基于遗传神经网络的超声波电机转速控制系统

    陈  欢¹,   史敬灼²

(1武汉船用电力推进装置研究所，湖北武汉430064；2河南科技大学，河南洛阳471003)

摘要：介绍一种超声波电机(USM)自适应控制策略，系统采用双闭环控制，内环通过对弧极电压进行采样、判断，补偿USM谐振频率的漂移；外环利用动态递归神经嘲络控制调节两相驱动交变电压的相位差，实现转速的自适应控制。DRNN的结构和初始参数通过混合递阶遗传算法离线训I练获得。试验结果征明，该控制系统具有较高的控制精度和较好的稳定性。关键词：超声波电机；自适应控制；遗传神经网络中图分类号：TM 301 2文献标志码：A文章编号

0 引言

     超声波电机(Uhrasonic Motor，USM)是一种新型特种电机，在工业控制、精密仪器、办公自动化等领域有着广阔的应用前景[1]。但是，USM具有严重的非线性、时变性和强耦合，数学建模非常困难，至今还没有精确的数学模型，传统的依赖被控对象数学模型的控制策略很难对其实施有效控制。将动态递归神经网络(Dynamical ReculTentNeural Networks，DRNN)应用于USM的自适应速度控制，弥补_广上述方法的不足。采用混合递阶遗传算法对网络的结构和初始参数进行离线优化，再通过梯度下降对网络参数进行在线调整。试验结果表明：该方法不仅具有控制灵活、适应性强的优点，还具有较高的控制精度和鲁棒性。

l  usM驱动控制系统

  USM利用两相具有一定频率、幅值和相位差的正弦电压来驱动，但由于电机本身的呈容性，可以使用方波电压来直接驱动。本文采用调相调速方案，使驱动电压的相位差在一90。～+90。连续可调一选取DSP56F801内置的脉宽凋制(PulseWidth Modulation，PWM)模块作为驱动信号发生器，通过修改PWM周期寄存器(PWMCM)和计数模值寄存器(PWMVAL)的值，即可实现驱动电压频率和相位差的阔节。驱动信号经隔离放大后，巾两相推挽逆变电路逆变、升压成两相高压、高频方波电压，驱动USM。为了补偿USM的谐振频率瓢移，需对USM弧极反馈电压采样，将采样值与设定值进行比较，若小于设定值则减小PWMCM的值，若大于等于则保持不变，以跟踪谐振频率的漂移。为保证测速的精度，采用光电编码器作为

测速单元，将其接定时器内部的正交解码单元即可实现转速及转角的测算。控制系统结构框图如图1所示．

2 USM参数辨识自适应控制系统

    由于DRNN能够实现高度复杂的非线性动态映射，又具有自学习、白适廊的能力，故将其作为自适应控制器(DRNNC)，其输人为给定转速r(^)、电机上一时刻实际转速y(k—1)及NNc上一时刻输出的控制量Up(k一1)，输出为控制信号Up(k)用以调节两相驱动电压的相位差。用作参数辨识的辨识器(DRNM)输人为实际输入usM的控制量Up(k)和电机上一时刻的实际转速y(k—1)，输出为预测转速y(k)。利用y代替y，为DRNNc的在线训练提供参数。uSM参数辨识白适应控制系统框图如图2所示。

3  DRNN及其训练方法

    DRNN结构如图3所示。它除了输入层、隐层、输出层外还有一个特殊的结构单元，用来记忆隐层单元以前时刻的输出值，结构单元在时刻的输入等于隐层在k—l时刻的输出，但为了减少在线学习时间，提高实时陛，结构单元的输出仅输入到相应的隐层单元。设网络输入向量为x，输入单元与隐层单元间的连接权值矩阵为W1，隐层单元与输出单元间的连接权值向量为W2结构单元与隐层单元间的连接权值向量为W3，隐层激活函数为l厂(此处选为1／(1+e-x))，隐层第j个神经元输出为Hj，则网络的输入输冉关系为

3、1离线训练

    离线训练的样本均通过试验的方法获得。NNc的输入样本向量为Xci={r(k)，y(k-1)，

Up(k-1)}，输出样本矢量为Yci={Up(k)}，Up(k)为输入uSM的两相交流电压的相位差，可由k时刻电机转速通过查对应的转速相位差或转速电压幅值曲线获得。NNI的输入样本为向量Xii={Up(k-1)，yf(k一1)}，输出样本向量为Yi={y(k)}，y(k)为预测转速。

    传统的洲练算法足在网络结构已知的基础上对网络参数进行寻优，无法对网络结构进行优化。本文采用混合递阶遗传算法对网络结构和参数一并优化，递阶遗传算法的寻优过