模糊PID 神經(jīng)網(wǎng)絡逆控制多電機系統(tǒng)分析

李三菊

（安徽三聯(lián)學院 安徽省合肥市 230071）

隨著我國工業(yè)建設水平和自動化應用能力的提升，多電機控制已經(jīng)成為工業(yè)領域重點關注話題。多電機的協(xié)調控制對工業(yè)生產(chǎn)的質量、效率產(chǎn)生一定的影響。一般情況下，多電機同步協(xié)調控制涉及到存在物理連接和不存在物理連接兩種模式。前者的機械模式構造相對簡單，操作便利，應用范圍較廣，但機械模式以共軸方式為主，導致其傳遞的范圍和距離會受到一定限制。

1 模糊神經(jīng)網(wǎng)絡控制算法概述

1.1 模糊理論知識

從整體視角來看，模糊理論是在根本上解決和處理智能信息的重要輔助用具。美國教授L.A.Zadeh 最先提出理論基礎，并將其劃分為模糊集合理論的范疇中。該理論只要將人腦思維模式作為論證的中心點，通過對模糊語言進行運用，從而獲取到更多的信息知識，并且將信息知識以數(shù)字化形式呈現(xiàn)。模糊系統(tǒng)需要對模糊語言進行應用，根據(jù)理論的各項規(guī)則進入到推理環(huán)節(jié)，從而進一步證實非線性映射。在模糊集合理論當中，通常會將集合定義為某特性屬性對象的全體，可以將不同的對象看作關鍵元素，元素與結合會以屬于和不屬于的關系呈現(xiàn)出來。以經(jīng)典集合A 為例，A 中所涉及到的各個元素x，兩者彼此間的關系可以表達為x∈A 或x?A。模糊規(guī)則庫、模糊產(chǎn)生器、模糊推理機以及反模糊化器構成了模糊邏輯系統(tǒng)。模糊邏輯系統(tǒng)結構如圖1 所示。

圖1： 模糊邏輯系統(tǒng)結構圖

從整體視角來看，模糊生產(chǎn)器會對實測信息模糊化處理。如果輸入論域U，而輸出是U 上的模糊集合，二者呈現(xiàn)相互對立的關系，通常情況下，模糊規(guī)則會為模糊推理機提供與其相對應的推理規(guī)則。而推理規(guī)則的實際來源將會涉及到四方面：

（1）將現(xiàn)場操作者或專家知識所具備的經(jīng)驗及時轉化為完善性的模糊規(guī)則；

（2）需要對模糊控制器的流程進行實時監(jiān)督與管理，并對監(jiān)督和管控的內(nèi)容、數(shù)據(jù)等進行充分整合；

（3）通過模糊集合理論對生產(chǎn)過程構建建模，并對其進行高效處理；

（4）則需要在控制系統(tǒng)運行的整個過程對推理規(guī)則進行自主性組織。

1.2 人工神經(jīng)網(wǎng)絡理論

人工神經(jīng)網(wǎng)絡凸顯出良好的非線性信息處理能力，其通常由眾多人工神經(jīng)元共同組建而成，其體現(xiàn)為能夠對人腦神經(jīng)系統(tǒng)的結構和具體功能進行模擬。隨著近年來我國科學技術水平不斷提升和網(wǎng)絡信息技術的推進，人工神經(jīng)網(wǎng)絡已經(jīng)在眾多領域中得到廣泛應用，且取得不錯的應用成效。例如，模式識別、預測和組合優(yōu)化等環(huán)節(jié)的應用，并且在人工神經(jīng)網(wǎng)絡應用的過程中還能夠將并行處理非線性信息能力和非線性映射能力充分展現(xiàn)出來。

