人工神经网络在伺服控制系统中的应用.docx

《人工神经网络在伺服控制系统中的应用.docx》由会员分享，可在线阅读，更多相关《人工神经网络在伺服控制系统中的应用.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工神经网络在伺服控制系统中的应用王明晨导语：在高精度伺服跟踪控制系统中，为使输出响应快速地跟踪输入指令，需要克制系统滞后、未建模动态、不确定性以及负载的变化因素等的影响，本文提出了一种模糊小脑模型神经网络FCMAC直接逆控制的方案，可动态地克制这些影响。引言由于PMSM是一个多变量、严重非线性、参数时变及强耦合的控制对象，很难用准确模型描绘其动态经过。矢量变换控制得到的是电流稳态解耦数学模型，尽管变量电流和速度间仍然存在耦合，但在动态时仍存在耦合，模型对电机的运动经过有较强的依靠性，使其不易到达理想的控制目的。在伺服系统中一般还具有滞后、未建模动态、不确定性以及负载变化等因素，传统的PID控

2、制器不能很好地知足高精度、快速响应要求。与经典控制方法不同，智能控制显著特点是不依靠于被控对象的准确模型，具有自适应和鲁棒性强等特点，正好适于伺服系统这种被控对象。但是一般实现比拟复杂，并且控制效果取决于模型样本的质量，即专家经历的定性信息。从实时控制的角度，神经网络、模糊控制均不如单神经元简单方便，而单神经元又不具备模糊控制快速性的优点。为此，本文基于逆动态模型的概念，采用一种FCMAC在线学习伺服装置的逆模型，通过前馈通道与系统的原模型对消的方式，动态地克制系统的非线性和不确定因素，使输出快速、准确地跟踪输入，到达良好的动态跟踪性能。1、系统构造及PMSM动态模型简介本文所介绍位置环采用F

3、CMAC模糊小脑模型神经关节器和PD的复合控制器。速度、电流环为常规控制器，为研究对位置的跟踪才能，故将转速、电流环合起来近似为一阶惯性环节。系统简化构造如图1所示。图1系统简化构造图2、FCMAC网络概述CMAC是一种模拟小脑功能的神经网络模型，最初主要用于的动态轨迹跟踪控制。神经生理学研究说明，小脑的功能是负责指挥肢体运动，其决策经过是条件反射式迅速响应，而大脑那么要经过考虑才能作出决定。CMAC是一种具有联想和学习功能的前向网络，本质是一种表格查询式神经网络。由于它在部分网络构造上存储信息，而且每次修正的权数目很少，其学习速度要比BP神经网络快约23个数目级，因此十分合适于实时控制。FC

4、MAC是模糊逻辑与CMAC神经网络有机结合的产物。可以使模糊推理更加方便并具有自学习的功能，FCMAC的映射和存储与CMAC一样。将FCMAC用于伺服电机这一复杂对象可以更准确及时地抑制非线性及不确定因素，到达优化控制的目的。FCMAC构造可描绘如图2。图2FCMAC神经网络模型输入信号从左至右依次经过模糊化、规那么推理和加权求和经过。输入量经量化映射到模糊感悟层X为X1，同时激活相邻C个单元，并获得相应的隶属度。C为网络的泛化参数，即感受野。C个单元通过滚动组合方式得到M中C个概念地址，该C个单元再通过压缩编码映射到实际物理存储器A中的C个单元，对应C个权值。对一维输入量的模糊输出，隶属度描绘如图3，隶属度函数取底宽为6的等腰三角形，论域可拓宽。图3隶属度函数图形3、直接神经控制器的算法