基于Q学习优化BP神经网络的BLDCM转速PID控制

doi:10.13229/j.cnki.jdxbgxb20200580

吉林大学学报(工学版) ›› 2021, Vol. 51 ›› Issue (6): 2280-2286.doi: 10.13229/j.cnki.jdxbgxb20200580

• 通信与控制工程 • 上一篇

基于Q学习优化BP神经网络的BLDCM转速PID控制

王宏志^1,²(),王婷婷¹,胡黄水³(),鲁晓帆³

^1.长春工业大学机电工程学院，长春 130012
^2.长春工业大学计算机科学与工程学院，长春 130012
^3.吉林建筑科技学院计算机科学与工程学院，长春 130114

收稿日期:2020-07-30 出版日期:2021-11-01 发布日期:2021-11-15
通讯作者: 胡黄水 E-mail:wanghongzhi@ccut.edu.cn;huhs08@163.com
作者简介:王宏志（1961-），男，教授，博士生导师. 研究方向：数字信号处理及智能控制.E-mail：wanghongzhi@ccut.edu.cn
基金资助:
国家自然科学基金项目(61803044);吉林省发改委项目(2019C054-4);吉林省科技计划项目(20200201009JC)

PID control based on BP neural network optimized by Q⁃learning for speed control of BLDCM

Hong-zhi WANG^1,²(),Ting-ting WANG¹,Huang-shui HU³(),Xiao-fan LU³

^1.School of Mechatronic Engineering，Changchun University of Technology，Changchun 130012，China
^2.School of Computer Science and Engineering，Changchun University of Technology，Changchun 130012，China
^3.School of Computer Science and Engineering，Jilin University of Architecture and Technology，Changchun 130114，China

Received:2020-07-30 Online:2021-11-01 Published:2021-11-15
Contact: Huang-shui HU E-mail:wanghongzhi@ccut.edu.cn;huhs08@163.com

摘要/Abstract

摘要：

为了提高无刷直流电机（BLDCM）的工作稳定性，设计了一种基于Q学习算法优化的BP神经网络控制器（QBP-PID）。QBP-PID利用BP神经网络（BPNN）对PID增益进行调节，并且引入Q学习的最优策略来修正权值动量项因子，优化BPNN中的关键权值，使得控制器具有更好的学习能力和在线修正能力。仿真结果表明：相比传统的PID、模糊PID（Fuzzy-PID）和BP神经网络PID（BP-PID），QBP-PID的自适应能力、抗干扰能力和鲁棒性更强。

关键词: 控制理论与控制工程, 无刷直流电机, PID控制器, BP神经网络, Q学习

Abstract:

In order to improve the stability of Brushless DC Motor (BLDCM), a method of Q-learning algorithm optimized BP neural network PID controller (QBP-PID) is proposed. QBP-PID uses BP Neural Network (BPNN) to adjust the PID gain, and then optimizes the key weights in BPNN by modifying the weight momentum factor through Q-learning. Therefore the controller has better learning and online correction abilities, and the BLDCM can achieve better control effect. The simulation results show that QBP-PID has better adaptive ability, anti-interference ability and stronger robustness than the traditional PID, Fuzzy PID (Fuzzy-PID) and BP neural network PID (BP-PID) controllers.

Key words: control theory and control engineering, brushless direct current motor（BLDCM）, proportion integration differentiation controller, back propagation neural network（BPNN）, Q-learning

中图分类号:

TP273

王宏志,王婷婷,胡黄水,鲁晓帆. 基于Q学习优化BP神经网络的BLDCM转速PID控制[J]. 吉林大学学报(工学版), 2021, 51(6): 2280-2286.

Hong-zhi WANG,Ting-ting WANG,Huang-shui HU,Xiao-fan LU. PID control based on BP neural network optimized by Q⁃learning for speed control of BLDCM[J]. Journal of Jilin University(Engineering and Technology Edition), 2021, 51(6): 2280-2286.

图/表 8

图1

图2

图3

图4

表1

BLDCM仿真参数"

参数	数值
额定电压/V	470
额定电流/A	50
定子电阻相/Ω	3
定子相电感/H	0.001
电压常数/（V·r^-1·min）	0.1466
转矩常数/（N·m·A^-1）	1.4
转动惯量/（kg·m²·rad^-1）	0.0008
阻力因子/（N·m·s·rad^-1）	0.001
极对数 $P$	4

