一種基於K-Means優化模糊RBF神經網絡的永磁同步電機控制方法
2024-04-15 20:07:05
一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法
技術領域
1.本發明屬於電機控制技術領域，尤其涉及基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法。
背景技術：
2.隨著稀土永磁材料和電力電子技術的發展，永磁同步電機的現代控制理論逐漸完備，永磁同步電機因在功率、體積、精度和快速響應性能等方面的優勢，在高精度伺服系統領域中成為普遍使用的主流電機之一。傳統的比例-積分-微分(pid)控制器和其他的線性理論算法在工程上得到了非常廣泛的應用，但是卻無法克服因永磁同步電機的非線性和參數時變特性而帶來的系統問題。幸運的是，智能控制理論提出了一系列可以解決該問題的思想與方法，主要有：模糊控制技術，混沌控制技術，專家控制技術，集成智能控制等。然而這些方法除了比較複雜之外，在實際應用中也遇到了一系列的問題，迄今為止，仍有許多傳統控制派專家還無法完全接受智能控制，故智能控制器在電機控制領域的推廣也受到了局限。模糊rbf神經網絡經過良好的訓練已經能夠呈現出穩定且快速性好的控制效果。
3.基於模糊神經網絡的永磁同步電機伺服系統研究[1]發表了一種基於模糊rbf神經網絡控制器的控制方法，文中提出了一種模糊rbf神經網絡pid控制策略，用以替代矢量控制系統中轉速環pid控制。將神經網絡和模糊控制相結合，基於增量式pid控制方式，利用梯度下降優化算法動態調整轉速環中的pid參數。然而上述方法中，模糊rbf神經網絡的初始參數：模糊化層的神經元個數、rbf函數的基寬及中心點均沒有一個合理的範圍。模糊rbf神經網絡訓練時是否收斂及收斂速度與參數的初始值選取十分重要，若初始值為1或者一個隨機數，那麼神經網絡在訓練時需要通過很多次的學習或經驗獲取，這樣的初始值選取會使訓練很難達到理想的效果。由於模糊化層的神經元個數會影響網絡的性能，若選取了不合適的模糊化層的神經元個數會使所構建的模糊rbf神經網絡模型無法匹配被控對象，從而難以達到理想的控制效果。
[0004]
因此一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法對選取合適的初始化參數進行模糊rbf神經網絡的訓練具有十分重要的意義。
[0005]
[1]王培宇,馬立新.基於模糊神經網絡的永磁同步電機伺服系統研究[j].電子科技,2022,35(06):83-88.doi:10.16180/j.cnki.issn1007-7820.2022.06.013。
技術實現要素：
[0006]
本發明的目的是克服現有技術上存在的缺陷，提出一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法，來有效提高永磁同步電機控制的動態性能及所用網絡的訓練速度。
[0007]
本發明公開了一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法，包括以下步驟：
[0008]
s1、通過k-means聚類初始化模糊rbf神經網絡參數，包括rbf函數的中心點、基寬和模糊化層的神經元個數，設定模糊rbf神經網絡中輸入層，模糊化層，模糊推理層和輸出層各層權值的初始值、學習速率η和動量因子α；
[0009]
s2、通過採樣獲得永磁電機矢量控制系統的實際輸出值v，與給定值v
★
作差，計算出系統的偏差e(k)＝v
★-v和偏差變化量ec(k)＝e(k)-e(k-1)；
[0010]
s3、構建模糊rbf神經網絡控制器
[0011]
將系統的e(k)和ec(k)作為模糊rbf神經網絡控制器的輸入，依次通過輸入層，模糊化層，模糊推理層和輸出層四層網絡得到k
p
、ki、kd，輸入到pid控制器中得到輸出控制量iq，將控制量iq加入被控對象產生下一採樣時刻的實際輸出值v(k+1)，其中，k
p
、ki、kd分別為比例調節係數、積分調節係數、微分調節係數；
[0012]
s4、採用梯度下降法更新模糊rbf神經網絡的基寬b
ij
及權值ω；
[0013]
s5、令k＝k+1，返回步驟s2-s3重新進行計算，直到k
