本科毕业设计论文基于单神经元pid控制的无刷直流电动机速度控制系统设计.docx
《本科毕业设计论文基于单神经元pid控制的无刷直流电动机速度控制系统设计.docx》由会员分享，可在线阅读，更多相关《本科毕业设计论文基于单神经元pid控制的无刷直流电动机速度控制系统设计.docx（54页珍藏版）》请在冰豆网上搜索。
本科毕业设计论文基于单神经元pid控制的无刷直流电动机速度控制系统设计
基于单神经元PID控制的无刷直流电动机速度控制系统设计
摘要
本文以基于神经网络PID控制的无刷直流电机（简称BLDCM）调速系统设计为主题开展研究，该课题的研究具有一定的实际意义。
在理论分析和仿真研究的基础上，本文采用单神经元自适应PID控制算法：
在分析无刷直流电机数学模型的基础上，设计了一种无刷直流电机控制系统仿真建模的新方法。
在Matlab／Simulink中按功能进行模块化建模，用M文件和s函数来编写功能模块，对电流滞环和转速单神经元PID控制的双闭调速系统进行了仿真。
仿真研究表明上述神经网络PID控制器优于传统PID控制器,新算法具有更好的鲁棒性，且易于实现。
关键词：
无刷直流电机，单神经元PID控制，MATLAB/Simulink
BasedonsingleneuronPIDcontrolofbrushlessdcmotorspeedcontrolsystemdesign
Abstract
WiththeexpectationtoplayapositiveroleinthedevelopmentofArtificialNeuralNetwork—basedControlandBrushlessDCMotor（BLDCM）Drives，thispaperresearchesanddesignsaPID—ControlBrushlessDCMotorDrivesbasedonArtificialNeuralNetwork．
Basedonthetheoryanalysisandsimulationresearch,thispaperusesasingleneuronadaptivePIDcontrolalgorithm:
BasedonanalyzingthemathematicalmodelofthebrushlessDCmotor,thedesignofabrushlessDCmotorcontrolsystemsimulationmodelingmethod.InMatlab/Simulinkformodularmodelingaccordingtothefunction,usingtheMfileandthesfunctiontowritethefunctionmodule,thehysteresiscurrentandspeedofthesingleneuronPIDcontrolofdoubleclosedcontrolsystemsimulation.
SimulationresultsshowthattheneuralnetworkPIDcontrollerissuperiortothetraditionalPIDcontroller,thenewalgorithmhasbetterrobustness,andeasytoimplement.
Keyword：
BrushlessDCMotor，SingleNeuralCell，MATLAB/Simulink
1绪论
1.1控制理论的发展和面临的挑战
控制理论学科经历了经典控制理论、现代控制理论两个发展阶段，现在己进入非线性控制理论和智能控制理论发展时期。
它和其他学科一样，也是由于社会发展的需要，从解决重大工程和技术问题的实践中产生发展而来的，而它的发展水平则受到人类技术手段和知识水平的限制。
经典控制理论和现代控制理论研究的是线性时不变系统的控制问题。
但是自然界和现实生活中的系统绝大多数是非线性的，仅凭单一的分析线性系统的理论来分析非线性系统，存在固有的缺点。
而且，随着科学技术的发展，人们对控制品质的要求的提高，对实际过程的分析逐步精密，对控制系统的研究涉及到非线性、鲁棒性以及具有柔性结构的系统和离散事件动态系统等，从而系统的非线性影响也就愈发突出了。
显然，传统的线性理论已经不能很好的解决这些问题。
这对控制理论的应用无疑是一个新的挑战。
于是非线性控制理论和智能控制理论应运而生。
人工智能的发展促使自动控制向智能控制发展。
可以说，智能控制是控制信息论、人工智能和计算机科学相结合的产物。
智能控制系统是在控制论、信息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐步形成的一类高级信息与控制系统。
智能控制强调的是系统对问题能够求解、能够适应环境和任务的变化而且还要具有一定的决策能力，从而做出相应的、准确的、及时的控制操作。
结合具体的工业生产过程，各种智能控制系统正在发挥巨大的经济和社会效益。
智能控制的特点可以概括如下：
（1）处理各种不确定性、定性信息和数据结构的能力。
（2）处理非结构化信息和数据的能力。
（3）对具有高度抽象性的离散符号指令做出响应的能力。
（4）辨识主控系统结构和构成的能力。
（5）处理和利用各种不同知识的能力。
（6）根据主控系统或环境变化，对自身参数或结构进行修正或重构的能力。
（7）在运行过程中学习和获取关于对象和环境新知识并利用新知识改进控制行为的能力。
（8）基于对象行为预测的控制的多目的性。
综上所述，智能控制无论是在理论上还是应用上都得到了长足的发展。
智能控制有各种形式和各种不同的应用领域，其中神经网络控制系统是这些年来研究很多也是发展很快的一个方向。
神经网络在系统控制领域受到重视主要是因为它的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错性能。
这些特点使得神经网络非常适合于复杂系统的建模和控制。
