Transcript 下載/瀏覽
類神經網路在電動機車 能源回收系統上之應用 指導老師：陳沛仲 組員：謝易翰 羅世倫 許能昌 • 研究動機 • 依世界能源協會估計，以目前汽油使用的速率而言，全球 僅存的石油量大概只能再供應六十年左右，若還不能有效 地抑止石油的消耗，全球將會再度爆發嚴重的石油危機， 加上近年來國內各大都會區機車數量大幅上揚，使得空氣 及噪音污染日趨嚴重，所以維護環境品質、減少空氣污染、 降低二氧化碳排放量已是人人應有的共識。以目前採用汽 油為燃料的機車，長期來看將因能源危機與國際環保趨勢 的抬頭，其數量將逐漸減少，漸漸由電動機車所取代。 • 電動機車其能源效率比一般傳統燃料機車提高約40%，沒 有排放廢氣之問題，且其所產生之噪音亦遠比傳統型機車 為小，這樣不但有效改善了能源短缺的問題而且能夠減少 環境污染，所以學術界及工業界皆投入許多有關電動機車 的研發。 • 雖然目前電動機車已經到了實用化階段，但是離普及化仍 有一段距離，其主要的原因為電池的技術無法提升，電池 為發展電動機車的主要關鍵，目前電動機車使用的電池有 鉛酸電池 （lead acid battery）、鎳鎘電池 ( nickel cadmium battery )、鎳氫電池 ( nickel hydrogen battery )、鋰離子電池 ( lithium ion battery )以及燃料電池 （fuel cell）等，在電池技術上需突破的為電池能量密度 要高（一次充電行駛距離）、功率密度要高（加速性及爬 坡力好）、壽命長、維修及保養費低、安全性高以及價格 低且有再利用性等等，所以我們在電池的性能還無法提升 的情形下，如何能夠善加利用現今電池的容量是一個值得 研究的重點。 • 所以本論文就是針對電動機車於剎車、減速時所產生的動 能，利用我們所設計的電壓控制電路，以截波器的升壓原 理回充電力至電池中，藉此提高現有電池使用的效率[1]。 • 由於類神經網路（Neural Network）可藉由系統輸入輸出 的取樣資料當作訓練範例，從訓練範例中學習系統之間的 行為模式，而不需要許多複雜的數學式，且訓練範例經過 篩選的步驟後，利用類神經網路的收斂速度與學習能力能 夠更快得到更佳的神經網路架構。類神經網路若以學習方 法分類，有許多不同類型的神經網路。 • 本文所使用的是類神經網路中應用最為廣泛、普遍的倒傳 遞神經網路（Back-Propagation Network），倒傳遞神經 網路是基於最陡坡降法（Gradient Steepest Descent Method），因此不可避免地會受到局部最小值（local minimum）的困擾，所以我們結合了基因演算法 （Genetic Algorithms）搜尋參數最佳化的能力，尋找網 路參數最佳的初始值（initiation value）以避開局部最小 值，再以倒傳遞神經網路訓練，即可得到最佳的類神經網 路[2-5]。 • 研究目的 • 本論文主要目的是設計電動機車再生回收系統的控制器， 利用類神經控制器來調整升壓截波器的任務週期（duty cycle），使得回收的電壓穩定且大於電池端電壓加以回 收能源，藉此再生發電系統將剎車產生的動能有效的利用， 以延長電動機車的續行力。 • 研究方法 • （1） 分析電動機車再生剎車的基本原理及電路。 • （2） 對基因演算法及類神經網路的原理加以探討。 • （3） 對於基因演算法控制器所得到的效果與模糊控制器 的效果作比較。 • （4） 基於基因演算法所得的類神經控制器的效果比較。 • （5） 以硬體語言VHDL將此類神經控制器實現於高複雜 度可程式邏輯元件（CPLD）。 • 本論文的貢獻 • 電動機車在電池技術上遲遲無法有效突破，導致價格昂貴 且不實用，所以無法普及化進而取代目前的燃料機車，本 論文在有限的電池容量之下設計再生剎車控制系統，不但 能夠回收剎車所產收的能源再利用，而且回收能源的充電 品質也能提升，藉此延長電動機車行駛距離以及商品競爭 力。 • 本論文的架構 • 本篇論文分為六個章節一一進行研究與討論。 • 第一章緒論，敘述我們研究電動機車再生剎車系統的動機、 研究目的、研究方法以及有何貢獻。 • 第二章為基因演算法與類神經網路的基本概念，包括了基 因演算法如何複製、交配與突變以及類神經網路運算過程 等。 • 第三章為再生剎車系統設計，先介紹再生剎車的原理，再 以基因演算法與類神經網路結合設計類神經控制器。 • 第四章則是設計類神經晶片，以晶片設計的流程由細部設 計乘法器、加法器以及唯讀記憶體，然後將所有細部組合 成我們的類神經晶片，最後是類神經晶片全級電路圖。 • 第五章為實驗結果，先於Matlab/Simulink 中模擬的類神 經控制器後，再與模糊控制器作一比較探討，最後再於 CPLD 上做測試，印證其結果是否與模擬相同。 • 第六章針對本論文作一個結論以及未來研究方向之建議。 • 基因演算法的原理 • 基因演算法（或是稱為遺傳演算法）是1975 年由John Holland首先提出，起初是用來解決數學函數最佳化的問 題，但經過許多年的發展，現今已經廣泛地被應用到各種 最佳化和控制方面的問題。 • 基因演算法的基本精神是採用英國生物學家達爾文進化論 的觀點，也就是生物自然淘汰的法則「物競天擇，適者生 存」（survival of the fittest），生物們在自然界中演化， 藉著彼此之間的相互交配、繁殖，產生與母代不同染色體 （Chromosome）的子代，在生存競爭中，只有對環境適 應力較好的子代能存留下來繼續繁衍，如此一來就能保留 適應力較好的基因（Gene），當世代繁衍到最後就能確 保留下最佳適應環境的物種基因。 • 若應用在最佳化的問題上，我們以程式來設計一個概念化 的染色體當作問題的所有參數，以自然選擇與遺傳的觀念 由兩兩之間染色體中的基因配對交換，並以最佳化的目標 為其適應力產生新的染色體， • 每一個世代只選其中的最佳的染色體繼續進行演化，進行 N 個世代之後，能留到最後世代必定是最能適應生存法則 的個體，也就是問題的最佳解。 類神經網路的優點 • 類神經網路雖不能達到生物神經網路一般具有高度學習、 判斷能力，但是已經有下列五個優點引起眾多研究者投入 有關類神經網路的研究。 • （1）平行處理的特性： • 類神經網路是以生物的樹狀神經網路為藍本的設計，就是 以平行分散的方式作式子運算，如此便可以同時處理大量 的資料，具有高速的計算能力。 • （2）容錯(fault tolerance)特性 • 其在操作上具有很高之容忍度，整個神經網路都會參與解 決問題之運作。如果輸入資料混雜少許雜訊干擾，仍然不 影響其運作之正確。而且即使小部分的神經網路失效，仍 能照常運作，適合於影像鑑別以及聯想上的應用。 • （3）結合式記憶(Associative Memory)的特性 • 其又稱為內容定址記憶(content addressable memory)， 它可以記憶曾經訓練過的輸入樣式以及對應的理想輸出值。 我們只要給予一部份的資料，便可以得到全部的資料並且 可以容忍錯誤，就像人類只要看到某一部份的影像可以回 憶起全部的影像，這便是結合式記憶的效果。 • （4）學習能力（Learning） • 由於神經元之間透過突觸連結，而突觸是可以調整的，因 此能依輸入自我修正、調整，而達到學習效果。 • （5）積體電路實作 • 神經網路的結構具有高度的互相連接(interconnection)， 而且簡單，有規則性(regularity)，加上現今半導體的發展 迅速，所以很容易能以晶片完成類神經網路。 • 類神經網路架構 • 由於類神經網路的架構太多種，所以我們依照學習的方法 的不同約可分為下列三種： • （1） 監督式學習網路（Supervised learning network）： • 監督式學習是從問題領域中，取得適當數目的訓練範例樣 本，藉由輸入得到相對應的期望輸出，比較實際輸出後調 整出適當的連結加權值，以將其應用於新的案例。 • 此類型網路包括感知機網路（ Perceptron ）、倒傳遞 網路（Back-propagation network，BPN）、機率神經網 路（Probabilistic neural network，PNN）、學習向量量 化網路（Learning vector quantization，LVQ）、與反傳 遞網路（Counter-propagation network，CPN）等網路 • 皆為監督式學習。 • （2） 無監督式學習網路（Nonsupervised learning network） • 無監督式學習法則也就是由問題領域中，取得的訓練範 例樣本僅有輸入向量，而無輸出向量，網路由學習過程， 調整出適當的連結加權值，以反映出訓練樣本本身分類的 規則。 • 無監督式學習網路大概有自組織映射圖網路（Selforganizing map network）、自適應共振理論網路 （Adaptive resonance theory network）等網路。 • （3） 聯想式學習網路（Associative memory network） • 聯想式學習網路是從問題領域中取得訓練範例樣本的狀 態變數值，從中學得訓練樣本的內在記憶規則，假使有樣 本不完整的資訊輸入，可以經由網路推斷出該樣本完整的 狀態。 • 此類型的網路有霍普菲爾網路（Hopfield neural network）、雙向聯想記憶網路（Bi-directional associative memory network）。霍普菲爾-坦克網路 （Hopfield-tank neural network）以及退火神經網路 （Annealed neural network）等[2-10]。 • 再生剎車原理 • 直流馬達與直流發電機兩者構造完全相同，只是兩者處理 動能與電能的轉換恰好相反，直流馬達是由電源端取得的 電能轉換成動能來驅動負載，而直流發電機則是由原動機 提供的動能來轉換成電能供給電力。 • 當電動機車在啟動或加速時，直流機是以馬達模式運轉， 此時電池端電壓Vb 供給電能於電動機車馬達運轉，此時 產生相對應的馬達感應電壓，式子（3.1）如下： • Ea = KeΦω…………………………… （3.1） • 其中 • E a ：馬達應電勢 • K e ：電機結構常數 • Φ ：馬達磁通 • ω：馬達轉速 • 而當電動機車在剎車或減速滑行時，直流機以發電機模式運 轉，式子（3.1）也同樣適用於此發電機模式，所以我們可知 馬達應電勢Ea隨轉速變化，由剎車到停止，馬達應電勢E a 也隨轉速ω逐漸下降到零，因此能回收的僅有馬達應電勢大 於電池端電壓Vb 部分，我們討論這回收的部分。 • 升壓截波器 • 直流截波器經由開關操作，可以將一個定值的直流電壓源 轉換成一可變之直流電壓，也叫做直流-直流轉換器(DC-toDC Converter)，其用途與變壓器類似，能將直流電壓源以 一可變匝數做降壓或升壓降壓、升壓截波器是最基本的直 流轉換器，而降壓-升壓截波器與C`uk 截波器皆是這兩種 轉換的組合，本文所使用的為升壓截波器，電路圖如下： 圖3.1 升壓控制電路 • 升壓截波器之工作原理可分為兩個模式： • （1） 升壓模式一（0 < t1 ≤ t2）： • 截波器在0 = t 時導通了 t1 時間，電流流經截波器儲能於電 • 感中，電路圖如下圖3.2： • Ea=L(∆I/ t1) .