CN116418261B - 一种基于径向基函数神经网络的电机pid控制方法 - Google Patents

一种基于径向基函数神经网络的电机pid控制方法 Download PDF

Info

Publication number
CN116418261B
CN116418261B CN202310151456.7A CN202310151456A CN116418261B CN 116418261 B CN116418261 B CN 116418261B CN 202310151456 A CN202310151456 A CN 202310151456A CN 116418261 B CN116418261 B CN 116418261B
Authority
CN
China
Prior art keywords
vector
neural network
basis function
radial basis
function neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310151456.7A
Other languages
English (en)
Other versions
CN116418261A (zh
Inventor
凡峻
霍东全
周强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yiben Automation Co ltd
Original Assignee
Shenzhen Yiben Automation Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yiben Automation Co ltd filed Critical Shenzhen Yiben Automation Co ltd
Priority to CN202310151456.7A priority Critical patent/CN116418261B/zh
Publication of CN116418261A publication Critical patent/CN116418261A/zh
Application granted granted Critical
Publication of CN116418261B publication Critical patent/CN116418261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出了一种基于径向基函数神经网络的电机PID控制方法，通过在预设的数值范围内随机生成参数向量以及与参数向量相对应的速度向量，迭代计算速度向量以及参数向量，将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度以更新个体最优向量和全局最优向量，获取全局最优向量在径向基函数神经网络模型中的目标跟踪误差的收敛速度，当其收敛速度小于预设的第一收敛速度阈值时，更换参数向量的迭代策略，当其收敛速度小于预设的第二收敛速度阈值时，使用该全局最优向量作为径向基函数神经网络模型的参数向量生成PID控制参数，能够提高最优解搜索过程的收敛速度以及RFB神经网络模型的目标跟踪误差的收敛速度。

