信息与控制
Information and Control
1999年　第28卷　第5期　Vol.28　No.5　1999



带管理器的单神经元实时控制非线性系统方案的实现
侯媛彬　易继锴

　　摘　要：本文在探讨交流电动机非线性磁场辨识的基础上，提出了带管理器的单神经元实时控制交流电动机的方案．实验表明，该方法对非线性系统的控制有较高的抗扰能力和鲁棒性. 
　　关键词：非线性磁场辨识， INUC算法， 自学习， 鲁棒性
　　中图分类号：TP13　　　　　　文献标识码：B

STUDY ON METHOD OF NONLINEAR SYSTEM PRACTICAL-TIME
CONTROL BY INTELLIGENT NEURAL UNIT
HOU Yuan-bin1 YI Ji-Kai2
(1. Automation of Dept., Xi'an Mining Institute; Xi'an, 710054; 2. Beijing Polytechnic Univesity 100022)
Abstract: The identification of ac motor nonlinear magnetic f ield has been studied, then the method of ac motor practical-time control by in telligent neural controller is proposed in this paper. It has been verified by e xperiment that, the method have higher anti-disturbance ability and strong characteristics for nonlinear system control. 
Key words: nonlinear magnetic identification, algorithm of intelligence single neural control, self-study, strong characteristic

1　问题的提出
　　在很多工业生产中都可能用到交流电动机拖动．常规的PID调节器是一种成熟的控制策略，其结构简单且具有一定的鲁棒性，但在交流电动机调速系统中，系统的参数易变、模型不确定或具有高度的非线性，而PID调节器的参数不易在线调整，因此导致系统的特性变差．若采用自适应的控制算法，从理论上看，虽可以提高系统性能，但其计算工作量大，对于快速响应的传动系统，实现相当困难．
　　神经网络的稳定研究结果[1]表明：三层前馈网络只要其隐层节点的激发函数是非多项式的，就可以逼近紧集上的任意函数．文献[4]进而指出：多层前馈网络可以逼近非线性的函数及非线性算子．但由于其计算工作量大，用于在线辨识时，只对于速度要求不高非线性系统可在线辨识．近年来，神经网络的研究引起了控制界的广泛兴趣，传动控制领域正努力探讨着神经网络控制器在传动系统中的应用．从前面分析可见：神经网络已经成功地用于预测、故障检测与诊断等控制．但因其计算工作量大，计算机的速度无法跟上而不能用于非线性的速度要求高的实时控制系统．目前出现的神经网络对于非线性实时控制的研 究基本局限于仿真研究上．本课题针对交流电动机调速系统的非线性特点，提出了一种带管 理器的单神经元控制交流电动机的方案(A Method of Intelligence Neural Unit Contro l AC Motor简称为INUC)．这种控制器，充分利用神经系统的自学习、自组织能力，可以 根据交流电动机动态情况，对INUC的各权值进行在线调整，且针对交流电动机的动态非线性特征，将各权值的学习因子区别动态控制．突破了常规PID控制器自身参数不能动态变化，只能实现线性控制的局限性．实验证明，该方法对非线性系统的控制有较高的抗扰能力和鲁棒性．
2　INUC算法的描述
　　单神经元是高度非线性并行处理系统神经网络的其中一个神经节点，它实际上是一个简 单的多输入多输出非线性处理单元．其数学模型可写为:
　　　　　　　　　　　　　　　　　(1)
其中xi(i=1,2,…,n)为神经元接收到的信息，wi(i=1,2,…,n)为相应的权重，θ为阈值 且本身是负值，y为神经元的输出，f(.)是非线性的转换函数，考虑到交流电动机的非线性 特性，这里选用对称性的sigmoid函数，即
　　　　　　　　　　　　(2)
神经元可通过改变自身的突触权重进行自学习、自组织，使其获得知识来适应环境的变化，这充分体现了神经元具有良好的自适应性和鲁棒性．将神经元的学习规则表示为
wi(k+1)=wi(k)+η[wi(k)-wi(k-1)]　　　　　　　　　　　　(3)
式中η为学习因子，根据被控对象的动态特性在0-1之间取值．
2.1 INUC的结构
　　本文提出的INUC的结构如图1所示，图中的虚线框为INUC．