p
、ki、kd不再迭代；其中，k
p
、ki、kd分別為比例調節係數、積分調節係數、微分調節係數。
[0014]
上述步驟s1中的k-means聚類是通過對聚類中心的迭代更新，將q(1,2,3
…
q)個樣本劃分在k(1,2,3
…
k)個類別中，並保證每個數據到對應聚類中心的距離即誤差的平方和最小，當數據誤差沒有任何變化時，說明聚類函數已經收斂，在每次迭代過程中都要考慮每個樣本的分類是否正確，若不正確，就要調整，從而保證各數據組內儘量相似，組間相似性儘可能小，其分類時應用歐氏距離法和就近原則確定聚類中心和樣本所屬類別。
[0015]
上述步驟s1中通過k-means聚類初始化模糊rbf神經網絡的參數具體為：
[0016]
同種聚類的樣本xi(i＝1,2,3
…
n)關於聚類中心xc的歐氏距離為：
[0017][0018]
式(1)中，xi為樣本(i＝1,2,3
…
n)，q為樣本個數k為聚類數；w為樣本xi屬性指標個數，xc為樣本聚類中心(c＝1,2,3
…
k)，x
ki
為樣本xi的k屬性指標值，x
kc
為指標屬性k的聚類中心(c＝1,2,3
…
k)；d(xi,xc)為樣本xi關於聚類中心xc的歐氏距離，將d(xi,xc)作為rbf神經網絡基寬的初始值；
[0019]
樣本xi通過計算，將樣本分為k類，並計算各類組內樣本平均值作為新的聚類中心，然後重新計算樣本xi與聚類中心的距離，通過多次迭代聚類中心不再移動後分類完成，得到rbf函數的中心點：
[0020][0021]
式(2)中，m為迭代次數，x
kc(m)
為第m次迭代後屬性指標k的聚類中心；d
t(m-1)
為第m-1次迭代後的分類結果(t＝1,2,3
…
k)；h
t(m-1)
為第m-1次迭代後類別d
t(m-1)
中的樣本個數，將x
kc(m)
作為rbf神經網絡基寬的中心點，模糊化層的神經元個數b＝s，k≤s≤q。
[0022]
上述步驟s2中永磁電機矢量控制系統採用轉速-電流雙閉環的id＝0的矢量控制方法。
[0023]
上述輸入層為第一層，該層的各個節點直接與輸入的各個分量連接，將輸入量傳到下一層，對該層的每個節點i的輸入輸出表示為：f1(i)＝xi；
[0024]
第二層：模糊化層，採用高斯型函數作為隸屬函數，c
ij
和bj分別是第i個輸入變量第j個模糊集合的隸屬函數的中心點和權值：
[0025]
f2(i，j)＝exp(net
j2
)
ꢀꢀꢀꢀꢀ
(3)
[0026][0027]
第三層：模糊推理層，該層通過與模糊化層的連接來完成模糊規則的匹配，各個節點之間實現模糊運算，每個節點j的輸出為該節點所有輸入信號的乘積，
[0028][0029]
式(5)中，ni是輸入層中第i個輸入隸屬函數的個數，即模糊化層節點數；
[0030]
第四層：輸出層，輸出層為f4，
[0031][0032]
式(6)中，l為輸出層節點的個數，w為輸出層節點與第三層各節點的連接權矩陣；
[0033]
最終f4的輸出為k
p
、ki、kd三個參數，將這三個參數輸入到pid控制器中得到輸出控制量iq，將控制量iq輸入到電流環中，進行id＝0的矢量控制，產生下一採樣時刻電機的實際輸出值v(k+1)。
[0034]
上述步驟s4中更新模糊rbf神經網絡的基寬b
ij
及權值ω的具體步驟為：
[0035]
永磁電機矢量控制系統的性能指標函數為：
[0036][0037]
使用梯度下降法來調節網絡參數，即使e對需要調整的參數向負梯度的方向進行調整，各參數按照下式進行調整
[0038][0039]
式(8)中，學習效率η的取值範圍為0-1，η越小，學習越慢，η過大，又會引起控制系統的震蕩，取動量因子α＝0；x為需要調整的參數，參數包括輸出的權值ω以及基寬b
ij
，其中：
[0040]
權值ω調整：
[0041]
基寬b
ij
調整：
[0042]
其中，p,i,d分別為比例調節，積分調節，微分調節參數。
[0043]
式(10)中，式(10)中，用sig函數代替計算。
[0044]
與現有技術相比，本發明的有益效果在於：
[0045]
