rbf神经滑模控制在永磁直线同步电机应用研究

《rbf神经滑模控制在永磁直线同步电机应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、／一电力电DOI：10．3969／j．issn．1009-9492．2013．12．009RBF神经滑模控制在永磁直线同步电机的应用研究木崔勇(长葛市电力工业公司，河南许昌461000)摘要：给出了神经网络学习算法和神经滑模控制器的具体设计思路，将滑模控制器的切换函数作为神经网络输入，以滑模控制器为网络输出，从而实现神经网络学习能力和滑模控制自适应切换能力有效结合，将神经滑模控制器应用于永磁直线同步电机伺服系统，通过仿真说明了其良好的跟踪特性和低速平稳性。关键词：永磁直线同步电机；神经滑模控制；算法；仿真中

2、图分类号：TM301．2TP273文献标识码：A文章编号：1009—9492(2013)12—0031一O3Application0fRBFNeuralNetworkSlidingModeControlforPMLSMCUIYong【ChangGePowerSupplyCompany，Xuchang461000，China)Abstract：Thelearningalgorithmofneuralnetworksandneuralslidingmodecontrolstrategywasproposedwh

3、ichtakenswitchfunctionastheinputofneuralnetworkandslidingmodecontrollerastheoutput，SOtheself-learningabilityofneuralnetworkwascombinedwiththeadaptiveswitchingabilityofslidingmodecontro1．Thecontrollerwasappliedtopermanentmagnetlinearsynchronousmotorandthesi

4、mulationresultshowsitsperformanceofpositionservotrackingandstabilityatlowspeed．Keywords：permanentmagnetlinearsynchronousmotor；neuralnetworkslidingmodecontrol；algorithm；simulation0引言具有较强的非线性逼近能力、分类能力和网络泛永磁直线同步电机构造的伺服系统具有响应化能力，学习速度快。本文将设计RBF神经网络速度快、行程长、推力大、精

5、度高及高效节能等及学习算法，然后构建永磁直线同步电机的数学优点，在数控机床、工业机器人等相关领域进行模型，并将滑模控制器的切换函数作为RBF神经了广泛应用。然而，作为永磁直线同步电机构造网络的输入，将滑模控制器作为神经网络的输的伺服系统，由于其负载扰动影响、系统本身的出，实现永磁直线同步电机的神经滑模控制，并非线性及高度耦合、推力纹波等因素会不同程度通过MATLAB仿真算例分析系统的鲁棒性。地降低其伺服性能，需要采取先进的控制手段进1RBF神经滑模控制行补偿。滑模控制对扰动和系统参数摄动具有自1．1RBF神

6、经网络及算法适应性，且响应速度快，可以有效克服伺服系统径向基网络的传递函数是以输入向量和阈值所具有的非线性和不确定性，从而被广泛应用于向量之间的距离lI—c川作为自变量，典型的伺服系统中】。已有多位专家学者提出了PMLSMGaussian核的RBF$*经元模型结构如图1所示[4】。的滑模控制方法，有文献应用模糊滑模控制型迭RBF网络训练步骤如下。代学习伺服控制器实现了数控机床直线进行伺服(1)确定输人、输出向量和期望的输出向量。系统的鲁棒控制；有文献采用自适应反推滑模鲁(2)参数初始化，包括参考中心初始化、

7、中棒跟踪控制，实现了PMLSM的有效控制效果。心参数初始化、宽度向量初始化。径向基函数神经网络是具有单隐层的前向网络，(3)计算隐层神经元和输出层神经元输出。河南省科技厅科技攻关计划项目(编号：122102210416)；河南省教育厅科学技术研究重点项目(编号：12A470007)收稿日期电网推导可得，网络的权值调整算法为：：，(。p(一；)：(蚰，(12)oi2PMLSM神经滑模控制仿真永磁直线同步电机在d-q轴系下(i=0)的数学模型可描述为：图1RBF神经元模型鲁=q-Riq-)(12)Xp(一1’2

8、，⋯，(1)dv=(兰p一F一B(13)yt)=1h1+2h2+⋯+mhm(2)选取=为系统的状态变量，控制量(4)进行神经网络训练。为=】，导出系统的状态空间表达式，然后转根据梯度下降法，神经网络的迭代算法为：化为传递函数模型进行系统仿真1。(w-1)+"0[y(t)-Y(]+(，j(t神经网络参数选取为隐含层数目为5，高斯[2)m3)一一[一，1)一O一2)】基函数的中心向量取为：J2=f_2—1012】，(