基于矢量控制和智能控制的交流伺服控制系统

D0I:10.13374/j.issn1001-053x.1999.0M.026 第21卷第4期 北京科技大学学报 Vol.21 No.4 1999年8月 Journal of University of Science and Technology Beijing Aug.1999 基于矢量控制和智能控制的交流 伺服控制系统 解仑王志良 郝青辉李奎张蓬 北京科技大学信息工程学院，北京100083 摘要根据交流伺服电机数学模型和矢量控制理论以及模糊控制理论，实现了以DSP为控制 器、PM为主回路，以模糊控制器为速度环，以矢量控制滞环比较器为电流环的交流伺服系统， 在此基础上，进行了模糊神经网络控制的仿真通过仿真及实验结果，证明了该系统具有一定的 理论意义和实用价值， 关键词模糊神经：矢量控制滞环比较器：数字信号处理器 分类号TM382.42:TM921.541 交流伺服控制是电气传动领域的高新技术， 可将其用于非线性控制中.而且其应用也是有 主要应用于如加工中心、数控机床、机器人等高 效的 精度速领域.近10几年来，各国著名电气公司 相继推出各自的PM交流伺服系列产品，正如 1PM电机矢量控制系统 美国田纳西州大学Bosr BK教授所指出的：PM 采用PM电机矢量控制策略中较简单的一 交流伺服电机在中小容量水平上已与感应电机 种：=0，（将基准旋转坐标系的水平轴选取在 形成了强烈的竞争，本文采用的i=0矢量控制 转子轴线上)则电压方程和转矩方程分别为： 方法，具有控制简单、响应速度快、调节范围宽 ][R+3/2)PL 0 1a.「(32)L,1 等优点，但其模型随着电机温升而变得不精确， 0 R+(3/2)PL]i]11,-(3/2)Lia] 使系统鲁棒性降低，故采用参数自调整模糊控 (1) 制方案，以满足过程响应在不同运行状态下对 其中，R,L为相绕组的电阻、自电感：ε为转子位 参数的不同要求，得到较好的动、静态特性.通 置的电角度：P为微分算子， 过对此系统的实时控制，得到足够的数据，并以 Ma =pLmIig (2) 此为样本，训练所构造出的(FBFE模糊基函数 其中，p电机极对数. 展开)模糊神经网络，通过仿真可以看出，此种 采用交流控制方式使电机实际电流跟踪交 网络可以对任一非线性函数进行全局逼近，即 流给定，其系统结构如图1所示 D/A 电 DSP 逆 TMS320 C25 器 数据总线 位置信号处理器 光码盘 PG 图1PM电机矢量控制系统结构图 1998-06-10收稿解仑男，30岁，博士生，工程师 *国家教委博士点基金资助项目QNo.083950)

第 2 1 卷 第4 期 19 9 年 8 月 北 京 科 技 大 学 学 报 J o u r n a l o f U n iv e rs i ty o f s e i e n e e a n d Te e h n o l o gy B e lj i n g Vb l 一 2 1 N O 一 4 A u g . 1 9 9 9 基于 矢量控制和智能控制的交流 伺服控制系统 解 仑 王 志 良 郝青辉 李 奎 张 蓬 北京科技大学信息工程学院 , 北京 10 0 0 83 摘 要 根 据交流 伺服 电机 数学 模型 和矢 量控 制理 论 以及模糊 控制 理论 , 实现 了 以 D S P 为控制 器 、 IP M 为主 回路 , 以模糊 控制 器 为速度 环 , 以矢 量控 制滞环 比较 器为 电流环 的交 流伺服 系统 . 在 此基础 上 ,进 行 了模糊 神经 网络控 制 的仿真 . 通过 仿真及 实验 结果 ,证 明 了该系统 具有 一定的 理 论意 义和实用 价值 . 关键词 模糊神经 : 矢量 控制滞 环 比较器 ; 数 字 信号 处理 器 分类号 T M 38 2 . 4 2 : T M 92 1 . 54 1 交流伺服控制是 电气传动领域的高新技术 , 主 要应用于如加工 中心 、 数控机床 、 机器人等高 精度速领域 . 近 10 几年来 , 各 国著名 电气 公司 相 继推 出 各 自的 P M 交流伺服系列产品 . 正 如 美 国田 纳西州 大学 B o sr B K 教授所指出 的 : P M 交 流伺服 电机在 中小容量水平上 已与感应 电机 形成 了强烈 的竞 争 . 本文采用 的i 户 0 矢量控制 方法 , 具 有控 制简单 、 响应速度 快 、 调节范 围宽 等优点 , 但其模型随着 电机温升而变得不精确 , 使 系统鲁棒性 降低 . 