【文章內(nèi)容簡介】 價比高、抗干擾能力強、可靠性高，能在惡劣的工業(yè)生產(chǎn)環(huán)境中長時間穩(wěn)定可靠運行。 (2）編程、操作簡單方便。編程語言形象直觀，簡單易學(xué)，不易出錯，也不江蘇大學(xué)本科畢業(yè)論文 7 需要專門的計算機高級語言知識。 (3）采用模塊式結(jié)構(gòu)， 通用性好，靈活性大，系統(tǒng)設(shè)計、安裝、調(diào)試簡單，維修方便。 (4）有較強的控制功能和驅(qū)動能力?，F(xiàn)代 PLC 不僅具有邏輯運算、計時、計數(shù)、步進(jìn)控制等功能，而且還能完成 A/D 和 D/A 轉(zhuǎn)換、數(shù)值運算、數(shù)據(jù)處理、矩陣運算以及通信聯(lián)網(wǎng)、生產(chǎn)過程監(jiān)控等。已經(jīng)遠(yuǎn)遠(yuǎn)超過歷史意義上的可編程邏輯控制器的范疇。 在 21 世紀(jì)嶄新工業(yè)控制領(lǐng)域中， PLC 因應(yīng)用面廣、功能強大、使用方便，己經(jīng)成為當(dāng)代工業(yè)自動化的主要支柱之一，在工業(yè)生產(chǎn)的 大多數(shù) 領(lǐng)域得到了廣泛的使用。近年來，我國每年 在 PLC 上 新投 入 約 萬臺套產(chǎn)品，年銷售額 近 30 億元，在我國市場上 流行的有如下幾家公司的產(chǎn)品 (1）施耐德公司，目前包括早期天津儀表廠引進(jìn)莫迪康公司的產(chǎn)品，有 TSX Quantum、 Preminm、 Momentum 等產(chǎn)品； (2）羅克韋爾公司 (包括 AB 公司 )，以前有 PLC 5 等，目前有 SLC ， MicroLogix， ControlLogix 等產(chǎn)品； (3） 西門子公司，目前有 SIMATIC 57400/300/200(含 ET200)系列及 LOGO 等產(chǎn)品； (4） GE Fanuc 公司， 90 系列 PLC、 VersaMax PLC 與 I/O 等產(chǎn)品； (5） 日本歐姆龍 (C， CJI， CS1 系列 )；此外，還有三菱、富士、日立、松下等公司的 PLC 產(chǎn)品，橫河則新加人該行列。 多電機協(xié)調(diào)控制技術(shù)的發(fā)展概況 近年來，隨著工業(yè)生產(chǎn)自動化程度的提高和生產(chǎn)規(guī)模的擴(kuò)大，對各種機械性能和產(chǎn)品質(zhì)量的要求不斷提高，單單針對一臺電機的控制在許多場合己經(jīng)不能滿足現(xiàn)代高科技發(fā)展的要求，而需要人們?nèi)タ刂贫嗯_電機，使其協(xié)調(diào)運行。 當(dāng)各伺服電機之間存在速度、位置等約束時 ， 就需要采取適當(dāng)?shù)目刂撇呗詫Ω麟姍C的運轉(zhuǎn)進(jìn)行協(xié)調(diào)控制。自從 1980 年 Koren 提出交叉耦合控制器以后 [23]， 許多科學(xué)工作者圍繞 多機協(xié)調(diào)控制理論展開了進(jìn)一步的研究 ， 已經(jīng)深入到速度和轉(zhuǎn)角 (位置 ) 雙重同步的多電機協(xié)調(diào)控制 。 Kulkarni 和 Srinivasan 詳細(xì)分析了交叉耦合補償江蘇大學(xué)本科畢業(yè)論文 8 控制策略 ， 并于 1989 年提出了最優(yōu)控制方案 ； Tomizuka 等又將自適應(yīng)前饋控制 用于交叉耦合控制器中 ， 以提高瞬間響應(yīng)和抗干擾能力 [24]； Koren 和 Lo (1991 ,1992) 針對一般性的軌跡曲線提出了變增益交叉耦合控制 ； 近年來 ， 又有許多科學(xué)工作者把魯棒控制、變結(jié)構(gòu)控制、模型參考自適應(yīng)控制、神經(jīng)網(wǎng)絡(luò)與遺傳算法 等 大批的現(xiàn)代控制理論的控制方法應(yīng)用到 多電機協(xié)調(diào)控制中 ， 取得了很好的效果。 本文內(nèi)容安排 全文共分為六章。 第一章為緒論。 第二章介紹神經(jīng)網(wǎng)絡(luò)的基本組成、結(jié)構(gòu)特點和學(xué)習(xí)方法，并重點介紹了 BP神經(jīng)網(wǎng)絡(luò)及其 設(shè)計與不足 。 第三章首先分析三電機同步系統(tǒng)的模型，然后介紹了三變頻調(diào)速電機同步系統(tǒng)的傳統(tǒng)控制方法，最后提出一種基于 BP 神經(jīng)網(wǎng)絡(luò)的控制方案。 第四章介紹三電機同步系統(tǒng)硬件實驗平臺，軟件編程以及整個神經(jīng)網(wǎng)絡(luò)算法的實現(xiàn)過程和系統(tǒng)通訊等。 