專利名稱：基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)pid參數(shù)自匹配方法
技術(shù)領(lǐng)域：
本發(fā)明涉及到一種步進(jìn)電機(jī)PID參數(shù)控制方法，特別是涉及到一種基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法。
背景技術(shù)：
在一些現(xiàn)實(shí)應(yīng)用場合，通常一個(gè)驅(qū)動(dòng)器可能需要適配多種型號(hào)的步進(jìn)電機(jī)，不但同型號(hào)的電機(jī)機(jī)械參數(shù)和電氣參數(shù)有差別，而且不同型號(hào)的電機(jī)得參數(shù)差別更是巨大。驅(qū)動(dòng)器的作用是盡可能的發(fā)揮電機(jī)最大性能，如果驅(qū)動(dòng)器控制參數(shù)跟步進(jìn)電機(jī)參數(shù)匹配不好則會(huì)影響步進(jìn)電機(jī)性能發(fā)揮?，F(xiàn)在驅(qū)動(dòng)器常用的控制方法是，對于不同的型號(hào)的電機(jī)事先將參數(shù)寫入程序，在試驗(yàn)階段通過大量的試驗(yàn)，找出某一型號(hào)內(nèi)電機(jī)的參數(shù)的平均值，然后依次整定出驅(qū)動(dòng)器與之相匹配的參數(shù)，并事先寫入程序。這樣用典型值來代替普遍值控制電機(jī)。 (I)現(xiàn)有技術(shù)缺點(diǎn)是無法準(zhǔn)確匹配步進(jìn)電機(jī)控制參數(shù)，造成無法充分發(fā)揮步進(jìn)電機(jī)性能；(2)對于電機(jī)速度較高，且變化較快的應(yīng)用場合，現(xiàn)有技術(shù)無法很好的跟蹤速度，因而造成反應(yīng)滯后等問題，從而造成電機(jī)震動(dòng)，影響整機(jī)系統(tǒng)可靠性和精度。。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)和不足，提供一種基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，用來解決(I)現(xiàn)有技術(shù)無法自動(dòng)匹配各種型號(hào)的電機(jī)的現(xiàn)象；(2)當(dāng)轉(zhuǎn)速較高且頻繁變化時(shí)響應(yīng)滯后的現(xiàn)象和響應(yīng)超調(diào)的現(xiàn)象，從而影響系統(tǒng)可靠性和精度的缺陷。本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn)基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，包括以下步驟
(1)構(gòu)架微神經(jīng)網(wǎng)絡(luò)，該微神經(jīng)網(wǎng)絡(luò)包括輸入層和輸出層，所述的輸入層包括三個(gè)神經(jīng)元，該三個(gè)神經(jīng)元分別為比例、微分和積分，輸出層包括一個(gè)神經(jīng)元；
(2)設(shè)定輸入層神經(jīng)元的權(quán)重系數(shù)的初始值以及學(xué)習(xí)速率；
(3)獲取步進(jìn)電機(jī)當(dāng)前某相電流值，記為Ia;獲取步進(jìn)電機(jī)當(dāng)前的目標(biāo)電流Iexa，目標(biāo)電流Iexa即是步進(jìn)電機(jī)在當(dāng)前工作狀態(tài)的額定電流；
(4)當(dāng)前時(shí)刻電流大小與目標(biāo)電流的差值e=Iexa- Ia,得到在K時(shí)刻步進(jìn)電機(jī)的當(dāng)前電流和目標(biāo)電流的差值，即誤差值e (K)
e (K) =Iexa (K) - Ia(K)(I)
其中 K 為 0，1,2,3-；
(5)計(jì)算輸入層神經(jīng)元值；
(6)計(jì)算新的權(quán)重系數(shù)；
