基于模糊神经网络控制的电液系统研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中 图 分 类 号 ：Ｔ ２３ Ｐ ７ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１０ —３８ （０ ７ １ ０ １ ８ １ ２０ ２—１２—２ Ｊ ０
Ｒｅ ｅ ｃ ｎ ｅ ｔ ｏ ｈ ｄｒ ｕ ｉ ｒ ｏ Ｓｙ ｔ ｍ ｓ ｄ ｏ ｓ ａｒ ｈ ｏ Ｅｌ ｃ ｒ － ｙ ａ ｌｃ Ｓｅ ｖ ｓｅ Ｂａ ｅ ｎ Ｆｕｚ ｙ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｃｏ ｒ ｌ ｚ ｕ ａ ｔ ｒ ｎｔ ｏ
Ｈ０Ｕ Ｙｕ ｎｏ ｇ． Ｃ ａ ｌｎ ＨＥＮ Ｊｌ ｉ ｎ ｉ
（ ｅ ａｔ ｎ ｏ Ｍ ｃａ ｉ ｌ ｎｉｅｒ ｇ ａｊ ｇＵ ｉ ｒ ｔ ｏ ｃ ｎｅａｄＴ ｃｎ ｌ ｙ ａｊ ｇ２０ ９ ，Ｃ ｉａ Ｄ ｐｒ ｔ ｆ ｅｈ ｎｃ ｇ ｅ ｎ ，Ｎ ｎｉ ｎ ｅ ｉ ｆ ｉ ｃ ｎ ｅｈ ｏ ｇ ，Ｎ ｎｉ １０ ４ ｈ ） ｍｅ ａＥ ｎ ｉ ｎ ｖ ｓｙ Ｓ ｅ ｏ ｎ ｎ
变 的被 控对象具有 较强 的 自适应 和 自学 习能力 ，且
用 。但 Ｂ Ｐ网络存在局部最 优问题 ，并且 训练速度 较 慢 、效率低 ，将其应用在快速 、动态变化的电液伺 服
系统 中存在 着训练 和收敛 速度 问题 。Ｂ Ｐ算 法采用 的
是梯度最优法 ，因此可 以通过修改权值使误差 向减小 的方向变化 。但是 由于误差训练 式 中含 有 因子 （ 一 １
侯 远 龙 ， 陈机 林 （ 南京理 工大 学机 械 工程 学院 ， 南京 ２０ ９ ） １０ ４
摘要 ：针对大功率 电液伺服系统存在严重非线性 和时变性 ，将神 经网络与模糊控制 理论相结合 ，根 据系统 的误差 及误 差变化对神经 网络的学 习速率和动量因子进行模糊 修正 ，有 效地 改善 了神经 网络 的学习速率 。实验表 明 ，所设计 的神 经 网 络控制器能够保证大功率电液伺服系统的静 、动态性能 。 关键词 ：模糊 ；神 经网络控制器 ；电液伺服系统
ｙ） ，而 ｙ ＝ （ 厂 ∑ ） 用非 线性 的 Ｓｇ ｏ 采 ｉ ｉ ｍ ｄ函数 ， 较大时 ，指数上 升 是一个指数 函数 ，所 以当 ｆ ∑
和下降速度均很缓 慢 ，此 时 ∑ ， 的变化 对输 出 函 数不敏感 ，当 Ｉ ，，较小时 ，指数上 升和下 降速度 ∑ Ｉ 较快 ，此 时 ∑ ， 的 变 化 对 输 出 函 数 非 常 敏 感 ， ，
０ 引 言
网络在系统 的建模及控制器设计 中得 到了很广泛 的应
大功率电液伺服系统 一般 由电液伺服变量泵与液 压执行元件 （ 伺服液压油缸 或液压伺 服马达 ）组成 ，
