驱动特殊电机的模糊神经网络控制系统

　　动特殊电机的模糊神经网络控制系统项提伍台一代加及七刀o一用模糊神经网络系统来控制特殊电机，可很好地控制电机的转子位置，模拟神经网络系统可以在线学习变化速率，也能有效地减少参数变化的影响及外部千扰。

　　此系统可获得精确的轨迹响应。

　　关键词模糊控制器，神经网络，行波型谐振电机前言行波谐振电机有很多十分 的性能如高保持转矩，低速的高转矩，体积小巧，运行时无噪声，无电磁干扰。

　　M电机的驱动系统是利用压电元件的超声振动力。

　　所以它的机械模式很难确定，的集总电机模式也不易建立。

　　系统动态性能十分复杂而且是非线性的，系统的参数随时间变化。

　　我们采用自适应的模糊神经网络控制系统，它具有分辨不确定信息的能力及学习能力，可以很好地控制电机系统。

　　使用微机来构成接口并组成模糊控制器，使用数字信号处理器来实现神经网络的学习训练自适应及刻度因素的调谐。

　　模糊控制器实现转子位置的控制。

　　为了增加驱动系统的跟踪性能，使用具有不同学习速率的在线训练神经网络系统来调谐模糊控制器的输出刻度因数。

　　为了确保跟踪差的收敛性，使用离散型函数的分析方法来确定需要变化的学习速率。

　　用带有的计算机来实现控制器的功能，它能测试系统的控制特性。

　　阵图模糊神经网络控制系统模糊神经网络控制器。

　　为了加强模糊控制系统的控制性能，采用自适应机制通过输入信号来控制系统，偏差信号是标准输入和输出信号的反馈信号之差。

　　为了提高系统对不同输入信号的跟踪性能，使用有各种学习速率的在线训练神经网络来完成模糊控制器的输出比例因数调谐。

　　图是控制系统的模糊神经网络控制器的结构图。

　　模糊控制器的输入出的参数为偏差信号偏差信号变化率以及控制量变化率他们的定义分别为二民不夕价口一乙一子刁这里第次取样周期的输入信号第次取样周期的反馈信号输出信号试n)第次取样周期的偏差信号次取样周期的偏差信号变化率次取样周期的控制信号第次取样周期的控制信号变化率种经网络权值从至必节点选取的模糊数如下正大正中正小零负小负中负大采用梯形隶属函数，示输入隶属函数。

　　该法取数。

　　它能产生 的，且是 简单的控制性能。

　　使用六点法来表和上升边的斜率sl和下降边的斜率s2来表示图所示的函梯形输入隶属函数的表示方法段设为区间上的输入多量，即的 大值为 小值为为了用一个字节表示可以把它映射为10，闭上的量，即二时，输入二b时，输入值二对其它值，有一如果为[一护。

　　一区间上的值，厂口尸只仔我们可以定义尹2一尸1岛二一对于模糊控制器，选用误差信号和误差变化率为模糊控制器的输入信号。

　　输入变量的量化值如表所示。

　　为了增加控制系统的灵敏度，试n)和信号分别乘以和因子。

　　按照动态信号分析所得到的控制规则表为表使用面积中心的方法，得到表即解模糊化表。

　　通过查表即经过模糊决策可以进行解模糊化，从而得到实际的控制输出。

　　杯一廷一2 5一1葱蕊表误差和误差变化率的量化表模糊化一Ns入一叼曰一MP一一工一工MP一MP一NS一NS一一NS一一一MP一表模糊规则表，石U一石一了月峙一尸一月峙月峥一哎表解模糊化表为了增强自适应能力，通过在线训练神经网络，调节比例因数见图在线训练神经网络)在线训练神经网络控制器采用三层神经网络。

