一种基于BP神经网络PI控制方法的反激式LED驱动电路与流程

本发明属于LED驱动电路领域，涉及开关电源领域，尤其设计一种基于BP神经网络PI控制方法的反激式LED驱动电路。

背景技术：

目前，传统的LED驱动电路一般有两种实现方式，一种是使用专用芯片实现对电路的闭环控制，一种是使用嵌入式处理器写算法实现对电路的闭环控制。前者电路结构固定不灵活，不利于提高电路的性能。后者电路结构简单灵活，但是现有常用的驱动反激式LED驱动电路的控制算法不能达到到理想的控制效果，在实际电路运行过程中，由于受到参数整定方法繁杂的困扰，常规PID控制器参数往往整定不良，性能欠佳，对运行电路的适应性很差，尤其是在输入或者负载变化大的场合下，存在响应速度不够快，稳定性不够高，自适应性比较低的缺点。

技术实现要素：

为了解决背景技术中存在的问题，本发明的目的在于提供一种基于BP神经网络PI控制方法的反激式LED驱动电路。

基于BP神经网络PI控制方法的反激式LED驱动电路，包括EMI滤波模块、全桥整流模块、开关变换电路模块、采样模块、PWM驱动模块、嵌入式处理器模块和LED负载模块。所述的EMI模块依次与全桥整流模块、开关变换电路模块、LED负载模块、采样模块、嵌入式处理器模块和PWM驱动模块连接，所述的PWM驱动模块又与开关变换电路模块相连接，形成一个闭环系统。

作为优选，所述的PWM驱动模块包括：电阻R1、电阻R2、电阻R3、阻值R4、电容C1、npn型三极管Q1、npn型三极管Q2、pnp型三极管Q3、光耦芯片、直流源V1和直流源V2；PWM输入连接到电阻R1的一端，电阻R1的另一端分别连接到电容C1、电阻R2的一端和npn型三极管Q1的基极，电容C1、电阻R2和npn型三极管Q1的发射极连接到地，npn型三极管Q1的集电极连接到光耦芯片中发光二极管的负极，光耦芯片中发光二极管的正极连接到电阻R3的一端，电阻R3的另一端连接到直流源V2，光耦芯片中三极管的集电极连接到直流源V1，发射极连接到npn型三极管Q2和pnp型三极管Q3的基极，npn型三极管Q2的集电极与直流源V1相连接，发射极与pnp型三极管Q3的发射极相连后与电阻R4的一端相连，pnp型三极管Q3的集电极与地相连，电阻R4的另一端连接到PWM输出端。

进一步的，所述的电阻R1阻值为1k欧姆，电阻R2阻值为10k欧姆，电阻R3，阻值为1k欧姆，阻值R4阻值为33欧姆，电容C1阻值为220pF，直流源V1电压为5V，直流源V2电压为15V。

作为优选，所述的采样模块包括：电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电容C2、电容C3、运算放大器Q4和直流源V3；采样输出与电容C3和电阻R9的一端相连，电容C3的另一端与地相连，电阻R9的另一端与电阻R8的一端和运算放大器Q4的输出端相连，电阻R8的另一端与电阻R7的一端和运算放大器Q4的负极相连，电阻R7的另一端与运算放大器Q4的接地端与地相连，运算放大器Q4的电源端与直流源V3相连，运算放大器Q4的正极与电阻R6的一端和电容C2的一端相连，电阻R6的另一端与电阻R5的一端相连，并连接到采样输入端，电阻R5的另一端和电容C2的另一端与地相连。

进一步的，所述的电阻R5阻值为1欧姆，电阻R6阻值为2k欧姆，电阻R7阻值为3.3k欧姆，电阻R8阻值为20k欧姆，电阻R9阻值1K欧姆，电容C2容值为100nF，电容C3容值为10nF，直流源V3电压为5V。

进一步的，所述的光耦芯片的型号为HCNW2211。

作为优选，所述的嵌入式处理器模块采用BP神经网络PI控制方法，该方法共含有输入层、隐含层和输出层，其中，输入层节点数i，k时刻的输入层输入为a_l(k),l＝1,2…，i；隐含层节点数p取值为1～10，输入层与隐含层之间连接权值为q_ln(k)，k时刻的隐含层输入为b_n(k)，n＝1,2，…，p，隐含层激活函数为输出层节点数o，隐含层与输出层之间连接权值为q_nm(k)，k时刻的输出层输出c_m(k)作为PI参数，m＝1，…，o，激活函数为各项连接权值q_ln(k)和q_nm(k)的初始值均取区间[-1,1]之间的随机数；

BP神经网络PI控制方法的性能函数为其中r(k)为设定电流值，y(k)为输出采样值；

BP神经网络PI控制方法中学习速率为β，惯性系数为α；

BP神经网络PI控制方法中k时刻的PI控制方法为u(k)＝u(k-1)+k_p[e(k)-e(k-1)]+k_ie(k)，其中：u(k)为k时刻PI控制方法的输出值，k_p和k_i为PI参数；