液压伺服泵 和液压执行元件本身就是一个 非线性很强 的元 件 ，其组成系统后 ，由于负载的变化 、温度 的变 化 、机械传动 的空 回和弹性变形等 ，使得 电液伺服系 统是一个典 型的强非线性系统。传统 的控制方法虽然 也能使 系统具 有一 定 的静 、动 态性 能 ，但 是对 于 负 载变 化大 的电液伺服 系统 ，要使其 具 有较好 的静动 态性 能则 非常 困难 。而神经 网络 由于对 非线性 、时
ｓ ｄｅ． Ａ ｆ ｚ ｙｔ ａ ｅｉ ｅ ｄｕｔｈ ａｎ ｇｒｔ ａｄｍｏ ｎｕ ｆｈ ｅｒｌ ｅ ｏｋｃｎｒｌ ｒ ｃｏｄｎ ｒ ｒ ｎ ｔｉ ｕ ｄ ｚｙｓｓ ｍ Ｗ ｄｓ ｎ ｔ ａｊｓ ｔｅｌ ｒｉ ｅ ｎ ｍｅｔｍ ｏ ｅｎｕａ ｎｔ ｒ ｏ ｔ ｌ ｃｒｉｇｔ ｅｒ ｄ ｕ ｅ ｓ ｇｄ ｏ ｅ ｎ ａ ｔ ｗ ｏｅ ａ ｏ ｏａ
维普资讯
２０ ０７年 １ ２月
机床与液压
ＭＡＣＨＩ ＮＥΒιβλιοθήκη ＴＯＯＬ ＆ ＨＹＤＲＡＵＬ ＣＳ Ｉ
Ｄｅ ． ｏ ７ ｃ２０ Ｖ０． ５ Ｎｏ ２ １３ ．１
第３ ５卷 第 １ ２期
基 于模 糊 神 经 网络控 制 的 电液 系统 研 究
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ｔ ｅ ｎ ｕ ａ ｅｗ ｒ ｏ ｔ ｌ ｒｏ ｉｈ－ｏ ｒｅｅ ｔ — ｙ ｒ ｕ ｉ ｙ ｔ ｍ ｔ ￣ ｎ ｏ ｌ ｅ ｒｔ ｎ ｉ ・ａ ｉｔ ｎ ｗ ｓ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｃ ｎ ｒ ｌ ｆａ ｈ ｇ ・ ｗｅ ｌｃｒ ・ ｄ ａ ｌ ｓ ｓｅ ｗｉ ｓ ｏ ｇ ｎ ｎ ｉ ａ ｉ ａ ｄ ｔ ｎ ｏｅ ｐ ｏｈ ｃ ｈ ｎ ｙ ｍｅ ｖ ｒａｉ ａ － ｏ
ｒｔ ｈ ｎ ｅ ｏ ｒｏ ， ａ ｄ ｔｅ ｌａ ｉ ｇ ｐ ｒ ｒ ｎ ｅ ｏ ｈ ｅ ｒｌｎ ｔ ｏ ｋ ｃ ｎｒ ｌ ｒｗａ ｍｐ ｏ ｅ ． Ｔ ｅ ｄ ｓｇ ｅ ｅ ｒｌｎ ｔ ｏ ｋ ｃ ｎ ａｅ ｃ ａ ｇ ｆｅｒ ｒ ｎ ｈ ｅ ｒ ｎ ｅ ｆ ｍａ ｃ ｆｔ ｅ ｎ ｕ ａ ｅｗ ｒ ｏ ｔ ｌ ｓ ｉ ｒ ｖ ｄ ｎ ｏ ｏｅ ｈ ｅ ｉｎ ｄ ｎ ｕ ａ ｅ ｒ ｏ — ｗ ｔ ｌ ｒＷａ ｐ ｌ ｄ ｔ ｉｈ ｐ ｗｅ ｌｃｒ — ｙ ｒｕ ｉ ｅ ｖ ｙ ｔ ｍ， ｎ ｄ ｒ ｓ ｌ ｆｓａｉ ｄ ｄ ｎ ｍｉ ｅ ｏ ａ ｃ ｈ ｗ ｄ ｉ ａｉ ｉ ． ｒ ｌ ｓ ａ ｐ ｉ ｏ ａ ｈ ｇ — ｏ ｒｅｅ ｔ ｈ ｄ ａ ｌ ｓ ｒ ｏ ｓ ｓｅ ａ ｅ ｕ ｔ ｏ ｔｔ ａ ｙ ａ ｃ ｐ ｒ ｒ ｎ ｅ ｓ ｏ ｅ ｔ ｖ ｌ ｔ ｏｅ ｅ ｏ ｃ ｓ ｃｎ ｆｍ ｓ ｄｙ Ｋｅ ｗｏ ｄ ： Ｆ ｚ ｙ ｓ ｓｅ ｙ ｒｓ ｕ ｚ ｙ ｔｍ； Ｎｅ ｒ ｅｗ ｒ ｏ ｔ ｌ ｒ Ｅ ｅ ｔ — ｙ ａ ｌ ｅ ｖ ｙ ｔｍ ｕ ａ ｎ ｔ ｏ ｋ ｃ ｎ ｒ ｌ ； ｌｃ ｒ ｈ ｄ ｕ ｉ ｓ ｒｏ ｓ ｓ ｌ ｏｅ ｏ ｒ ｃ ｅ