表1

图5

图6

图7

参考文献 15

1	张厚升,李震梅,边敦新,等.电动汽车用三相开绕组永磁同步电机的控制及容错运行[J].吉林大学学报:工学版,2020,50(3):784-795.
	Zhang Hou-sheng, Li Zhen-mei, Bian Dun-xin, et al. Control and fault-tolerant operation of TPOW-PMSM for electric vehicle[J].Journal of Jilin University(Engineering and Technology Edition), 2020, 50(3): 784-795.
2	Yadav A K, Gaur P. An optimized and improved STF-PID speed control of throttle controlled HEV[J]. Arabian Journal for Science and Engineering, 2016, 41(9): 3749-3760.
3	Joseph G A, Sankaranarayanan V. A new electric braking system with energy regeneration for a BLDC motor driven electric vehicle[J]. Engineering Science and Technology, 2018, 21: 704-713.
4	Premkumar K, Manikandan B V. Fuzzy PID supervised online ANFIS based speed controller for brushless DC motor[J]. Neurocomputing, 2015, 157(6): 76-90.
5	Afrasiabi N, Yazdi M H. Sliding mode controller for DC motor speed control[J]. Global Journal of Science, Engineering, and Technology, 2013, 11: 45-50.
6	Gundogdu T, Komurgoz G. Self-tuning PID control of a brushless DC motor by adaptive interaction[J]. IEEJ Transaction on Electrical and Electronic Engineering, 2014, 9(4): 384-390.
7	Ramya A, Ahamed I, Balaji M. Hybrid self tuned fuzzy PID controller for speed control of brushless DC motor[J]. Automatika, 2016, 57(3): 672-679.
8	王欣, 梁辉, 秦斌. 基于OSELM的无刷直流电机无位置传感器控制[J]. 电机与控制学报, 2018, 22(11): 82-88.
	Wang Xin, Liang Hui, Qin Bin. Sensorless control for brushless DC motors based on OSELM[J]. Electric Machines and Control, 2018, 22(11): 82-88.
9	李静, 左斌, 胡云安. 时延Elman递归神经网络及其在PMSM的混沌控制中的应用[J]. 吉林大学学报:工学版, 2008,38(2):214-219.
	Li Jing, Zuo Bin, Hu Yun-an. Time delay Elman recurrent neural network and its application in PMSM chaos control[J]. Journal of Jilin University (Engineering and Technology Edition), 2008,38(2):214-219.
10	李国勇, 杨丽娟. 神经·模糊·预测控制及其Matlab实现[M]. 北京:电子工业出版社, 2013.
11	王同旭, 马鸿雁, 聂沐晗. 电梯用永磁同步电机BP神经网络PID调速控制方法的研究[J]. 电工技术学报, 2015():52-56.
	Wang Tong-xu, Ma Hong-yan, Nie Mu-han. The research of PMSM BP neural network PID Control in elevator[J]. Transations of China Electrotechnical Society, 2015(Sup.1):52-56.
12	汪伟, 谭伦农, 杨泽斌, 等. 无轴承异步电机BP神经网络PID控制[J]. 电力电子技术, 2018, 52(11):32-35.
	Wang Wei, Tan Lun-nong, Yang Ze-bin, et al. The PID control for a bearingless induction motor based on BP neural network[J]. Power Electronics, 2018, 52(11):32-35.
13	司彦娜, 普杰信, 臧绍飞. 基于残差梯度法的神经网络Q学习算法[J]. 计算机工程与应用, 2020, 56(18):137-142.
	Si Yan-na, Pu Jie-xin, Zang Shao-fei. Neural network Q learning algorithm based on residual gradient method[J]. Computer Engineering and Applications, 2020, 56(18):137-142.
14	Watkins C J C H, Dayan P. Q-learning[J]. Machine Learning, 1992, 8(3/4): 279-292.
15	Hu H S, Wang T T, Zhao S Y, et al. Speed control of brushless direct current motor using a genetic algorithm-optimized fuzzy proportional integral differential controller[J]. Advances in Mechanical Engineering, 2019, 11(11): 1-13.

相关文章 15

[1]	杨世军,裴玉龙,潘恒彦,程国柱,张文会. 城市公交车辆驻站时间特征分析及预测[J]. 吉林大学学报(工学版), 2021, 51(6): 2031-2039.
[2]	冯建鑫,王强,王雅雷,胥彪. 基于改进量子遗传算法的超声电机模糊PID控制[J]. 吉林大学学报(工学版), 2021, 51(6): 1990-1996.
[3]	马彦,黄健飞,赵海艳. 基于车间通信的车辆编队控制方法设计[J]. 吉林大学学报(工学版), 2020, 50(2): 711-718.
[4]	毛艳,成凯. 基于Hopfield神经网络的单缸插销式伸缩臂伸缩路径优化[J]. 吉林大学学报(工学版), 2020, 50(1): 53-65.
[5]	高振海,孙天骏,何磊. 汽车纵向自动驾驶的因果推理型决策[J]. 吉林大学学报(工学版), 2019, 49(5): 1392-1404.
[6]	陈磊,王江锋,谷远利,闫学东. 基于思维进化优化的多源交通数据融合算法[J]. 吉林大学学报(工学版), 2019, 49(3): 705-713.
[7]	刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[8]	王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[9]	黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[10]	邓丽飞, 石要武, 朱兰香, 于丁力. SI发动机闭环系统故障检测[J]. 吉林大学学报(工学版), 2017, 47(2): 577-582.
[11]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.
[12]	高明亮，于生宝，郑建波，徐畅，张堃，栾卉. PSBP在高密度电阻率法二维反演中的应用[J]. 吉林大学学报(工学版), 2015, 45(6): 2026-2033.
[13]	李寿涛，田微，郭鹏程，马用学，张浩，王楠. 基于模糊自适应的BP神经网络动态行驶车辆车长测算[J]. 吉林大学学报(工学版), 2015, 45(6): 1881-1886.
[14]	闫楚良, 郝云霄, 刘克格. 基于遗传算法优化的BP神经网络的材料疲劳寿命预测[J]. 吉林大学学报(工学版), 2014, 44(6): 1710-1715.
[15]	陈莉, 孙永海, 付天宇, 丁健峰. 羊肚菌胞外多糖快速估测方法[J]. 吉林大学学报(工学版), 2014, 44(2): 567-572.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于Q学习优化BP神经网络的BLDCM转速PID控制

PID control based on BP neural network optimized by Q⁃learning for speed control of BLDCM

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 15

相关文章 15

Metrics

本文评价

推荐阅读 0