Description

一种基于径向基函数神经网络的电机PID控制方法
技术领域
本发明涉及自动化控制技术领域，特别涉及一种基于径向基函数神经网络的电机PID控制方法。
背景技术
PID即Proportional(比例)、Integral(积分)、Differential(微分)的缩写，具有原理简单，易于实现，适用面广，控制参数相互独立，参数的选定比较简单等优点，在电机控制领域也具有广泛的应用。在传统的PID控制技术中，其PID参数包括比例系数、积分系数和微分系数等往往根据控制过程的动态性能和实际经验进行预先设置，这些PID参数一旦固化就难以修改，而电机控制***的应用环境复杂多变，负载变化、外部干扰、内部扰动等不确定因素会引起整个控制***的动态特性变化，导致预先设定的PID参数就无法达到较好的控制效果。为了解决上述问题，人们提出了基于RBF(Radial Basis Function，径向基函数)神经网络的PID控制方法，采用RBF神经网络的学习训练能力对PID参数进行动态调节以改善PID控制的性能，由于RBF神经网络由输入到隐含层的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而大幅加快了学习速度，使得神经元对历史数据反应更灵敏。RBF神经网络是一种包括输入层、隐含层和输出层的三层前馈型神经网络模型，具有全局收敛的作用，其中心向量、宽度向量以及隐含节点的数量的选择对RBF神经网络的预测结果的准确性具有非常大的影响，为此人们研究出了使用PSO(Particle Swarmoptimization，粒子群优化)算法为RBF神经网络提供准确的中心向量、宽度向量以及隐含节点的数量等参数，然而由于PSO算法搜索最优解的过程具有较强的随机性，其自身收敛速度往往较慢，同时也存在搜索得到的参数在目标跟踪误差的收敛速度上无法达到预期的情况。
发明内容
本发明正是基于上述问题，提出了一种基于径向基函数神经网络的电机PID控制方法，能够提高最优解搜索过程的收敛速度以及RFB神经网络模型的目标跟踪误差的收敛速度。
有鉴于此，本发明提出了一种基于径向基函数神经网络的电机PID控制方法，包括：
构建径向基函数神经网络的参数向量以及与所述参数向量相对应的速度向量
构建所述参数向量的个体最优向量以及全部所述参数向量的全局最优向量
其中j＝(1,2,…,n)；
在预设的数值范围内随机生成n个所述参数向量以及n个与所述参数向量相对应的速度向量/>
使用以下公式迭代计算所述速度向量以及所述参数向量/>的各个分量：
其中i＝(1,2,…,7)，w为预设的惯性权重，c1和c2为预设的学习常数，r1和r2为(0,1)之间的随机数；
将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>
当将/>赋值给所述个体最优向量/>
更新所述全局最优向量
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
当时，使用以下公式迭代计算所述参数向量/>的各个分量：
其中ε1为预设的第一收敛速度阈值；
当时，使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数，其中其中ε2为预设的第二收敛速度阈值，且ε2＜ε1。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在迭代计算所述速度向量以及所述参数向量/>的各个分量的步骤之后，还包括：
判断所述速度向量中的各个分量是否满足vij(t+1)＜vmin，其中vmin为预先配置的最小速度阈值；
当所述速度向量中任一分量满足vij(t+1)＜vmin时，使用以下公式重置所述分量：
vij(t+1)＝σ·aij(t)，
其中σ为(0，0.5)之间的随机数。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度的步骤之后，还包括：
获取预先配置的第一迭代次数T1；
当且t+1≤T1时，继续执行使用以下公式迭代计算所述速度向量以及所述参数向量/>的各个分量：
当或t+1＞T1时，执行使用以下公式迭代计算所述参数向量/>的各个分量：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在将所述全局最优向量代入所述径向基函数神经网络模型中计算目标跟踪误差的收敛速度的步骤之后，还包括：
获取预先配置的第一迭代次数T2，其中T2＞T1；
当且T1≤t+1≤T2时，继续执行使用以下公式迭代计算所述参数向量/>的各个分量：
当或t+1＞T1时，执行使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数的步骤。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值：
其中l＝(1，2，…，m)，m为隐含层的节点数，ωl为所述径向基函数神经网络的权重向量，为hl所述径向基函数神经网络的每个隐含层节点的输出值；
计算每一次迭代的跟踪误差：
e(k)＝y(k)-ym(k)；
获取预先配置的最小跟踪误差阈值emin；
当e(k)＜emin时，计算收敛速度：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值的步骤具体包括：
迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>
其中所述径向基函数神经网络的权重向量的迭代算法如下：
所述径向基函数神经网络的宽度向量的迭代算法如下：
所述径向基函数神经网络的隐含层节点的中心向量的迭代算法如下：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量的步骤之后，还包括：
根据所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>的计算所述径向基函数神经网络的每个隐含层节点的输出值：
其中为输入向量。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在计算跟踪误差的步骤之后，还包括：
迭代计算所述基于径向基函数神经网络的电机的PID输入项xcp、xci和xcd：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项：
u(k)＝u(k-1)+Kp(k)·xcp+Ki(k)·xci+Kd(k)·xcd。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算PID参数增量：
使用所述PID参数增量计算PID参数：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度的步骤之前，还包括：
配置全局静态变量Q及F；
在执行更新所述全局最优向量的步骤后，将的j值赋值给所述全局静态变量Q，并将相应参数向量对应的收敛速度赋值给所述全局静态变量F，即：
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>的步骤具体包括：
将所述全局静态变量F确定为所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