本發明提出了一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法，永磁同步電機採用轉速-電流雙閉環的id＝0的矢量控制方法。其中，k-means聚類方法用來對模糊rbf神經網絡控制器進行參數初始化，參數包括隱含層個數、rbf函數的基寬和中心點；模糊rbf神經網絡控制器應用於電流環pid上，含有四層網絡，分別為輸入層、模糊化層、模糊推理層和輸出層；通過模糊rbf神經網絡控制器得到k
p
、ki、kd，輸入到pid控制器中得到iq，再繼續進行電流環pid控制。該方法是經典控制理論和智能控制方法的結合，設計過程簡單高效，相比於常規的pid控制，穩態和動態性能明顯提升，具有較強的魯棒性，能有效增強電機的抗幹擾能力。
附圖說明
[0046]
圖1為基於k-means優化模糊rbf神經網絡的永磁同步電機控制系統框圖。
[0047]
圖2為模糊rbf神經網絡結構圖。
[0048]
圖3為基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法流程圖。
具體實施方式
[0049]
現結合附圖1-3對本發明作進一步描述：
[0050]
本發明提出了一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法，其中：該方法結合了k-means聚類參數初始化和模糊rbf神經網絡特點，設計步驟如下：
[0051]
步驟1：通過k-means聚類初始化模糊rbf神經網絡，包括rbf函數的中心點，基寬，模糊化層的神經元個數，設定網絡各層權值的初始值，學習速率η，動量因子α；
[0052]
步驟2：通過採樣獲得系統實際輸出值v，與給定值v
★
作差，計算出系統偏差e(k)＝v
★-v和偏差變化量ec(k)＝e(k)-e(k-1)；
[0053]
步驟3：將e(k)和ec(k)作為模糊rbf神經網絡控制器的輸入，通過四層網絡得到kp、ki、kd，輸入到pid控制器中得到輸出控制量iq，將控制量iq加入被控對象產生下一採樣時刻的實際輸出值v(k+1)；
[0054]
步驟4：更新模糊rbf神經網絡的基寬b
ij
及權值ω；
[0055]
步驟5：令k＝k+1，返回步驟2重新進行計算直到kp、ki、kd不再迭代。
[0056]
在實施過程中，步驟1中的k-means聚類是通過對聚類中心的迭代更新，將n個樣本劃分在k個類別中，並保證每個數據到對應聚類中心的距離(誤差)平方和最小。當數據誤差沒有任何變化時，說明聚類函數已經收斂。在每次迭代過程中都要考慮每個樣本的分類是否正確，若不正確，就要調整，從而保證各數據組內儘量相似，組間相似性儘可能小，其分類時應用歐式距離法和就近原則確定聚類中心和樣本所屬類別。
[0057]
在實施過程中，步驟2中永磁電機矢量控制系統採用轉速-電流雙閉環的id＝0的矢量控制方法。
[0058]
在實施過程中，步驟3中的四層網絡分別為：輸入層、模糊化層、模糊推理層和輸出層；通過模糊rbf神經網絡控制器得到kp、ki、kd，輸入到pid控制器中得到iq，再繼續進行電流環pid控制。
[0059]
在實施過程中，步驟4中更新模糊rbf神經網絡的基寬及權值採用梯度下降法。定
義系統性能指標函數為：接下來使用梯度下降法來調節網絡參數，使e對需要調整的參數向負梯度的方向進行調整。
[0060]
本發明提出了一種基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法，永磁同步電機採用轉速-電流雙閉環的id＝0的矢量控制方法。其中，k-means聚類方法用來對模糊rbf神經網絡控制器進行參數初始化，參數包括隱含層個數、rbf函數的基寬和中心點；模糊rbf神經網絡控制器應用於電流環pid上，含有四層網絡，分別為輸入層、模糊化層、模糊推理層和輸出層；通過模糊rbf神經網絡控制器得到kp、ki、kd，輸入到pid控制器中得到iq，再繼續進行電流環pid控制，控制系統框圖如圖1所示。該方法是經典控制理論和智能控制方法的結合，設計過程簡單高效，相比於常規的pid控制，穩態和動態性能明顯提升，具有較強的魯棒性，能有效增強電機的抗幹擾能力。
[0061]
基於k-means優化模糊rbf神經網絡的永磁同步電機控制方法的具體實施過程如下：
[0062]
第一步：通過k-means聚類初始化模糊rbf神經網絡，包括rbf函數的中心點，基寬，模糊化層的神經元個數，設定網絡各層權值的初始值，學習速率η，動量因子α。