BP神经网络PI控制方法输出层隐含权值学习方法为：

Δq_nm(k)＝βδ_nb_n(k)+αq_nm(k-1)

式中，Δq_nm(k)为q_nm在k时刻相对于k-1时刻的变化量；

${\mathrm{\δ}}_n=e\left(k\right)*\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)*\frac{\∂u\left(k\right)}{\∂c_m\left(k\right)}*g^{\′}\left(b_n\right(k\left)\right)$

其中，g'(x)＝g(x)(1-g(x))；

隐含层权值学习方法为Δq_ln(k)＝βδ_la_l(k)+αq_ln(k-1)，其中，Δq_ln(k)为q_ln(k)在k时刻相对于k-1时刻的变化量；

通过此BP神经网络PI控制方法，可得输出即为所需PI系数，所得的PI系数用于调整PWM占空比，以此调节输出电流至指定电流值r(k)。

本发明具有的有益效果是：首先在系统启动时，由于BP神经网络PI控制方法的高效率，能够使驱动电路迅速达到稳定状态，具有快响应速度；其次在输入或者负载变化较大的情况下，因为采用了BP神经网络PI控制方法，可以利用BP神经网络通过对系统性能的学习来快速实现对最佳PI参数的设定，从而使电路快速回到稳定状态，具有高自适应性和强稳定性，且因为为控制方法便于修改，驱动电路后期维护便利，降低了电路维护成本。另一方面，PWM驱动电路相比于普通PWM驱动电路，在PWM输入时采用低通的方式滤掉了高频噪声，使输出的PWM更可靠；采样电路采用双重滤波，在取得采样信号后进行一次滤波，放大采样信号又进行一次滤波，大大提高了采样信号的可靠性。

附图说明

图1是本发明的LED驱动电路系统总体框图；

图2是本发明的BP神经网络PI控制方法的结构框图；

图3为本发明PWM驱动电路与普通PWM驱动电路输出对比图。

图4为实施例1的电路仿真图；

图5为实施例2的电路仿真图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，一种基于BP神经网络PI控制方法的反激式LED驱动电路，包括EMI滤波模块、全桥整流模块、开关变换电路模块、采样模块、PWM驱动模块、嵌入式处理器模块和LED负载模块。EMI模块依次与全桥整流模块、开关变换电路模块、LED负载模块、采样模块、嵌入式处理器模块和PWM驱动模块连接，PWM驱动模块又与开关变换电路模块相连接，形成一个闭环系统。

PWM驱动模块包括：电阻R1、电阻R2、电阻R3、阻值R4、电容C1、npn型三极管Q1、npn型三极管Q2、pnp型三极管Q3、光耦芯片、直流源V1和直流源V2；PWM输入连接到电阻R1的一端，电阻R1的另一端分别连接到电容C1、电阻R2的一端和npn型三极管Q1的基极，电容C1、电阻R2和npn型三极管Q1的发射极连接到地，npn型三极管Q1的集电极连接到光耦芯片中发光二极管的负极，光耦芯片中发光二极管的正极连接到电阻R3的一端，电阻R3的另一端连接到直流源V2，光耦芯片中三极管的集电极连接到直流源V1，发射极连接到npn型三极管Q2和pnp型三极管Q3的基极，npn型三极管Q2的集电极与直流源V1相连接，发射极与pnp型三极管Q3的发射极相连后与电阻R4的一端相连，pnp型三极管Q3的集电极与地相连，电阻R4的另一端连接到PWM输出端。电阻R1阻值为1k欧姆，电阻R2阻值为10k欧姆，电阻R3，阻值为1k欧姆，阻值R4阻值为33欧姆，电容C1阻值为220pF，直流源V1电压为5V，直流源V2电压为15V。前述光耦芯片的型号可采用HCNW2211或其他同系列芯片。

采样模块包括：电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电容C2、电容C3、运算放大器Q4和直流源V3；采样输出与电容C3和电阻R9的一端相连，电容C3的另一端与地相连，电阻R9的另一端与电阻R8的一端和运算放大器Q4的输出端相连，电阻R8的另一端与电阻R7的一端和运算放大器Q4的负极相连，电阻R7的另一端与运算放大器Q4的接地端与地相连，运算放大器Q4的电源端与直流源V3相连，运算放大器Q4的正极与电阻R6的一端和电容C2的一端相连，电阻R6的另一端与电阻R5的一端相连，并连接到采样输入端，电阻R5的另一端和电容C2的另一端与地相连。电阻R5阻值为1欧姆，电阻R6阻值为2k欧姆，电阻R7阻值为3.3k欧姆，电阻R8阻值为20k欧姆，电阻R9阻值1K欧姆，电容C2容值为100nF，电容C3容值为10nF，直流源V3电压为5V。

