1、*毕业设计(论文)课题名称基于 BP神经网络 PID控制的无刷直流电动机调速系统设计学 院 *专业班级 *姓 名 *学 号 *起止时间：20X 年 2 月 13 日至 20X 年 6 月 5 日共 16 周指 导 教 师签 字系 主 任签 字院 长签 字* 毕业设计（论文）说明书装订线I摘要本文以基于 BP 神经网络 PID 控制的无刷直流电机(简称 BLDCM)调速系统设计为主题开展研究，以期对 BP 神经网络控制技术和 BLDCM 调速控制技术的发展起到积极的作用。为了提高 BLDCM 调速系统的性能，本文将 BP 神经网络与 PID 有机结合，构成基于 BP 神经网络的参数自整定 PID
2、 控制器，以克服常规 PID 控制存在的不足，仿真研究表明 BP 神经网络 PID 控制器优于传统 PID 控制器。在理论分析和仿真研究的基础上，本文采用BP神经网络 PID控制算法，对典型的参数时变非线性系统的控制进行了仿真研究。仿真结果验证了所建模型的正确性，并证明了神经网络控制的优越性。关键词：无刷直流电机 PID 控制 BP 神经网络 仿真* 毕业设计（论文）说明书装订线IIAbstractWith the expectation to play a positive role in the development of BP Neural Network based control
3、and Brushless DC Motor(BLDCM)Drives, this paper researches and designs a PID-Control Brushless DC Motor Drives based on BP Neural Network.In Order to improve the performance of the BLDCM speed control system, the BP neural network and PID organic combination, constitute a self-tuning PID controller
4、based on BP neural network parameters in order to overcome the shortcomings of the conventional PID control, simulation studies have shown that the BP neural network PID controllersuperior to conventional PID controller.On the basis of theoretical analysis and simulation studies, this article uses t
5、he BP neural network PID control algorithm, a simulation study on the typical parameters of time-varying control of nonlinear systems. The simulation results verify the correctness of the model, and prove the superiority of the neural network control.Key words:BLDCM PID Control BP Neural Network Sim
6、ulation* 毕业设计（论文）说明书装订线III目录第 1 章 绪论 .11.1 控制理论的发展和面临的挑战 .11.2 神经网络技术的发展与现状 .21.3 神经网络用于控制系统的优势与前景 .31.4 神经网络在电机控制中的应用 .31.5 神经网络 PID 控制研究的现状和意义 .41.6 设计主要内容 .5第 2 章 无刷直流电机原理及数学模型 .62.1 无刷直流电机的基本组成 .62.2 无刷直流电机的工作原理 .82.3 无刷直流电机的数学模型 .102.3.1 电压方程 .102.3.2 电磁转矩方程 .112.3 无刷直流电机的调速原理 .132.4 小结 .14第 3
7、章 BP 神经网络 PID 控制方法研究 .153.1 神经网络概述 .153.1.1 神经元的结构模型 .153.1.2 多种作用函数 .163.2 神经网络控制 .173.2.1 神经网络控制概述 .173.2.2 神经网络控制的结构和基本原理 .183.2.3 神经网络控制的特点 .193.3 BP 神经网络控制 .193.3.1 BP 神经网络的结构 .193.3.2 BP 神经网络的学习算法 .203.3.3 BP 神经网络的不足及改进 .223.4 BP 神经网络 PID 控制器基本原理 .233.4.1 传统 PID 控制原理 .233.4.2 基于 BP 神经网络的 PID 控