特别是当系统存在不确定性因素时，更体现了神经网络方法的优越性。
这些很适合控制系统中的非线性特性，因此，神经网络控制在非线性控制系统中应用非常广泛。
1.2神经网络的发展和现状
神经网络领域研究的工作始于19世纪末和20世纪初。
它源于物理学、心理学和神经生理学的跨学科研究，主要代表人物有Herman Von Helmholts，Ernst Mach和Ivan Pavlov。
这些早期研究主要还是着重于有关学习、视觉和条件反射等一般理论，并没用包含有关神经元工作的数学模型。
现代对神经网络的研究可以追溯到20世纪40年代，神经网络系统理论的发展是不平衡的。
人工神经网络的研究始于1943年，它是由心理学家Warren Mc Culloch和数学家Walter Pitts所提出的M-P模型。
1949年，心理学家Donald Hebb通过对大脑神经细胞学习和条件反射的观察研究，提出了神经元之间突触强度调整的假设。
认为学习过程是在突触上发生的，连接权的调整正比于两相连神经元激活值的乘积。
这就是有名的Hebb学习规则，至今该规则仍在神经网络模型中发挥着重要作用。
1957年，Frank Rosenblatt提出了著名的感知机（Perceptron）模型，试图模拟动物和人脑的感知和学习能力，并提出了引入隐层处理元件的三层感知机的概念，公开演示了它进行模式识别的能力。
1962年，Bernard Windrow和Ted Hoff提出了自适应线性单元（Adaline）模型以及一种有效的学习方法Windrow-Hoff学习规则。
它可用于自适应滤波、预测和模型识别。
这些模型和算法在很大程度上丰富了神经网络系统理论。
1969年，美国麻省理工学院著名人工智能学者M.Minsky和S.Papert编写了影响很大的《Perceptron》一书。
该书指出：
单层的感知器只能用于线性问题求解，但对于像异或这样的简单非线性问题却没有办法求解，而能求解非线性问题的网络应该是具有隐含层的多层神经网络，将感知器模型扩展成多层网络是否有意义，还不能从理论上得到有力的证明。
1970年和1973年，Kunihiko Fukushima研究了视觉系统的空间和时间的人工神经系统模型，以及脑的空间和时空人工神经系统模型。
提出了神经认知网络理论。
Fukushima网络包括人工神经认知和基于人工神经认知机的有选择的识别两个模型。
1979年日本NHK的Fukushima提出了认知机（Neocognitron）模型，后来又提出了改进型认知机模型。
我国的神经网络研究工作起步较晚，始于20世纪80年代末，主要应用领域开展了一些基础性的工作，在1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次中国神经网络学术会议。
1991年在南京成立了中国神经网络学会。
我国的“863”高技术研究计划和“攀登”计划于1990年批准了人工神经网络的三项课题，自然科学基金和国防科技预研基地也都把神经网络的研究列入选题指南。
许多全国性学术年会和一些学术期刊把神经网络理论及应用方面的论文列为重点。
这些毫无疑问为神经网络在我国的发展创造了良好的条件。
从众多应用研究领域取得的丰硕成果来看，人工神经网络的发展具有强大的生命力。
但应看到，人们对生物神经系统的了解还很不够，提出的神经网络模型，智能水平还不高，许多应用方面的要求还不能得到很好的满足，网络分析和综合的一些理论问题还未得到很好的解决。
无论从结构上还是从规模上，都是对真实神经网络的一种简化和近似。
神经网络还有很多缺陷，尚待进一步完善和发展。
随着人们对大脑信息处理认识的深化，以及人工神经网络智能水平的提高，人工神经网络必将在科学技术领域发挥更大的作用。
1.3神经网络用于控制系统的优势和前景
人工神经网络是近年来得到迅速发展的一个前沿课题。
神经网络由于其大规模并行处理、容错性、自组织和自适应能力和联想功能强等特点，已经成为解决很多问题的有力工具，对突破现有科学技术瓶颈，更深入探索非线性等复杂现象起到了重大作用，已广泛应用在许多工程领域。
神经网络以其独特的非传统表达方式和固有的学习能力，引起了控制界的广泛关注。
神经网络用于复杂控制主要有以下几个方面的优势：
第一，神经网络本质上是非线性系统。
理论分析表明，多层前馈神经网络能够以任意精度逼近任意非线性映射，这种能力使非线性控制系统的描述有了统一的数学模型，给控制理论中面临的非线性问题的解决带来了新的希望。
第二，神经网络的本质是并行结构，在快速实现大量复杂控制算法及处理实时性要求高的控制系统时极具潜力。
可以预料，只要并行机制的神经计算机取得突破，目前遇到困难的航天、航空方面的许多实时控制问题，机器人的动力学实时问题都可迎刃而解。
第三，神经网络的固定学习能力使它可以处理那些难以用模型或规则描述的过程或系统，降低了系统的不确定性，带来了适应环境变化能力。
第四，神经网络具有分布式信息存储与处理结构，可以从不完善的数据和图形中进行联想，这种能力使其用于控制系统中具有很强的鲁棒性和容错性。
第五，神经网络具有很强的综合推理能力，能够同时融合定量和定性数据，能很好地解决输入信息之间的互补性与冗余性问题，并能恰当地协调互相矛盾的输入信息。
由于神经网络这种“集思广益”的能力，使其在多变量、大系统与复杂系统的控制方案设计上的应用极具吸引力。
由于上述优越性，可以肯定神经网络在解决高度非线性和严重不确定性复杂系统的控制方面具有巨大的潜力。
将神经网络引入控制系统已成为控制学科的必然趋势。
需要说明的是，神经网络控制方法中存在的有些问题，是非线性系统理论本身所固有的，并非是采用神经网络模型所引起的。
1.4神经网络在电机控制中的应用
随着电机在伺服系统中的日益广泛应用，人们对电机的控制精度的要求越来越高。
传统的速度控制器是采用比例积分器（PI）或比例积分微分器（PID），被广泛应用于直流电机与交流电机的转速控制系统中。
然而当实际系统
升级会员 