上述嵌入式处理器模块中采用BP神经网络PI控制方法，该方法共含有输入层、隐含层和输出层，其中，输入层节点数i，k时刻的输入层输入为a_l(k),l＝1,2…，i；隐含层节点数p取值为1～10，输入层与隐含层之间连接权值为q_ln(k)，k时刻的隐含层输入为b_n(k)，n＝1,2，…，p，隐含层激活函数为输出层节点数o，隐含层与输出层之间连接权值为q_nm(k)，k时刻的输出层输出c_m(k)作为PI参数，m＝1，…，o，激活函数为各项连接权值q_ln(k)和q_nm(k)的初始值均取区间[-1,1]之间的随机数。

BP神经网络PI控制方法的性能函数为其中r(k)为设定电流值，y(k)为输出采样值。

BP神经网络PI控制方法中学习速率为β，惯性系数为α。

BP神经网络PI控制方法中k时刻的PI控制方法为u(k)＝u(k-1)+k_p[e(k)-e(k-1)]+k_ie(k)，其中：u(k)为k时刻PI控制方法的输出值，k_p和k_i为PI参数。

BP神经网络PI控制方法输出层隐含权值学习方法为：

Δq_nm(k)＝βδ_nb_n(k)+αq_nm(k-1)

式中，Δq_nm(k)为q_nm在k时刻相对于k-1时刻的变化量；

${\mathrm{\δ}}_n=e\left(k\right)*\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)*\frac{\∂u\left(k\right)}{\∂c_m\left(k\right)}*g^{\′}\left(b_n\right(k\left)\right)$

其中，g'(x)＝g(x)(1-g(x))。

隐含层权值学习方法为Δq_ln(k)＝βδ_la_l(k)+αq_ln(k-1)，其中，Δq_ln(k)为q_ln(k)在k时刻相对于k-1时刻的变化量；

通过此BP神经网络PI控制方法，可得输出即为所需PI系数，所得的PI系数用于调整PWM占空比，以此调节输出电流至指定电流值r(k)。

本发明设计原理如下：

LED的特性曲线与普通二级管基本相同，当外加电压达到导通电压后，外加电压的微小变化可以引起电流的巨变，所以LED驱动电路需要采用恒流驱动，无论电压如何变化，也能保证流过LED的电流不变，以此保护LED负载。驱动电路结构选取反激式拓扑结构，输入交流电经过EMI滤波模块后滤除电磁干扰，通过全桥整流模块输出直流电，通过反激式开关变换电路输出适当的直流电，输出端的直流电经过采样模块采样，输入到嵌入式处理器模块，在嵌入式处理器模块中，根据采样电流的变化，经过BP神经网络PI控制方法来稳定快速控制PWM信号占空比的变化，当采样电流偏大时，BP神经网络PI控制方法使PWM信号占空比减小；当采样电流偏小时，BP神经网络PI控制方法使PWM信号占空比增大。PWM信号又通过PWM驱动电路输入到反激式开关变换电路，通过控制反激式开关变换电路中开关管的导通与关断来使偏离设定电流值的输出电流回归到设定值，最终输出稳定驱动LED负载的恒流值。

下面结合实施例来说明本发明电路的控制效果，实施例中所采用的电路和控制方法如前所述，具体参数进行了调整。

实施例1

取输入交流电220V，LED负载为20个串联的1W白光LED颗粒，设定输出电流r(k)为0.18A。BP神经网络PI控制方法输入层节点数i取1，隐含层节点数p取5，输出层节点数取2，分别对应PI参数中的P参数和I参数，如图3所示测得基于BP神经网络PI控制方法的反激式LED驱动电路稳定输出设定电流值时间约为0.01s，普通PI控制方法的反激式LED驱动电路稳定输出设定电流值时间为0.016s。

通过本实例可以制作响应速度高于普通PI控制方法的反激式LED驱动电路的基于BP神经网络PI控制方法的反激式LED驱动电路。

实施例2

取输入交流电220V，LED负载为20个串联的1W白光LED颗粒，设定输出电流r(k)为0.35A。BP神经网络PI控制方法输入层节点数i取1，隐含层节点数p取5，输出层节点数取2，分别对应PI参数中的P参数和I参数。如图4所示测得基于BP神经网络PI控制方法的反激式LED驱动电路输出设定电流值时间为0.016s，普通PI控制方法的反激式LED驱动电路输出设定电流值时间为0.025s。

通过本实例可以制作自适应性高于普通PI控制方法的反激式LED驱动电路的基于BP神经网络PI控制方法的反激式LED驱动电路。

由此，完成基于BP神经网络PI控制方法的反激式LED驱动电路的制作。所制作于BP神经网络PI控制方法的反激式LED驱动电路性能高于普通PI控制方法的反激式LED驱动电路。

由此可见，本发明利用BP神经网络PI控制方法，根据输出电流的变化，来快速稳定控制PWM信号的变化，从而使电流快速回到设定值，最终输出稳定的恒流值。

本发明利用BP神经网络通过对系统性能的学习来实现对最佳PI参数的设定，快速改变PWM信号占空比，从而使电路快速回到稳定状态，具有高自适应性和强稳定性，又由于软件模块的存在，驱动电路后期维护便利，降低了电路维护成本。