故采用参数 自调 整模糊控 制方案 , 以满 足过程 响应在 不同运 行状态下 对 参数 的不 同要求 , 得到较好 的动 、 静态特 性 . 通 过对此系统的实时控制 , 得到足够的数据 , 并 以 此为样本 , 训练所构造 出 的 (F B F E 模糊基 函 数 展 开 ) 模糊神经 网 络 . 通过仿真可 以看 出 , 此种 网 络可 以对任 一 非线性 函 数进行全局 逼近 , 即 可将其 用于 非线性控制 中 . 而且 其应用 也 是 有 效 的 . 1 P M 电机矢量控制系统 采用 P M 电机矢量控 制策略 中较简单 的一 种 : 几” 0 , (将 基准旋转坐标 系的水平轴选取 在 转子轴线上 ) 则 电压 方程 和 转矩方程分别 为: l姚 1 「R+ ( 32/ )P丈 0 1「乙I f (3 2/ )L in l ! l= l _ ! } }+ 召} _ ’ ! l叭j L O R+ ( 3 2/ )PL 」【l’q J LmI rI 一 ( 3 2/ )L id 」 其中 , R , L 为相绕组的 电阻 、 自电感 ; 置 的 电角度 ; 尸为微分算 子 . 从 = PL 二 tI 礼 ( l ) ` 为转子位 ( 2 ) 其中 , p 电机极对数 . 采用交流控制方式使 电机实际 电流跟踪交 流给定 , 其系统结构如 图 1 所 示 . D / A 电 逆 D S P l# 流 变 T M S 3 2 0 控 器 C 2 5 决 簇 “ 制 器 , 尸 - 芝 ic . 口尸 D / A 二 2# 己 ` 月 . t 口 位置信号处理器 图 1 P M 电机 矢皿控制 系统结构 圈 19 98 一 -6 10 收稿 解仑 男 , 30 岁 , 博士 生 , 工程师 * 国家教委博 士点基金 资助项 目伽.0 0 8 3 9 50 ) DOI: 10. 13374 /j . issn1001 -053x. 1999. 04. 026

·410 北京科技大学学报 1999年第4期 以DSP为控制器，运算速度比相同位数的 (5) 通用芯片快几十倍.从光电码盘检测出转子位 R-UR l 置及速度.主程序由PA15口读取电机位置信 总控制规则对应关系R. 号，对=0，进行旋转变换和2,3变换，得到交 其中， ua(x,y,z)=max[ug(x,y,2)] (6) 流给定信号，由PA8,PA9口输出数据.速度采用 则 V=(E×CoR (7) PI算法： 由加权平均法得控制量： g(n+1)=K[8r(T)-T)]+K[6()-6)](2) U=(②4(U)-U②(Uの (8) 其中：n为电流环采样点；T为速度环采样点； o PS K,K为速度调节器的PI增益. NSNSNS 实验结果如图2所示，图2(a)为二相电流给 0 定，图2(b)为一相电流反馈（幅值为5V,频率为 NB /PS /PM 33Hz). NM a NS ∠PB tis 图3Fuzy控制规则原理图 这样，就得到一张模糊控制表，利用表查询 法进行实时控制.引入参数自调整思想，其作用 是利用实际经验中的“粗、精调概念”，当e或c b 较大时，通过减少量化因子，来降低其分辨率， 同时加大比例因子来得到较快响应，反之亦然， 这样可以提高控制精度，减少超调量，提高动态 品质. 设伺服系统开环传函为： k W(s)=sx[(sxs/a)+(2xbla)xs+1] (9) 当参数b发生变化时，PID控制器与Fuzy 控制器的比较如图4所示：当k变化时，如图5 图2电流给定及反馈波形 所示. (a)二相电流给定，b)一相电流反馈 PID 2PM电机模糊控制 1000 虽然PM电机矢量控制具有上述诸多优点， 750 但由于环境温度变化及磁饱和等因素影响，电 500 机模型参数将发生一些变化，使控制系统精度 250 下降，为此，引入参数自调整模糊控制方案，以 满足过程响应在不同运行状态下对参数的不同 00.20.40.60.8 t/s 要求. Fuzzy 本文主要对速度环的模糊控制进行了研 1000 究：将偏差、偏差变换率及输出量分为7个Fuzy 750 变量子集，确定其论域，分析典型阶跃响应曲线 500 (如图3)得Fuzy控制规则原理图 250 由每条控制规则可得一个三元模糊关系： R=(E×9)×', (4) 00.20.40.60.8 tis 图4PID和Fuzzy控制器阶跃响应曲线(b变化时)