人工神經(jīng)元數(shù)學模型如圖2 所示。

圖2： 人工神經(jīng)元數(shù)學模型

在生物神經(jīng)網(wǎng)絡中，各個神經(jīng)元可以利用突觸實現(xiàn)銜接效能，但實際上，人工神經(jīng)網(wǎng)絡與其相互對應的表現(xiàn)為連接系數(shù)。差異化神經(jīng)元彼此間的銜接凸顯出強度的差異性。通常情況下，強度都會受到連接系數(shù)的影響，如相互銜接的兩者呈現(xiàn)激活狀態(tài)，那么雙方連接權系數(shù)呈正向。兩個相互銜接的神經(jīng)元如果呈現(xiàn)抑制狀態(tài)，那么雙方連接權系數(shù)呈負向[1]。神經(jīng)網(wǎng)絡體現(xiàn)為對生物神經(jīng)網(wǎng)絡的模擬與近似，整體結構單元體現(xiàn)為人工神經(jīng)元，因人工神經(jīng)元的銜接模式多種多樣，神經(jīng)網(wǎng)絡結構可以合理劃分為下述幾種類型：

（1）前饋型網(wǎng)絡。在神經(jīng)網(wǎng)絡體系當中，該類型網(wǎng)絡的優(yōu)勢為整個網(wǎng)絡都不會出現(xiàn)反饋，也就是說，各個神經(jīng)元輸入基本上成為上級神經(jīng)元的有效輸出，不過需要注意，其自身輸出可也以作為下級神經(jīng)元的輸入。對于網(wǎng)絡的各個層次而言，此層輸入僅僅與前層輸出加以相連，每層對前層均不會出現(xiàn)反饋信息，網(wǎng)絡中的輸出與輸入之間應該與外界呈現(xiàn)出銜接狀態(tài)。該網(wǎng)絡具備一定程度的非線性信息處理能力，可以將其歸于靜態(tài)化非線性映射范疇。

（2）有反饋的前饋網(wǎng)絡。一般情況下，有反饋的前饋網(wǎng)絡與前饋型網(wǎng)絡存在的差異點體現(xiàn)于輸出層與輸入層各不相同，能夠進行反饋的前饋網(wǎng)絡通常會被應用在儲備模式序列環(huán)節(jié)中，例如回歸BP 網(wǎng)絡和神經(jīng)認知機。

1.3 模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡融合

模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡都屬于人工智能領域的重要部分，與此同時也是非線性系統(tǒng)建模及控制期間使用頻率較高的手段措施。模糊邏輯系統(tǒng)主要將模糊邏輯作為中心點，結合人腦思維模糊性特征，模擬人的大腦對模糊信息進行更加深入的判別。在此過程當中，應該根據(jù)專業(yè)知識使用模糊語言，進而發(fā)揮推理的作用，主要適用于模糊信息識別較為困難或者難以對問題進行處理的情況。模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡都有各自的優(yōu)點和缺點，將二者進行有效結合可以充分發(fā)揮出兩者一體化優(yōu)勢。結合以往的經(jīng)驗和現(xiàn)階段工作成效可知，神經(jīng)網(wǎng)絡要想更好地獲取輸入輸出時期非線性映射關系，就需要進行大量的訓練樣本操作。

1.4 模糊神經(jīng)網(wǎng)絡學習算法

梯度訓練法是一種誤差反向傳播網(wǎng)絡中的訓練算法，其可以運用均方值當做性能標準，通過梯度下降的方法對網(wǎng)絡參數(shù)進行合理調控，直至呈現(xiàn)出最優(yōu)值。在此過程中需要注意，對參數(shù)進行調整的原理是為誤差向后傳播期間基于梯度下降法完善正權值系數(shù)，梯度下降體現(xiàn)為局部某點位梯度下降的速度[2]。

