模糊PID 神经网络逆控制多电机系统分析

李三菊

（安徽三联学院 安徽省合肥市 230071）

随着我国工业建设水平和自动化应用能力的提升，多电机控制已经成为工业领域重点关注话题。多电机的协调控制对工业生产的质量、效率产生一定的影响。一般情况下，多电机同步协调控制涉及到存在物理连接和不存在物理连接两种模式。前者的机械模式构造相对简单，操作便利，应用范围较广，但机械模式以共轴方式为主，导致其传递的范围和距离会受到一定限制。

1 模糊神经网络控制算法概述

1.1 模糊理论知识

从整体视角来看，模糊理论是在根本上解决和处理智能信息的重要辅助用具。美国教授L.A.Zadeh 最先提出理论基础，并将其划分为模糊集合理论的范畴中。该理论只要将人脑思维模式作为论证的中心点，通过对模糊语言进行运用，从而获取到更多的信息知识，并且将信息知识以数字化形式呈现。模糊系统需要对模糊语言进行应用，根据理论的各项规则进入到推理环节，从而进一步证实非线性映射。在模糊集合理论当中，通常会将集合定义为某特性属性对象的全体，可以将不同的对象看作关键元素，元素与结合会以属于和不属于的关系呈现出来。以经典集合A 为例，A 中所涉及到的各个元素x，两者彼此间的关系可以表达为x∈A 或x∉A。模糊规则库、模糊产生器、模糊推理机以及反模糊化器构成了模糊逻辑系统。模糊逻辑系统结构如图1 所示。

图1： 模糊逻辑系统结构图

从整体视角来看，模糊生产器会对实测信息模糊化处理。如果输入论域U，而输出是U 上的模糊集合，二者呈现相互对立的关系，通常情况下，模糊规则会为模糊推理机提供与其相对应的推理规则。而推理规则的实际来源将会涉及到四方面：

（1）将现场操作者或专家知识所具备的经验及时转化为完善性的模糊规则；

（2）需要对模糊控制器的流程进行实时监督与管理，并对监督和管控的内容、数据等进行充分整合；

（3）通过模糊集合理论对生产过程构建建模，并对其进行高效处理；

（4）则需要在控制系统运行的整个过程对推理规则进行自主性组织。

1.2 人工神经网络理论

人工神经网络凸显出良好的非线性信息处理能力，其通常由众多人工神经元共同组建而成，其体现为能够对人脑神经系统的结构和具体功能进行模拟。随着近年来我国科学技术水平不断提升和网络信息技术的推进，人工神经网络已经在众多领域中得到广泛应用，且取得不错的应用成效。例如，模式识别、预测和组合优化等环节的应用，并且在人工神经网络应用的过程中还能够将并行处理非线性信息能力和非线性映射能力充分展现出来。

人工神经元数学模型如图2 所示。

图2： 人工神经元数学模型

在生物神经网络中，各个神经元可以利用突触实现衔接效能，但实际上，人工神经网络与其相互对应的表现为连接系数。差异化神经元彼此间的衔接凸显出强度的差异性。通常情况下，强度都会受到连接系数的影响，如相互衔接的两者呈现激活状态，那么双方连接权系数呈正向。两个相互衔接的神经元如果呈现抑制状态，那么双方连接权系数呈负向[1]。神经网络体现为对生物神经网络的模拟与近似，整体结构单元体现为人工神经元，因人工神经元的衔接模式多种多样，神经网络结构可以合理划分为下述几种类型：

（1）前馈型网络。在神经网络体系当中，该类型网络的优势为整个网络都不会出现反馈，也就是说，各个神经元输入基本上成为上级神经元的有效输出，不过需要注意，其自身输出可也以作为下级神经元的输入。对于网络的各个层次而言，此层输入仅仅与前层输出加以相连，每层对前层均不会出现反馈信息，网络中的输出与输入之间应该与外界呈现出衔接状态。该网络具备一定程度的非线性信息处理能力，可以将其归于静态化非线性映射范畴。

（2）有反馈的前馈网络。一般情况下，有反馈的前馈网络与前馈型网络存在的差异点体现于输出层与输入层各不相同，能够进行反馈的前馈网络通常会被应用在储备模式序列环节中，例如回归BP 网络和神经认知机。

1.3 模糊逻辑系统与神经网络融合

模糊逻辑系统和神经网络都属于人工智能领域的重要部分，与此同时也是非线性系统建模及控制期间使用频率较高的手段措施。模糊逻辑系统主要将模糊逻辑作为中心点，结合人脑思维模糊性特征，模拟人的大脑对模糊信息进行更加深入的判别。在此过程当中，应该根据专业知识使用模糊语言，进而发挥推理的作用，主要适用于模糊信息识别较为困难或者难以对问题进行处理的情况。模糊逻辑系统与神经网络都有各自的优点和缺点，将二者进行有效结合可以充分发挥出两者一体化优势。结合以往的经验和现阶段工作成效可知，神经网络要想更好地获取输入输出时期非线性映射关系，就需要进行大量的训练样本操作。