. 4 1 0 - 北 京 科 技 大 学 学 报 1 9 9 9 年 第 4 期 、 , J 戈 、户.J é 产 07 了.、了 . 、 ` 以 D S P 为控制器 , 运 算速 度 比相 同位 数 的 通用 芯 片快几 十倍 . 从 光 电 码 盘 检测 出转 子 位 置 及速度 . 主 程序 由 PA 巧 口 读取 电机位 置 信 号 , 对 菇二 0, 成进行旋转变 换和 2, 3 变换 , 得到交 流给定 信号 , 由 PA S , PA g 口 输 出数据 . 速度采用 P l 算法 : l’: ( n + l ) = 凡〔犷(乃一 0( 乃」+ 凡 艺〔犷(l’) 一 0( i )」 ( 2 ) 其 中 : n 为 电流环 采 样点 ; T 为速度环采样 点 ; 凡 人 为速度调 节器 的 PI 增益 . 实验结果 如 图 2 所示 , 图 2 (a) 为 二相 电流给 定 , 图 2 (b) 为一 相 电流反 馈 ( 幅值为 S V , 频率为 3 3 H z ) . R 总控制 规则对 应 关系 = U R 户 1厂 l ~ 夕 其 中 , 则 内x(, ,y ’ ) 一 哭叻, x(, y, )z] 叮二 坦 “ 户哮 由加 权 平 均法得控制量 : mU ax = ( X户(鱿 ) · 双只艺声 (鱿) ( 8 ) 0 P S N s娜付、 N S O O f / / / l 图 3 F u z yZ 控制 规则原 理 图 这样 , 就得到一 张模糊控制表 , 利用 表查 询 法进行实时控制 . 引入参数 自调 整思 想 , 其作用 是 利用实 际经验 中的 “ 粗 、 精调概念 ” , 当 e 或 c 较大时 , 通 过减少量化因 子 , 来降低其分辨率 , 同 时加大 比例因 子来得到较快 响应 , 反之亦然 . 这样可 以提高控制精度 , 减 少超 调量 , 提高动态 品 质 . 设伺服 系统 开环传 函为 : 叫俞而蒜丽丽 丁 当参数 b 发生 变化时 , IP D 控制器 与 控 制器 的 比较 如图 4 所示 ; 当 k 变化时 , 所 示 图 . 2 电流给 定及反 馈波 形 a( )二相 电流 给定 , (b) 一 相 电流反馈 n ù n nUn . f ù日一ù n甘ō、甘鸟乙了ù 、一 一l层三 . 之之 n ù n ù n 甘 n o é亡、ù八曰ō 、奋气`nU, 尹ō 、一 ,一 l口三 · 之二 2 P M 电机模糊控制 虽然 P M 电机矢量控制具 有上 述诸多优 点 , 但 由于 环境温度变 化 及 磁饱和 等 因素影 响 , 电 机 模型参数将 发生 一 些 变化 , 使控制 系统精度 下 降 . 为此 , 引入参 数 自调 整 模糊控制 方 案 , 以 满足 过程 响应在不 同 运行状态 下对参数 的不 同 要 求 . 本 文 主 要 对速 度 环 的 模 糊控 制 进行 了 研 究 : 将偏差 、 偏差 变换率及 输出量分为 7 个 F uz yZ 变量子集 , 确定其论域 , 分 析典 型阶跃 响应 曲线 ( 如 图 3) 得 F uz yZ 控制规则原理 图 . 由每条控 制规则可 得一 个三 元 模糊关 系 : 君 。 一 运 x g x 鱿 (4) 0 0 . 2 0 . 4 0 . 6 0 . 8 F u Z yZ 0 0 . 2 0 . 4 0 . 6 0 . 8 t / S 图 4 P ID 和 r u卿 控制 器阶跃 响应 曲线 (b 变化 时 )

Vol.21 No.4 解仑等：基于矢量控制和智能控制的交流伺服控制系统 ·411· A PID 是当前控制领域中的研究热点之一.本文采用 融合方式将神经网络与模糊控制相结合，根据 1000 模糊基函数展开(Fuzzy Base Function Expan- 750 sion),构造-~种形式简单的RNN.模糊基函数定 500 义为： 250 hu,x) 0 P0= j-1,2,…,n (10) 00.2 0.40.60.8 hu,(x) t's Fuzzy UX)为模糊集之成员函数，为在第j条规 1000 则中，X对语言变量之隶属程度，n为规则个数. 750 则： 2Px)=1 (10) 500 故可将PX)视为权函数，P)表示第j条 250 规则对总结果的加权值.模糊基函数展开为： 0 00.20.40.60.8 fx)=∑Px)g, (11) 通过应用FBFE可以对系统之未知物理参 图4PID和Fuzy阶跃响应曲线(k变化时) 数辨识转化为对模糊基函数系统之辨识：因系 图6为系统速度响应曲线，其中PID的上升 统物理参数之变化可通过向量⊙值变化表示出 时间为80ms,Fuzy为82ms时可使Fuzy的超 来，且满足Stone-Weierstrass定理，故可用FBFE 调量小于PID,且稳态精度较高，（当参数变化 全局逼近任意非线性函数.