…………………………………………（3.2） • （2） 升壓模式二（ t 1 < t ≤ t2）： • 當截波器截止了t2 時間，儲存於電感能量轉移於負載，此 • 時電壓E a 提升到大於電池端電壓V b ，電流會反向回充 電能儲存於電池，電路圖如圖所示： • Ea-V = - L (∆I / t2)…….……………………… （3.3） • ∆I=(Ea-V) t2/ L………….……………………… （3.4） • t1 = kT ………………………………………… （3.5） • t2 = (1−k ) T…………………………………… （3.6） • 將(3.4)與(3.6)代入(3.3)可以求得式子（3.7）： • Ea/1−K= v……………………………………… （3.7） • • • • • • • • 其中 t1 ：截波器導通的時間 t2 ：截波器截止的時間 T ：操作時間 = t 1 + t 2 L ：電感 C ：電容 D：二極體 ∆I ：電感漣波電流峰對峰 值 • v ：經截波器提升的電壓 • K ：任務週期（duty cycle） ＝t1/T • 針對不同速度剎車時，電動機車馬達應電勢亦不同，所以 適當調整任務週期即可得到穩定的充電電壓，如式（3.7） 所示。 • 定義控制器輸入與輸出變數 • 再生剎車控制器主要是依輸入不同感應電動勢來控制任務 週期，藉此重新調整感應電動勢大於電池端電壓以回充於 電池中，所以我們的控制器的輸入為感應電動勢，輸出則 為任務週期。 • 因此我們定義控制器的輸入變數為電壓誤差（Voltage error）與電壓誤差變化（Variation of voltage error）。在 某個取樣時間t 時，電壓誤差e(t) 與電壓誤差變化ce(t) 的 表示式如式子（3.8）、（3.9）所示： • e(t)=V*(t)-Ea(t) …………………………………… （3.8） • ce(t)=e(t)-e(t-1) ……………………………………（3.9） • 其中 • e(t) ：取樣時間t 時的電壓誤差。 • ce(t) ：取樣時間t 時的電壓誤差變化。 • V(t)* :取樣時間t 時電池充電電壓預設值 • Ea(t) ：取樣時間t 時馬達應電勢。 • 我們定義控制器的輸出變數為升壓截波器的任務週期K (T) ，經升壓截波器任務週期所調整後的電壓為v ，若v 大 於電池端電壓便可回收於電池中。 圖3.4 為類神經控制器之簡單系統圖。 • 類神經控制器 • 由於倒傳遞類神經網路在做網路學習的時候需要使用訓練 範例來做網路的學習訓練，網路可藉此調整網路的連結加 權值，使網路誤差函數達到最小值，也就是使網路的輸出 值和目標值一致，如此，網路即可從訓練範例中學習到隱 含在訓練範例中的系統模型。訓練範例是由一個代表範例 特徵的輸入變數向量，與一個代表分類或預測的目標輸出 變數向量所共同組成的。在本論文中，我們的訓練範例的 選取是由之前的一個研究：『以模糊理論設計電動車之能 源回收系統』 • [17]中所得模擬的數據作為基因演算法的訓練範例，為了減少 資料的重覆性與資料不一致等種種資料修改異常現象，將資 料加以正規化（Normalized），如式（3.10）、（3.11）： • eu(t)= e(t)/ e max(t) ………..……………………（3.10） • ceu(t)=ce(t) /ce max(t) ……..………………… .（3.11） • 其中： • e u ：取樣時間t 時的電壓誤差正規化值。 • ce u ：取樣時間t 時的電壓誤差變化正規化值。 • 將以基因演算法訓練網路所找到的權重值與偏壓值再以倒傳 遞神經網路訓練，利用倒傳遞神經網路學習的能力，可以得 到我們所需的最佳的網路連接加權值與偏壓值 • 實驗結果 • 模擬架構 • 由式子(3.1)可得知，馬達轉速與馬達應電勢成正比，經由 實際量測電動機車馬達衰減過程，經由取樣數據做內插法 計算推論，得馬達應電勢為指數衰減形式，如圖5.1為12 伏特指數衰減圖。