1.4 模糊神经网络学习算法

梯度训练法是一种误差反向传播网络中的训练算法，其可以运用均方值当做性能标准，通过梯度下降的方法对网络参数进行合理调控，直至呈现出最优值。在此过程中需要注意，对参数进行调整的原理是为误差向后传播期间基于梯度下降法完善正权值系数，梯度下降体现为局部某点位梯度下降的速度[2]。

2 模糊控制在多电机同位控制中的实践应用

多交流电机系统具有一定程度的复杂性特征，其特点主要为强耦合性、高阶性以及非线性优势，能够对较为复杂的对象进行良好控制。提升数学模型精准程度的难度相对来说会比较高，但是传统PID 控制方法明显无法达到预期的控制成效。除此之外，工业产业生产对于生产速率、张力以及外界突变情况都会产生一定要求，更应该实现科学合理的规范化调整，为调控工作增加难度。由此可见，要想在科学的层面实现对非线性、多变量、强耦合、随便系统的控制已经成为现阶段工业产业可持续发展需要重点关注的问题。在这一过程当中，神经网络逆系统能够充分发挥自身能力，对线性化和解耦问题进行有效解决。针对解耦后的伪线性系统，应该对其建模误差问题进行解决，可以使用闭环控制器实现高效处理与优化。

2.1 基于模糊PID控制的多电机同步控制

模糊PID 复合控制指的是将模糊控制与PID 控制算法有效融合的科学化措施方法，在论域内运用差异化控制措施展开分段或分层次控制，主要指的是大偏差范围内运用模糊控制，小偏差范围内应用PID 控制。自整定模糊PID 控制器以偏差变化率作为关键输入，运用模糊控制理论对PID 参数展开精准化、科学化校正处理。混合型PID 模糊控制器主要由相应的积分控制器和模糊控制器相关联所构建的，其输出是两个控制器输出的有效叠加。

2.2 基于模糊PID的多种耦合方式同步控制

一般情况下，交叉耦合控制、相邻偏差耦合控制、偏差耦合控制和改进型环形交叉耦合控制等与模糊PID控制实现进一步结合，可以实现对PID 参数的有效塑造和重新归总，另外还可以对电机实施相应的速度补偿与优化，以此来实现多电机同步控制[3]。

2.3 基于新型模糊补偿器的多电机同步控制

从整体视角来看，运用模糊控制设计速度补偿器及经过一系列优化改善后的非线性PID 控制设计速度调节器，促使多电机系统在存在大负载扰动情况下呈现出良好的自我调节能力。在此情况下，模糊补偿器往往会被合理划分为同步误差补偿和跟踪误差补偿两种处理单元。在相同时间范围内可以对不同误差加以补偿，不但可以对同步性加以进一步改善，还可以展现出良好的跟踪精准性。

2.4 基于模糊控制的神经网络多电机同步控制

模糊神经网络控制主要指的是运用人工神经网络自学习和适应性与模糊逻辑不确定推理展开进一步融合，其展现出良好的鲁棒性。神经元PID 控制器在神经网络自学习和自适应性的支持下，对PID 参数展开动态化、实时化调整完善，切实提高其整体抗干扰性能，而且可以运用模糊控制器作为相应的速度补偿器，全面提升整体性能。

2.5 基于模糊切换增益调节的多电机同步控制

从整体视角来看，在最小相关轴的基础上，积极运用模糊切换增益调节等滑膜控制措施，可以针对无法控制或不确定性干扰项加以优化补偿，其优势特点体现为确保控制算法的鲁棒性，还可以在根本上削弱滑模控制的抖振问题。

3 多电机系统神经网络逆控制策略

3.1 两电机神经网络逆模糊PID控制实现

一般情况下，神经网络凸显出良好的自学习能力、非线性逼近能力和容错能力，积极运用神经网络展开拟合后的逆系统构建，随后将此逆系统与原系统展开有效串联处理，以此来构建更加完善、科学的两电机神经网络逆伪线性控制系统。两电机神经网络逆控制构建的伪线性系统解耦体现为单输入、单输入子系统的极点平面内合理配置，进一步构成了稳定性更高的子系统，以此来构建出性能良好的伪线性复合系统。结合上述内容和相关数据可以得知，创建两电机神经网络逆控制策略的过程当中应该对以下几点内容产生足够重视：首先，应该确定适宜进行构建的网络结构和模式，对神经网的输出与输入节点的数量进行精准控制；其次，为了保障信号采样的完整性，应该对整体试验范围的各项数据信息进行详细筛选，避免出现错漏情况，该方法能够在最大限度上为采样的精准程度提供保障；最后，需要在根本上确保神经网络离线训练的精准程度，进而对两电机同步系统外部特点的神经网络逆系统进行构建[4]。