通过以下步骤可得 时) 到模糊推理系统(FIS). (1)计算X对各语言变量之隶属度，即 U(X=[U(X),U(X),…,Ua(X)〗 i=1,2,…n (12) (2)计算X对每条权规则之激发强度W(X) W0=1UX)i=1,2,…,n (13) (3)计算X对每条Fuz2y规则的模糊基函数 P.0 HU(X) P(X)=- W0= (14) W0ΣiUw.CX) (4)通过FBFE计算FIS之最后推理结果： 图6PID(a)和Fuzy(b)控制器速度响应曲线 y=P08 (15) 由仿真和实验结果可见，在交流伺服系统 通过以上推理得到下式 中应用模糊控制技术可在一定程度上改善系统 W,(X) (15") 的性能，提高鲁棒性，抗干扰能力增强，且控制模 P,(0=ΣW 在(4)中用FBFE在模糊神经网络中输出层 型简单、实用 之权向量是模糊神经网络通过学习得到的， 3基于FBFE的模糊神经网络 其中几)为正态函数，W表示比例因子，W 为正态函数中心，W,为UX)之函数分布量. 模糊逻辑着眼于用语言和概念表述人脑的 则：U)=exp{-[W,·X-W,](Wa)}(16) 宏观功能，而神经网络则着眼于人脑的微观结 模糊神经网络拓扑结构如图7所示.其模 构，通过自学习、自组织、自适应功能的神经网 糊化结点与规则相对应，故网络总结点数少，易 络上的非线性并行分散动力学系统，对无法语 实现多输入变量.其中第8层为量化，2至4层 言化的模式信息进行处理.将此二种方法结合 为实现输入语言变量之隶属关系，这样能体现 起来，产生一种较为有效的人工智能研究方法

、 b l . 2 1 N 0 . 4 解仑等 : 基于矢 量控 制和 智能控 制 的交 流伺 服控制 系统 是 当前控制领 域 中 的研究热 点之 一 本文 采用 融合 方式将神经 网 络 与模糊控 制相 结合 , 根据 模 糊基 函 数 展 开 ( Fu 脚 B a s e Fun c t i o n E x p a n - is o n) , 构造一 种形 式简单的 R N N . 模糊基 函数定 义 为 : 只《刀 = 丁 艺 J = 1 n 认伏 ) 去一一 j = 1 , 2 , … , n ( 1 0 ) 0 0500 11 ó I ó乙, 一任u · óù ; 0 0 . 2 0 . 4 0 . 6 0 . 8 t 了s n 认伏 ) F u z Z ) 认试 ) 为模糊 集之 成员 函数 , 为在第j 条规 则中 ,戈 对语 言变量 之隶属程度 , n 为规则个数 . 则 : 艺 jP x( ) = 1 ( 10 ,) 厂 ! 故 可 将 jP闭 视 为权 函 数 , jP 闭 表 示 第j 条 规 则对 总结果 的加 权值 . 模糊基 函数展 开 为 : 日ù 0气 n0 以曰n哎é n7 f `JZ 一l 三飞任` O! 0 0 . 2 0 . 4 0 . 6 0 . 8 t / S 图 4 P l n 和 F u z z y 阶跃响应 曲线 ( k 变化 时 ) 图 6 为系统速度 响应 曲线 , 其中 IP D 的上 升 时 间 为 80 m s , F UZ yZ 为 82 m s 时 可 使 F uz yZ 的超 调 量 小于 PI D , 且 稳态精度较高 , (当 参数变 化 f( x ) = 艺只x( )日 J = 1 ( 11 ) 通过应 用 F B F E 可 以对 系 统 之 未知 物理 参 数辨识转 化为对模糊 基 函 数系统之 辨识 ; 因 系 统 物理 参数之 变化可 通过 向量 曰值变化表示 出 来 , 且 满 足 S t o n e 一 W七i e r s t r a s s 定 理 , 故 可 用 F B F E 全 局 逼近任 意非线性 函 数 . 