(7)計(jì)算輸出層的神經(jīng)元值，該值作為步進(jìn)電機(jī)的電壓。進(jìn)一步，上述的學(xué)習(xí)速率即是比例學(xué)習(xí)速率Vp,微分學(xué)習(xí)速率和積分學(xué)習(xí)速率:比例學(xué)習(xí)速率%、積分學(xué)習(xí)速率和微分學(xué)習(xí)速率的取值范圍為O I。且比例學(xué)習(xí)速率Pfl的最佳值為O. 01、微分學(xué)習(xí)速率^^的最佳值為O. I和積分學(xué)習(xí)速率^J!的最佳值為0.001。上述的權(quán)重系數(shù)的初始值，即比例權(quán)重系數(shù)為冒^0)=0,1,微分權(quán)重系數(shù)為
W2(O)=O,!積分權(quán)重系數(shù)為tW3 (0)=0,M5o上述的輸入層神經(jīng)元值通過式(2)計(jì)算得到
X1 (A ) = e(k )x2(k)= e(k)- e(k - )
k 2
- (Λ) = Σ ^Ci)
戶O·
式中其中X1^l為k時(shí)刻的比例輸入值，X2 (k)為k時(shí)刻的微分輸入值為k時(shí)刻的積分輸入值。上述的新的權(quán)重系數(shù)通過式(3)計(jì)算得到
I W1 (k + 1) = W1 (是)+Iff ^e(k)^ X1 (k)
IW2 (k +1) = W3 (Ir) + 花.e (k) - X2 (k)(3)。
= %(!:)+% e(k) %(々)上述的輸出層的神經(jīng)元值通過式(4)計(jì)算得到
a
雄) = 2w#W*)⑷。
i*i微神經(jīng)網(wǎng)絡(luò)作為一種簡化的神經(jīng)網(wǎng)絡(luò)，具有在線學(xué)習(xí)和自適應(yīng)能力，不但結(jié)構(gòu)簡單，且易于計(jì)算，有較強(qiáng)的魯棒性，在結(jié)合PID算法后，更是具備響應(yīng)快速等特點(diǎn)。因此本發(fā)明的有益效果是
(I)無需人工干預(yù)即可自動(dòng)完成PID參數(shù)的匹配，減輕了整機(jī)調(diào)試的工作量，減少了用戶設(shè)置環(huán)節(jié)，因而也避免了出錯(cuò)的可能性；
(2 )對各類型步進(jìn)電機(jī)有更廣泛的適應(yīng)性，對于非標(biāo)準(zhǔn)型號(hào)的步進(jìn)電機(jī)，能夠通過快速學(xué)習(xí)而自匹配出最優(yōu)參數(shù)；
(3)能充分發(fā)揮步進(jìn)電機(jī)的性能，無論是在低速，還是高速情況下，都有較好的表現(xiàn)，尤其是在高速情況下，相比于現(xiàn)有技術(shù)能減少電機(jī)震動(dòng)，提高整機(jī)系統(tǒng)可靠性。


圖I為本發(fā)明的控制原理 圖2為采用本發(fā)明電機(jī)、采用普通PID算法電機(jī)以及理論上電機(jī)的最佳速率變化曲線比較 圖3為采用本發(fā)明電機(jī)、采用普通PID算法電機(jī)以及理論上電機(jī)的最佳矩頻特性曲線比較圖。
具體實(shí)施例方式下面結(jié)合實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)說明，但是本發(fā)明的結(jié)構(gòu)不僅限于以下實(shí)施例
實(shí)施例
如圖I所示，基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，包括以下步驟
(1)構(gòu)架微神經(jīng)網(wǎng)絡(luò)，該微神經(jīng)網(wǎng)絡(luò)包括輸入層和輸出層，所述的輸入層包括三個(gè)神經(jīng)元，該三個(gè)神經(jīng)元分別為比例、微分和積分，輸出層包括一個(gè)神經(jīng)元；
(2)設(shè)定輸入層神經(jīng)元的權(quán)重系數(shù)的初始值以及學(xué)習(xí)速率；
(3)獲取步進(jìn)電機(jī)當(dāng)前某相電流值，記為Ia;獲取步進(jìn)電機(jī)當(dāng)前的目標(biāo)電流Iexa，目標(biāo) 電流Iexa即是步進(jìn)電機(jī)在當(dāng)前工作狀態(tài)的額定電流；