从整体视角来看，由两电机神经网络逆系统所组建的伪线性系统能够从本质层面上解决线性化解耦等问题，还能够达到良好的预防成效，而且其所具备的开环系统建模误差问题往往应借助闭环控制器等装置加以管控。传统PID 控制方法的使用范围相对较广，但不会凸显出一定的动态适应能力，在外界条件出现一定变化期间，动态控制性能就无法获得高效保障。模糊控制是当前控制领域当中使用频率较高且范围最广的非线性控制策略，其结合模糊规则展开一系列模糊推理，实现被控对象的模糊控制，模糊控制构建的控制系统展现出良好的鲁棒性。将模糊控制与传统PID 控制技术展开深入结合后可以组建为多样化模糊PID 控制器，其呈现出两种不同的控制算法优势特点。基于一系列模糊判定规则来看，系统可以自主调节PID 参数，进而实现原系统智能化PID 控制，两电机神经网络逆控制系统在实际运行期间随着输入条件更改及干扰因素影响期间，也会实现在线辨识系统特征参数，并对控制参数展开动态化更改，以此来实现控制系统的最优化控制。两电机神经网络逆伪线性系统呈现出开环稳定等线性传递关联性，然而神经网络在拟合源系统期间往往会存在或多或少的误差，因此有效结合模糊PID 闭环控制器，可以构成良好的两电机神经网络逆模糊PID 控制系统。两电机神经网络逆模糊PID 控制流程如图3 所示。

图3： 两电机神经网络逆模糊PID 控制

由研究数据可知，两电机神经网络逆控制方法在实践应用期间展现出良好的线性化解耦优势，无论是速度变化亦或是张力突变，均可以确保电机系统的稳定性，然而两电机神经网络开环控制阶段中会存在相应的稳态误差，当引入模糊PID 闭环控制过程中，稳态误差可以有效消除，两电机神经网络逆模糊PID 控制在根本上展现出良好的动态响应特点和鲁棒性[5]。

3.2 主从控制

以双电机为例，主电机输出作为由电机转速输入参考值，从电机层面对对主电机速度的动态跟踪。然而主从控制策略缺少从机向主机的反馈步骤，所以在具体应用期间，主机大多数以转动惯量大类型的电机为主，从机可以表现为转动惯量相对较小的电机。

3.3 虚拟主轴控制

此概念最早由Meyer 和Lorenz 在研究相对刚度控制期间所提出。该方法的模拟机械总轴具有同步性特性，系统输入信号将会在一定程度上受到总轴的影响，能够根据运作和控制的诗句需求，实时获取单元驱动的参考信号。但是，该信号会经常受到总轴作用和滤波的影响，导致实际获取的信号可能会存在主参考值与电机实际转速变差等问题。

4 控制算法

4.1 模糊神经网络相邻耦合同步控制

在研究工作的进一步深入，多电机系统控制相关算法除了PID 控制以外，还涉及到诸多现代化控制方式，例如神经网络和模糊控制等。多电机同步控制的研究就是指将控制策略与控制算法进行相互结合。模糊神经网络则需要将人工神经网络与模糊逻辑推理之间进行充分融合，基于人工智能产生更具备智能化特征的算法，在性能和效率方面将会大幅度提升。模糊神经网络具备较强的非线性逼近和自学习能力，基本上可以解决复杂系统中的参数时边变和非线性问题。

4.2 自抗扰控制

自抗扰控制结构主要运用“分离性原理”，其中主要会运用到独立设计跟踪微分器、误差反馈以及扩张状态跟踪器等设备，之后将会根据实际需求对各个设备进行组合处理，最终展开相应的试验。其控制器能够对超调量小和速度快二者之间的问题进行有效调控，从而使电机的运行速度能够跟随主电机的运行速度的产生一定变化。

5 结论

综上所述，现如今，多电机系统在电机控制领域中获得了广泛运用，控制策略对多电机同步系统性能起到不可忽视的决策性作用。对于多电机同步问题来说，国内外专业研究人员已经对其展开进一步的分析，并提出多样化同步控制策略。两电机神经网络逆模糊PID 控制能够在最大限度上为系统速度和张力的解耦提供较为强劲的保障。除此之外，针对伪线性化之后的速度和张力也会提供较强的稳定性支撑，为电机控制提供良好的适应作用。