本发明提出了一种基于径向基函数神经网络的电机PID控制方法，通过在预设的数值范围内随机生成参数向量以及与参数向量相对应的速度向量，迭代计算速度向量以及参数向量，将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度以更新个体最优向量和全局最优向量，获取全局最优向量在径向基函数神经网络模型中的目标跟踪误差的收敛速度，当其收敛速度小于预设的第一收敛速度阈值时，更换参数向量的迭代策略，当其收敛速度小于预设的第二收敛速度阈值时，使用该全局最优向量作为径向基函数神经网络模型的参数向量生成PID控制参数，能够提高最优解搜索过程的收敛速度以及RFB神经网络模型的目标跟踪误差的收敛速度。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本发明提出了一种基于径向基函数神经网络的电机PID控制方法，包括：
构建径向基函数神经网络的参数向量以及与所述参数向量相对应的速度向量
构建所述参数向量的个体最优向量以及全部所述参数向量的全局最优向量
其中j＝(1，2，…，n)；
在预设的数值范围内随机生成n个所述参数向量以及n个与所述参数向量相对应的速度向量/>
使用以下公式迭代计算所述速度向量以及所述参数向量/>的各个分量：
其中i＝(1，2，…，7)，w为预设的惯性权重，c1和c2为预设的学习常数，r1和r2为(0，1)之间的随机数；
将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>
当将/>赋值给所述个体最优向量/>
更新所述全局最优向量
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
当时，使用以下公式迭代计算所述参数向量/>的各个分量：
其中ε1为预设的第一收敛速度阈值；
当时，使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数，其中其中ε2为预设的第二收敛速度阈值，且ε2＜ε1。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在迭代计算所述速度向量以及所述参数向量/>的各个分量的步骤之后，还包括：
判断所述速度向量中的各个分量是否满足vij(t+1)＜vmin，其中vmin为预先配置的最小速度阈值；
当所述速度向量中任一分量满足vij(t+1)＜vmin时，使用以下公式重置所述分量：
vij(t+1)＝σ·aij(t)，
其中σ为(0，0.5)之间的随机数。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度的步骤之后，还包括：
获取预先配置的第一迭代次数T1；
当且t+1≤T1时，继续执行使用以下公式迭代计算所述速度向量以及所述参数向量/>的各个分量：
当或t+1＞T1时，执行使用以下公式迭代计算所述参数向量的各个分量：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在将所述全局最优向量代入所述径向基函数神经网络模型中计算目标跟踪误差的收敛速度的步骤之后，还包括：
获取预先配置的第一迭代次数T2，其中T2＞T1；
当且T1≤t+1≤T2时，继续执行使用以下公式迭代计算所述参数向量/>的各个分量：
当或t+1＞T1时，执行使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数的步骤。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值：
其中l＝(1，2，…，m)，m为隐含层的节点数，ωl为所述径向基函数神经网络的权重向量，为hl所述径向基函数神经网络的每个隐含层节点的输出值；
计算每一次迭代的跟踪误差：
e(k)＝y(k)-ym(k)；
获取预先配置的最小跟踪误差阈值emin；
当e(k)＜emin时，计算收敛速度：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值的步骤具体包括：
迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>
其中所述径向基函数神经网络的权重向量的迭代算法如下：
所述径向基函数神经网络的宽度向量的迭代算法如下：
所述径向基函数神经网络的隐含层节点的中心向量的迭代算法如下：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量的步骤之后，还包括：
根据所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>的计算所述径向基函数神经网络的每个隐含层节点的输出值：
其中为输入向量。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在计算跟踪误差的步骤之后，还包括：
迭代计算所述基于径向基函数神经网络的电机的PID输入项xcp、xci和xcd：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项：
u(k)＝u(k-1)+Kp(k)·xcp+Ki(k)·xci+Kd(k)·xcd。
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算PID参数增量：
使用所述PID参数增量计算PID参数：
进一步的，在上述的基于径向基函数神经网络的电机PID控制方法中，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度的步骤之前，还包括：
配置全局静态变量Q及F；
在执行更新所述全局最优向量的步骤后，将的j值赋值给所述全局静态变量Q，并将相应参数向量对应的收敛速度赋值给所述全局静态变量F，即：
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>的步骤具体包括：
将所述全局静态变量F确定为所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
本发明提出了一种基于径向基函数神经网络的电机PID控制方法，通过在预设的数值范围内随机生成参数向量以及与参数向量相对应的速度向量，迭代计算速度向量以及参数向量，将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度以更新个体最优向量和全局最优向量，获取全局最优向量在径向基函数神经网络模型中的目标跟踪误差的收敛速度，当其收敛速度小于预设的第一收敛速度阈值时，更换参数向量的迭代策略，当其收敛速度小于预设的第二收敛速度阈值时，使用该全局最优向量作为径向基函数神经网络模型的参数向量生成PID控制参数，能够提高最优解搜索过程的收敛速度以及RFB神经网络模型的目标跟踪误差的收敛速度。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于径向基函数神经网络的电机PID控制方法，其特征在于，包括：
构建径向基函数神经网络的参数向量以及与所述参数向量相对应的速度向量/>
