基于BP神經(jīng)網(wǎng)絡(luò)的BLDCM換相控制系統(tǒng)設(shè)計(jì)

石科帥+忻尚芝+張宇慧+沈海鷹

摘 要：直流無(wú)刷電機(jī)是一個(gè)多變量、強(qiáng)耦合的非線性系統(tǒng)，針對(duì)直流無(wú)刷電機(jī)換相時(shí)抖動(dòng)比較明顯、速度調(diào)節(jié)時(shí)的準(zhǔn)確性也存在誤差等缺點(diǎn)，通過(guò)無(wú)線傳輸模塊實(shí)現(xiàn)了Matlab與stm32之間的通訊，建立了基于Matlab與stm32的電機(jī)遠(yuǎn)程控制系統(tǒng)，實(shí)現(xiàn)了上位機(jī)對(duì)電機(jī)的遠(yuǎn)程控制。與此同時(shí)，還采用對(duì)直流無(wú)刷電機(jī)換相時(shí)間采樣與樣本訓(xùn)練分離的策略，解決了stm32的運(yùn)算能力差的問(wèn)題，并利用Matlab的強(qiáng)大運(yùn)算能力，實(shí)現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)在BLDCM換相控制系統(tǒng)中的應(yīng)用。實(shí)驗(yàn)表明，基于BP神經(jīng)網(wǎng)絡(luò)的BLDCM換相控制系統(tǒng)有利于提高電機(jī)的控制精度及動(dòng)態(tài)性能。該系統(tǒng)將在智能化的控制領(lǐng)域擁有更廣闊的空間。

關(guān)鍵詞：無(wú)刷直流電機(jī)；Matlab；stm32；BP神經(jīng)網(wǎng)絡(luò)

DOIDOI：10.11907/rjdk.171343

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：1672-7800（2017）008-0079-04

0 引言

直流無(wú)刷電機(jī)（Brusldess DC Motor，BLDCM）具有低速大轉(zhuǎn)矩、速度范圍寬、運(yùn)行效率高、過(guò)載能力強(qiáng)、體積小、重量輕、功率大、無(wú)機(jī)械換向器控制系統(tǒng)等優(yōu)點(diǎn)，廣泛應(yīng)用于電力機(jī)車(chē)、電動(dòng)自行車(chē)、城軌車(chē)輛、冰箱、空調(diào)等領(lǐng)域。但是由于電機(jī)內(nèi)部或外界的非線性干擾，直流無(wú)刷電機(jī)換相時(shí)抖動(dòng)比較明顯，速度調(diào)節(jié)時(shí)的準(zhǔn)確性也存在誤差， 大大地限制了其在精度較高的伺服系統(tǒng)中的應(yīng)用[1]。

BP神經(jīng)網(wǎng)絡(luò)具有非線性映射逼近、分布式信息優(yōu)化處理、自適應(yīng)學(xué)習(xí)等能力，能夠很好地解決在不明確運(yùn)行環(huán)境的情況下，特別是比較復(fù)雜并且控制變量不能呈現(xiàn)線性變化的問(wèn)題[2]，從而使得控制部分魯棒性能增強(qiáng)，擁有適應(yīng)較高需求的動(dòng)靜態(tài)能力[3]。本文提出基于stm32和Matlab的BP神經(jīng)網(wǎng)絡(luò)控制理論，并將其應(yīng)用于無(wú)刷直流電機(jī)的換相時(shí)間控制部分，以此增強(qiáng)電機(jī)運(yùn)行的穩(wěn)定性、平滑性，從而達(dá)到準(zhǔn)確性更高、抗干擾信號(hào)能力強(qiáng)的穩(wěn)定準(zhǔn)確的控制系統(tǒng)效果。

1 總體設(shè)計(jì)