图1　INUC系统结构图

2.2 单神经元控制器的智能化设计
图中的管理器的作用有二：一是根据系统的误差及动态特性动态地控制各权值的修正这这种 11这，二是将给定的ω1和实际的ω2的差值e进行状态变换，设系统中神经元输入状态 为三，并将其分离成为：
　　　　　　　(4)
从而可将单神经元控制器描述成为：
　　　　　　　　　　　　　　　(5)
　　　　　　　　　　　　　(6)
wi(k+1)=wi(k)+ηi[wi(k)-wi(k-1)]　　　　　　　　　　　(7)
由管理器根据系统的误差及动态特性动态地控制各权值的修正．考虑到式(4)～(7)，在系统 误差e较大时，让η2增大同时让η3减小(从式(4)可见，相当于增大微分系数、减小积分系数)从而保证系统快速上升，在系统误差e较小时，让η2和η1为零，同时η3减小以使系统平稳过渡．由管理器动态控制各权值修正的学习规则(单神经元控制器变成了I NUC)，这种INUC的设计，有利于让控制器在直接和交流电动机的交互作用中，不断增强学 习能力、适应能力和控制能力．
2.3 磁场辨识器和运算器的作用
2.3.1 MBP算法的磁场辨识器
　　MBP算法是[2,5,6]指改进BP算法．磁场辨识是用MBP算法先根据实测的电机参数离线辨识，然后将辨识结果在线辨识调整后应用．MBP是考虑神经网络的抗扰性和隐层节点的几何分布特点对BP网络的一种改进算法，其主要有以下两方面的改进：其一是用一种可避免网络局部极小点的初始化算法给网络各层的权值阵和阈值阵赋初值；其二根据网络抗扰性(网络的灵敏度、容错性及抗扰性都是用来描述网络特性的，三者虽有区别，但又有相互一致与制约之处)的理论推导分析得出：在输入有小扰动或权值发生变化时，网络最末一级权值对网络输出影响最大，因此在训练中根据训练误差动态的修正网络最末一级权值阵和阈值阵．
　　根据感应电动机的理论及对其进行数字控制的方案[2]及三/二相变换原理，异步电动机的磁场模型为
　　　　　　　　　　　(8)
　　在静态情况下的离线辨识仿真表明，MBP算法比BP算法对高非线性的跟踪精度高且速度快．实验结果进一步说明，在线调整后，前者优于后者． 磁场辨识器的输入是经过3/2 变换后动态的和电机的动态角速度，经过辨识器得到磁场．
2.3.2 运算器的作用
　　将辨识得到的磁场送入运算器，根据M∝ψ2Δω关系得到动态过程中的转矩．在运算器中，考虑到动态过程中的转矩对INUC输出的影响，再考虑到变频器整流及逆变控制电压所要求的电压等级，综合运算后得到控制信号uk．
　　这种控制方式有以下特点：
　　.单神经元控制器在动态过程中具有自学习、在线自调整参数的能力，比常规PID 控制器有更强的自适应性．
　　.管理器在系统运行过程中动态控制各权值修正的这种学习规则，使单神经元控制器变成了INUC，INUC比PID控制器有更强的控制能力．
　　.辨识器的作用使系统对交流电动机固有的非线性特性及负载变化的影响增强抑制能力，使系统具有更高的鲁棒性．
3　实验结果
　　这里对250W的三相异步电动机(额定电流是Ie=0.66A，额定电压Ue=380V) 进行参数测试，其测试静态数据为：采用直流伏安法测得定子每相电阻r1=34.3837(Ω )；采用交流伏安法测得定子每相电感L1=0.276(H)；采用自由停车法测得飞轮惯量 GD2=2.416(N.M),则转动惯量J=GD2/4g=0.06163(N.M/kg)，互感M取L1的十分 之一．
　　为了验证本文提出的INUC算法的有效性，这里先对系统进行了仿真．在动态中，由于交流电动机的iA,iB,r2,L2都是动态变化的，使得电机模型不确定，因此，将图2 (a)伪随机信号加入系统中，以此来模仿系统的动态非线性的变化．图2(b)和(c)分 别是PID对随机扰动下交流电动机控制的仿真结果及INUC对随机扰动下变输入交流 电动机控制的仿真结果．

