一种基于神经网络在线调整悬浮控制器参数的实现方法

摘要

本发明公开了一种基于神经网络在线调整悬浮控制器参数的实现方法，方法包括：获取悬浮控制器的参考输出数据和悬浮控制器的实际输出数据；根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和预先训练好的神经网络模型进行神经网络辨识，根据辨识后的神经网络模型得到神经网络输出数据；根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和神经网络输出数据进行悬浮控制器参数调整得到整定后的参数。能够利用神经网络模型的非线性映射描述能力和自调整能力，实时的根据环境的变化调整悬浮控制器的控制参数，大幅提高了悬浮控制器的控制性能，减少实际工作过程中因外部干扰和内部参数变化带来的控制性能下降的问题。

说明书

技术领域

本发明涉及磁浮交通悬浮控制系统领域，尤其涉及一种基于神经网络在线调整悬浮控制器参数的实现方法。

背景技术

磁悬浮列车越来越受到欢迎，悬浮控制器是磁浮列车的核心系统之一，它的稳定可靠性直接关系到磁浮列车运行的稳定可靠。在磁浮列车的运行过程中，常见的由于轨道接缝带来的外部环境的干扰和列车负载质量变化带来的内部参数变化等情况的出现，悬浮控制器中原有的固定参数的PID控制器不能根据环境的变化进行调整，当出现上述的外部干扰和内部参数变化等情况，控制性能会变差，会影响列车乘坐的舒适性和安全性，所以需要悬浮控制器的控制参数能够根据实际工作情况进行自调整的方法，更好的保证悬浮控制器的良好性能，保证列车的舒适性和安全性。

因此，对于悬浮系统的稳定可靠运行易受到外部环境干扰和内部参数变化等情况的影响的问题，如何自适应调整悬浮控制器的控制参数，更好的保证悬浮控制器的控制性能，成为本领域技术人员亟需解决的问题。

发明内容

本发明要解决的技术问题是，为减少实际工作过程中因外部干扰和内部参数变化带来的控制性能下降的问题，提供一种基于神经网络在线调整悬浮控制器参数的实现方法，提高了悬浮控制器的控制性能，以保证列车的舒适性和安全性。

本发明解决其技术问题采用的技术方案是：

一种基于神经网络在线调整悬浮控制器参数的实现方法，方法包括以下步骤：

步骤S100：获取悬浮控制器的参考输出数据和悬浮控制器的实际输出数据；

步骤S200：根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和预先训练好的神经网络模型进行神经网络辨识，根据辨识后的神经网络模型得到神经网络输出数据；

步骤S300：根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和神经网络输出数据进行悬浮控制器参数调整得到整定后的参数。

优选地，步骤S200具体为：

步骤S210：根据悬浮控制器的参考输出数据和悬浮控制器的实际输出数据得到第一差值；

步骤S220：根据第一差值和悬浮控制器的实际输出数据得到期望输出数据，其中，悬浮控制器的实际输出数据中包含有悬浮系统的传感器数据；

步骤S230：根据期望输出数据、悬浮控制器的实际输出数据和预先训练好的神经网络模型进行神经网络辨识，根据辨识后的神经网络模型得到神经网络输出数据。

优选地，步骤S220中得到期望输出数据的计算公式为：

其中，k

优选地，步骤S230具体为：

步骤S231：根据预先训练好的神经网络模型计算得到当前的神经网络模型输出数据；

步骤S232：根据悬浮控制器的实际输出数据和当前的神经网络模型输出数据，得到第二差值；

步骤S233：将第二差值和期望输出数据作为输入数据，输入至预先训练好的神经网络模型中对神经网络参数进行辨识，根据辨识后的神经网络模型得到神经网络输出数据。

优选地，步骤S300具体为：

步骤S310：根据悬浮控制器的参考输出数据和悬浮控制器的实际输出数据得到第一差值；

步骤S320：根据第一差值、神经网络输出数据和预设的悬浮控制器参数的性能指标函数，得到悬浮控制器参数的调整量，根据悬浮控制器参数的调整量和预设的悬浮控制器参数范围进行悬浮控制器参数调整得到整定后的悬浮控制器参数。