[0063]
k-means聚類是通過對聚類中心的迭代更新，將q(1,2,3
…
q)個樣本劃分在k(1,2,3
…
k)個類別中，並保證每個數據到對應聚類中心的距離(誤差)平方和最小。當數據誤差沒有任何變化時，說明聚類函數已經收斂。在每次迭代過程中都要考慮每個樣本的分類是否正確，若不正確，就要調整，從而保證各數據組內儘量相似，組間相似性儘可能小，其分類時應用歐式距離法和就近原則確定聚類中心和樣本所屬類別。基於k-means聚類方法得到同種聚類的樣本xi(i＝1,2,3
…
n)關於聚類中心xc的歐氏距離式中，xi為樣本(i＝1,2,3
…
n)，q為樣本個數xc為樣本聚類中心(c＝1,2,3
…
k)，k為聚類數；w為樣本xi屬性指標個數；x
ki
為樣本xi的k屬性指標值，x
kc
為指標屬性k的聚類中心(c＝1,2,3
…
k)；d(xi,xc)為樣本xi關於聚類中心xc的歐氏距離，將d(xi,xc)作為rbf神經網絡基寬的初始值。樣本xi通過計算，將樣本分為k類，並計算各組內樣本平均值作為新的聚類中心，然後重新計算樣本與聚類中心的距離，通過多次迭代聚類中心不再移動後分類完成，得到式中，m為迭代次數，x
kc(m)
為第m次迭代後屬性指標k的聚類中心；d
t(m-1)
為第m-1次迭代後的分類結果(t＝1,2,3
…
k)；h
t(m-1)
為第m-1次迭代後類別d
t(m-1)
中的樣本個數，將x
kc(m)
作為rbf神經網絡基寬的中心點。模糊化層的神經元個數b＝s，(k≤s≤q)。
[0064]
第二步：通過採樣獲得系統實際輸出值v，與給定值v
★
作差，計算出系統偏差e(k)＝v
★-v和偏差變化量ec(k)＝e(k)-e(k-1)；通過旋轉變壓器採樣得到電機的實際轉速v，與給定轉速v
★
作差，得到e(k)和ec(k)的值。
[0065]
第三步：構建模糊rbf神經網絡控制器
[0066]
將e(k)和ec(k)作為模糊rbf神經網絡控制器的輸入，通過四層網絡得到kp、ki、kd。這四層網絡分別為輸入層，模糊化層，模糊推理層，輸出層，如圖2所示。
[0067]
第一層：輸入層，該層的各個節點直接與輸入層的各個分量連接，將輸入量傳到下
一層。對該層的每個節點i的輸入輸出表示為：f1(i)＝xi；
[0068]
第二層：模糊化層，採用高斯型函數作為隸屬函數，c
ij
和bj分別是第i個輸入變量第j個模糊集合的隸屬函數的中心點和權值。即f2(i，j)＝exp(net
j2
)，
[0069]
第三層：模糊推理層，該層通過與模糊化層的連接來完成模糊規則的匹配，各個節點之間實現模糊運算。每個節點j的輸出為該節點所有輸入信號的乘積，即式中，ni是輸入層中第i個輸入隸屬函數的個數，即模糊化層節點數。
[0070]
第四層：輸出層，輸出層為f4，即式中，l為輸出層節點的個數，w為輸出層節點與第三層各節點的連接權矩陣；
[0071]
最終f4的輸出為kp、ki、kd三個參數，將這三個參數輸入到pid控制器中得到輸出控制量iq，將控制量iq輸入到電流環中，進行id＝0的矢量控制，產生下一採樣時刻電機的實際輸出值v(k+1)；
[0072]
第四步：更新模糊rbf神經網絡的基寬b
ij
及權值ω
[0073]
定義系統性能指標函數為：接下來使用梯度下降法來調節網絡參數，即使e對需要調整的參數向負梯度的方向進行調整。各參數按照式調整，式中，學習效率η的取值範圍為0-1，η越小，學習越慢，η過大，又會引起控制系統的震蕩。取動量因子α＝0；x為需要調整的參數，參數包括輸出的權值ω以及基寬b
ij
；權值ω調整：
[0074]
基寬b
ij
調整：
[0075]
其中，p,i,d分別為比例調節，積分調節，微分調節參數。
[0076]
式(10)中，式(10)中，用sig函數代替計算；
[0077]
第五步：令k＝k+1，返回第二步重新進行計算直到kp、ki、kd不再迭代。
[0078]
完成了基於k-means優化模糊rbf神經網絡的永磁同步電機控制的設計工作。
[0079]
以上公開的僅為本發明的幾個具體實施例，但是，本發明實施例並非局限於此，任何本領域的技術人員能思之的變化都應落入本發明的保護範圍。