2 模糊控制在多電機同位控制中的實踐應用

多交流電機系統(tǒng)具有一定程度的復雜性特征，其特點主要為強耦合性、高階性以及非線性優(yōu)勢，能夠對較為復雜的對象進行良好控制。提升數(shù)學模型精準程度的難度相對來說會比較高，但是傳統(tǒng)PID 控制方法明顯無法達到預期的控制成效。除此之外，工業(yè)產(chǎn)業(yè)生產(chǎn)對于生產(chǎn)速率、張力以及外界突變情況都會產(chǎn)生一定要求，更應該實現(xiàn)科學合理的規(guī)范化調整，為調控工作增加難度。由此可見，要想在科學的層面實現(xiàn)對非線性、多變量、強耦合、隨便系統(tǒng)的控制已經(jīng)成為現(xiàn)階段工業(yè)產(chǎn)業(yè)可持續(xù)發(fā)展需要重點關注的問題。在這一過程當中，神經(jīng)網(wǎng)絡逆系統(tǒng)能夠充分發(fā)揮自身能力，對線性化和解耦問題進行有效解決。針對解耦后的偽線性系統(tǒng)，應該對其建模誤差問題進行解決，可以使用閉環(huán)控制器實現(xiàn)高效處理與優(yōu)化。

2.1 基于模糊PID控制的多電機同步控制

模糊PID 復合控制指的是將模糊控制與PID 控制算法有效融合的科學化措施方法，在論域內(nèi)運用差異化控制措施展開分段或分層次控制，主要指的是大偏差范圍內(nèi)運用模糊控制，小偏差范圍內(nèi)應用PID 控制。自整定模糊PID 控制器以偏差變化率作為關鍵輸入，運用模糊控制理論對PID 參數(shù)展開精準化、科學化校正處理。混合型PID 模糊控制器主要由相應的積分控制器和模糊控制器相關聯(lián)所構建的，其輸出是兩個控制器輸出的有效疊加。

2.2 基于模糊PID的多種耦合方式同步控制

一般情況下，交叉耦合控制、相鄰偏差耦合控制、偏差耦合控制和改進型環(huán)形交叉耦合控制等與模糊PID控制實現(xiàn)進一步結合，可以實現(xiàn)對PID 參數(shù)的有效塑造和重新歸總，另外還可以對電機實施相應的速度補償與優(yōu)化，以此來實現(xiàn)多電機同步控制[3]。

2.3 基于新型模糊補償器的多電機同步控制

從整體視角來看，運用模糊控制設計速度補償器及經(jīng)過一系列優(yōu)化改善后的非線性PID 控制設計速度調節(jié)器，促使多電機系統(tǒng)在存在大負載擾動情況下呈現(xiàn)出良好的自我調節(jié)能力。在此情況下，模糊補償器往往會被合理劃分為同步誤差補償和跟蹤誤差補償兩種處理單元。在相同時間范圍內(nèi)可以對不同誤差加以補償，不但可以對同步性加以進一步改善，還可以展現(xiàn)出良好的跟蹤精準性。

2.4 基于模糊控制的神經(jīng)網(wǎng)絡多電機同步控制

模糊神經(jīng)網(wǎng)絡控制主要指的是運用人工神經(jīng)網(wǎng)絡自學習和適應性與模糊邏輯不確定推理展開進一步融合，其展現(xiàn)出良好的魯棒性。神經(jīng)元PID 控制器在神經(jīng)網(wǎng)絡自學習和自適應性的支持下，對PID 參數(shù)展開動態(tài)化、實時化調整完善，切實提高其整體抗干擾性能，而且可以運用模糊控制器作為相應的速度補償器，全面提升整體性能。

2.5 基于模糊切換增益調節(jié)的多電機同步控制

從整體視角來看，在最小相關軸的基礎上，積極運用模糊切換增益調節(jié)等滑膜控制措施，可以針對無法控制或不確定性干擾項加以優(yōu)化補償，其優(yōu)勢特點體現(xiàn)為確?？刂扑惴ǖ聂敯粜?，還可以在根本上削弱滑模控制的抖振問題。