本設(shè)計(jì)主要流程分為3個(gè)部分：①基于stm32的換項(xiàng)到過(guò)零點(diǎn)間隔時(shí)間的數(shù)據(jù)采樣；②stm32與上位機(jī)（Matlab環(huán)境下）間的數(shù)據(jù)通信；③在設(shè)計(jì)環(huán)節(jié)中，借助于采樣數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲取BP神經(jīng)網(wǎng)絡(luò)權(quán)值，建立換項(xiàng)到過(guò)零點(diǎn)間隔與換項(xiàng)時(shí)刻的非線性映射，以此避免遭受、負(fù)載變化等外界因素對(duì)換項(xiàng)時(shí)刻的影響，提高檢測(cè)精度；在執(zhí)行環(huán)節(jié)，利用建立的BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)電機(jī)的平穩(wěn)換向，提高電機(jī)運(yùn)行的穩(wěn)定性。系統(tǒng)的設(shè)計(jì)框架如圖1所示，包括數(shù)據(jù)采集模塊（stm32）、無(wú)線傳輸模塊（WSN-1101）和數(shù)據(jù)處理模塊（Matlab平臺(tái)）[4]。

2 基于stm32的數(shù)據(jù)采集原理及實(shí)現(xiàn)

2.1 換相時(shí)間采集原理

一種比較簡(jiǎn)單的做法是近似認(rèn)為轉(zhuǎn)子轉(zhuǎn)速在0～60°的小范圍區(qū)間內(nèi)基本是恒定的：從AB相開(kāi)始通電到檢測(cè)出C相過(guò)零的前半段時(shí)間，基本等于后半段的時(shí)間[5]。所以只要記錄從換相開(kāi)始到過(guò)零點(diǎn)間的時(shí)間T1，然后從當(dāng)前時(shí)刻開(kāi)始再等待相同的時(shí)間，就可以換相了。以此類(lèi)推可以得出：從AC導(dǎo)通到檢測(cè)到B相過(guò)零點(diǎn)后時(shí)間間隔T2進(jìn)行換相，BC導(dǎo)通到檢測(cè)到A相過(guò)零點(diǎn)后時(shí)間間隔T3進(jìn)行換相，BA導(dǎo)通到檢測(cè)到C相過(guò)零點(diǎn)后時(shí)間間隔T4進(jìn)行換相，CA導(dǎo)通到檢測(cè)到B相過(guò)零點(diǎn)后時(shí)間間隔T5進(jìn)行換相，CB導(dǎo)通到檢測(cè)到C相過(guò)零點(diǎn)后時(shí)間間隔T6進(jìn)行換相。即T（i）=Z（i）-P（i），其中：1≤i≤6，T（i）為檢測(cè)到過(guò)零點(diǎn)后到換相的延時(shí)時(shí)間，Z（i）為第i次反電動(dòng)勢(shì)過(guò)零點(diǎn)時(shí)刻，P（i）為第i次換相開(kāi)始時(shí)的時(shí)刻。圖2為6種通電情形下各繞組感生電動(dòng)勢(shì)和換相時(shí)間[6-7]。

2.2 樣本更新與換相時(shí)間采集

為了獲得從換項(xiàng)開(kāi)始到過(guò)零點(diǎn)的時(shí)間間隔與換項(xiàng)時(shí)刻的非線性映射，需要大量的樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為此需要按照如下步驟進(jìn)行采樣：①上位機(jī)通過(guò)串口給stm32發(fā)送已知速度指令；②進(jìn)入換相狀態(tài)時(shí)清空時(shí)間計(jì)數(shù)值Time1并進(jìn)行向上計(jì)數(shù)，當(dāng)檢測(cè)到過(guò)零點(diǎn)時(shí)Time1停止向上計(jì)數(shù)并把當(dāng)前值存儲(chǔ)到對(duì)應(yīng)的ai[n]數(shù)組中；③Time1進(jìn)行向下計(jì)數(shù)直到遞減到零，并進(jìn)行換相；④循環(huán)第二步便可得到6組一維組換相時(shí)間數(shù)組，由此便可得到6個(gè)換相時(shí)間Ti：Ti=（∑j≤n-1j=0ai[j]）÷n（1≤i≤6），由式（1）和式（2）可獲得當(dāng)前速度下的真實(shí)換相時(shí)間d=5/（n*p）；⑤當(dāng)完成步驟④的工作時(shí)，上位機(jī)通過(guò)串口給stm32發(fā)送新的速度指令，同時(shí)接收并記錄由stm32反饋過(guò)來(lái)的6個(gè)換相時(shí)間Ti；⑥重復(fù)步驟②，便可獲取多組實(shí)驗(yàn)樣本和對(duì)應(yīng)的期望值。n=60*f /p（1）