优选地，步骤S320中得到悬浮控制器参数的调整量，为：

其中，α

优选地，步骤S100之后，还包括：

步骤S400：存储悬浮控制器的参考输出数据和悬浮控制器的实际输出数据。

优选地，步骤S100之后，还包括：

步骤S500：对悬浮控制器的实际输出数据进行数据处理，得到磁悬浮列车的运行状态并发送至上位机，其中，悬浮控制器的实际输出数据至少包括电压、电流、间隙和加速度信息。

优选地，步骤S300之后还包括：

步骤S600：接收实时控制指令，根据实时控制指令以及预设的控制指令与响应操作之间的对应关系，执行与实时控制指令对应的响应操作。

上述基于神经网络在线调整悬浮控制器参数的实现方法，在悬浮控制器中加入了神经网络模型的辨识环节和PID参数调整环节，能够利用神经网络模型的非线性映射描述能力和自调整能力，实时的根据环境的变化调整悬浮控制器的控制参数，大幅提高了悬浮控制器的控制性能，减少实际工作过程中因外部干扰和内部参数变化带来的控制性能下降的问题，更好的保证悬浮控制器的良好性能，保证列车的舒适性和安全性。

附图说明

图1为本发明第一种实施例提供的一种基于神经网络在线调整悬浮控制器参数的实现方法的流程图；

图2为本发明第二种实施例提供的基于神经网络在线调整悬浮控制器参数的实现方法的流程图；

图3为本发明一实施例提供的基于神经网络的悬浮控制器框图；

图4为RBF神经网络的结构示意图；

图5为本发明第三种实施例提供的基于神经网络在线调整悬浮控制器参数的实现方法的流程图；

图6为悬浮系统的数据采集过程图；

图7为悬浮系统的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。

在一个实施例中，如图1所示，提供了一种基于神经网络在线调整悬浮控制器参数的实现方法，包括以下步骤：

步骤S100：获取悬浮控制器的参考输出数据和悬浮控制器的实际输出数据。

其中，悬浮控制器的参考输出数据表示控制器控制悬浮系统稳定运行时的输出数据，悬浮控制器的实际输出数据表示控制器控制悬浮系统运行时实际输出的数据，是通过悬浮系统上各类传感器进行测量输出，包括电压、电流、间隙、加速度等信息输出。

步骤S200：根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和预先训练好的神经网络模型进行神经网络辨识，根据辨识后的神经网络模型得到神经网络输出数据。

其中，神经网络模型具有任意非线性映射的逼近能力和自调整能力，在非线性系统的控制中能发挥巨大的作用，因此，为提高悬浮控制器的控制性能，将神经网络为代表的智能控制技术引入到悬浮控制器，在线的根据工作情况进行控制器参数的调整。

在本实施例中，悬浮控制器的实际输出数据作为输入，结合悬浮控制器的参考输出数据和预先训练好的神经网络模型，对神经网络模型进行辨识，即对神经网络参数进行修正，根据辨识后的神经网络模型得到神经网络输出数据，对神经网络模型进行辨识后得到的神经网络输出数据的准确性更高，可以进一步提高后续处理结果的准确性。

步骤S300：根据悬浮控制器的参考输出数据、悬浮控制器的实际输出数据和神经网络输出数据进行悬浮控制器参数调整得到整定后的参数。

具体地，悬浮控制器的参考输出数据和悬浮控制器的实际输出数据作为输入，根据辨识后的神经网络模型得到的神经网络输出数据也作为输入，进行悬浮控制器参数实时整定得到整定后的悬浮控制器参数，整定后的悬浮控制器参数考虑了实时的环境变化，能达到更好的控制效果。

上述一种基于神经网络在线调整悬浮控制器参数的实现方法，加入了神经网络辨识过程和控制参数调整过程，结合悬浮控制器的参考输出数据将悬浮控制器的输出信息作为神经网络的输入信息，利用神经网络模型的非线性映射描述能力和自调整能力，在线调整悬浮控制器的控制参数，提高控制器的性能，使列车稳定运行，保证列车的舒适性和安全性。