(4)當(dāng)前時(shí)刻電流大小與目標(biāo)電流的差值e=Iexa- Ia,得到在K時(shí)刻步進(jìn)電機(jī)的當(dāng)前電流和目標(biāo)電流的差值，即誤差值e (K) =Iexa (K) - Ia(K), K為0，1,2,3-；
(5)計(jì)算輸入層神經(jīng)元值；
(6)計(jì)算新的權(quán)重系數(shù)；
(7)計(jì)算輸出層的神經(jīng)元值，該值作為步進(jìn)電機(jī)的電壓。進(jìn)一步,上述的學(xué)習(xí)速率即是比例學(xué)習(xí)速率微分學(xué)習(xí)速率和積分學(xué)習(xí)速率
比例學(xué)習(xí)速率積分學(xué)習(xí)速率PfP微分學(xué)習(xí)速率的取值范圍為O I。且比例學(xué)
習(xí)速率的最佳值為0.01、微分學(xué)習(xí)速率的最佳值為ο. I和積分學(xué)習(xí)速率!的最佳值為 O. 001。上述的權(quán)重系數(shù)的初始值，即比例權(quán)重系數(shù)為胃i (0)=0. L 微分權(quán)重系數(shù)為
W2(O)=Ul,積分權(quán)重系數(shù)為冒 (0)=0.015.上述的輸入層神經(jīng)元值的計(jì)算式為
X1 (k ) = e(k')
X2 (k)= e(k) - e(k - )
(O
k
X3 ⑷=Σ e(j)
/期O
式中其中X10:)為k時(shí)刻的比例輸入值，X2 (Jr)為k時(shí)刻的微分輸入值,％(無)為k時(shí)刻的積分輸入值。上述的新的權(quán)重系數(shù)的計(jì)算式為
Wi Φ+1) = W#)+ηρ. X1 {k)
i w2(^+l) = w2 (k)+:7,. e(k) ■ x2(k)(2)。
[W3(k + 1)= (Ir)+η 'e(t)'X3( )上述的輸出層的神經(jīng)元值計(jì)算式為 )=2 ⑶。 i-l本發(fā)明涉及初始比例系數(shù)、學(xué)習(xí)速率、加權(quán)系數(shù)等參數(shù)的確定，這些參數(shù)對學(xué)習(xí)和控制品質(zhì)有很大的影響。關(guān)于這些參數(shù)的設(shè)定和調(diào)整有以下規(guī)則
規(guī)則I:學(xué)習(xí)速率對提高系統(tǒng)的快速性、魯棒性，消除超調(diào)及靜態(tài)誤差影響很大，學(xué)習(xí)速率不能過大，否則神經(jīng)元調(diào)節(jié)器易超調(diào)；學(xué)習(xí)速率也不能過小，否則神經(jīng)元調(diào)節(jié)器調(diào)節(jié)過程緩慢。一般可通過多次仿真或試驗(yàn)來確定最佳系數(shù)。規(guī)則2 :—旦學(xué)習(xí)速率選定后，權(quán)重的初值可在一定范圍內(nèi)變化，而不影響系統(tǒng)的性能。根據(jù)微神經(jīng)網(wǎng)絡(luò)的算法，神經(jīng)元通過學(xué)習(xí)使權(quán)值朝著使系統(tǒng)穩(wěn)定的方向變化，但如果初始權(quán)值的選擇超過了神經(jīng)元的調(diào)節(jié)范圍，系統(tǒng)將無法收斂。仿真結(jié)果表明，適當(dāng)?shù)膶W(xué)習(xí)速率可以使初始權(quán)值在較大范圍內(nèi)選取，經(jīng)過多次仿真研究后，才得到較好的取值比 例學(xué)習(xí)速率的最佳值為0.01、微分學(xué)習(xí)速率Pi的最佳值為O. I和積分學(xué)習(xí)速率0J的最佳值為0.001 ;比例權(quán)重系數(shù)為W1 (0)=0.1,微分權(quán)重系數(shù)為W2(O)=OJL積分權(quán)重系數(shù)為W1 (O)=O-Oli下面通過實(shí)驗(yàn)進(jìn)行比較本發(fā)明和現(xiàn)有技術(shù)
