(2)BP神经网络，根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出对应于PID控制器的3个可调参数KD、Ki、Kd。通过BP神经网络的自学习、加权系数的调整，使BP神经网络输出对应于某种最优控制规律下的PID控制器参数。以电机作为控制对像，一般采用增量式PID控制算法进行控制。它的控制算式为：

式中KP、KI、KD分别为比例、积分、微分系数．
3．2 神经网络PID的算法实现
    1)训练阶段的工作
    第l步：设计输入输出神经元。本BP网络的输入层设置3个神经元，分别为输入速度vi、速度偏差e和偏差变化量△e，输出层有3个神经元，为PID控制器的3个可调节参数Kp、Ki、Kd
    第2步：设计隐含层神经元个数。本文初步确定隐含层节点数为5个．学习一定次数后，不成功再增加隐含层节点数，一直达到比较合理的神经元数为止；
    第3步：设计网络初始值。本文中设定的学习次数N=5000次，误差限定值E=0．02；
    第4步：应用Simulink对BP网络进行训练和仿真。
    2)测试阶段的工作
    在测试阶段，主要是对训练过的网络输入测试样木，测试网络的学习效果，即判断网络的运算值与样本的期望值之差是否在允许的范围之内。在此不再赘述具体判定过程。

4 仿真与分析
    本文以2台电机同步为模型进行仿真。在电机的参数设定时，对2台电机的参数取相同值。电机参数为：定子每相绕组电阻R=5．9Ω，定子d相绕组电感Ld=0．573，转子电阻R=5．6Ω转子电感L=O．58给定转速n=500rad／sec，极对数为3。在t=0．05 s时，突加阶跃扰动，利用Matlab对传统PID和神经网络PID分别进行仿真，得到实验曲线如图所示．

图4神经网络PID控制响应曲线

比较两种仿真结果，经计算采用常规PID补偿器时，突加负载扰动后，同步误差△Verror=0．26％采用神经网络PID补偿器时，突加负载扰动后，同步误差△Verror．=O．08％，由些可以看到采用神经网络PID补偿器方法的时候，系统的同步性能、抗干扰性能优于只采用常规PID补偿器时的性能，其具有更好的控制特性。

5 结束语
    本文针对于多电机同步控制中出现的多变量、强耦合、具有大惯性环节、难以建立准确数学模型的被控对象，在传统PID的基础上引入神经网络的的概念，将神经网络PID用于速度同步补偿中，仿真结果表明，该方法使系统的抗干扰能力增强，同步精度有所提高，控制效果良好。