8、制原理 .243.5 神经网络 PID 控制器基本结构 .253.6 基于 BP 神经网络的 PID 控制算法 .263.7 小结 .28第 4 章 无刷直流电机 BP 神经网络 PID 控制仿真研究 .294.1 MATLAB/SIMULINK 介绍 .294.2 系统仿真 .294.2.1 系统参数 .294.2.2 空载时系统仿真 .304.2.3 有负载干扰时系统仿真 .32* 毕业设计（论文）说明书装订线IV4.3 结果分析 .334.3.1 仿真结果比较 .334.3.2 结论 .334.4 本章小结 .33结束语 .34参考文献 .35致谢 .36* 毕业设计（论文）说明书装订线
9、1第 1 章 绪论1.1 控制理论的发展和面临的挑战控制理论学科经历了经典控制理论、现代控制理论两个发展阶段，现在己进入非线性控制理论和智能控制理论发展时期。它和其他学科一样，也是由于社会发展的需要，从解决重大工程和技术问题的实践中产生发展而来的，而它的发展水平则受到人类技术手段和知识水平的限制。经典控制理论和现代控制理论研究的是线性时不变系统的控制问题。但是自然界和现实生活中的系统绝大多数是非线性的，仅凭单一的分析线性系统的理论来分析非线性系统，存在固有的缺点。而且，随着科学技术的发展，人们对控制品质的要求的提高，对实际过程的分析逐步精密，对控制系统的研究涉及到非线性、鲁棒性以及具有柔性结构
10、的系统和离散事件动态系统等，从而系统的非线性影响也就愈发突出了。显然，传统的线性理论已经不能很好的解决这些问题。这对控制理论的应用无疑是一个新的挑战。于是非线性控制理论和智能控制理论应运而生。人工智能的发展促使自动控制向智能控制发展。可以说，智能控制是控制信息论、人工智能和计算机科学相结合的产物。智能控制系统是在控制论、信息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐步形成的一类高级信息与控制系统。智能控制强调的是系统对问题能够求解、能够适应环境和任务的变化而且还要具有一定的决策能力，从而做出相应的、准确的、及时的控制操作。结合具体的工业生产过程，各种智能控制系统正在发挥巨大的经
11、济和社会效益。智能控制的特点可以概括如下：(1)处理各种不确定性、定性信息和数据结构的能力。(2)处理非结构化信息和数据的能力。(3)对具有高度抽象性的离散符号指令做出响应的能力。(4)辨识主控系统结构和构成的能力。(5)处理和利用各种不同知识的能力。(6)根据主控系统或环境变化，对自身参数或结构进行修正或重构的能力。(7)在运行过程中学习和获取关于对象和环境新知识并利用新知识改进控制行为的能力。(8)基于对象行为预测的控制的多目的性。综上所述，智能控制无论是在理论上还是应用上都得到了长足的发展。智能控制有各种形式和各种不同的应用领域，其中神经网络控制系统是这些年来研究很多也是发展很快的一个方
12、向。神经网络在系统控制领域受到重视主要是因为它的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错性能。这些特点使得神经网络非常适合于复杂系统的建模和控制。特别是当系统存在不确定性因素时，更体现了神经网络方法的优越性。这些很适合控制系统中的非线性特性，因此，神经网络控制在非线性控制系统中应用非常广泛。* 毕业设计（论文）说明书装订线21.2 神经网络技术的发展与现状神经网络领域研究的工作始于 19 世纪末和 20 世纪初。它源于物理学、心理学和神经生理学的跨学科研究，主要代表人物有 Herman Von Helmholts，Ernst Mach和 Ivan Pavlo
13、v。这些早期研究主要还是着重于有关学习、视觉和条件反射等一般理论，并没用包含有关神经元工作的数学模型。现代对神经网络的研究可以追溯到 20 世纪 40 年代，神经网络系统理论的发展是不平衡的。人工神经网络的研究始于 1943 年，它是由心理学家 Warren Mc Culloch 和数学家 Walter Pitts 所提出的 M-P 模型。1949 年，心理学家 Donald Hebb 通过对大脑神经细胞学习和条件反射的观察研究，提出了神经元之间突触强度调整的假设。认为学习过程是在突触上发生的，连接权的调整正比于两相连神经元激活值的乘积。这就是有名的 Hebb 学习规则，至今该规则仍在神经网络
