神经网络鲁棒控制器的设计及应用研究

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!伺服技术"#$%&’($)*+,-.$神经网络鲁棒控制器的设计及应用研究

收稿日期/0112314310

国家自然科学基金项目/编号/51046106辽宁省教育厅资助项目/编号/010752268连丽艳7王艳秋0

97:辽宁工学院信息系;辽宁锦州707117<0:东北大学信息系;辽宁沈阳771115=

摘要/针对变频调速系统中交流电机模型的不确定性和非线性等特点;提出一种神经网络鲁棒控制方法>这种控制方法采用已知模型与神经网络在线逼近非线性相结合来共同辩识系统的实际模型;同时通过引入鲁棒因子将神经网络控制与传统控制方法有机结合起来>仿真研究表明它能明显提高系统性能;具有实际应用价值>

关键词/神经网络<鲁棒控制<辩识<感应电动机<

中图分类号/?@042文献标识码/A文章编号/711735B6B90116=183116C310

D E F G H IJ I KL M M N G O J P G Q IQ R+E S T J N+E P U Q T VJ I K%Q W S F P)Q I P T Q N N E T

X Y A Z X Y3[\]7;^A Z_‘\]3a b c0

97:X b\d]b]eY]f g b g c g h d i?h j k]d l d e[;m b]n k d c707117<0:Z d o g k h\f g p]b q h o f b g[;r k h][\]e771115;s k b]\=

L W F P T J O P/A s d]g o d l l h od i]h c o\l]h g t d o u\]vo d w c f g b fx o h f h]g h vj d]f b v h o b]ec]j h o g\b]g[\]v]d]3l b]h\od i\j b]v c j g b d]y d g d o y d v h l:?k b fj d]g o d l y h g k d v\v d x g f]h c o\l]h g t d o u\]vx o h f h]g h vy d v h l g db v h]g b i[f[f g h y o h\l y d v h l:A g g k h f\y h g b y h f[f g h y j d y w b]h g o\v b g b d]j d]g o d l y h g k d vt b g k]h c o\l]h g t d o uj d]g o d l y h g k d vw[l h\v b]e b]g do d w c f g i\j g d o:r b y c l\g b d]x o d q h f g k\g g k h j d]g o d l l h o j\]b y x o d q h x h o i d o y\]j h d i f[f g h y:Y g k\f\k b e kq\l c h d i x o\j g b j\l\x x l b j\g b d]:

z E{U Q T K F/]h c o\l]h g t d o u

|神经网络鲁棒控制器

|:|神经网络辩识对象模型

交流调速系统如图7所示>设其被控对象可以用如下的r Y r}离散时间非线性系统表示/

~9!"7=#$%~9!=;~9!37=;&[’!39(37=); *9!=;*9!37=&*’!39+37=),97=式中;$9=为未知的连续非线性函数;(和+分别为输出和输入的相应延迟;*9!=-~9!=分别为系统的输入和输出>这里所说的被控对象包括交流电机和变频器>我们知道任何实际系统都可以看成是已知规律和未知规律两个部分组成’7);前者通常可用数学模型来描述;称之为机理模型>但是机理模型大都在一定的假设条件下得到的;因此与实际系统之间存在着一定的建模误差<误差部分即为系统的未知规律>在本文中采用一个神经网络来辩识系统的实际输出和模型之间的差值;并以此为目标函数建立映射关系>如图7所示;将Z Z Y与已知模型9机理模型=并联起来实现对被控对象的建模;其中~

7 9!=为机理模型输出;~09!=为神经网络输出;[29!=# [79!="[09!=;此时[29!=即可准确描述系统的输出特性>

令神经网络辩识模型Z Z Y的输入为/.

79!=# %[9!=;[9!37=;&[’!39]37=);c9!=;c9!37=&c ’!39+37=),?>神经网络辩识模型Z Z Y的输出为[09!=;Z Z Y的训练目标就是使并联辩识模型的输出值与实际系统输出值的误差达到规定值’0)>其训练的误差函数为/

m7#7/009[9!"7=3[29!"7==090=这里采用误差反向传播学习算法;其网络权值的更新是通过反向传播并联模型的输出与实际输出的误差来实现的;令90=式的目标函数最小;则得到网络的学习算法>

|:1神经网络鲁棒控制器

如图7所示;控制器由一个多层前馈神经网络Z Z s和一个鲁棒控制器2s共同构成;其中Z Z s 通过在线学习逼近系统的逆动力学;并产生前馈控

3

C

6

3

4

444444444444444444444444444444444444444444444444444444444444444444

神经网络鲁棒控制器的设计及应用研究连丽艳王艳秋

万方数据