通过 以 下 步骤 可 得 到模糊推理 系统 ( F ls ) . ( l) 计 算 X 对各语 言变量之 隶属 度 , 即 U^ ,闭 =[ 氏X(, ) , U^ iZ =X( ) , … ,认 用 , X(m )〕 = l , 2 , … , n (2 )计算 X 对每 条权 规则之 激发 强度 班闭 = fl U^ * , X(k ) i = l , 2 , … , n ( 12 ) 班 (幻 ( 13 ) (3 )计算 X 对 每条 F u z Z y 规则的模糊基 函 数 只(幻 拼闭 fl U^ 人i *X( ) jP (刀 二 ( 4 )通过 Z J = l FB F E 砚(幻 艺 n U^ 羞i *X( ) 计 算 IF S 之最 后 推理 结 果 : `J 图 l((I 夕 6 P ID ( a )和 F u z y (b )控制 器速度 响应 曲线 由仿 真和 实验 结 果 可 见 , 在 交流 伺服 系统 中应用模糊控制技术可 在一 定程度上 改善系统 的性 能 ,提 高鲁棒性 , 抗干扰 能力 增 强 , 且 控制模 型 简 单 、 实用 . y 二 Z 只(幻曰 通过 以上 推理 得到 下 式 只(幻 = 班 ( J 劝 艺 班(幻 3 基 于 F B F E 的 模糊神经 网络 模糊逻 辑着眼 于用 语 言和 概 念 表述人 脑 的 宏观 功 能 , 而 神经 网 络 则着眼 于 人 脑 的微观结 构 , 通过 自学习 、 自组 织 、 自适应 功能的 神经 网 络 上 的非线性 并行 分 散动 力 学系统 , 对无法 语 言化 的模式信息进 行 处 理 . 将 此 二 种 方 法 结合 起来 , 产生 一种较为 有 效 的 人 工 智 能研 究方法 , 在 ( 4 )中用 F B F E 在 模糊 神经 网络 中输 出层 之 权 向量 是模糊神经 网 络 通过学 习得 到的 , 其 中f( · ) 为正 态 函数 , 班 表示 比例 因子 , 礁 为正 态函 数中心 , 叽 为 叨尤 ) 之 函 数分布量 . 则 : U^ 。闭 = e x P {一 「班 · 怎 一 城 」 , / (叽 ) , } ( 16 ) 模 糊神经 网络拓扑结构 如图 7 所示 . 其 模 糊化结点与规则相对应 , 故 网络总结点数少 , 易 实现 多输入 变量 . 其 中第 8 层 为量化 , 2 至 4 层 为实现输 入 语 言变量 之 隶属 关系 , 这样 能体现

·412· 北京科技大学学报 1999年第4期 简单功能的单神经元组合在一起可具有复杂功 1000 能的特点：5至8层实现了模糊规则及输出. 750 500 W. 250 0 MPB NB PB 0 0.2t50.4 0.6 出 图8速度响应曲线 综上所述，应用FBFE可得到一种FNN的 组网方法，通过仿真实验可见其效果已基本达 到要求，且此种FNN各结点简单，当输入变量 时，网络中各结点与规则相对应，故结点数较其 他网络结点数少， g(-) 5结论 交流伺服系统的矢量控制，电流跟踪型 SPWM算法，简单实用转矩性能较好.当其随着 模型参数的变化，控制精度及鲁棒性下降.采用 图7模糊神经网络结构 模糊控制与矢量控制相结合，对具有不确定性 对于此FNN的学习，通过调整W,W,W.,⊙， 因素系统，其控制品质优于常规PD,在一定程 使被控对象之输出逼近期望输出，使误差趋于 度上改善了系统动、静态性能，且鲁棒性较好， 最小，误差为： 结构简单.以对系统所测的实际数据为样本，对 E=0.5×Σ0ya-y} (17) 利用FBFE实现的FNN进行训练，可对任意一 式中，m为学习样本数，取m=100,即有100个 种非线性函数进行全局逼近，适用于非线性系 样本对，可由前述模糊控制系统实测得到，为 统静态建模、动态识别及自适应控制. 被控对象之实际输出，采用误差反传法以改变 参考文献 权值达到学习的目的.其权值调整公式为： E 1解仑，交流伺服电机矢量控制及其智能控制系统的研 +1=队0-nm+a0)-t-1】(18) 究：[硕士论文].北京：北京科技大学，1995 其中，n为学习效率，a为平滑因子，对于每一层 2 Bose B K.Power Electronic and Motor Control-technology 而言关键是求出aE/∂W(略)，其中100个样本 Status and Reccent Trends.IEEE Trans on Industry Appli- cation,1993,29(5):902 对是从上节模糊控制器的输出结果得到.