一种基于神经网络在线调整悬浮控制器参数的实现方法技术

本发明专利技术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。降的问题。降的问题。

【技术实现步骤摘要】
一种基于神经网络在线调整悬浮控制器参数的实现方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]本专利技术解决其技术问题采用的技术方案是：
[0006]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：
[0007]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；
[0008]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；
[0009]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。
[0010]优选地，步骤S200具体为：
[0011]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；
[0012]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；
[0013]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。
[0014]优选地，步骤S220中得到期望输出数据的计算公式为：
[0015][0016][0017][0018]其中，k
c
为电流内环的比例系数，k
p
、k
i
、k
d
分别为间隙外环中比例、积分、微分系数，e(t)为t时刻的第一差值，为第一差值的一阶微分，Δu为悬浮控制器中PID控制策略的控制输出量，为Δu对PID控制器中比例系数k
p
的偏微分。
[0019]优选地，步骤S230具体为：
[0020]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；
[0021]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；
[0022]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。
[0023]优选地，步骤S300具体为：
[0024]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；
[0025]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。
[0026]优选地，步骤S320中得到悬浮控制器参数的调整量，为：
[0027][0028][0029][0030]其中，α
p
α
i
α
d
是各个参数的学习速率因子，E为预设的悬浮控制器参数的性能指标函数，Δk
p
为比例参数k
p
的梯度，为E对Δk
p
的偏微分，为悬浮控制器的Jacobian信息。
[0031]优选地，步骤S100之后，还包括：
[0032]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。
[0033]优选地，步骤S100之后，还包括：
[0034]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。
[0035]优选地，步骤S300之后还包括：
[0036]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。
[0037]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
[0038]图1为本专利技术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；
[0039]图2为本专利技术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；
[0040]图3为本专利技术一实施例提供的基于神经网络的悬浮控制器框图；
[0041]图4为RBF神经网络的结构示意图；
[0042]图5为本专利技术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；
[0043]图6为悬浮系统的数据采集过程图；
[0044]图7为悬浮系统的结构框图。
具体实施方式
[0045]为了使本
的人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术作进一步的详细说明。
[0046]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：
[0047]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。
[0048]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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络在线调整悬浮控制器参数的实现方法，其特征在于，所述方法包括以下步骤：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：根据所述悬浮控制器的参考输出数据、所述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：根据所述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所述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。2.根据权利要求1所述的方法，其特征在于，步骤S200具体为：步骤S210：根据所述悬浮控制器的参考输出数据和所述悬浮控制器的实际输出数据得到第一差值；步骤S220：根据所述第一差值和所述悬浮控制器的实际输出数据得到期望输出数据，其中，所述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：根据所述期望输出数据、所述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。3.根据权利要求2所述的方法，其特征在于，步骤S220中得到期望输出数据的计算公式为：其中，k
c
为电流内环的比例系数，k
p
、k
i
、k
d
分别为间隙外环中比例、积分、微分系数，t表示的是连续时间变量，e(t)为t时刻的第一差值，为第一差值的一阶微分，Δu为悬浮控制器中PID控制策略的控制输出量，为Δu对PID控制器中比例系数k
p
的偏微分。4.根据权利要求2所述的方法，其特征在于，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：根据所述悬浮控制器的实际输出数据和所述当前的神经网络模型输出数据...

【专利技术属性】
技术研发人员：余佩倡，马丹瑞，崔玉萌，陈强，王连春，李杰，周丹峰，
申请(专利权)人：中车唐山机车车辆有限公司，
类型：发明
国别省市：