其中所述参数向量的分量a1(t)到a7(t)为径向基函数神经网络的学习参数的迭代变量，所述参数向量/>的分量v1(t)到v7(t)为所述参数向量/>对应的每一个分量在粒子群优化算法中的速度；
构建所述参数向量的个体最优向量以及全部所述参数向量的全局最优向量/>
其中j＝(1,2,…,n)，所述个体最优向量的p1j(t)到p7j(t)分量为第j个参数向量对应的每一个分量在粒子群优化算法中的个体最优解的迭代变量，所述全局最优向量的pg1(t)到pg7(t)分量为第j个参数向量/>对应的每一个分量在粒子群优化算法中的全局最优解的迭代变量；
在预设的数值范围内随机生成n个所述参数向量以及n个与所述参数向量相对应的速度向量/>
其中的a1j(0)到a7j(0)分量为第j个参数向量/>对应的每一个分量在粒子群优化算法中的初始位置，/>的v1j(0)到v7j(0)分量为第j个参数向量/>对应的每一个分量在粒子群优化算法中的初始速度；
使用以下公式迭代计算所述速度向量以及所述参数向量/>的各个分量：
其中i＝(1,2,…,7)，w为预设的惯性权重，c1和c2为预设的学习常数，r1和r2为(0,1)之间的随机数；
将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>
当将/>赋值给所述个体最优向量/>
更新所述全局最优向量
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
当时，使用以下公式迭代计算所述参数向量/>的各个分量：
其中ε1为预设的第一收敛速度阈值；
当时，使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数，其中ε2为预设的第二收敛速度阈值，且ε2<ε1；
将每一次迭代计算得到的参数向量代入径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值：
其中l＝(1,2,…,m)，m为隐含层的节点数，ωl为所述径向基函数神经网络的权重向量，ym(k)为hl所述径向基函数神经网络的每个隐含层节点第k次迭代的输出值；
计算每一次迭代的跟踪误差：
e(k)＝y(k)-ym(k)；
其中y(k)为电机第k次迭代的实际输出值；
获取预先配置的最小跟踪误差阈值emin；
当e(k)<emin时，计算收敛速度：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算所述径向基函数神经网络的输出层的输出值的步骤具体包括：
迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>
其中所述径向基函数神经网络的权重向量的迭代算法如下：
所述径向基函数神经网络的宽度向量的迭代算法如下：
其中所述径向基函数神经网络的为输入向量；
所述径向基函数神经网络的隐含层节点的中心向量的迭代算法如下：
其中xl为所述输入向量的第l个分量，o＝(1,2,…,n)，cjo(k)为第l个中心向量/>的第o个分量；
在计算跟踪误差的步骤之后，还包括：
迭代计算所述基于径向基函数神经网络的电机的PID输入项xcp、xci和xcd：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项：
u(k)＝u(k-1)+Kp(k)·xcp+Ki(k)·xci+Kd(k)·xcd；
其中所述目标控制项u(k)为径向基函数神经网络第k次迭代输出的电机PID控制项，Kp(k)、Ki(k)、Kd(k)为径向基函数神经网络第k次迭代输出的电机的PID参数；
将所述参数向量代入所述径向基函数神经网络模型中迭代计算目标控制项的步骤具体包括：
将所述参数向量代入所述径向基函数神经网络模型中迭代计算PID参数增量：
使用所述PID参数增量计算PID参数：
2.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在迭代计算所述速度向量以及所述参数向量/>的各个分量的步骤之后，还包括：
判断所述速度向量中的各个分量是否满足vij(t+1)<vmin，其中vmin为预先配置的最小速度阈值；
当所述速度向量中任一分量满足vij(t+1)<vmin时，使用以下公式重置所述分量：
vij(t+1)＝σ·aij(t),
其中σ为(0,0.5)之间的随机数。
3.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>的步骤之后，还包括：
获取预先配置的第一迭代次数T1；
当且t+1≤T1时，继续执行使用以下公式迭代计算所述速度向量/>以及所述参数向量/>的各个分量：
当或t+1>T1时，执行使用以下公式迭代计算所述参数向量/>的各个分量：
4.根据权利要求3所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在将所述全局最优向量代入所述径向基函数神经网络模型中计算目标跟踪误差的收敛速度/>的步骤之后，还包括：
获取预先配置的第一迭代次数T2，其中T2>T1；
当且T1≤t+1≤T2时，继续执行使用以下公式迭代计算所述参数向量的各个分量：
当或t+1>T1时，执行使用所述全局最优向量/>作为所述径向基函数神经网络模型的参数向量生成PID控制参数的步骤。
5.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在迭代计算所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>的步骤之后，还包括：
根据所述径向基函数神经网络的权重向量宽度向量/>以及每个隐含层节点的中心向量/>的计算所述径向基函数神经网络的每个隐含层节点的输出值：
6.根据权利要求1所述的基于径向基函数神经网络的电机PID控制方法，其特征在于，在获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>的步骤之前，还包括：
配置全局静态变量Q及F；
在执行更新所述全局最优向量的步骤后，将/>的j值赋值给所述全局静态变量Q，并将相应参数向量对应的收敛速度/>赋值给所述全局静态变量F，即：
获取所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>的步骤具体包括：
将所述全局静态变量F确定为所述全局最优向量在所述径向基函数神经网络模型中的目标跟踪误差的收敛速度/>
CN202310151456.7A 2023-02-22 2023-02-22 一种基于径向基函数神经网络的电机pid控制方法 Active CN116418261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310151456.7A CN116418261B (zh) 2023-02-22 2023-02-22 一种基于径向基函数神经网络的电机pid控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310151456.7A CN116418261B (zh) 2023-02-22 2023-02-22 一种基于径向基函数神经网络的电机pid控制方法

