采用神经网络控制和PID控制算法相结合优化多电机同步控制系统性能

1 、引言

在造纸、印染、纺织等高精度、高转速传动系统中，随着工业自动化程度的提高和生产规模的扩大，采用单电机驱动往往难以满足生产的要求。而多电机同步控制历来是最核心的问题，对多电机同步协调控制，国内、外同行也有不少研究。在实际应用中，多电机的同步性能会因各传动轴的驱动特性不匹配、负载的扰动等因素的影响而恶化，因此同步控制方法的好坏直接影响着系统的可靠性。

本文通过对的多电机同步传动系统主要控制策略分析，得出改进的耦合控制是当前比较好的控制思想，实际应用中采用易于实现的PID作为同步补偿控制器算法。但传统PID控制器结构简单、鲁棒性较差且抗扰动能力也不太理想。因此在控制策略上，采用神经网络控制和PID控制算法相结合的方法。仿真结果表明，将该方法用于多电机同步控制中，不仅具有良好的动态性能，而且整个系统同步精度也有所提高。

2 、多电机同步控制的原理

对于多电机同步控制系统来说，实现的是电动机转速的跟随，受到扰动的电动机转速是变化的，其它的电动机跟随这台电动机的转速变化。在系统受到扰动后的初始状态，电动机之间的转速趋于同步越快越好，即应尽快消除转速偏差；当电动机之间的转速趋于同步时，要尽量减小转速发生超调。一般情况是要求系统中的第i台电动机转速vi和第i+l台电动机转速vi+1，之间保持一定的比例关系，即vi=a·vi+1以满足系统的实际工艺要求。这里a为转速同步系数。在实际运行过程中若要满足系统的同步要求，周期采样获取某一环节的前台电动机转速vi和后台电动机转速vi+1后，vi和vi+1按下式定义转速同步偏差时，表明在同步系数a下，vi和vi+1同步，当e≠0时，表明在同步系统aF，vi和vi+l不同步．在本文中采用改进的耦合同步控制系统（如图1），各电机采用同一电压给定的基础上，电机l转速误差△v1=v1—vfb1，电机2的转速误差△v2=v2一vfb2，计算某一电机实际速度和给定速度的偏差e，以及当前的偏差变化量△e，同步控制器补偿同样采用PID控制。其差值经过PID补偿器加到随动电机输入端。

3 、基于神经网络PID控制器的建立

BP神经网络是应用最广泛的一种人工神经网络，在各门学科领域中都具有很重要的实用价值，根据本系统的控制系统的特点，为了快速消除同步误差，本文采用BP神经网络与PID相结合的作为同步补偿方法。

3．1 BP神经网络PID控制系统的结构

基于BP网络的PID控制系统结构如图2所示，控制器由两部分组成：

（1）常规PID控制器，直接对被控对象进行闭环控制，并且其控制参数Kp、Ki、Kd为在线调整方式；

（2）BP神经网络，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的3个可调参数KD、Ki、Kd。通过BP神经网络的自学习、加权系数的调整，使BP神经网络输出对应于某种最优控制规律下的PID控制器参数。以电机作为控制对像，一般采用增量式PID控制算法进行控制。它的控制算式为：

式中KP、KI、KD分别为比例、积分、微分系数．

3．2 神经网络PID的算法实现

1）训练阶段的工作

第l步：设计输入输出神经元。本BP网络的输入层设置3个神经元，分别为输入速度vi、速度偏差e和偏差变化量△e，输出层有3个神经元，为PID控制器的3个可调节参数Kp、Ki、Kd；

第2步：设计隐含层神经元个数。本文初步确定隐含层节点数为5个．学习一定次数后，不成功再增加隐含层节点数，一直达到比较合理的神经元数为止；

第3步：设计网络初始值。本文中设定的学习次数N=5000次，误差限定值E=0．02；

第4步：应用Simulink对BP网络进行训练和仿真。

2）测试阶段的工作

在测试阶段，主要是对训练过的网络输入测试样木，测试网络的学习效果，即判断网络的运算值与样本的期望值之差是否在允许的范围之内。在此不再赘述具体判定过程。

4 、仿真与分析

本文以2台电机同步为模型进行仿真。在电机的参数设定时，对2台电机的参数取相同值。电机参数为：定子每相绕组电阻R=5．9Ω，定子d相绕组电感Ld=0．573，转子电阻R=5．6Ω转子电感L=O．58给定转速n=500rad／sec，极对数为3。在t=0．05 s时，突加阶跃扰动，利用Matlab对传统PID和神经网络PID分别进行仿真，得到实验曲线如图所示．

比较两种仿真结果，经计算采用常规PID补偿器时，突加负载扰动后，同步误差△Verror=0．26％采用神经网络PID补偿器时，突加负载扰动后，同步误差△Verror．=O．08％，由些可以看到采用神经网络PID补偿器方法的时候，系统的同步性能、抗干扰性能优于只采用常规PID补偿器时的性能，其具有更好的控制特性。

5 、结束语

本文针对于多电机同步控制中出现的多变量、强耦合、具有大惯性环节、难以建立准确数学模型的被控对象，在传统PID的基础上引入神经网络的的概念，将神经网络PID用于速度同步补偿中，仿真结果表明，该方法使系统的抗干扰能力增强，同步精度有所提高，控制效果良好。