f=30/（360*d）=1/（12*d）（2）

其中：n代表轉(zhuǎn)速，f代表定子旋轉(zhuǎn)磁場(chǎng)的頻率，d換相時(shí)間的期望值。

圖3為整體控制流程。

3 stm32與上位機(jī)間數(shù)據(jù)通信

3.1 通訊模塊硬件設(shè)計(jì)

數(shù)據(jù)采樣模塊和樣本訓(xùn)練模塊的分離是本設(shè)計(jì)的一大亮點(diǎn)，這樣既減輕了stm32的運(yùn)算和存儲(chǔ)負(fù)擔(dān)，也縮短了樣本訓(xùn)練時(shí)間。遠(yuǎn)程控制與Matlab對(duì)樣本的獲取都建立在數(shù)據(jù)通訊的基礎(chǔ)上。針對(duì)無(wú)線通訊，本設(shè)計(jì)采用了一套獨(dú)立的數(shù)據(jù)收發(fā)單元，該單元基于stm32和Matlab建立，無(wú)線模塊選用WSN-1101。WSN-1101無(wú)線數(shù)傳模塊是一款高穩(wěn)定性、高性價(jià)比、低功耗的無(wú)線微功率透明數(shù)據(jù)收發(fā)模塊。

圖4為無(wú)線通訊與設(shè)備間的連接框架，主要分為兩部分：①stm32串口的發(fā)送和接收直接與WSN-1101的接收和發(fā)送相連接；②上位機(jī)（Matlab）通過(guò)PL2303與WSN-1101建立連接。PL2303是Prolific公司生產(chǎn)的一種高度集成的RS232-USB接口轉(zhuǎn)換器，可提供一個(gè)RS232全雙工異步串行通信裝置與USB功能接口。該器件作為USB/RS232雙向轉(zhuǎn)換器，一方面從上位機(jī)接收USB數(shù)據(jù)并將其轉(zhuǎn)換為RS232信息流格式發(fā)送給WSN-1101；另一方面從RS232外設(shè)接收數(shù)據(jù)轉(zhuǎn)換為USB數(shù)據(jù)格式傳送回上位機(jī)。endprint

為了能實(shí)現(xiàn)上位機(jī)與stm32間的通訊，還需要把兩個(gè)無(wú)線模塊設(shè)置成相同的波特率、通信頻道和地址。當(dāng)圖4右邊的設(shè)備向無(wú)線模塊2發(fā)送串口數(shù)據(jù)時(shí)，無(wú)線模塊2的RXD端口收到串口數(shù)據(jù)后，自動(dòng)將數(shù)據(jù)以無(wú)線電波的方式發(fā)送到空中。無(wú)線模塊1能自動(dòng)接收到由模塊2發(fā)送過(guò)來(lái)的數(shù)據(jù)，并由TXD還原最右邊設(shè)備發(fā)送的串口數(shù)據(jù)。同理，從左到右也是一樣的。

3.2 通訊模塊程序設(shè)計(jì)

3.2.1 stm32串口中斷服務(wù)函數(shù)：速度接收與樣本發(fā)送

keil中的部分程序如下所示：void USART3_IRQHandler（void）{int rec_data， i；if（USART_GetITStatus（USART3， USART_IT_RXNE） ！= RESET） //判斷是否產(chǎn)生接受中斷 {USART_ClearITPendingBit（USART3，USART_IT_RXNE）； //清除接收中斷 rec_data = USART_ReceiveData（USART3）；//讀取接收到的數(shù)據(jù)speed = rec_data； //stm32獲得速度指令PutChar（T1）；//發(fā)送上次速度指令檢測(cè)得到的六組換相時(shí)間PutChar（T2）； PutChar（T3）；PutChar（T4）；PutChar（T5）；PutChar（T6）； }}