第五章分析神經(jīng)網(wǎng)絡(luò)控制方法的實驗效果，并與傳統(tǒng) PID 控制方 法進(jìn)行比較，驗證神經(jīng)網(wǎng)絡(luò)控制方法的有效性和先進(jìn)性。 第六章 根據(jù) 本 論文 所做 工作 及實驗結(jié)果 ， 得出了最后結(jié)論 及相關(guān)展望 。 江蘇大學(xué)本科畢業(yè)論文 9 第二章 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ) 神經(jīng)網(wǎng)絡(luò)模型 神經(jīng)網(wǎng)絡(luò)是指由大量與生物神經(jīng)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)細(xì)胞相類似的人工神經(jīng)元互相連接而組成的網(wǎng)絡(luò) ； 或由大量像生物神經(jīng)元的處理單元并聯(lián)互連而成 ， 這種神經(jīng)網(wǎng)絡(luò)具有某些智能和仿人控制功能 。 為了模擬大腦的基本特性 ， 在神經(jīng)科學(xué)研究的基礎(chǔ)上 ， 提出了神經(jīng)網(wǎng)絡(luò)的模型 。 但是 ， 實際上神經(jīng)網(wǎng)絡(luò)并沒用完全反映大腦的功能，只是對生物神經(jīng)網(wǎng)絡(luò)進(jìn)行某種抽象 、 簡化和模擬 。 神經(jīng)網(wǎng)絡(luò)的信息處理通過神經(jīng)元的相互作用來實現(xiàn) ， 知識和信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互聯(lián)分布式的物理聯(lián)系 。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和識別取決于各神經(jīng)元連接權(quán)系數(shù)的動態(tài)演化過程。 人工神經(jīng)元的結(jié)構(gòu)模型 人腦神經(jīng)元是組成神經(jīng)系統(tǒng)的最基本單元，它們之間互相連接。神經(jīng)元由細(xì)胞及其發(fā)出的許多突起構(gòu)成 。 細(xì)胞體是神經(jīng)元的中心，它一般又由細(xì)胞核 、 細(xì)胞膜組成。突起的作用是傳遞信息，作為輸入信號的若干個突起 ， 稱為樹突 ； 作為輸出端的突起只有一個 ， 稱為軸突。樹突與軸突一一對接，從而把眾多的神經(jīng)元連成一個神經(jīng)元網(wǎng)絡(luò) 。 人工神經(jīng)元是對人腦神經(jīng)元的一種模擬與簡化 ， 它是 神經(jīng)網(wǎng)絡(luò)的基本處理單元。 一個 典型的人工神經(jīng)元模型 如 圖 21 所示： ...winwi1i 2x1x2xn ? )(?f?i yi 圖 21 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 從圖中可看出 它是 一個 多輸入、單輸出的非線性元件，其輸 入 、 輸出關(guān)系可江蘇大學(xué)本科畢業(yè)論文 10 描述為 ： 1ni ij j ijI w x ????? （ 21） ()iiy f I? （ 22） 其中 jx (j = 1,2? ,n)是從其它神經(jīng)元傳來的輸入信號 ； ijw 表示從神經(jīng)元 j到神經(jīng)元 i 的 連接權(quán)值 ； i? 為 閥 值 或偏差； ()f? 為 激勵 函數(shù)。 激勵 函數(shù) ()f? 可取不同的函數(shù)，常用的基本激勵函數(shù)有以下三種 [25]： （ 1） 閥 值 函數(shù) ??? ??? 0,0 0,1)( xxxf 若若 （ 23） 該函數(shù)通常也稱為階躍函數(shù)，如圖 22所示。若激勵函數(shù)采用階躍函數(shù)，則圖 21 所示的人工神經(jīng)元模型即是著名的 MP 模型。此時神經(jīng)元的輸出取 1或 0，反映了神經(jīng)元的興奮或抑制。 10 xf ( x ) 圖 22 閥 值 函數(shù) （ 2） 分?jǐn)嗑€性函數(shù) ?????????????1,111,1,1)(xxxxxf （ 24） 該函數(shù)在 [1， +1]線性區(qū)內(nèi)的放大系數(shù)是一致的，如圖 23 所示，這種激勵函數(shù)可看作是非線性放大器的近似。 江蘇大學(xué)本科畢業(yè)論文 11 f ( x )0 1 1 11x 圖 23 分?jǐn)嗑€性函數(shù) （ 3） Sigmoid 函數(shù) Sigmoid 函數(shù) 也稱 s型函數(shù)。到目前為止，它是人工神經(jīng)網(wǎng)絡(luò)中最常用的激勵函數(shù)。 