在一个实施例中，如图2所示，步骤S200具体为：

步骤S210：根据悬浮控制器的参考输出数据和悬浮控制器的实际输出数据得到第一差值。

具体地，在本实施例中，如图3所示，悬浮控制器的参考输出数据为r(t)(对应附图中r(k))，悬浮控制器的实际输出数据为Z(t)(对应附图中Z(k))，第一差值为e(t)(对应附图中e(k))，差值表示待调整控制量，公式中的t表示的是连续时间变量。上述这样表示是因为在实际应用中，采用的是离散化控制(K表示离散)，因此，在实际使用时，需要将上式的连续时间变量转换成离散变量进行实现和使用，同样适用于后续公式中表达式中为t而附图中为k的情况，可以依据实际情况进行离散化处理即可。

步骤S220：根据第一差值和悬浮控制器的实际输出数据得到期望输出数据。

具体地，期望输出数据为u(t)，第一差值作为PID控制器(比例-积分-微分控制器)的输入，经过PID控制器的计算后输出期望输出u(t)(一般是电压或者电流输出)作为悬浮系统电磁铁的输入。

进一步地，PID控制环节采用了基于间隙外环+电流内环的PID控制策略。其控制器的输出u(t)表达式为：

其中，k

进一步地，悬浮控制器的实际输出数据中包括了悬浮系统的传感器数据，k

在此需要说明，表达式中的u(t)和附图3中的u(k)表示的是同样的涵义，公式中的t表示的是连续时间变量，k表示离散。

进一步地，可以将式(1)改写成增量形式为：

依据式(2)可得到输出增量对不同参数变化之间的关系为：

其中，Δu为悬浮控制器中PID控制策略的控制输出量，

步骤S230：根据期望输出数据、悬浮控制器的实际输出数据和预先训练好的神经网络模型进行神经网络辨识，根据辨识后的神经网络模型得到神经网络输出数据。

进一步地，步骤S230具体为：

步骤S231：根据预先训练好的神经网络模型计算得到当前的神经网络模型输出数据。具体地，在本实施例中，应用到的神经网络为RBF(Radial basis function network，径向基函数)网络。

步骤S232：根据悬浮控制器的实际输出数据和当前的神经网络模型输出数据，得到第二差值。

步骤S233：将第二差值和期望输出数据作为输入数据，输入至预先训练好的神经网络模型中对神经网络参数进行辨识，根据辨识后的神经网络模型得到神经网络输出数据。

进一步地，辨识环节以RBF网络为核心构成，实际输出数据Z(t)与RBF网络计算输出的输出Z

具体地，在本实施例中，RBF网络输入利用了前一时刻的系统输入和输出相关的数据，是根据基于NARX(Nonlinear AutoRegressive network with eXogenous inputs mode非线性有源自回归)模型神经网络辨识器进行的网络输入选择。RBF神经网络的结构示意图如图4所示。

网络的输入为：

x＝[x

其中，x为RBF神经网络的输入层，包含i个输入的数组。

网络的隐藏层输出为：

h＝[h

其中，h为RBF神经网络的输出层，包含m个隐藏层节点。

网络的权值为：

w＝[w

网络的输出为：

该系统中，对神经网络的隐藏层、输入层和输出层设置神经元个数分别为8个，3个和1个。其中的NARX神经网络参数训练采用附加惯性项的梯度下降法进行迭代：输出权重w

其中，α为学习速率，β为惯性系数，w

隐藏层高斯基函数坐标中心参数c

高斯基函数宽度参数b

利用RBF神经网络辨识系统得到的神经网络模型输出数据z

进一步地，在悬浮硬件系统进行神经网络的实现过程中，采用了分段多项式拟合的方法，将神经网络中的复杂函数利用多项式函数进行实现，可以简化硬件系统中神经网络模型的实现的难度，提高硬件系统的计算效率，保证硬件系统控制的实时性。其中，分段逼近拟合法是通过将作用函数划分成不同的区间，在不同的区间利用简单的函数形式进行拟合逼近的一种方法。由于硬件中加法和乘法是最基础的运算，因此，该方法可以对分段内的作用函数利用多项式函数的形式进行逼近拟合。多项式函数逼近环节可以利用最小二乘法的原理，方法使用的过程中需要合理的选择分区和多项式的最高次数，这种方法在选择的分段区间合适的情况下能够有效的节省运算资源，保证拟合精度。

在一个实施例中，如图5所示，步骤S300具体为：

步骤S310：根据悬浮控制器的参考输出数据和悬浮控制器的实际输出数据得到第一差值。

步骤S320：根据第一差值、神经网络输出数据和预设的悬浮控制器参数的性能指标函数，得到悬浮控制器参数的调整量，根据悬浮控制器参数的调整量和预设的悬浮控制器参数范围进行悬浮控制器参数调整得到整定后的悬浮控制器参数。