　　神经网络的输入信而输出信号是每层神经网络的信号传播和激活作用如下输入层石若，q气翔表示输入层的第个输入节点。

　　隐层二皿刃鸽沪于欢夕二下二二厂不孑门F这里玛是输入和隐层之间的权值，是隐值的闽值。

　　是激活函数，又称为晒数。

　　输出层艺风即铭书伪=不下吮犷写二一一，。

　　一，一(2 )在线学习算法现在研究此系统在线训练神经网络的在线学习算法，首先能量函数定义为了学习算法如下输出层传播的误差项如下护二一久吟一一一一耳介输出层权修改量如下一几二一沙勺一叽系数是输出和隐层之间权的学习速率参数。

　　按下列公式来修改输出层。

　　匆隐层传播误差项。

　　占二J二二一止乙里生二生毛例心隐层权的修改量如下。

　　一不一不万。

　　不丁一这里比例系数。

　　是连接隐层和输入层之间的权的学习参数。

　　按下列公式修改隐层的权。

　　砚义扣)通过反向传播算法可以获得公式由砖驱动系统的动态设置为未知的，算系统的礴确值氏能难计为了解决问题)可以变换为增加连接权的在线学习速率，用函数可以近似计算一可。

　　公式一这里)是冬一丛品数晶一罐成神经网络的在线学习算法。

　　在隐层和输出层的每个神经元用同样的学习算法进行在线训练。

　　学习速率的参数值对神经网络影响很大。

　　为了有效地训练神经网络，需要改变学习速率的参数收敛，具体方法读者可以用离散的函数有关资料。

　　见附加资料。

　　模糊神经网络系统的硬件结构和软件，这样可以保证误差的。

　　直涟一直滚转换母二相并行诊振倒相肠几。1一几。

　　叶由二立阵臼甲行口内存计时。

　　1加日图是以为基础的微机控制系统结构图。

　　W为电机角速度为电机旋转方向人为电机一相正弦电压丫为输入电压为电机另一相正弦电压驱动电路输出电压地线输入电压是得克萨斯仪器公司的点运算芯片。

　　一块控制卡包括多通道转换器可编程平行输入出接口及一些编码接口电路。

　　在接口电路中增加数字滤波器和倍频电路，它们可以增加反馈量的精度。

　　微机有二个子程序，一个是微机的中断子程序，一个是的子程序。

　　计算和同步幻旧护执行傲翻技翻计算学习该度训练神经网络权和伯，调谐泊出刻度因盆为，。

　　图模糊神经网络控制系统的软件流程图中断服务子程序的中断间隔时间为首先从编码器读出电机转子的位置，使用基准模型产生监测信号。

　　计算和的值。

　　同步地执行然后从内存中得到输出比例因数按模糊控制器规律产生输出值巧。

　　子程序首先从得到偏差信号，接着计算学习速率，训练神经网络的权值及偏置值。

　　 调谐输出比例因数结论由于电机的动态特征十分复杂，而且是非线性的。

　　为了增强系统的瞬变响应及电机驱动系统的鲁棒性我们采用了模糊神经网络控制器。

　　在控制系统中，神经网络自动地调整输出比例因数输入信号减去反馈信号得到偏差信号神经网络在线改变学习速率，训练它们的权值及偏置。

　　从仿真结果来看，此控制系统的实际控制效果很好。

　　下面是一些仿真的实验曲线，供参考。

　　实线为基准曲线。

　　虚线为转子在旋转时的实际位置曲线。

　　图带有负载的模糊神经网络控制系统的基准模式和转子位置的相应曲线。

　　a( )为脉冲曲线响应是转子位置变化曲线是弧度伪)为正弦曲线响应是秒是基准模式变化曲线附加资料为了有效地训练神经网络，需要改变学习速率的参数。

　　在分析离散型函数时，为了保证跟踪的收敛性，我们使用下列二个定理定理是连接输出层和隐层之间的学习速率参数。

　　jP定义为氏二与。，这里刀从用函数置换系统的数。

　　如果选择。

　　为。

　　低介低狈lJ可以确保。

　　的收敛性。

　　氏是神经网络中输出和隐层之间的权值是模糊神经网络控制器的输出。

　　气少。

　　即定理几为隐层和输入层之间的连接权的学习速率参数定义。