s 型函數(shù)定義如下： )ex p (1 1)( axxf ??? （ 25） 其中 a是 Sigmoid 函數(shù)的斜率參數(shù)，通過改變參數(shù) a，我們會獲得不同斜率的 Sigmoid 函數(shù) ，如圖 24所示。 0 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 91 1 0 8 6 4 2 0 2 4 6 8 1 0a 增 大 圖 24 Sigmoid 函數(shù) 神經(jīng)網(wǎng)絡(luò)的互聯(lián)模式 利用神經(jīng)元可以構(gòu)成各種不同拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接有如下幾種形式 [26]。 （ 1） 前向網(wǎng)絡(luò) 江蘇大學(xué)本科畢業(yè)論文 12 ?… 圖 25 前向網(wǎng)絡(luò)結(jié)構(gòu) 前向網(wǎng)絡(luò)結(jié)構(gòu)如圖 25所示，神經(jīng)元分層排列，分別組成輸入層、中間層 (也稱為隱含層，可以由若干層組成 )和輸出層。這種神經(jīng)網(wǎng)絡(luò)的特點是每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸 入，后面的層對前面層沒用信號反饋。每個神經(jīng)元可以從前一層接受多個輸入，并只有一個輸出傳給下一層神經(jīng)元。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層上得到輸出。感知機網(wǎng)絡(luò)和 BP 神經(jīng)網(wǎng)絡(luò)均屬于前向網(wǎng)絡(luò)。 （ 2） 有反饋的前向網(wǎng)絡(luò) 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu)如圖 26所示，其輸出層到輸入層有反饋，每一個節(jié)點都同時接受外來輸入和來自其它節(jié)點的反饋輸入，其中也包括神經(jīng)元輸出信號引回到自身輸入構(gòu)成的自環(huán)反饋。所有的節(jié)點都是一樣的，它們之間都是相互連接的。這種網(wǎng)絡(luò)可用于存儲某種模式序列，如神經(jīng)認(rèn)知機和回歸 BP 網(wǎng)絡(luò)都屬于這種類型。 圖 26 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu) （ 3） 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò) 江蘇大學(xué)本科畢業(yè)論文 13 圖 27 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)結(jié)構(gòu) 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)如圖 27 所示，通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮機制。這樣可以限制每層內(nèi)可以同時動作的神經(jīng)元，或者把每層內(nèi)的神經(jīng)元分為若干組，讓每一組作為一個整體進(jìn)行運作。例如，可以利用橫向抑制機理把某層內(nèi)具有最大輸出的神經(jīng)元挑選出來，從而抑制其 它 神經(jīng) 元，使之處于無輸出的狀態(tài)。 （ 4） 相互結(jié)合型網(wǎng)絡(luò) (全互連或部分互連 ) 相互結(jié)合型網(wǎng)絡(luò)如圖 28所示，這種網(wǎng)絡(luò)在任意兩個神經(jīng)元之間都可能有連接。 Hopfield 網(wǎng)絡(luò)和 Boltzmann 機均屬于這種類型。在無反饋的前向網(wǎng)絡(luò)中，信號一旦通過某神經(jīng)元，該神經(jīng)元的處理就結(jié)束了。而在相互結(jié)合網(wǎng)絡(luò)中，信號要在神經(jīng)元之間的反復(fù)傳遞，網(wǎng)絡(luò)處于一種不斷改變狀態(tài)的動態(tài)之中。信號從某初始狀態(tài)開始，經(jīng)過若干次變化，才會達(dá)到某種平衡狀態(tài)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)的運行還有可能進(jìn)人周期振蕩或其他如混沌等平衡狀態(tài)。 