传统控制策略无法满足系统高精度的动、静态性能指标。将现代控制理论中的最优控制、模型参考自适应控制、预测控制、滑模控制等最新成果引入电机控制系统中，有效提高了电机的运行性能。但是这些方法依赖于电机精确的数学模型，系统性能易受到参数变化及各种不确定因素的影响，使得其应用受限。基于人工智能的方法，如模糊控制、人工神经网络控制，具有无需依赖控制对象精确模型的特性，利用一些先进的控制算法可以实现很好的控制。

模糊控制网络控制兼有模糊控制的知识表达优势和神经网络控制的并行处理能力以及能以任意精度逼近非线性函数的优点，已成功应用于机器人系统、空间飞行器、化工过程和生物工程等领域。传统的模糊神经网络的参数训练方法一般为基于梯度下降的方法，由于被控系统一般为非线性系统，这种修正方法中会存在一个未知偏导数的求取问题，即被控系统的输出对模糊神经网络输出的偏导数。有学者提出了采用一种误差适应法则的方法来替代这个未知偏导数，然而系统的稳定性却难以证明；也有学者提出采用基于扩展卡尔曼滤波的方式来训练模糊神经网络的权值和隶属度函数的参数，但是由于其算法相对复杂，应用场合受到一定的限制；也有学者采用辨识器将未知偏导数辨识出来，但是该法需要大量的在线实时计算，对系统硬件要求较高；另外还有学者将未知偏导数用符号函数代替，然而这样学习的精度和效率会降低。

发明内容

本发明目的在于解决电机调速系统中存在的控制精度和抗扰性能的问题，提出一种针对电机调速系统的模糊神经网络自适应控制方法。同时，鉴于传统的模糊神经网络参数学习中的偏导数不易求取，提出基用滑模控制理论来进行权值等参数的在线修正，实现李雅普诺夫意义上的稳定性，避免传统神经网络参数学习过程中易陷入局部极小点的问题，从而提高电机调速系统的控制精度和抗扰性能。本发明的技术方案如下：

一种基于自适应模糊神经网络的电机转速跟踪控制方法，采用转速、电流双闭环控制，外环为转速环，设计了基于滑模控制理论的模糊神经网络控制器（SMFNN），内环为电流环，采用比例积分（PI）控制器；所述的模糊神经网络转速控制器由两部分组成，一部分是PID控制器，另一部分是模糊神经网络，这两部分共同作用得到转速控制器的输出i_r，即PID控制器的输出i_PID减去模糊神经网络的输出i_FNN作为转速控制器的输出i_r，且k_p、k_i、k_d分别为比例、积分和微分系数，e为转速误差，为转速误差的导数；