基于神經網絡的多電機同步控制

式中KP、KI、KD分別為比例、積分、微分系數．
3．2 神經網絡PID的算法實現
1)訓練階段的工作
第l步：設計輸入輸出神經元。本BP網絡的輸入層設置3個神經元，分別為輸入速度vi、速度偏差e和偏差變化量△e，輸出層有3個神經元，為PID控制器的3個可調節參數Kp、Ki、Kd
第2步：設計隱含層神經元個數。本文初步確定隱含層節點數為5個．學習一定次數后，不成功再增加隱含層節點數，一直達到比較合理的神經元數為止；
第3步：設計網絡初始值。本文中設定的學習次數N=5000次，誤差限定值E=0．02；
第4步：應用Simulink對BP網絡進行訓練和仿真。
2)測試階段的工作
在測試階段，主要是對訓練過的網絡輸入測試樣木，測試網絡的學習效果，即判斷網絡的運算值與樣本的期望值之差是否在允許的范圍之內。在此不再贅述具體判定過程。

4 仿真與分析
本文以2臺電機同步為模型進行仿真。在電機的參數設定時，對2臺電機的參數取相同值。電機參數為：定子每相繞組電阻R=5．9Ω，定子d相繞組電感Ld=0．573，轉子電阻R=5．6Ω轉子電感L=O．58給定轉速n=500rad／sec，極對數為3。在t=0．05 s時，突加階躍擾動，利用Matlab對傳統PID和神經網絡PID分別進行仿真，得到實驗曲線如圖所示．

圖4神經網絡PID控制響應曲線

比較兩種仿真結果，經計算采用常規PID補償器時，突加負載擾動后，同步誤差△Verror=0．26％采用神經網絡PID補償器時，突加負載擾動后，同步誤差△Verror．=O．08％，由些可以看到采用神經網絡PID補償器方法的時候，系統的同步性能、抗干擾性能優于只采用常規PID補償器時的性能，其具有更好的控制特性。

5 結束語
本文針對于多電機同步控制中出現的多變量、強耦合、具有大慣性環節、難以建立準確數學模型的被控對象，在傳統PID的基礎上引入神經網絡的的概念，將神經網絡PID用于速度同步補償中，仿真結果表明，該方法使系統的抗干擾能力增強，同步精度有所提高，控制效果良好。