Publications (2)

Publication Number Publication Date
CN116418261A CN116418261A (zh) 2023-07-11
CN116418261B true CN116418261B (zh) 2024-05-03

Family

ID=87055597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310151456.7A Active CN116418261B (zh) 2023-02-22 2023-02-22 一种基于径向基函数神经网络的电机pid控制方法

Country Status (1)

Country Link
CN (1) CN116418261B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647130A (zh) * 2012-04-20 2012-08-22 上海电机学院 永磁同步直线电机的控制方法
US8933572B1 (en) * 2013-09-04 2015-01-13 King Fahd University Of Petroleum And Minerals Adaptive superconductive magnetic energy storage (SMES) control method and system
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN111221375A (zh) * 2018-11-27 2020-06-02 汉能移动能源控股集团有限公司 Mppt控制方法、装置、光伏发电设备及可读存储介质
CN111520878A (zh) * 2020-05-02 2020-08-11 苏州科技大学 一种基于rbf神经网络的空调温控***及其控制方法
CN115016248A (zh) * 2022-05-10 2022-09-06 中国石油大学(华东) 一种基于pso算法优化rbf神经网络的电机pid控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8346712B2 (en) * 2009-11-24 2013-01-01 King Fahd University Of Petroleum And Minerals Method for identifying hammerstein models
US11879656B2 (en) * 2018-04-04 2024-01-23 International Business Machines Corporation Initialization of radial base function neural network nodes for reinforcement learning incremental control system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647130A (zh) * 2012-04-20 2012-08-22 上海电机学院 永磁同步直线电机的控制方法
US8933572B1 (en) * 2013-09-04 2015-01-13 King Fahd University Of Petroleum And Minerals Adaptive superconductive magnetic energy storage (SMES) control method and system
CN111221375A (zh) * 2018-11-27 2020-06-02 汉能移动能源控股集团有限公司 Mppt控制方法、装置、光伏发电设备及可读存储介质
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN111520878A (zh) * 2020-05-02 2020-08-11 苏州科技大学 一种基于rbf神经网络的空调温控***及其控制方法
CN115016248A (zh) * 2022-05-10 2022-09-06 中国石油大学(华东) 一种基于pso算法优化rbf神经网络的电机pid控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于径向基函数神经网络的光电***自适应控制;张通彤等;《兵工学报》;第43卷(第3期);第556-564页 *
模糊径向基神经网络球磨机优化控制;穆海芳等;《黑龙江工业学院学报》;第19卷(第9期);第43-48页 *