　　(a) 伪随机信号　　　　　　 (b) PID控制的仿真 　　(c) INUC 对变输入系统控制的仿真
图2 两种算法对交流电动机控制的仿真结果

　　在对系统进行联机调试时，计算机接口用的是HY-6070板的A/D、D/A转换及我们设 计的一种能提高线性度的光耦隔离点路；变频器用日本富士FRENIC5000G9S的高性能低 噪声变频器．图3为系统实际运行实拍波形(用66M的486,TC语言)，图3(a)和(b)分 别是在给定速度n=1450r/m情况下数字PID及INUC算法控制交流电动机的实拍照片； (c) 在变负载时PID对交流电动机控制结果，(d) 在变负载时INUC算法对交流电动机控 制结果．
　　　　　　
(a) PID对交流电动机控制结果　　　　　　　 (b) INUC对交流电动机控制结果
　　　　　　
(c) 在变负载时PID对交流电动机控制结果　 (d) 在变负载时INUC算法对交流电动机控制结果
图3 两种算法对交流电动机控制结果的实拍照片

　　从理论分析表明，INUC算法能消除系统非线性对系统产生的不良影响，仿真和系统实际运行进一步验证，INUC算法比数字PID对非线性的交流异步机有更好的抗扰性和鲁棒性．实拍的照片可看出，衡负载时，INUC控制的调节时间ts≈3.6秒，(实拍时示波器的一小方格定为3秒．不足之处是从按键到电机开始运行比PID控制时间长约1秒，若计算机速度再提高，这将不成为问题)，而PID的调节时间ts≈4.8秒，并且在变负载时运行平稳，前者比后者具有更好的鲁棒性．打破了目前出现的神经网络控制对于非线性实时控制的研究基本局限于仿真研究上的局面．为交流电动机的智能化调速提供了一种途径．
注释：基金项目：北京市教委科学发展基金资助
作者简介：侯媛彬，女，1955年生，博士，教授，现任本院控制理论与控制工程学科带头人，电气工程研究所所长．研究领域为非线性控制，神经网络控制，智能控制等．
　　　　　易继锴，男，1938年生，教授，中心主任．研究领域为模糊控制，进化计算，智能控制等．
作者单位：侯媛彬：西安矿业学院自动化系　710054; 易继锴：北京工业大学　100022
参考文献
1　Chen T P, & H Chen. Approximation to Continuous Functional by Neur al Networks with Application to Dynamic Systems, IEEE Tran.on Neural Networks, 1994, 5
2　侯媛彬. 一类非线性动态系统建模及控制问题研究. 西安交通大学博士学位论文, A 397339,97.6
3　侯媛彬, 韩崇昭. 一种提高光电元件线性度的方法. 计算机应用研究，1996, (2)增
4　焦李成. 非线性传递函数理论与应用.西安电子科技大学出版社，1992
5　M D Emmerson, R I Dammper. Determing and Improving the Fault Torlance of Mult ilaer Perception in a Pattern～Recognition Application, IEEE Trans. Neural Networ ks,1993, 4(5)
6　L Holmstorm, P Koisition. Using Additive Noise in Back-Propagation Traing,IEE E Trans. Neural Networks, 1992, 3(1)
收稿日期：1998-03-16
