基于遺傳神經(jīng)網(wǎng)絡(luò)的超聲波電機(jī)轉(zhuǎn)速控制系統(tǒng)

    陳  歡¹,   史敬灼²

(1武漢船用電力推進(jìn)裝置研究所，湖北武漢430064；2河南科技大學(xué)，河南洛陽471003)

摘要：介紹一種超聲波電機(jī)(USM)自適應(yīng)控制策略，系統(tǒng)采用雙閉環(huán)控制，內(nèi)環(huán)通過對弧極電壓進(jìn)行采樣、判斷，補償U(kuò)SM諧振頻率的漂移；外環(huán)利用動態(tài)遞歸神經(jīng)嘲絡(luò)控制調(diào)節(jié)兩相驅(qū)動交變電壓的相位差，實現(xiàn)轉(zhuǎn)速的自適應(yīng)控制。DRNN的結(jié)構(gòu)和初始參數(shù)通過混合遞階遺傳算法離線訓(xùn)I練獲得。試驗結(jié)果征明，該控制系統(tǒng)具有較高的控制精度和較好的穩(wěn)定性。關(guān)鍵詞：超聲波電機(jī)；自適應(yīng)控制；遺傳神經(jīng)網(wǎng)絡(luò)中圖分類號：TM 301 2文獻(xiàn)標(biāo)志碼：A文章編號

0 引言

     超聲波電機(jī)(Uhrasonic Motor，USM)是一種新型特種電機(jī)，在工業(yè)控制、精密儀器、辦公自動化等領(lǐng)域有著廣闊的應(yīng)用前景[1]。但是，USM具有嚴(yán)重的非線性、時變性和強(qiáng)耦合，數(shù)學(xué)建模非常困難，至今還沒有精確的數(shù)學(xué)模型，傳統(tǒng)的依賴被控對象數(shù)學(xué)模型的控制策略很難對其實施有效控制。將動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)(Dynamical ReculTentNeural Networks，DRNN)應(yīng)用于USM的自適應(yīng)速度控制，彌補_廣上述方法的不足。采用混合遞階遺傳算法對網(wǎng)絡(luò)的結(jié)構(gòu)和初始參數(shù)進(jìn)行離線優(yōu)化，再通過梯度下降對網(wǎng)絡(luò)參數(shù)進(jìn)行在線調(diào)整。試驗結(jié)果表明：該方法不僅具有控制靈活、適應(yīng)性強(qiáng)的優(yōu)點，還具有較高的控制精度和魯棒性。

l  usM驅(qū)動控制系統(tǒng)

  USM利用兩相具有一定頻率、幅值和相位差的正弦電壓來驅(qū)動，但由于電機(jī)本身的呈容性，可以使用方波電壓來直接驅(qū)動。本文采用調(diào)相調(diào)速方案，使驅(qū)動電壓的相位差在一90。～+90。連續(xù)可調(diào)一選取DSP56F801內(nèi)置的脈寬凋制(PulseWidth Modulation，PWM)模塊作為驅(qū)動信號發(fā)生器，通過修改PWM周期寄存器(PWMCM)和計數(shù)模值寄存器(PWMVAL)的值，即可實現(xiàn)驅(qū)動電壓頻率和相位差的闊節(jié)。驅(qū)動信號經(jīng)隔離放大后，巾兩相推挽逆變電路逆變、升壓成兩相高壓、高頻方波電壓，驅(qū)動USM。為了補償U(kuò)SM的諧振頻率瓢移，需對USM弧極反饋電壓采樣，將采樣值與設(shè)定值進(jìn)行比較，若小于設(shè)定值則減小PWMCM的值，若大于等于則保持不變，以跟蹤諧振頻率的漂移。為保證測速的精度，采用光電編碼器作為

測速單元，將其接定時器內(nèi)部的正交解碼單元即可實現(xiàn)轉(zhuǎn)速及轉(zhuǎn)角的測算。控制系統(tǒng)結(jié)構(gòu)框圖如圖1所示．

2 USM參數(shù)辨識自適應(yīng)控制系統(tǒng)

    由于DRNN能夠?qū)崿F(xiàn)高度復(fù)雜的非線性動態(tài)映射，又具有自學(xué)習(xí)、白適廊的能力，故將其作為自適應(yīng)控制器(DRNNC)，其輸人為給定轉(zhuǎn)速r(^)、電機(jī)上一時刻實際轉(zhuǎn)速y(k—1)及NNc上一時刻輸出的控制量Up(k一1)，輸出為控制信號Up(k)用以調(diào)節(jié)兩相驅(qū)動電壓的相位差。用作參數(shù)辨識的辨識器(DRNM)輸人為實際輸入usM的控制量Up(k)和電機(jī)上一時刻的實際轉(zhuǎn)速y(k—1)，輸出為預(yù)測轉(zhuǎn)速y(k)。利用y代替y，為DRNNc的在線訓(xùn)練提供參數(shù)。uSM參數(shù)辨識白適應(yīng)控制系統(tǒng)框圖如圖2所示。

3  DRNN及其訓(xùn)練方法

    DRNN結(jié)構(gòu)如圖3所示。它除了輸入層、隱層、輸出層外還有一個特殊的結(jié)構(gòu)單元，用來記憶隱層單元以前時刻的輸出值，結(jié)構(gòu)單元在時刻的輸入等于隱層在k—l時刻的輸出，但為了減少在線學(xué)習(xí)時間，提高實時陛，結(jié)構(gòu)單元的輸出僅輸入到相應(yīng)的隱層單元。設(shè)網(wǎng)絡(luò)輸入向量為x，輸入單元與隱層單元間的連接權(quán)值矩陣為W1，隱層單元與輸出單元間的連接權(quán)值向量為W2結(jié)構(gòu)單元與隱層單元間的連接權(quán)值向量為W3，隱層激活函數(shù)為l廠(此處選為1／(1+e-x))，隱層第j個神經(jīng)元輸出為Hj，則網(wǎng)絡(luò)的輸入輸冉關(guān)系為

3、1離線訓(xùn)練

    離線訓(xùn)練的樣本均通過試驗的方法獲得。NNc的輸入樣本向量為Xci={r(k)，y(k-1)，

Up(k-1)}，輸出樣本矢量為Yci={Up(k)}，Up(k)為輸入uSM的兩相交流電壓的相位差，可由k時刻電機(jī)轉(zhuǎn)速通過查對應(yīng)的轉(zhuǎn)速相位差或轉(zhuǎn)速電壓幅值曲線獲得。NNI的輸入樣本為向量Xii={Up(k-1)，yf(k一1)}，輸出樣本向量為Yi={y(k)}，y(k)為預(yù)測轉(zhuǎn)速。

    傳統(tǒng)的洲練算法足在網(wǎng)絡(luò)結(jié)構(gòu)已知的基礎(chǔ)上對網(wǎng)絡(luò)參數(shù)進(jìn)行尋優(yōu)，無法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。本文采用混合遞階遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)一并優(yōu)化，遞階遺傳算法的尋優(yōu)過