3.2.2 Matlab和stm32之間通訊的建立：速度發(fā)送與樣本接收

Matlab中程序如下所示[3]：Obj=serial（'com3'，'baudrate'，115200，'parity'，'none'，'databits'，8，'stopbits'，1）；%初始化串口fopen（Obj）；%連接obj和外設(shè)fwrite（Obj，'xxx'，'uchar'）；%向串口中寫(xiě)入第i次速度指令值xxxfread（Obj，6，'uint8'）；%在串口obj讀取上一次發(fā)送指令的6組換相時(shí)間fclose（Obj）%關(guān)閉串口設(shè)備對(duì)象objdelete（Obj）%從內(nèi)存中刪除串口對(duì)象objclear Obj%從Matlab工作區(qū)中清除串行接口對(duì)象obj由上面程序可以獲得當(dāng)速度改變時(shí)所對(duì)應(yīng)的6組換相時(shí)間T1-T6，每次改變速度所對(duì)應(yīng)的期望換相時(shí)間d可通過(guò)計(jì)算得到。寫(xiě)入Matlab中的速度變化范圍是500～1 000，變化梯度為1，這樣便可得到500個(gè)訓(xùn)練樣本。最后把獲得的樣本制作成Excel表格的形式，這樣方便下一步對(duì)樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

4 BP神經(jīng)網(wǎng)絡(luò)運(yùn)用

4.1 基本原理

BP神經(jīng)網(wǎng)絡(luò)處理信息的基本原理是：輸入信號(hào)Ti（n）（1≤i≤6，n代表樣本的標(biāo)號(hào)），通過(guò)中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線形變換，產(chǎn)生輸出信號(hào)yi（n），網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量和期望輸出量d（n）、網(wǎng)絡(luò)輸出值yi（n）與期望輸出值d（n）之間的偏差，通過(guò)調(diào)整輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值Wij以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），停止訓(xùn)練。此時(shí)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類(lèi)似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過(guò)非線性轉(zhuǎn)換的信息。

圖5是根據(jù)神經(jīng)網(wǎng)絡(luò)的基本原理建立的六輸入六輸出的神經(jīng)網(wǎng)絡(luò)信號(hào)流圖。

4.2 訓(xùn)練方式選取

網(wǎng)絡(luò)訓(xùn)練方式分為串行訓(xùn)練和集中訓(xùn)練。串行訓(xùn)練是指從訓(xùn)練樣本集中每輸入一個(gè)樣本模式和期望輸出，進(jìn)行一次BP神經(jīng)網(wǎng)絡(luò)的突觸權(quán)值更新；而集中訓(xùn)練突觸權(quán)值的更新要在組成一個(gè)回合的所有樣本向量都訓(xùn)練后才進(jìn)行。從在線運(yùn)行的觀點(diǎn)來(lái)看，訓(xùn)練的串行方式比集中方式好，因?yàn)閷?duì)每個(gè)突觸權(quán)值來(lái)說(shuō)，需要更少的局部存儲(chǔ)。此外，樣本向量以隨機(jī)方式呈現(xiàn)給網(wǎng)絡(luò)，利用每輸入一樣本向量就更新突觸權(quán)值的方法使得在權(quán)值空間的搜索具有隨機(jī)性，這使得反向傳播算法陷入極小局部的可能性降低。因此在網(wǎng)絡(luò)訓(xùn)練中選取串行訓(xùn)練的方式。

反向傳播算法的學(xué)習(xí)步驟如下：

（1）初始化。設(shè)置所有突觸權(quán)值和閾值為最小的隨機(jī)數(shù)。在沒(méi)有先驗(yàn)知識(shí)可用的情況下，可以選擇均值等于0的均勻分布來(lái)設(shè)置，該分布的方差的選擇，應(yīng)該使神經(jīng)元誘導(dǎo)局部域的標(biāo)準(zhǔn)偏差位于sigmoid激活函數(shù)的線性部分與飽和部分的過(guò)渡處。