此電動機車為光陽工業股份有限公司所 生產之AIR舞風電動車。 圖5.1 馬達應電勢(12V)之指數衰減型式 • 由於我們要設計的再生剎車系統，是藉由不同速度時的剎 車來調整任務週期，以達到我們預期的效果。本文中的模 擬我們設定在高速度剎車時馬達應電勢為12伏特、中速度 剎車時馬達應電勢為9伏特、低速度剎車時馬達應電勢為6 伏特等三部分來分析，經再生剎車系統所得的升壓可利用 時間與使用模糊控制器之升壓時間可利用圖做一比較。 • 式子(3.7)中我們瞭解利用截波器升壓原理調整任務週期可 將馬達應電勢升壓至大於電池端電壓，而此處電動機車之 電池端電壓為一般的12伏特。由於一般電動機車之充電電 壓為12.9伏特∼13.5伏特，在此我們將升壓電壓設定為 13.0伏特∼14.0伏特。 • 軟體模擬 • 模糊控制器 • 模糊控制器最主要是建立模糊資料庫，提供系統行為的規 則，這些都是依照使用者的經驗與主觀意見來決定，所以發展 模糊控制器過程中會有不斷錯誤嘗試的修正，才能獲得較理想 的模糊模型。 • 搜尋類神經網路初始架構 • 本文是利用MATLAB⁄Simulink 軟體來作模擬，我們取出上 述模糊控制器中高速度、中速度及低速度的輸入輸出數據 各26 組，混合共78 組的數據作為類神經網路學習的訓練 範例。 • 先以MATLAB 軟體撰寫基因演算法程式來搜尋網路連接加 權值及偏壓值的初始值，再以MATLAB Neural network Tool Box 來設計。 • 程式中設定隱藏層層數為一層，隱藏層處理單元數為三個， 參數範圍設定-10∼10，二位元編碼的族群長度為30 bits， 族群大小為30 個族群，交配率設為100﹪，突變率設為 5﹪，世代交替的次數為1000 次，所搜尋的初始網路其高 速度剎車、中速度剎車及低速度剎車的升壓可利用時間皆 不及模糊控制器佳。 • 為了節省基因演算法過龐大的運算時間，所以我們選擇世 代交替的次數為1000 次，因為我們使用基因演算法只是 為了找尋網路初始參數，使得倒傳遞神經網路不會陷入局 部最小值，並非是求得真正網路架構，甚至可以選擇更少 的世代次數來找尋初始網路架構，因此僅以基因演算法得 到的控制器結果並不是很理想，但如果我們將搜尋的參數 範圍變大以容許更多不同數值搜尋，以及將世代交替的次 數設越多次讓其適應函數值越佳，其結果越接近模糊控制 器。 5.2.3類神經網路訓練 • 基因演算法是為了找尋網路初始架構，而類神經網路則是可 以加快收斂的速度，很快能找尋到最佳的類神經網路，所以 我們將基因演算法所得到的初始網路參數以倒傳遞神經網路 再次訓練，訓練的次數設定為1000 次，將所得的類神經控制 器取代模糊速度控制器於Simulink 中的再生發電系統中，我 們以高速度剎車、中速度剎車及低速度剎車三部分來與模糊 控制器做一比較。 • （1）高速度（12V）剎車 • 圖5.2 是經模糊控制器之高速度剎車時馬達應電勢之升壓 可利用時間圖，而圖5.3 則是經類神經控制器所得的升壓 可利用時間圖，圖中橫軸代表時間，縱軸代表馬達應電勢 升壓之後的電壓ν ，在可回收利用的電壓13V∼14V 中， 我們可由圖5.2 中看到經模糊控制器調整K 值所得的升壓 可利用時間約為五秒左右，而圖5.3 中可看到類神經網路 的升壓可利用時間也約為五秒左右，由圖5.2 與圖5.3 相 比較可發現，兩個圖形相當類似，也說明了類神經網路已 經完全學習到模糊控制器整個系統行為。 