14、模型中发挥着重要作用。1957 年，Frank Rosenblatt 提出了著名的感知机(Perceptron)模型，试图模拟动物和人脑的感知和学习能力，并提出了引入隐层处理元件的三层感知机的概念，公开演示了它进行模式识别的能力。1962 年，Bernard Windrow 和 Ted Hoff 提出了自适应线性单元(Adaline) 模型以及一种有效的学习方法 Windrow-Hoff 学习规则。它可用于自适应滤波、预测和模型识别。这些模型和算法在很大程度上丰富了神经网络系统理论。1969 年，美国麻省理工学院著名人工智能学者 M.Minsky 和 S.Papert 编写了影响很大的Perc
15、eptron 一书。该书指出：单层的感知器只能用于线性问题求解，但对于像异或这样的简单非线性问题却没有办法求解，而能求解非线性问题的网络应该是具有隐含层的多层神经网络，将感知器模型扩展成多层网络是否有意义，还不能从理论上得到有力的证明。1970 年和 1973 年，Kunihiko Fukushima 研究了视觉系统的空间和时间的人工神经系统模型，以及脑的空间和时空人工神经系统模型。提出了神经认知网络理论。Fukushima 网络包括人工神经认知和基于人工神经认知机的有选择的识别两个模型。1979 年日本 NHK 的 Fukushima 提出了认知机(Neocognitron)模型，后来又提出
16、了改进型认知机模型。我国的神经网络研究工作起步较晚，始于 20 世纪 80 年代末，主要应用领域开展了一些基础性的工作，在 1990 年 12 月在北京召开了首届神经网络学术大会，并决定以后每年召开一次中国神经网络学术会议。1991 年在南京成立了中国神经网络学会。我国的“863”高技术研究计划和“攀登”计划于 1990 年批准了人工神经网络的三项课题，自然科学基金和国防科技预研基地也都把神经网络的研究列入选题指南。许多全国性学术年会和一些学术期刊把神经网络理论及应用方面的论文列为重点。这些毫无疑问为神经网络在我国的发展创造了良好的条件。从众多应用研究领域取得的丰硕成果来看，人工神经网络的发展
17、具有强大的生* 毕业设计（论文）说明书装订线3命力。但应看到，人们对生物神经系统的了解还很不够，提出的神经网络模型，智能水平还不高，许多应用方面的要求还不能得到很好的满足，网络分析和综合的一些理论问题还未得到很好的解决。无论从结构上还是从规模上，都是对真实神经网络的一种简化和近似。神经网络还有很多缺陷，尚待进一步完善和发展。随着人们对大脑信息处理认识的深化，以及人工神经网络智能水平的提高，人工神经网络必将在科学技术领域发挥更大的作用。1.3 神经网络用于控制系统的优势与前景人工神经网络是近年来得到迅速发展的一个前沿课题。神经网络由于其大规模并行处理、容错性、自组织和自适应能力和联想功能强等特点
18、，已经成为解决很多问题的有力工具，对突破现有科学技术瓶颈，更深入探索非线性等复杂现象起到了重大作用，已广泛应用在许多工程领域。神经网络以其独特的非传统表达方式和固有的学习能力，引起了控制界的广泛关注。神经网络用于复杂控制主要有以下几个方面的优势：第一，神经网络本质上是非线性系统。理论分析表明，多层前馈神经网络能够以任意精度逼近任意非线性映射，这种能力使非线性控制系统的描述有了统一的数学模型，给控制理论中面临的非线性问题的解决带来了新的希望。第二，神经网络的本质是并行结构，在快速实现大量复杂控制算法及处理实时性要求高的控制系统时极具潜力。可以预料，只要并行机制的神经计算机取得突破，目前遇到困难的
19、航天、航空方面的许多实时控制问题，机器人的动力学实时问题都可迎刃而解。第三，神经网络的固定学习能力使它可以处理那些难以用模型或规则描述的过程或系统，降低了系统的不确定性，带来了适应环境变化能力。第四，神经网络具有分布式信息存储与处理结构，可以从不完善的数据和图形中进行联想，这种能力使其用于控制系统中具有很强的鲁棒性和容错性。第五，神经网络具有很强的综合推理能力，能够同时融合定量和定性数据，能很好地解决输入信息之间的互补性与冗余性问题，并能恰当地协调互相矛盾的输入信息。由于神经网络这种“集思广益”的能力，使其在多变量、大系统与复杂系统的控制方案设计上的应用极具吸引力。由于上述优越性，可以肯定神经
20、网络在解决高度非线性和严重不确定性复杂系统的控制方面具有巨大的潜力。将神经网络引入控制系统已成为控制学科的必然趋势。需要说明的是，神经网络控制方法中存在的有些问题，是非线性系统理论本身所固有的，并非是采用神经网络模型所引起的。1.4 神经网络在电机控制中的应用随着电机在伺服系统中的日益广泛应用，人们对电机的控制精度的要求越来越高。传统的速度控制器是采用比例积分器(PI)或比例积分微分器(PID)，被广泛应用* 毕业设计（论文）说明书装订线4于直流电机与交流电机的转速控制系统中。然而当实际系统模型未知的情况下，这些控制器的设计变得十分困难。而且由于负载大小的不可预知性及环境参数变化的影响，使这些