圖 28 相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu) 神經(jīng)網(wǎng)絡(luò)控制 所謂的神經(jīng)網(wǎng)絡(luò)控制，即基于神經(jīng)網(wǎng)絡(luò)的控制或簡稱神經(jīng)控制，是指在控制江蘇大學(xué)本科畢業(yè)論文 14 系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)這一工具對難以精確描述的復(fù)雜的非線性對象進(jìn)行建模，或充當(dāng)控制器，或優(yōu)化計算，或進(jìn)行推理，或故障診斷等，以及同時兼有上述某些功能的適應(yīng)組合，將這樣的系統(tǒng)稱為基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)，稱這種控制方式為神經(jīng)網(wǎng)絡(luò)控制。神經(jīng)網(wǎng)絡(luò)應(yīng)用于控制系統(tǒng)設(shè)計主要是針對系統(tǒng)的非線性、不確定性和復(fù)雜性。由于神經(jīng)網(wǎng)絡(luò)的適應(yīng)能力、并行處理能力和它的魯棒性，使 得采用神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)具有更強的適應(yīng)性和魯棒性。 反饋控制系統(tǒng)結(jié)構(gòu)圖如圖 29 所示，其中神經(jīng)網(wǎng)絡(luò)在反饋控制系統(tǒng)中直接充當(dāng)控制器。以此為例，分析了神經(jīng)網(wǎng)絡(luò)控制的基本原理。 N N C被 控 對 象ueyy r圖 29 神經(jīng)網(wǎng)絡(luò)反饋系統(tǒng)控制結(jié)構(gòu)圖 其中， ry 表示期望輸出， y 表示系統(tǒng)實際輸出， u 表示控制器的輸出， e 表示系統(tǒng)誤差。 與模糊控制不同，神經(jīng)網(wǎng)絡(luò)不善于用顯式表達(dá)。但是它具有很強的逼近非線性函數(shù)的能力，即非線性映射能力。把神經(jīng)網(wǎng)絡(luò)用于控制正 是利用這個獨特的優(yōu)點。在反饋控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)作為控制器，它的工作原理如下： 設(shè)被控對象的輸入 u 和系統(tǒng)輸出 y 之間滿足如下非線性函數(shù)關(guān)系 )(ugy? （ 26） 控制的目的是確定最佳的控制量輸入 u，使系統(tǒng)的實際輸出 y 等于期望的輸出 ry 。在該系統(tǒng)中，可把神經(jīng)網(wǎng)絡(luò)的功能看作輸入輸出的某種映射，或稱函數(shù)變換，并設(shè)它的函數(shù)關(guān)系為： )( ryfu? （ 27） 為了滿足系統(tǒng)輸出 y等于期望的輸出 ry ，將式 (26)代入式 (27)，可得 江蘇大學(xué)本科畢業(yè)論文 15 ? ?)( ryfgy ? （ 28） 顯然，當(dāng) )()( 1 xgxf ?? 時，滿足 ryy? 的要求。 由于要采用神經(jīng)網(wǎng)絡(luò)控制的被控對象一般是復(fù)雜的且多有不確定性，因此非線性函數(shù) g(x)是難以建 立的，可以利用神經(jīng)網(wǎng)絡(luò)具有逼近非線性函數(shù)的能力來模擬 )(1 xg? ，盡管 g(x)的形式未知，但通過系統(tǒng)的實際輸出 y 與期望輸出 ry 之間的誤差來調(diào)整神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值，即讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，直至誤差0??? yye r 的過程就是神經(jīng)網(wǎng)絡(luò)模擬的過程，它實際上是對被控對象的一種求逆過程，這就是神經(jīng)網(wǎng)絡(luò)實現(xiàn)直接控制的基本原理。 BP 神經(jīng)網(wǎng)絡(luò) … … …u y 圖 210 BP 網(wǎng)絡(luò)結(jié)構(gòu) BP 網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖 210 所示。由圖可見，BP網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連接。當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各隱含層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實際誤差的方向，從輸出層經(jīng)過各隱含層逐層修改各連接權(quán)值，最后回到輸入