(I)先將使用一般PID算法的驅(qū)動(dòng)器連接上步進(jìn)電機(jī)，然后通過多次反復(fù)的實(shí)驗(yàn)，人工將PID參數(shù)調(diào)整到最優(yōu)，然后將其控制步進(jìn)電機(jī)的速度變化曲線記錄下來；另一方面，將使用微神經(jīng)網(wǎng)絡(luò)PID參數(shù)自匹配的驅(qū)動(dòng)器連接上步進(jìn)電機(jī)，不經(jīng)過人工參數(shù)調(diào)整，然后也記錄下速度變化曲線，最后將兩組結(jié)果進(jìn)行對比分析，實(shí)驗(yàn)結(jié)果如下圖2所示圖中，實(shí)曲線為一般PID算法得到的速率變化曲線，粗虛線為本發(fā)明得到的速率變化曲線，細(xì)虛線為理論上的最佳速率曲線，這樣可以得到一般PID控制算法，在人工調(diào)整為最優(yōu)參數(shù)后，在低速下且速率變換不大的場合有良好的表現(xiàn)，但是對于高速，速率變化大的場合會(huì)仍然出現(xiàn)較大的波動(dòng)，電機(jī)會(huì)因此出現(xiàn)震動(dòng)，發(fā)熱等現(xiàn)象，從而影響系統(tǒng)的精度和可靠性。而微神經(jīng)網(wǎng)絡(luò)PID參數(shù)自匹配，在完全沒有人工調(diào)整參數(shù)的情況下，能達(dá)到幾乎與理論曲線一致的性能表現(xiàn)，因而能有效提高整個(gè)系統(tǒng)的精度和可靠性。(2)先將使用一般PID算法的驅(qū)動(dòng)器連接上步進(jìn)電機(jī)，事先該驅(qū)動(dòng)器已經(jīng)匹配過同型號(hào)步進(jìn)電機(jī)，并且參數(shù)已經(jīng)設(shè)置為最優(yōu)。然后將其控制步進(jìn)電機(jī)的矩頻特性曲線記錄下來。另一方面，將使用微型神經(jīng)網(wǎng)絡(luò)PID參數(shù)自匹配的驅(qū)動(dòng)器連接上步進(jìn)電機(jī)，不經(jīng)過人工調(diào)整，然后也記錄下其矩頻特性曲線，最后將兩組結(jié)果進(jìn)行對比分析，實(shí)驗(yàn)結(jié)果如下圖3所示圖中，上曲線為理論上最佳矩頻特性曲線，中間曲線為采用本發(fā)明得到的矩頻特性曲線，下曲線為采用一般PID算法得到的矩頻特性曲線，可知，對于一般PID控制算法，將其參數(shù)人工調(diào)整為最優(yōu)匹配同型號(hào)步進(jìn)電機(jī)，然后替換同型號(hào)電機(jī)，其矩頻特性曲線較理論曲線有一些下降。而對于微神經(jīng)網(wǎng)絡(luò)PID參數(shù)自匹配，在完全沒有人工調(diào)整參數(shù)的情況下，不管如何替換同型號(hào)步進(jìn)電機(jī)，都仍然能夠能達(dá)到幾乎與理論曲線一致的性能表現(xiàn)。實(shí)驗(yàn)結(jié)果表明，微神經(jīng)網(wǎng)絡(luò)PID參數(shù)自匹配彌補(bǔ)了純PID的控制模型的不足，能溝通其快速學(xué)習(xí)能力，具有廣泛的適應(yīng)性，無需人工干預(yù)即可充分發(fā)揮步進(jìn)電機(jī)性能，以及保證整機(jī)系統(tǒng)的精度和可靠性。
權(quán)利要求
1.基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，該方法包括以下步驟 (1)構(gòu)架微神經(jīng)網(wǎng)絡(luò)，該微神經(jīng)網(wǎng)絡(luò)包括輸入層和輸出層，所述的輸入層包括三個(gè)神經(jīng)元，該三個(gè)神經(jīng)元分別為比例、微分和積分，輸出層包括一個(gè)神經(jīng)元； (2)設(shè)定輸入層神經(jīng)元的權(quán)重系數(shù)的初始值以及學(xué)習(xí)速率； (3)獲取步進(jìn)電機(jī)當(dāng)前某相電流值，記為Ia;獲取步進(jìn)電機(jī)當(dāng)前的目標(biāo)電流Iexa，目標(biāo)電流Iexa即是步進(jìn)電機(jī)在當(dāng)前工作狀態(tài)的額定電流； (4)當(dāng)前時(shí)刻電流大小與目標(biāo)電流的差值e=Iexa- Ia,得到在K時(shí)刻步進(jìn)電機(jī)的當(dāng)前電流和目標(biāo)電流的差值，即誤差值e (K) e (K) =Iexa (K) - Ia(K)(I) 其中 K 為 O，1,2,3-； (5)計(jì)算輸入層神經(jīng)元值； (6)計(jì)算新的權(quán)重系數(shù)； (7)計(jì)算輸出層的神經(jīng)元值，該值作為步進(jìn)電機(jī)的電壓。