Ｒｅ ｅ ｃ ｎ ｅ ｔ ｏ ｈ ｄｒ ｕ ｉ ｒ ｏ Ｓｙ ｔ ｍ ｓ ｄ ｏ ｓ ａｒ ｈ ｏ Ｅｌ ｃ ｒ － ｙ ａ ｌｃ Ｓｅ ｖ ｓｅ Ｂａ ｅ ｎ Ｆｕｚ ｙ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｃｏ ｒ ｌ ｚ ｕ ａ ｔ ｒ ｎｔ ｏ
Ｈ０Ｕ Ｙｕ ｎｏ ｇ． Ｃ ａ ｌｎ ＨＥＮ Ｊｌ ｉ ｎ ｉ
（ ｅ ａｔ ｎ ｏ Ｍ ｃａ ｉ ｌ ｎｉｅｒ ｇ ａｊ ｇＵ ｉ ｒ ｔ ｏ ｃ ｎｅａｄＴ ｃｎ ｌ ｙ ａｊ ｇ２０ ９ ，Ｃ ｉａ Ｄ ｐｒ ｔ ｆ ｅｈ ｎｃ ｇ ｅ ｎ ，Ｎ ｎｉ ｎ ｅ ｉ ｆ ｉ ｃ ｎ ｅｈ ｏ ｇ ，Ｎ ｎｉ １０ ４ ｈ ） ｍｅ ａＥ ｎ ｉ ｎ ｖ ｓｙ Ｓ ｅ ｏ ｎ ｎ
变 的被 控对象具有 较强 的 自适应 和 自学 习能力 ，且
用 。但 Ｂ Ｐ网络存在局部最 优问题 ，并且 训练速度 较 慢 、效率低 ，将其应用在快速 、动态变化的电液伺 服
系统 中存在 着训练 和收敛 速度 问题 。Ｂ Ｐ算 法采用 的
是梯度最优法 ，因此可 以通过修改权值使误差 向减小 的方向变化 。但是 由于误差训练 式 中含 有 因子 （ 一 １
侯 远 龙 ， 陈机 林 （ 南京理 工大 学机 械 工程 学院 ， 南京 ２０ ９ ） １０ ４
摘要 ：针对大功率 电液伺服系统存在严重非线性 和时变性 ，将神 经网络与模糊控制 理论相结合 ，根 据系统 的误差 及误 差变化对神经 网络的学 习速率和动量因子进行模糊 修正 ，有 效地 改善 了神经 网络 的学习速率 。实验表 明 ，所设计 的神 经 网 络控制器能够保证大功率电液伺服系统的静 、动态性能 。 关键词 ：模糊 ；神 经网络控制器 ；电液伺服系统
ｙ） ，而 ｙ ＝ （ 厂 ∑ ） 用非 线性 的 Ｓｇ ｏ 采 ｉ ｉ ｍ ｄ函数 ， 较大时 ，指数上 升 是一个指数 函数 ，所 以当 ｆ ∑
和下降速度均很缓 慢 ，此 时 ∑ ， 的变化 对输 出 函 数不敏感 ，当 Ｉ ，，较小时 ，指数上 升和下 降速度 ∑ Ｉ 较快 ，此 时 ∑ ， 的 变 化 对 输 出 函 数 非 常 敏 感 ， ，
０ 引 言
网络在系统 的建模及控制器设计 中得 到了很广泛 的应
大功率电液伺服系统 一般 由电液伺服变量泵与液 压执行元件 （ 伺服液压油缸 或液压伺 服马达 ）组成 ，