学习 3 Saraanan N.Evolving Neural Control Systems.IEEE on 后W,W,W,发生了变化，可理解为前提隶属函 Expert Systems,1995,10(3):23 数发生了变化，⊙的变化可理解为模糊规则及 4 Sayeed A.Fuzzy Controller for Inverter Fed Induction 输出发生了变化，离线经样本学习以后，将此 Machines.IEEE Trans on Industry App,1994,30(1)78 FNN嵌入至交流伺服非线性控制系统模型之 5 Dote Y.DSP-Based Neuro-Fuzzy Position Controller for 中，进行仿真控制，其输出如图8所示， Servo Motor.IEEE Trans on Expert,1992,20(4):986 AC Servo Control System Based on Vector Control and Intelligent Control Xue Lun.Wang Zhliang.Hao Chunhui,Li Qui, Zhang Peng Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT AC servo system is presented which is based on PM servo motor mathematical model,vector control theory and fuzzy logic theoer.The system consists of fuzzy controller,hysteresis controller and IPM power circuit.Then the fuzzy-neuro network is presented.Through the experiment and simulation results,the practibility and theoretical value are demonstrated. KEY WORDS fuzzy-neuro networks;vector intelligent control hyteresis controller:digital signal pro- cessor

. 4 1 2 - 北 京 科 技 大 学 学 报 1 9 9 9 年 第 4 期 Unn UùnUU0 工t é 1 八曰, 1 夕ù、 ù , ` 一l 三任 · ó 、 之 简单功能的单神经 元组 合 在一 起可 具有复杂功 能的特 点 ; 5 至 8 层 实现 了模糊规 则及 输 出 . g (一 ) O L一一一 一 一 L — 一 - J一一一一一一一一止 0 0 · Z r / 5 0 · 4 0 · 6 图 8 速度响应曲线 综上 所述 , 应用 F B F E 可 得到一 种 FN N 的 组 网 方法 , 通过 仿真 实验可 见 其效果 已 基本 达 到要 求 . 且 此种 FN N 各结点简单 , 当输入变量 时 , 网 络中各结点与规则相 对应 , 故结点数较其 他 网络 结点数少 . 5 结论 图 7 模糊 神经 网络 结构 对 于 此 FN N 的 学习 , 通过调 整 峨 , 巩 , 夙刀 , 使被 控对象之输 出逼近 期望输 出 , 使误差 趋 于 最 小 . 误 差 为 : E 二 0 . s x 艺饥 一夕万 ) , ( 17 ) 式 中 , m 为学习 样本数 , 取 m = 10 0 , 即 有 10 0 个 样本对 , 可 由前述模糊控制系统 实测得到 , 必 为 被控 对象之实 际输 出 , 采用误 差 反 传法 以改变 权值 达到学 习 的 目的 . 其权值调 整 公 式为 : 。 +t 1) 一 。 t) 一 。蛊 a 〔。 t) 一 叫卜 1): ( 1 8 ) 其 中 , 叮为 学 习 效率 , a 为平滑 因子 , 对于 每一 层 而 言关键 是求 出 日E/ 刁附 ( 略 ) , 其 中 10 个样本 对 是从上节 模糊控 制器 的输 出结果 得 到 . 学 习 后 城 , 巩 , 夙 , 发生 了 变化 , 可理解 为前提隶属 函 数发 生 了变化 , 曰 的变 化可 理 解 为模糊规 则及 输 出发生 了变化 . 离线经样本学 习 以后 , 将此 F N N 嵌入 至 交流 伺服非 线性控制 系统 模 型 之 中 , 进 行仿真控制 , 其输 出 如图 8 所 示 . 交流 伺 服 系 统 的矢 量 控 制 , 电流跟 踪型 S P W M 算法 , 简单实用转矩性能较好 . 当其 随着 模型参数的变化 , 控制精度及 鲁棒性下 降 . 采用 模糊控制与矢 量控制相结 合 , 对具 有不 确定 性 因 素系统 , 其控制 品质优于 常规 IP D , 在一 定程 度上 改善 了系统动 、 静态性能 , 且 鲁棒性较好 , 结构简单 . 