具体地，悬浮系统的间隙信号的控制误差：

e(t)＝z(t)-z

其中，z

预设的悬浮控制器参数的性能指标函数为：

则有：

利用梯度下降法即可得到悬浮控制器中的PID控制器参数的调整量：

其中，α

最后，将公式(4)中的神经网络输出数据带入到上式(8)中，可得到PID控制器参数的调整量，结合预设的悬浮控制器参数范围得到调整后的PID参数，调整后的PID参数将作为新值注入到PID控制器之中进行实时控制使用。

在实际使用过程中，为了保证RBF-PID控制器的稳定性，需要对RBF网络权值的调整幅度进行限制，使得悬浮控制器参数在合适的范围内变化，构成稳定的RBF-PID控制器，从而保证悬浮控制器的稳定性。

这种基于神经网络的智能化悬浮控制器首先进行了模型的仿真实验，然后进行了实物硬件系统的神经网络控制器的实现，仿真和实物实验的效果都证明了基于神经网络的智能化控制器在出现外部干扰和内部参数变化等情况下有更好的控制效果。

在一个实施例中，步骤S100之后，还包括步骤S400，步骤S400为存储悬浮控制器的参考输出数据和悬浮控制器的实际输出数据。

具体地，存储的数据至少包括悬浮控制器的参考输出数据和悬浮控制器的实际输出数据，悬浮控制器的实际输出数据中包括有传感器数据，传感器数据包括传感器采集的电压、电流、间隙、加速度以及历史控制输出量信息，进一步地，还包括算法计算的过程信息以及悬浮控制器的状态信息。存储的数据可以用于作为后续神经网络模型的进一步训练，以获取更优的神经网络模型。

在一个实施例中，步骤S100之后，还包括步骤S500，步骤S500为对悬浮控制器的实际输出数据进行数据处理，得到磁悬浮列车的运行状态并发送至上位机，其中，悬浮控制器的实际输出数据至少包括电压、电流、间隙和加速度信息。

在一个实施例中，基于神经网络在线调整悬浮控制器参数的实现方法，步骤S300之后还包括步骤S600，接收实时控制指令，根据实时控制指令以及预设的控制指令与响应操作之间的对应关系，执行与实时控制指令对应的响应操作。其中，实时控制指令可以是用户用于对控制程序进行修改的控制指令。

具体地，悬浮系统的数据采集过程如图6所示，展示了基于神经网络的智能化控制器在实际过程中进行数据采集的流程，包括控制器的输入信号和各个传感器的信号，通过一定的数据处理后作为神经网络的数据输入。

数据处理包括：信号滤波、信号的融合等信号预处理功能。信号滤波是指依据不同信号类型，分别进行信号的低通和高通滤波。对与信号融合，例如将间隙位置信号与加速度二次积分生生成的间隙信号进行进行间隙信号的融合。信号的预处理，例如，通过对滤波后的电流信号、加速度信号进行傅里叶变化，提取主要的频率信息，用于判断车辆的运行状态等。

进一步地，悬浮系统的基本功能图如图7所示，包括悬浮控制器、传感器、网络驱动模块、上位机软件、数据采集模块和IGBT驱动模块，其中，网络驱动模块用于网络通信功能，包含了CAN通信和以太网通信两种方式。CAN通信频率较低，实现长期的将状态信号的上传到司机端屏幕进行监控。以太网，频率较高，实现与悬浮系统上位机进行通信，以便进行程序的在线修改和工作人员对系统的实时监控。

上述基于神经网络在线调整悬浮控制器参数的实现方法，在悬浮控制器中加入了神经网络模型的辨识环节和PID参数调整环节，能够利用神经网络模型的非线性映射描述能力和自调整能力，实时的根据环境的变化调整控制器的参数，大幅提高了悬浮控制器的控制性能，减少实际工作过程中因外部干扰和内部参数变化带来的控制性能下降的问题，更好的保证悬浮控制器的良好性能，保证列车的舒适性和安全性。

以上对本发明所提供的一种基于神经网络在线调整悬浮控制器参数的实现方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。