3 多電機系統(tǒng)神經(jīng)網(wǎng)絡逆控制策略

3.1 兩電機神經(jīng)網(wǎng)絡逆模糊PID控制實現(xiàn)

一般情況下，神經(jīng)網(wǎng)絡凸顯出良好的自學習能力、非線性逼近能力和容錯能力，積極運用神經(jīng)網(wǎng)絡展開擬合后的逆系統(tǒng)構建，隨后將此逆系統(tǒng)與原系統(tǒng)展開有效串聯(lián)處理，以此來構建更加完善、科學的兩電機神經(jīng)網(wǎng)絡逆?zhèn)尉€性控制系統(tǒng)。兩電機神經(jīng)網(wǎng)絡逆控制構建的偽線性系統(tǒng)解耦體現(xiàn)為單輸入、單輸入子系統(tǒng)的極點平面內(nèi)合理配置，進一步構成了穩(wěn)定性更高的子系統(tǒng)，以此來構建出性能良好的偽線性復合系統(tǒng)。結合上述內(nèi)容和相關數(shù)據(jù)可以得知，創(chuàng)建兩電機神經(jīng)網(wǎng)絡逆控制策略的過程當中應該對以下幾點內(nèi)容產(chǎn)生足夠重視：首先，應該確定適宜進行構建的網(wǎng)絡結構和模式，對神經(jīng)網(wǎng)的輸出與輸入節(jié)點的數(shù)量進行精準控制；其次，為了保障信號采樣的完整性，應該對整體試驗范圍的各項數(shù)據(jù)信息進行詳細篩選，避免出現(xiàn)錯漏情況，該方法能夠在最大限度上為采樣的精準程度提供保障；最后，需要在根本上確保神經(jīng)網(wǎng)絡離線訓練的精準程度，進而對兩電機同步系統(tǒng)外部特點的神經(jīng)網(wǎng)絡逆系統(tǒng)進行構建[4]。

從整體視角來看，由兩電機神經(jīng)網(wǎng)絡逆系統(tǒng)所組建的偽線性系統(tǒng)能夠從本質層面上解決線性化解耦等問題，還能夠達到良好的預防成效，而且其所具備的開環(huán)系統(tǒng)建模誤差問題往往應借助閉環(huán)控制器等裝置加以管控。傳統(tǒng)PID 控制方法的使用范圍相對較廣，但不會凸顯出一定的動態(tài)適應能力，在外界條件出現(xiàn)一定變化期間，動態(tài)控制性能就無法獲得高效保障。模糊控制是當前控制領域當中使用頻率較高且范圍最廣的非線性控制策略，其結合模糊規(guī)則展開一系列模糊推理，實現(xiàn)被控對象的模糊控制，模糊控制構建的控制系統(tǒng)展現(xiàn)出良好的魯棒性。將模糊控制與傳統(tǒng)PID 控制技術展開深入結合后可以組建為多樣化模糊PID 控制器，其呈現(xiàn)出兩種不同的控制算法優(yōu)勢特點。基于一系列模糊判定規(guī)則來看，系統(tǒng)可以自主調節(jié)PID 參數(shù)，進而實現(xiàn)原系統(tǒng)智能化PID 控制，兩電機神經(jīng)網(wǎng)絡逆控制系統(tǒng)在實際運行期間隨著輸入條件更改及干擾因素影響期間，也會實現(xiàn)在線辨識系統(tǒng)特征參數(shù)，并對控制參數(shù)展開動態(tài)化更改，以此來實現(xiàn)控制系統(tǒng)的最優(yōu)化控制。兩電機神經(jīng)網(wǎng)絡逆?zhèn)尉€性系統(tǒng)呈現(xiàn)出開環(huán)穩(wěn)定等線性傳遞關聯(lián)性，然而神經(jīng)網(wǎng)絡在擬合源系統(tǒng)期間往往會存在或多或少的誤差，因此有效結合模糊PID 閉環(huán)控制器，可以構成良好的兩電機神經(jīng)網(wǎng)絡逆模糊PID 控制系統(tǒng)。兩電機神經(jīng)網(wǎng)絡逆模糊PID 控制流程如圖3 所示。

