[发明专利]基于微型神经网络的步进电机PID参数自匹配方法

权利要求书

1.基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，该方法包括以下步骤：

（1）构架微神经网络，该微神经网络包括输入层和输出层，所述的输入层包括三个神经元，该三个神经元分别为比例、微分和积分，输出层包括一个神经元；

（2）设定输入层神经元的权重系数的初始值以及学习速率；

（3）获取步进电机当前某相电流值，记为Ia；获取步进电机当前的目标电流Iexa，目标电流Iexa即是步进电机在当前工作状态的额定电流；

（4）当前时刻电流大小与目标电流的差值e=Iexa–Ia，得到在K时刻步进电机的当前电流和目标电流的差值，即误差值e(K)：

e(K)=Iexa(K)–Ia(K)                （1）

其中K为0,1,2,3…；

（5）计算输入层神经元值；

（6）计算新的权重系数；

（7）计算输出层的神经元值，该值作为步进电机的电压。

2.根据权利要求1所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，所述的学习速率即是比例学习速率                                                、微分学习速率和积分学习速率，比例学习速率、积分学习速率和微分学习速率的取值范围为0～1。

3.根据权利要求2所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，所述的比例学习速率的最佳值为0.01、微分学习速率的最佳值为0.1和积分学习速率的最佳值为0.001。

4.根据权利要求1或3所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，所述的权重系数的初始值，即比例权重系数为，微分权重系数为，积分权重系数为。

5.根据权利要求4所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，步骤（5）所述的输入层神经元值通过式（2）计算得到：

                   （2）

式中其中为k时刻的比例输入值，为k时刻的微分输入值，为k时刻的积分输入值。

6.根据权利要求5所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，所述的新的权重系数通过式（3）计算得到：

             （3）。

7.根据权利要求6所述的基于微型神经网络的步进电机PID参数自匹配方法，其特征在于，所述的输出层的神经元值通过式（4）计算得到：

                            （4）。