2.根據(jù)權(quán)利要求I所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，所述的學(xué)習(xí)速率即是比例學(xué)習(xí)速率V p、微分學(xué)習(xí)速率積分學(xué)習(xí)速率比例學(xué)習(xí)速率Pp、積分學(xué)習(xí)速率和微分學(xué)習(xí)速率的取值范圍為O I。
3.根據(jù)權(quán)利要求2所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，所述的比例學(xué)習(xí)速率的最佳值為0.01、微分學(xué)習(xí)速率Pi的最佳值為O. I和積分學(xué)習(xí)速率PI的最佳值為0.001。
4.根據(jù)權(quán)利要求I或3所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，所述的權(quán)重系數(shù)的初始值，即比例權(quán)重系數(shù)為_W:(0)_=0.1，微分權(quán)重系數(shù)為W2(O)=O.!,積分權(quán)重系數(shù)為曹3 _4剛。
5.根據(jù)權(quán)利要求4所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，步驟(5)所述的輸入層神經(jīng)元值通過式(2)計(jì)算得到 x1(^) = e(i) X2 (k) = e (k ) ~ e (k - I)⑵ X3(Ar)= Σ e(j) 式中其中XiW為k時(shí)刻的比例輸入值，X2 (k)為k時(shí)刻的微分輸入值,A (幻為k時(shí)刻的積分輸入值。
6.根據(jù)權(quán)利要求5所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，所述的新的權(quán)重系數(shù)通過式(3)計(jì)算得到
7.根據(jù)權(quán)利要求6所述的基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，其特征在于，所述的輸出層的神經(jīng)元值通過式(4)計(jì)算得到
全文摘要
本發(fā)明公開了一種基于微型神經(jīng)網(wǎng)絡(luò)的步進(jìn)電機(jī)PID參數(shù)自匹配方法，包括以下步驟構(gòu)架微神經(jīng)網(wǎng)絡(luò)；設(shè)定輸入層神經(jīng)元的權(quán)重系數(shù)的初始值以及學(xué)習(xí)速率；獲取步進(jìn)電機(jī)當(dāng)前某相電流值，獲取步進(jìn)電機(jī)當(dāng)前的目標(biāo)電流；計(jì)算誤差值；計(jì)算輸入層神經(jīng)元值；計(jì)算新的權(quán)重系數(shù)；計(jì)算輸出層的神經(jīng)元值，該值作為步進(jìn)電機(jī)的電壓。本發(fā)明的有益效果無需人工干預(yù)即可自動(dòng)完成PID參數(shù)的匹配，減輕了整機(jī)調(diào)試的工作量，減少了用戶設(shè)置環(huán)節(jié)，因而也避免了出錯(cuò)的可能性；對各類型步進(jìn)電機(jī)有更廣泛的適應(yīng)性，對于非標(biāo)準(zhǔn)型號(hào)的步進(jìn)電機(jī)，能夠通過快速學(xué)習(xí)而自匹配出最優(yōu)參數(shù)；能充分發(fā)揮步進(jìn)電機(jī)的性能，減少電機(jī)震動(dòng)，提高整機(jī)系統(tǒng)可靠性。
文檔編號(hào)G05B13/02GK102799107SQ20121030771
公開日2012年11月28日 申請日期2012年8月28日 優(yōu)先權(quán)日2012年8月28日
發(fā)明者周帆 申請人:成都樂創(chuàng)自動(dòng)化技術(shù)股份有限公司