圖3： 兩電機神經(jīng)網(wǎng)絡逆模糊PID 控制

由研究數(shù)據(jù)可知，兩電機神經(jīng)網(wǎng)絡逆控制方法在實踐應用期間展現(xiàn)出良好的線性化解耦優(yōu)勢，無論是速度變化亦或是張力突變，均可以確保電機系統(tǒng)的穩(wěn)定性，然而兩電機神經(jīng)網(wǎng)絡開環(huán)控制階段中會存在相應的穩(wěn)態(tài)誤差，當引入模糊PID 閉環(huán)控制過程中，穩(wěn)態(tài)誤差可以有效消除，兩電機神經(jīng)網(wǎng)絡逆模糊PID 控制在根本上展現(xiàn)出良好的動態(tài)響應特點和魯棒性[5]。

3.2 主從控制

以雙電機為例，主電機輸出作為由電機轉速輸入?yún)⒖贾?，從電機層面對對主電機速度的動態(tài)跟蹤。然而主從控制策略缺少從機向主機的反饋步驟，所以在具體應用期間，主機大多數(shù)以轉動慣量大類型的電機為主，從機可以表現(xiàn)為轉動慣量相對較小的電機。

3.3 虛擬主軸控制

此概念最早由Meyer 和Lorenz 在研究相對剛度控制期間所提出。該方法的模擬機械總軸具有同步性特性，系統(tǒng)輸入信號將會在一定程度上受到總軸的影響，能夠根據(jù)運作和控制的詩句需求，實時獲取單元驅動的參考信號。但是，該信號會經(jīng)常受到總軸作用和濾波的影響，導致實際獲取的信號可能會存在主參考值與電機實際轉速變差等問題。

4 控制算法

4.1 模糊神經(jīng)網(wǎng)絡相鄰耦合同步控制

在研究工作的進一步深入，多電機系統(tǒng)控制相關算法除了PID 控制以外，還涉及到諸多現(xiàn)代化控制方式，例如神經(jīng)網(wǎng)絡和模糊控制等。多電機同步控制的研究就是指將控制策略與控制算法進行相互結合。模糊神經(jīng)網(wǎng)絡則需要將人工神經(jīng)網(wǎng)絡與模糊邏輯推理之間進行充分融合，基于人工智能產(chǎn)生更具備智能化特征的算法，在性能和效率方面將會大幅度提升。模糊神經(jīng)網(wǎng)絡具備較強的非線性逼近和自學習能力，基本上可以解決復雜系統(tǒng)中的參數(shù)時邊變和非線性問題。

4.2 自抗擾控制

自抗擾控制結構主要運用“分離性原理”，其中主要會運用到獨立設計跟蹤微分器、誤差反饋以及擴張狀態(tài)跟蹤器等設備，之后將會根據(jù)實際需求對各個設備進行組合處理，最終展開相應的試驗。其控制器能夠對超調量小和速度快二者之間的問題進行有效調控，從而使電機的運行速度能夠跟隨主電機的運行速度的產(chǎn)生一定變化。

5 結論

綜上所述，現(xiàn)如今，多電機系統(tǒng)在電機控制領域中獲得了廣泛運用，控制策略對多電機同步系統(tǒng)性能起到不可忽視的決策性作用。對于多電機同步問題來說，國內(nèi)外專業(yè)研究人員已經(jīng)對其展開進一步的分析，并提出多樣化同步控制策略。兩電機神經(jīng)網(wǎng)絡逆模糊PID 控制能夠在最大限度上為系統(tǒng)速度和張力的解耦提供較為強勁的保障。除此之外，針對偽線性化之后的速度和張力也會提供較強的穩(wěn)定性支撐，為電機控制提供良好的適應作用。