21、控制器的实际性能大大降低。因此人们开始采用一些自适应控制方法来设计带有未知参数的电机控制系统，如模型参考自适应控制(MRAC)、滑模控制(SMC)、变结构控制、自校正调节器等。但这些控制方法必须建立在系统模型参数之上，因此系统模型的不精确同样会导致控制方法的失败。随着人工神经网络理论的不断成熟，人们开始在系统建模和系统控制中采用神经网络控制方法。人工神经网络具有许多优点，如并行和分布式处理，能对一未知模型在输入和输出之间建立精确的非线性映射，因此在包括无刷直流电机(BLDCM)的高性能驱动系统中，人工神经网络在系统识别和速度控制中发挥着重要的作用。Sharkawi 等人提出对无刷直流电机控制采
22、用神经网络控制，他们采用间接模型参考自适应的控制技术，构造 BP 网络对电机的转子位置进行精确控制，取得良好的效果。Shigu 等人提出无刷直流电机的全数字控制方案，采用神经网络建立了一个模拟速度控制器，取得更高的精度。Theochairs 和 Petridis 使用人工神经网络估计感应电机中的状态变量。Burton 等提出随机在线训练算法实用神经网络，对感应电机定子电流进行控制。Minkova 等人采用模型参考自适应方法，建立了在线的自适应人工神经网络对直流电机的速度进行控制。Faa-Jeng Lin 结合人工神经网络和模糊控制，实现了直流电机的精确位置跟踪控制。国内也有许多学者对神经网络技
23、术在电机控制中的应用作出了研究。综上所述，人工神经网络具有很多的优点，用于电机控制中可以取得很高的精度。对无刷直流电机神经网络控制策略的研究很有意义。1.5 神经网络 PID 控制研究的现状和意义随着控制理论的迅速发展，在工业控制过程中先后出现了许多先进的控制算法，然而，PID 类型的控制技术仍然占有主导地位，特别是在化工、冶金过程控制中，众多量大面广的控制过程基本上仍然应用 PID 类型的控制单元。这是因为 PID 控制具有结构简单、实现容易、控制效果好、稳态精度高等特点，且 PID 算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工程师所熟悉。但是传统 PID控制是基于准确模型
24、的，且系统特性变化与控制量之间是线性映射关系。若采用常规 PID 控制器，以一组固定不变的 PID 参数去适应那些参数变化、干扰众多的控制系统，显然难以获得满意的控制效果，甚至当参数变化范围太大时，系统性能会明显变差，因此 PID 控制在解决大时滞、参数变化大和模糊不确定性的过程控制问题时无法获得良好的静态和动态性能。基于知识和不依赖对象模型的智能控制为解决这类问题提供了新的思路，成为目前解决传统控制局限问题，提高控制质量的重要途径。神经网络以其很强的适应于复杂环境和多目标控制要求的自学习能力，并能以任意精度逼近任意非线性函数的特性引起控制界的广泛关注。人们普遍意识到神经网络控制理论的研究和应
25、用在现代自动控制领域中有着重要的地位和意义。神经网* 毕业设计（论文）说明书装订线5络控制不需要精确的数学模型，因此是解决不确定系统控制的一种有效途径。此外，神经网络以其高度并行结构所带来的强容错性和适应性，对于给定的系统很容易处理，易于与传统的控制技术相结合。但是，单纯的神经网络控制也存在精度不高、收敛速度慢以及容易陷入局部极小等问题。基于 PID 控制和神经网络控制各自的优势和局限性来看，把传统线性 PID 控制和神经网络控制结合起来，使系统的控制性能得到提高，是一种很实用的控制方法。而且，这种控制方法在实际的工业生产中己经得到了成功的应用，具有很好的应用前景。从传统与现代控制技术应用的发
26、展历史来看，虽然未来的控制技术应用领域会越来越宽广，被控对象可以越来越复杂，相应的控制技术也会变得越来越精巧，但是，以 PID 为原理的各种控制器将是控制中不可或缺的基本控制单元。如何将PID 控制器同神经网络控制更好的结合在一起，更好地应用于实际控制系统，是控制领域中人们不断研究和探索的重要课题。如果能发现性能优于 PID 的控制器，且具有类似 PID 易于使用的特点，无论在理论还是实践上都将具有重要意义。1.6 设计主要内容本文共分为四章，主要针对无刷直流电动机调速系统的基于 BP 神经网络 PID控制进行相关研究。第一章主要介绍了选题背景与研究现状；第二章给出了无刷直流电动机工作原理及数学模型，简要介绍了无刷直流电动机工作结构和原理；第三章介绍了 BP 神经网络 PID 理论基础，并给出 BP 神经网络 PID 控制无刷直流电动机调速方法的研究；第四章对无刷直流电机 BP 神经网络 PID 调速仿真研究。