圖5.2 高速度剎車時升壓可利用圖 （模糊控制器） 圖5.3 高速度剎車時升壓可利用圖 （類神經控制器78 組訓練範例） • （2） 模糊控制器中速度（9V）剎車 • 圖5.4 為經模糊控制器之中速度剎車時馬達應電勢之升壓 可利用時間圖，圖5.5 為中速度剎車時經類神經控制器所 得到的馬達應電勢升壓可利用時間圖，圖中的橫軸代表時 間，縱軸代表馬達應電勢升壓之後的電壓ν ，由圖5.4 與 圖5.5 相比之下，圖形相當類似，在可回收利用的電壓 13V∼14V 中，我們可以觀察到經模糊控制器與類神經控 制器所得的升壓可利用時間皆約為四秒左右。 圖5.4 中速度剎車時升壓可利用圖 （模糊控制器） 圖5.5 中速度剎車時升壓可利用圖 （類神經控制器78 組訓練範例） • （3） 模糊控制器低速度（6V）剎車 • 圖5.6 為經模糊控制器之低速度剎車時馬達應電勢之升壓 可利用時間圖，圖5.7 則為低速度剎車時經類神經控制器 所得到的馬達應電勢升壓可利用時間圖，圖中的橫軸代表 時間，縱軸代表馬達應電勢升壓之後的電壓ν ，以圖5.6 與圖5.7 相比之下，以在可回收利用的電壓13V∼14V 中， 我們可以觀察到經模糊控制器與類神經控制器所得的升壓 可利用時間皆約為兩秒左右。 圖5.6 低速度剎車時升壓可利用圖 （模糊控制器） 圖5.7 低速度剎車時升壓可利用圖 （類神經控制器78 組訓練範例） • 訓練範例篩選 • 由模糊控制器取出的78組變數數據，再經由基因演算法及類 神經網路訓練後，所得類神經控制器與模糊控制器的相似性極 高，可知此網路已經完全學習到模糊控制器的控制策略。 • 但是為了改善類神經控制器，所以我們在原來輸入與輸出的78 組變數數據中的變數數據，再增加一些效果良好的數值，由於 我們期望的是將電壓升壓介於13V 到14V 之間，所以我們以原 本的模糊系統中高速度、中速度及低速度可將電壓升壓至13V 到14V 的K 值，以較密集的取樣數據加入原先的訓練範例中， 使輸入輸出變數數據增為120 組作訓練範例再次訓練，將藉由 這樣訓練範例的篩選動作，來改善我們的類神經網路控制器，其結果 • 如圖5.8、5.9 與5.10 所示，在高速度剎車時馬達應電勢 之升壓可利用時間大約為六秒左右，在中速度剎車時馬達 應電勢之升壓可利用時間大約為四秒半左右，而在低速度 剎車時馬達應電勢之升壓可利用時間大約為兩秒半左右， 由這些結果與模糊控制器升壓可利用圖，圖5.2、5.4 與 5.6 來比較，我們可以看到能夠回充電壓的時間延長了， 因此更能有效利用電池。 圖5.8 高速度剎車時升壓可利用圖 （類神經控制器120組訓練範例） 圖5.9 中速度剎車時升壓可利用圖 （類神經控制器120組訓練範例） 圖5.10 低速度剎車時升壓可利用圖 （類神經控制器120組訓練範例） • 類神經網路測試範例 • 類神經網路經過學習過程後會以回想過程來測試，在類神 經網路的全部範例中，通常以一半以上的的範例當作訓練 範例，而剩下的則當作測試範例，所以為了要印證我們的 類神經控制器能夠整個取代模糊控制器，所以我們輸入測 試範例於類神經控制器中加以測試，在0∼12 伏特的輸入 電壓中，我們隨意選取兩組來測試，分別為8 伏特與11 伏 特，結果如圖5.11 與圖5.12 所示，其升壓可利用時間分 別為4 秒與5 秒，所以我們的類神經網路可以說是很成功 地取代了模糊控制器而且效果更佳。 圖5.11 8 伏特剎車時升壓可利用圖 （類神經控制器120 組訓練範例） 圖5.12 經類神經控制器之11 伏特剎車時馬達應電勢 之升壓可利用圖（120組訓練範例） • 結論 • 本文主要應用基因演算法來設計電動車之能源回收系統， 先利用基因演算法的最佳化避開局部最小值，再以倒傳遞 神經網路找到最佳值，此方法能夠很精準的學習到控制器 架構。我們再經訓練範例的篩選動作後，所訓練出的類神 經網路控制器電池回充的時間比模糊控制器較長，再將此 類神經控制器實現於CPLD上，並加以測試其結果相當符 合模擬，藉此提高電動機車的行駛距離以增加其實用性與 競爭力，這是本文最主要的貢獻。