以对系统所测 的 实际数据为样本 , 对 利用 FB FE 实现 的 F N N 进行训 练 , 可 对任意一 种非线性 函数进行全局 逼近 , 适用于 非 线性系 统静态建模 、 动态识别及 自适应 控制 . 参 考 文 献 l 解仑 . 交流伺服 电机矢量控制 及其智能控制系统的研 究:[ 硕士论文} . 北京 : 北京科技大学 , 1 9 95 2 B o s e B K . Po w e r E l e e tr o n i e an d M o t o r C o n tr o l 一 t e e hn o l o gy St a ut s an d R e c e e n t rT e n d s . I E E E rT a n s o n I n d u s t yr A P Pli - e a t i o n , 1 99 3 , 2 9( 5 ) : 9 0 2 3 Sar a n an N . E v o l v i n g N e u r a l C o n t r o l Sy s t e m s . IE E E o n E x P e rt Sy s t e m s , 1 9 9 5 , 1 0 ( 3 ) : 2 3 4 S a y e e d A . F u z Z ) C o n t r o l l e r of r I n v e rt e r F e d I n d u e ti o n M a e h i n e s . IE E E T r a n s o n I n d u s try A PP , 19 9 4 , 3 0 ( l ) 7 8 5 D o t e Y D SP 一 B a s e d N e u r o 一 F u z Z y P o s i ti o n C o n t r o ll e r fo r S e vr o M o t o .r IE E E rT an s o n E xP e rt , 1 99 2 , 2 0 ( 4 ) : 98 6 A C S e vr o C o n t r o l S y s t e m B a s e d o n Ve e t o r C o n t r o l a n d I n t e lli g e n t C o n tr o l Xu e L un , 肠gn hZ ial gn 夕 产勿 0 hC un hu i, iL Qiu, hZ a gn eP gn I n fo mr a t i o n E n g i n e e r i n g S e h o o l , U S T B e ij ign , B e ij ing 10 0 0 8 3 , C h in a A B S T R A C T A C s e vr o s y s t e m 1 5 Pr e s e n t e d w h i e h 1 5 b a s e d o n P M s e vr o m o t o r m a t h e m a t i e a l m o d e l , v e e t o r e o n otr l ht e o yr a n d fu Z y l o g i e ht e o e .r T h e s y s t e m e o n s i s t s o f if l Z y e o ntr o ll e r, h y s t e r e s i s e o ntr o ll e r a n d I PM Po w e r e i cr u it . hT e n ht e fu z z y 一 n e ur o n e wt o kr 1 5 P r e s e n te d . Th r o u hg t h e e x Pe ir m e n t an d s im u l a t i o n r e s u lt s , t h e Par c t ib iliyt a n d t h e o r e t i e a l v a l u e a r e d e m o n s t r a t e d . K E Y W O R D S fu Z Z y 一 n e ur o n e wt o r k s ; v e e t o r & i n t e llig e n t e o n tr o l & h y t e er s i s e o ntr o ll e r ; d i g it a l s ign a l P r o - C e S SO r