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