（2）提供輸入訓(xùn)練樣本集{T（n），d（n）}Nn=1。給出順序賦值輸入向量T（1），T（2），T（3）…，T（n）和期望輸出響應(yīng)d（n）。其中T（n）=T1（n），T2（n），T3（n），T4（n），T5（n），T6（n）。

（3）對(duì)訓(xùn)練樣本n，計(jì)算各隱含層和輸出層的神經(jīng)元輸出，參見(jiàn)式（5）和式（6）。

（4）對(duì)訓(xùn)練樣本n，計(jì)算誤差函數(shù)和代價(jià)函數(shù)參見(jiàn)式（3）和式（4）。

（5）調(diào)整輸出層和隱含層的突觸權(quán)值，參見(jiàn)式（7）。

（6）令n=n+1，返回步驟（3），直到滿足停止準(zhǔn)則。

ej（n）=d（n）-yj（n） （3）

ε（n）=12∑6j=1e2j（n）（4）

υj（n）=∑6i=0ωji（n）Ti（n）（5）

yj（n）=f（υj（n））（6）

權(quán)值校正Δωji（n）=學(xué)習(xí)率參數(shù)η·局部梯度δj（n）·神經(jīng)元j輸入信號(hào)Ti（n）

δj=f（vj）[1-f（vj）][dk-f（vj）]（7）

由以上訓(xùn)練可以得出輸入層與輸出層之間的權(quán)值wij（1≤i≤6，1≤j≤6），其中：i為輸入層神經(jīng)元的標(biāo)號(hào)，j為輸出層神經(jīng)元的標(biāo)號(hào)。最后把訓(xùn)練好的權(quán)值發(fā)送給stm32，此時(shí)可以利用stm32軟件檢測(cè)的換向時(shí)間和權(quán)值，便可得到期望值d誤差較小的換相時(shí)間在yj，從而使電機(jī)換相平穩(wěn)、運(yùn)行速度精準(zhǔn)。

5 結(jié)語(yǔ)

本文建立了基于stm32和Matlab的電機(jī)控制系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)采樣系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練系統(tǒng)。該設(shè)計(jì)方案具有智能化遠(yuǎn)程控制和操作簡(jiǎn)單的優(yōu)點(diǎn)，利用BP神經(jīng)網(wǎng)絡(luò)優(yōu)秀的學(xué)習(xí)能力，能夠適應(yīng)直流無(wú)刷電機(jī)這個(gè)多變量、強(qiáng)耦合、非線性復(fù)雜系統(tǒng)，引入BP神經(jīng)網(wǎng)絡(luò)控制，使系統(tǒng)對(duì)換相時(shí)間的控制具有更好的魯棒性。本文提出的BP神經(jīng)網(wǎng)絡(luò)在換相系統(tǒng)中的應(yīng)用，有利于提高電機(jī)控制精度及動(dòng)態(tài)性能。本控制系統(tǒng)的設(shè)計(jì)理念可移植到眾多控制領(lǐng)域當(dāng)中，因此，這種基于stm32和Matlab的BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)在智能化控制領(lǐng)域?qū)?huì)擁有廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1] 張琛.直流無(wú)刷電動(dòng)機(jī)原理及應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2006.

[2] 馮純伯，劉延年.神經(jīng)網(wǎng)絡(luò)控制的現(xiàn)狀及問(wèn)題[J].控制理論與應(yīng)用，1994，11（1）：103-106.

[3] 范磊，張運(yùn)陶，程正軍.基于Matlab的改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].西華師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，26（1）：70-73.

[4] 張立材基于Matlab環(huán)境的串行數(shù)據(jù)通信[J].微計(jì)算機(jī)信息，2004，20（3）：100-101

[5] KIM Y ，KOOK Y ，KO Y.A new technique of reducing to rqueripples for BDCM drives[J].IEEE Trans on Industrial Electronics.1997，44（5）：735-739.

[6] SOMANATHAM R，PRASAD P V N，RAJKUMAR A D.Modeling and simulation of sensor less control of PM BLDC motor using zero crossing back EMF detection[C].IEEE International Symposium on Power Electronics，Electric Drives，Automation and Motion，2006：984-989.endprint