液压伺服泵 和液压执行元件本身就是一个 非线性很强 的元 件 ，其组成系统后 ，由于负载的变化 、温度 的变 化 、机械传动 的空 回和弹性变形等 ，使得 电液伺服系 统是一个典 型的强非线性系统。传统 的控制方法虽然 也能使 系统具 有一 定 的静 、动 态性 能 ，但 是对 于 负 载变 化大 的电液伺服 系统 ，要使其 具 有较好 的静动 态性 能则 非常 困难 。而神经 网络 由于对 非线性 、时
ｓ ｄｅ． Ａ ｆ ｚ ｙｔ ａ ｅｉ ｅ ｄｕｔｈ ａｎ ｇｒｔ ａｄｍｏ ｎｕ ｆｈ ｅｒｌ ｅ ｏｋｃｎｒｌ ｒ ｃｏｄｎ ｒ ｒ ｎ ｔｉ ｕ ｄ ｚｙｓｓ ｍ Ｗ ｄｓ ｎ ｔ ａｊｓ ｔｅｌ ｒｉ ｅ ｎ ｍｅｔｍ ｏ ｅｎｕａ ｎｔ ｒ ｏ ｔ ｌ ｃｒｉｇｔ ｅｒ ｄ ｕ ｅ ｓ ｇｄ ｏ ｅ ｎ ａ ｔ ｗ ｏｅ ａ ｏ ｏａ
维普资讯
２０ ０７年 １ ２月
机床与液压
ＭＡＣＨＩ ＮＥΒιβλιοθήκη ＴＯＯＬ ＆ ＨＹＤＲＡＵＬ ＣＳ Ｉ
Ｄｅ ． ｏ ７ ｃ２０ Ｖ０． ５ Ｎｏ ２ １３ ．１
第３ ５卷 第 １ ２期
基 于模 糊 神 经 网络控 制 的 电液 系统 研 究
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ｔ ｅ ｎ ｕ ａ ｅｗ ｒ ｏ ｔ ｌ ｒｏ ｉｈ－ｏ ｒｅｅ ｔ — ｙ ｒ ｕ ｉ ｙ ｔ ｍ ｔ ￣ ｎ ｏ ｌ ｅ ｒｔ ｎ ｉ ・ａ ｉｔ ｎ ｗ ｓ ｈ ｅ ｒ ｌ ｔ ｏ ｋ ｃ ｎ ｒ ｌ ｆａ ｈ ｇ ・ ｗｅ ｌｃｒ ・ ｄ ａ ｌ ｓ ｓｅ ｗｉ ｓ ｏ ｇ ｎ ｎ ｉ ａ ｉ ａ ｄ ｔ ｎ ｏｅ ｐ ｏｈ ｃ ｈ ｎ ｙ ｍｅ ｖ ｒａｉ ａ － ｏ
ｒｔ ｈ ｎ ｅ ｏ ｒｏ ， ａ ｄ ｔｅ ｌａ ｉ ｇ ｐ ｒ ｒ ｎ ｅ ｏ ｈ ｅ ｒｌｎ ｔ ｏ ｋ ｃ ｎｒ ｌ ｒｗａ ｍｐ ｏ ｅ ． Ｔ ｅ ｄ ｓｇ ｅ ｅ ｒｌｎ ｔ ｏ ｋ ｃ ｎ ａｅ ｃ ａ ｇ ｆｅｒ ｒ ｎ ｈ ｅ ｒ ｎ ｅ ｆ ｍａ ｃ ｆｔ ｅ ｎ ｕ ａ ｅｗ ｒ ｏ ｔ ｌ ｓ ｉ ｒ ｖ ｄ ｎ ｏ ｏｅ ｈ ｅ ｉｎ ｄ ｎ ｕ ａ ｅ ｒ ｏ — ｗ ｔ ｌ ｒＷａ ｐ ｌ ｄ ｔ ｉｈ ｐ ｗｅ ｌｃｒ — ｙ ｒｕ ｉ ｅ ｖ ｙ ｔ ｍ， ｎ ｄ ｒ ｓ ｌ ｆｓａｉ ｄ ｄ ｎ ｍｉ ｅ ｏ ａ ｃ ｈ ｗ ｄ ｉ ａｉ ｉ ． ｒ ｌ ｓ ａ ｐ ｉ ｏ ａ ｈ ｇ — ｏ ｒｅｅ ｔ ｈ ｄ ａ ｌ ｓ ｒ ｏ ｓ ｓｅ ａ ｅ ｕ ｔ ｏ ｔｔ ａ ｙ ａ ｃ ｐ ｒ ｒ ｎ ｅ ｓ ｏ ｅ ｔ ｖ ｌ ｔ ｏｅ ｅ ｏ ｃ ｓ ｃｎ ｆｍ ｓ ｄｙ Ｋｅ ｗｏ ｄ ： Ｆ ｚ ｙ ｓ ｓｅ ｙ ｒｓ ｕ ｚ ｙ ｔｍ； Ｎｅ ｒ ｅｗ ｒ ｏ ｔ ｌ ｒ Ｅ ｅ ｔ — ｙ ａ ｌ ｅ ｖ ｙ ｔｍ ｕ ａ ｎ ｔ ｏ ｋ ｃ ｎ ｒ ｌ ； ｌｃ ｒ ｈ ｄ ｕ ｉ ｓ ｒｏ ｓ ｓ ｌ ｏｅ ｏ ｒ ｃ ｅ