Also Published As

Publication number Publication date
CN116418261A (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
Ge et al. Adaptive neural control of uncertain MIMO nonlinear systems
CN110221539B (zh) 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法
Yue et al. Hierarchical sliding mode-based adaptive fuzzy control for uncertain switched under-actuated nonlinear systems with input saturation and dead-zone
Shi et al. Actor-critic-based predefined-time control for spacecraft attitude formation system with guaranteeing prescribed performance on SO (3)
CN111273544B (zh) 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
Beyhan et al. Stable modeling based control methods using a new RBF network
CN112558470A (zh) 一种执行器饱和多智能体***最优一致性控制方法和装置
Shao et al. Model and robust gain‐scheduled PID control of a bio‐inspired morphing UAV based on LPV method
CN114326405B (zh) 一种基于误差训练的神经网络反步控制方法
Mahmoud et al. Direct adaptive control for nonlinear systems using a TSK fuzzy echo state network based on fractional-order learning algorithm
Cui et al. Prescribed time tracking control of constrained Euler–Lagrange systems: An adaptive proportional–integral solution
Pan et al. Composite learning adaptive backstepping control using neural networks with compact supports
Zhang et al. Distributed adaptive three‐dimension formation control based on improved RBF neural network for non‐linear multi‐agent time‐delay systems
Wang et al. Adaptive neural event‐triggered control for nonlinear uncertain system with input constraint based on auxiliary system
Yoo Low-complexity robust tracking of high-order nonlinear systems with application to underactuated mechanical dynamics
CN116418261B (zh) 一种基于径向基函数神经网络的电机pid控制方法
Qing-Lai et al. Data-based optimal control for discrete-time zero-sum games of 2-D systems using adaptive critic designs
Song et al. Event-triggered fuzzy adaptive fixed-time output-feedback control for nonlinear systems with multiple objective constraints
CN111531543B (zh) 基于生物启发式神经网络的机器人自适应阻抗控制方法
Liao et al. Design and implementation of a hierarchical‐clustering CMAC PID controller
Li et al. Time-domain mapping-based adaptive fuzzy formation control of nonlinear multi-agent systems with input saturation
Wang et al. Dynamic learning‐based event‐triggered control of strict‐feedback systems with finite‐time prescribed performance
Si et al. Adaptive neural dynamic surface control for stochastic nonlinear time‐delay systems with input and output constraints
CN109992907B (zh) 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法
Hajipour et al. Optimized neuro observer-based sliding mode control for a nonlinear system using fuzzy static sliding surface

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20240411

Address after: 222, Hengtai Commercial Center, No. 6302 Longhua Avenue, Kukeng Community, Guanlan Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Applicant after: Shenzhen yiben Automation Co.,Ltd.

Country or region after: China

Address before: 518000 9a8g, floor 8, building 9, Baoneng Science Park, Qinghu village, Qinghu community, Longhua street, Longhua District, Shenzhen, Guangdong

Applicant before: SHENZHEN HONGYUE DRIVE CO.,LTD.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant