电液伺服系统的神经网络辨识与自适应控制
电液位置伺服系统的模糊神经网络控制
ｃ ｌ ｉ ｓａ ｍｅ ｔｅ ａｓ ｅｒｌ ｅ ｏｋｌ ｒｉ ｌ ｒｈ ，Ｃ ｎｉｅ ｎ ｅｐ ｒ ｒａ ｏ ｓ ｆ ｂｅｔ ｕａ ｏ ｓｓ ｈｒ ｌｓｉ ｎｕ ｔ ｒ ａｎｎ ａｇ ｉ ｍｓ ｏｓ ｒ ｇｔ ｅｔ ｂ ｔ ｎ ｊｃ ｔｎ ｏ ｏ ｃ ｃ ａ ｎｗ ｅ ｇ ｏｔ ｄｉ ｈ ｕ ｉ ｏｏ
ｔｒｏ ｌｎ ｅ ｗｏ ｋ ｗｅ ｇ ｔ ｅ ｒ ｉ ｇ ｓ ｅ ｄ．Ｉ ｓ ｓｍｐ ｅ ｔ ｍｐ ｅ ｎ ｎ ｔｄｏ ｓｎ ｔｒ ｑｕ ｒ ｓｍａ ｙ ｃ — ｅ ｎ ｉ ｅ ｎ ｔ ｒ ｉｈ ｓ ｌａ ｎ ｎ ｐ ｅ ｔｉ ｉ ｌ ｏ ｉ ｌ ｍｅ ｔａ ｄ ｉ ｅ ｏ ｅ ｉｅ ａ ｎ ａ ｌ
ｓｒｏｓｓ ｍ， ｚｙｎ ｕａ ｎ ｔｏｋｃｎｒｌ ｔｏ ａ ｒｐ ｓｄ ｗｎ ｅｃｍ ｌｘ ｅ ｈｓａｊｓ ｅｖ ｙｔ ｅ ａｆ ｚ ｅ ｒｌ ｅｗ ｒ ｏ ｔ ｈ ｄｗ ｓ ｏｏｅ ．Ｏ ｉ ｔ ｔ ｏ ｐｅ ｉ ｔ ｄｕｔ ｕ ｏ ｍｅ ｐ ｇｏｈ ｗ ｇ —
Ｚ ＨＯＮＧ ｅ —ｅ ｇ， ＨＥ Ｘｉ ｏ ｘ Ｗ ｉｆｎ ａ —ｉ
（ ｏｅｅｏ ｕ ｍａｏ ， ａｂｎＵ ｉ ｒ ｔ ｏ ｃｅｃ＆ ｅｈ ｏ ｇ ， ａｂ ０ ０， ｈｎ ） Ｃ ｌｇ ｆ ｔ ｔ ｎ Ｈ ｒｉ ｎ ｅｓｙ ｆ ｉｎｅ Ｔ ｃｎ ｌ ｙ Ｈ ｒｉ １０ ８ Ｃ ｉ ｌ Ａ ｏ ｉ ｖ ｉ Ｓ ｏ ｎ ５ ａ
ｍｅ ｔａ ｄ ｌｗ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｆｒ ｕ ｉ ｅ ｆ ｚ ｙ ｎ ｕ ａ ｅｗｏ ｋ ｌ ａ ｎ ｎ ｌ ｏ ｔｍｓ，ａｆ ｚ ｙ ｈ ｅ ａ ｃ ｙ ｅ — ｎ ｎ ｏ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ ｏ ｏ ｔｎ ｕ ｚ ｅ ｒ ｌｎ ｔ ｒ ｅ ｒ ｉ ｇ ａｇ ｒ ｈ ｉ ｕ ｚ ｉ ｒ ｒ ｈ ｒ
控制系统中的自适应控制与神经网络控制比较
控制系统中的自适应控制与神经网络控制比较在控制系统中，自适应控制和神经网络控制是两种常见的控制方法。
它们都旨在通过对系统模型和输入输出关系进行学习和调整，实现系统的自适应性能。
然而，它们在实现方式、性能和适用范围等方面存在一些差异。
本文将对自适应控制和神经网络控制进行比较，以帮助读者理解它们的优缺点和适用情况。
自适应控制是一种基于模型参考自适应原理的控制方法。
其核心思想是通过建立系统模型并根据模型误差来调整自适应控制器的参数。
自适应控制根据系统模型的准确性进行分类，可以分为基于精确模型的自适应控制和基于近似模型的自适应控制。
基于精确模型的自适应控制方法要求系统模型必须准确地描述系统的动态特性。
这种方法可以针对不同的系统进行定制化设计，控制性能较好。
然而，由于实际系统的模型通常是复杂和不确定的，因此需要大量的模型辨识工作，且容易受到模型误差的影响。
相比之下，基于近似模型的自适应控制方法更常见。
这种方法通过选择适当的模型结构和参数估计方法，利用系统的输入输出数据进行模型辨识和参数调整。
基于近似模型的自适应控制方法对系统模型的精确性要求较低，适用于对系统了解不充分或者模型难以得到的情况。
然而，近似模型的准确性直接影响自适应控制的性能，需要通过参数调整策略进行优化。
与自适应控制相比，神经网络控制利用神经网络对系统进行建模和控制。
神经网络是一种模仿人脑神经元结构和功能的计算模型，通过大量的神经元连接和权重调整来实现输入输出之间的非线性映射。
在神经网络控制中，神经网络模型可以根据系统的输入输出数据进行在线学习和参数调整。
神经网络控制具有较强的适应性和非线性建模能力，能够有效处理系统模型复杂或不确定的情况。
它不需要事先对系统进行准确建模，适用范围广。
然而，神经网络控制的设计、训练和调参过程较为复杂，需要大量的计算资源和时间，且很难对其内部机制进行解释和理解。
综上所述，自适应控制和神经网络控制都是常见的控制方法，各有其优势和适用范围。
伺服电机驱动的液压动力系统及其神经网络自适应优化控制
伺服电机驱动的液压动力系统及其神经网络自适应优化控制马 玉 谷立臣西安建筑科技大学,西安,710055摘要:针对传统液压系统存在的高能耗㊁低响应特点,采用节能型液压动力源永磁伺服电机直接驱动定量泵,以取代原有的异步电机驱动液压动力源,从而形成一种新型的节能㊁响应快速㊁易实现闭环控制的液压动力系统㊂由于实际液压系统随机干扰严重,具有多变量㊁非线性㊁强耦合的特征,难以建立较准确的数学模型,常规的P I D 控制算法很难满足液压系统高精度控制的要求,因此提出基于P S O 与B P 混合优化前向神经网络P I D 自适应控制方法,实现液压系统在典型工况下流量的精确控制㊂P I D 控制器的参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整,通过神经网络的自学习能力寻找最佳的P ㊁I ㊁D 非线性组合控制律,以增强液压系统对工况变化的适应能力㊂仿真和实验结果表明,该控制方法跟踪速度快㊁超调小㊁鲁棒性强,从而为液压系统流量高精度控制提供了一种新方法㊂关键词:粒子群优化(P S O );前向神经网络;液压系统;P I D中图分类号:T P 273 D O I :10.3969/j.i s s n .1004-132X.2014.09.019N e u r a lN e t w o r kA d a p t i v eO p t i m a l C o n t r o l S t r a t e g y o f S e r v oM o t o rD r i v e nH y d r a u l i c S ys t e m M aY u G uL i c h e nX i ’a nU n i v e r s i t y o fA r c h i t e c t u r e a n dT e c h n o l o g y,X i ’a n ,710055A b s t r a c t :I nv i e w o f t h eh i g he n e r g y c o n s u m p t i o na n dl o wr e s p o n s eo f t h et r a d i t i o n a lh yd r a u l i c s y s te m ,a p e r m a n e n tm a g n e t s y n c h r o n o u sm o t o r d r i v e n c o n s t a n t p u m p h y d r a u l i c s y s t e m w a s d e s i gn e d i n s t e a do f c o mm o nm o t o r ,w h i c hw a s e a s y t o r e a l i z e c l o s e d ‐l o o p f e e d b a c k c o n t r o l .B e c a u s e o f t h e s e r i -o u s r a n d o mi n t e r f e r e n c e ,m u l t i ‐v a r i a b l e ,n o n l i n e a r ,s t r o n g c o u p l i n g,i tw a sd i f f i c u l t t oe s t a b l i s h p r e c i s e m a t h e m a t i c a lm o d e l o f h y d r a u l i c s y s t e m.G e n e r a l P I D w a sd i f f i c u l t t om e e t h i g h p r e c i s i o nc o n t r o l r e -q u i r e m e n t s ,i n t h i s r e s p e c t a f o r w a r d n e u r a l n e t w o r kP I Dc o n t r o l l e r b a s e d o nP S O ‐B Ph y b r i d o p t i m i z a -t i o na l g o r i t h m s f o r a d a p t i v e c o n t r o l o f h y d r a u l i c s y s t e m w a s p r o p o s e d t o r e a l i z e p r e c i s e c o n t r o l o f f l o w u n d e r c o m p l e x c o n d i t i o n s .T h e c o n t r o l p a r a m e t e r s o f P I Dc o n t r o l l e rw e r e a d j u s t e d a d a p t i v e l y b y ne u r a l n e t w o r k ,t h ew e i g h t s of n e u r a l n e t w o r kw e r e o p t i m i z e db y t h em i x e d l e a r n i ng m e th o d s .A no pt i m i z e d n o n ‐l i n e a r c o m b i n e d c o n t r o l r u l e o f P ,I ,a n dD w a s b u i l t b y t h e s e l f ‐l e a r n i n g a b i l i t y of n e u r a l n e t w o r k a n d t os t r e ng th e nt h ea bi l i t y o fc h a n g e s i n w o r k i n g c o n d i t i o n .S i m u l a t i o na n de x pe r i m e n t a l r e s u l t s s h o wt h a t :t h e c o n t r o l l e r h a sf a s t t r a c k i ng a b i l i t y ,s m a l l o v e r sh o o t a n d s t r o n g r o b u s t n e s s .An e w m e t h -o d i s p r o v i d e d f o r t h eh i g h ‐p r e c i s i o n f l o wc o n t r o l o f h y d r a u l i c s ys t e m.K e y w o r d s :p a r t i c l e s w a r mo p t i m i z a t i o n (P S O );f e e d ‐f o r w a r d n e u r a l n e t w o r k (F N N );h y d r a u l i c s y s -t e m ;P I D收稿日期:2012 09 13基金项目:国家自然科学基金资助项目(51275375)0 引言本文研究的液压系统采用高性能交流永磁伺服电机(具有天然的节能特性)驱动定量泵作为液压系统的动力源,该系统克服了传统阀控液压系统结构复杂㊁能耗高以及对液压油要求高等不足,由伺服电机直接驱动液压动力系统,具有结构紧凑㊁可靠性高㊁调速范围广㊁控制精度高㊁节能效果好以及便于实现各种闭环控制策略等优点㊂目前,在液压系统控制策略上仍然广泛采用P I D 控制,由于液压系统在负载变化时具有流量和压力的强耦合特性,控制对象仍然具有不确定㊁时变和高度非线性,所以传统P I D 控制效果不佳,为此出现了多种先进控制技术,将其与智能控制相结合运用到液压系统的控制中都取得了好的效果㊂文献[1]研究了模糊P I D 控制策略,并将其用于液压机压边力的控制㊂文献[2]将免疫P I D 控制策略用于液压位置伺服系统中㊂文献[3]将神经网络和自适应控制技术相结合,在电液伺服控制系统中取得了良好的效果,显示出神经网络控制在该类液压系统控制中的优势㊂但是人工神经网络在控制中面临的主要问题是其算法较复杂,使其在工业控制中的广泛应用受到限制㊂将神经网络与P I D 控制相结合,可以取得更好的控制效果,并已有一些研究成果[4‐7]㊂基于以上分析,本文提出了基于粒子群优化(P S O )算法与B P 混合优化的前向神经网络㊃9321㊃(F N N )P I D 控制方法,并将其运用于永磁伺服电机驱动的液压系统中㊂该控制方法利用F N N 的自学习能力自动调节P I D 控制器参数,利用P S O算法较强的全局搜索能力克服了B P 算法容易陷入局部极小值等问题㊂仿真和实验结果验证了该方法控制的液压系统在各种典型工况下具有良好的动静态性能㊂1 液压动力系统结构及其模型1.1 液压动力系统结构该液压系统(图1)由永磁伺服电机驱动定量泵(齿轮泵)作为液压动力源,由比例溢流阀模拟实际的负载,简洁㊁方便,避免了安装实际负载所带来的不便㊂液压系统流量由液压回路流量传感器直接检测,与永磁伺服电机速度闭环控制组成双闭环控制,系统压力由压力传感器检测并送到控制器,与比例溢流阀模拟加载系统一起组成闭环控制㊂该系统可以根据模拟负载所需的压力和流量,由液压源提供完全匹配的压力和流量,避免了传统阀控液压回路节流及溢流所带来的能量损失㊂系统采用了高响应速度的伺服电机,相比普通阀控液压系统,在控制精度和响应速度上得到了较大提高㊂图1 液压动力系统原理图1.2 液压动力源模型永磁同步电机的数学模型较复杂,通常,为了分析方便,常选用基于P a r k 变换的d ‐q 旋转坐标系下的矢量控制数学模型,可表示如下:u d =R s i d +s ψd -ωr ψq (1)u q =R s i q +s ψq -ωr ψd (2)ψd =L d i d +ψf (3)ψq =L q i q (4)T e =1.5s (ψd i q -ψq i d )(5)式中,u d ㊁u q 分别为d 轴㊁q 轴定子电压分量;i d ㊁i q 分别为d ㊁q 轴定子电流分量;s 为极对数;ωr 为转子角速度;R s 为定子绕组电阻;L d ㊁L q 分别为定子直轴㊁交轴电感;ψf 为转子永磁体产生的磁链;ψd ㊁ψq 分别为d 轴㊁q 轴定子磁链;T e 为电磁转矩㊂齿轮泵的主要模型如下:流量方程为Q p =ω2πD p -p p C p 1μ-p p ω2πD p 1βe (6)式中,Q p 为泵输出的流量;ω为泵(电机)的角速度;D p 为泵的排量;p p 为泵的出口压力;C p 为泄漏系数;μ为液压油的动力黏度;βe 为油液弹性模量㊂泵的驱动轴上的转矩平衡方程为T L =J pd ωd t +B pω+V2πp (7)式中,J p 为泵的转动惯量;T L 为泵的输入转矩(电机的负载转矩);J pd ωd t为惯性转矩;B p 为泵黏滞阻尼系数;B p ω为泵的阻尼转矩;V 2πp为油液压力产生的转矩;V 为泵排量;p 为压力㊂2 混合优化F N NP I D 控制策略2.1 控制器结构基于F N N 的P I D 控制系统结构如图2所示㊂控制器由两部分构成:①主控制器仍为传统的P I D 控制器,与被控制对象组成闭环控制,控制器的3个参数k p ㊁k i ㊁k d 根据系统的运行工况在线整定;②F N N 根据控制系统优化的性能指标,实现P I D 控制器参数的在线调整㊂F N N 根据系统的误差㊁误差之和以及误差的变化输出P I D 控制器的3个可调参数k p ㊁k i ㊁k d ,也就是根据系统的运行情况通过神经网络实时调整权系数,使得控制效果达到最优㊂图2 混合优化F N NP I D 控制系统结构2.2 P S O 和B P 混合优化控制算法本文采用离线P S O 和在线B P 相结合的混合优化方法来训练F N N ,即首先采用P S O 在全局搜索范围内搜索,取得权值的近似最优解;然后再利用B P 快速进行精细调整,以获得更好的控制性能㊂由于P S O 优化算法很费时,因此它采用离线优化,用于F N N 权值的粗优化;进一步细优化采用B P 优化算法,此时F N N 权值初值已接近最优值,因此再用B P 算法时收敛速度很快,不会陷入局部最优,故B P 算法采用在线优化㊂2.2.1 改进P S O 优化算法P S O 算法是K e n n e d y 等提出的一种基于仿生集群优化算法㊂P S O 算法首先初始化一群随㊃0421㊃机粒子,粒子总数为M,粒子维数为D,第i个粒子的位置㊁速度分别表示为X i=(X i1,X i2, , X i D),v i=(v i1,v i2, ,v i D);然后通过多次迭代找到最优解㊂在每次迭代过程中,粒子通过跟踪两个 极值”来更新自身,一个是粒子本身找到的个体极值p b e s t,记为P i=(P i1,P i2, ,P i D),另一个是整个种群目前找到的全局极值g b e s t,记为P g=(P g1,P g2, ,P g D)㊂标准P S O算法迭代公式如下:v i d(k+1)=w v i d(k)+c1r1(P i d(k)-X i d(k))+c2r2(P g d(k)-X i d(k))(8)i=1,2, ,M;d=1,2, ,DX i d(k+1)=X i d(k)+v i d(k)(9)其中,k为迭代次数;w为惯性权重,它使粒子保持运动惯性;c1㊁c2为学习因子,为非负数,它们对收敛速度有较大影响,分别调节向个体最优粒子㊁全局最优粒子方向飞行的最大步长,通常取c1= c2≥2;r1㊁r2为[0,1]区间变化的随机数,它们可以保证微粒群体的多样性和搜索的随机性㊂找到位置和速度的最优解时,粒子根据式(8)㊁式(9)计算当前粒子的速度和位置,直到满足最大迭代次数K或者粒子群搜索到的最优位置满足最小误差标准为止,最后输出的p b e s t就是全局最优解㊂由于标准P S O算法初始粒子的选取是随机的,不利于算法的优化效率,因此本文采用如下主要改进措施[6]:(1)线性化惯性权重系数w㊂w对P S O算法的收敛性起到很大的作用,当w较大时,粒子的全局搜索能力强;当w较小时,粒子主要在当前解的附近搜索,局部搜索能力强㊂因此对w采用自适应调整策略,即将w从最大惯性权重w m a x线性减小到最小惯性权重w m i n㊂该方法加快了收敛速度,提高了P S O算法的性能㊂(2)增加收缩因子ζ㊂在式(8)右边乘上ζ可以改善算法的收敛性,ζ主要用于控制粒子的最大速度,它可表示为ζ=2/|2-c-c2-4c|c=c1+c2,c>4本文的粒子群的位置向量X为3层F N N的权值,它们采用实数编码,粒子维数D就是权值总数㊂粒子适应度定义为F=1/[∑n j=1∑l k=1(r j(k)-y j(k))2/l]=1/[∑n j=1∑l k=1e2j(k)/l]式中,l为训练集的样本数;n为被控变量个数;r j(k)㊁y j(k)分别为第k个样本的第j个网络输出节点的理想输出值㊁实际输出值㊂2.2.2 B P优化算法本文采用3层F N N,其输入分别为x1(k)=e(k)=r(k)-y(k)x2(k)=∑k i=1e(i)x3(k)=e(k)-e(k-1)式中,x1㊁x2㊁x3分别对应于P I D控制器的比例㊁积分和微分3个环节;F N N输出即为P I D控制器的k p㊁k i和k d㊂F N N隐含层神经元个数的选取应适中,经反复试验和综合考虑,神经元个数T取6㊂网络输入层的输入记为O(1)j=x(j) j=1,2,3网络的隐含层的输入㊁输出为n e t(2)i(k)=∑2j=0w(2)i j O(1)jO(2)i(k)=f(n e t(2)i(k))O(2)T(k)≡1式中,w(2)i j为隐含层加权系数;上角标(1)㊁(2)㊁(3)分别代表输入层㊁隐含层和输出层㊂隐含层神经元的激励函数取正负对称的S i g-m o i d函数㊂网络输出层的输入输出为n e t(3)l(k)=∑T j=0w(3)l i O(2)i(k)O(3)l(k)=g(n e t(3)l(k))O(3)0(k)=k pO(3)1(k)=k iO(3)2(k)=k d输出层输出节点分别对应k p㊁k i㊁k d三个可调参数㊂由于k p㊁k i㊁k d不能为负值,所以输出层神经元的激励函数取非负的S i g m o i d函数㊂取性能指标函数为V(k)=12(r i n(k)-y o u t(k))2式中,r i n(k)为目标函数值;y o u t(k)为神经网络输出函数值㊂B P学习规则是根据性能指标函数在权值的负梯度方向搜索调整权值大小,并附加一个使搜索快速收敛到全局最小的动量项㊂B P算法的迭代公式为Δw l i(k+1)=γΔw l i(k)-η∂V(k)/w l iΔw i j(k+1)=γΔw i j(k)-η∂V(k)/w i j式中,w l i㊁w i j分别为隐层到输出层㊁输入层到隐层的权值;Δw i j为相邻采样点间变化量;γ㊁η分别为学习速率㊁动量系数㊂3 仿真和实验以永磁伺服电机驱动的液压动力系统为研究对象,对系统流量进行控制㊂采用2.2k W永磁同步电机和排量为4.25m L/r的齿轮泵作为液压动㊃1421㊃力源,利用比例溢流阀模拟负载给液压系统加载,系统压力取决于负载的大小,系统流量主要取决于电机转速,控制原理如图3所示㊂图3 系统控制原理图系统采用流量负反馈压力自适应的闭环控制方式,压力自适应就是泵的工作压力自动地与负载压力相适应㊂负载增大时会引起系统压力变大,泵的内泄增大使输出流量变小,伺服控制器将流量信号Q p与设定值Q r进行对比,控制电机转速增大使系统流量达到设定值,以适应负载压力的要求,此模式适用于负载变化较大而负载速度较稳定的场合㊂3.1 典型工况仿真结果对比根据式(1)~式(7)所示的数学模型,运用MA T L A B和S i m u l i n k建立永磁同步电机空间矢量P WM模型及整个控制系统模型,结合典型工况,分别运用常规B P优化算法㊁常规P I D算法及提出的神经网络混合优化算法对系统流量进行优化控制仿真㊂永磁电机主要参数如下:G K6交流永磁同步伺服电机,其型号为G K6073‐6A C31,额定功率为2.2k W;额定转速n N=2000r/m i n,转矩T N= 11N㊃m,转动惯量J D=0.0017k g㊃m2;定子阻抗R s=2.8750Ω;定子d相绕组电感L d= 8.5mH;q相绕组电感L q=8.5mH;极对数s=4㊂齿轮泵主要参数:额定压力p N=25M P a,额定转速n=3500r/m i n;理论排量D p=4.25×10-6m3/r,转动惯量J p=4.2×10-5k g㊃m2㊂混合优化算法相关参数分别取为:采样周期T s=1.0s,M=50,D=36,K=100,w m i n=0.35, w m a x=0.85,c1=c2=2.06,c=4.12,ζ=0.729,γ=0.05,η=0.4㊂图4是系统负载为常值载荷6M P a时系统流量的仿真响应曲线,采用比例溢流阀模拟负载实现系统加载㊂图5是系统流量稳定后在0.3s时突然加阶跃负载的系统流量响应曲线㊂仿真曲线的对比表明:(1)比例溢流阀常值加载时,系统流量响应快㊁无超调且稳态精度高,具有良好的静态特性㊂(2)采用混合优化算法后的控制器在负载突1.混合优化2.B P优化3.P I D控制图4 负载为6M P a时流量响应曲线1.混合优化2.B P优化3.P I D控制图5 负载阶跃时流量响应曲线变的情况下具有在线自调节能力,其动态性能要强于常规B P优化算法及传统的P I D控制器㊂3.2 实验分析本文实验采用的硬件平台为N I公司的虚拟仪器P X I数据采集测控系统,如图6所示㊂控制器参数的优化算法通过相应的软件编程实现㊂1.散热器2.比例溢流阀3.油马达4.电磁换向阀5.电磁溢流阀6.组合传感器7.压力表8.A/D转换器9.上位计算机 10.伺服控制器 11.永磁电机 12.齿轮泵13.过滤器 14.霍尔电压㊁电流传感器 15.D/A转换器图6 系统硬件框图系统流量信号通过L W Z Y型智能涡轮流量传感器传送给虚拟仪器P X I‐6251多功能采集卡的模拟输入端口,在L a b V i e w软件平台上计算误差,并得出最终输出的控制量,以控制电机转速进而控制系统流量㊂图7所示为P I D控制流量实测曲线,系统流量稳定后加阶跃载荷㊂图8所示为混合优化P I D 后流量实测曲线,系统流量稳定后加阶跃载荷㊂㊃2421㊃图7 P I D控制流量实测曲线图8 混合优化流量实测曲线由图7的实验测试结果可看出:用常规P I D控制器控制,系统流量的超调较大,加阶跃载荷后系统流量的波动比较大,抗干扰能力差㊂比较图8的实验测试结果,混合优化后P I D 控制器的性能得到提高,系统流量的超调减小,加阶跃载荷后流量的波动明显减小,控制器的抗干扰能力得到提高㊂混合优化算法相比B P 优化算法和传统P I D 算法具有响应速度快㊁超调小的优点,可付诸于实际的控制系统中,系统动静态性能好,具有较强的鲁棒性㊂4 结论(1)本文采用永磁伺服电动机驱动齿轮泵作为新型液压动力源,该液压动力系统具有节能㊁响应快速㊁便于实现控制等优点㊂(2)液压动力系统具有大惯量㊁强负载干扰及多耦合的非线性特点,常规控制方法不易达到满意的控制效果㊂本文采用混合优化F N N P I D 的自适应控制策略,获得最佳P I D 自适应控制参数,克服了一般优化算法存在的早熟㊁收敛慢等缺点,实现了液压动力系统在典型工况下流量的精确控制㊂仿真和实验研究表明,提出的控制方法在响应速度㊁控制精度㊁稳定性㊁节能性等方面都达到了较高要求,具有较强的推广应用价值㊂参考文献:[1] 曹春平,孙宇.液压机压边力模糊P I D 智能控制系统研究[J ].中国机械工程,2010,21(21):2551‐2554.C a oC h u n p i n g ,S u nY u .S t u d y o nF u z z y P I DI n t e l l i -g e n tC o n t r o lS y s t e m f o r H y d r a u l i c P r e s s B l a n k ‐h o l d e r F o r c [J ].C h i n a M e c h a n i c a l E n g i n e e r i n g,2010,21(21):2551‐2554.[2] 邹俊,傅新,杨华勇.免疫P I D 在液压位置伺服系统中的应用研究[J ].机械工程学报,2005,41(1):1‐5.Z o u J u n ,F uX i n ,Y a n g H u a y o n g .A p p l i c a t i o no f I m -m u n eP I D C o n t r o l l e ri n H yd r a u l i c Se r v o C o n t r o l S y s t e m [J ].C h i n e s e J o u r n a l o fM e c h a n i c a l E n g i n e e r -i n g,2005,41(1):1‐5.[3] 吴建新,刘一江,易理刚,等.电液伺服系统的神经网络在线学习补偿自适应控制[J ].液压与气动,2003(4):8‐14.W uJ i a n x i n ,L i u Y i j i a n g ,Y iL i g a n g eta l .N e u r a l N e t w o r k B a s e do n L i n s e l e a r n i n g I n d e m n i t y A d a p -t i v eC o n t r o l f o rE l e c t r o ‐h y d r a u l i c S e r v oT e s t i n g S y s -t e m [J ].H yd r a u l i c a n dP ne u m a t i c ,2003(4):8‐14.[4] 王益群,王海芳,高英杰,等.基于神经网络P I D 的轧机A G C 力控制[J ].中国机械工程,2005,16(18):1650‐1654.W a n g Y i q u n ,W a n g H a i f a n g ,G a oY i n g j i e ,e t a l .H y -d r a u l i cA G C P re s sS y s t e m B a s e do n N N P I D C o n -t r o l l e [J ].C h i n a M e c h a n i c a lE n g i n e e r i n g ,2005,16(18):1650‐1654.[5] 沈柏桥,潘海鹏.B P 网络智能P I D 控制算法在交流调速系统中的应用[J ].电机与控制学报,2007,11(7):412‐417.S h e nB o q i a o ,P a n H a i p e n g .R e s e a r c ha n d A p p l i c a -t i o no f I n t e l l i g e n tP I D A l g o r i t h m B a s e do nB P N e t -w o r k [J ].E l e c t r i c M a c h i n e sa n d C o n t r o l ,2007,11(7):412‐417.[6] 程启明,程尹曼,汪明媚,等.球磨机混合优化前向神经网络P I D 解耦控制系统[J ].电力系统及其自动化学报,2010,22(2):54‐59.C h e n g Q i m i n g ,C h e n g Y i n m a n ,W a n g M i n g m e i ,e t a l .F e e d F o r w a r d N e u r a lN e t w o r k P ID D e c o u p l i n gC o n t r o l S y s t e m B a s e do n H y b r i d O p t i m i z a t i o n A l -g o r i t h m f o r B a l l M i l l [J ].P r o c e e d i n gs o f t h e C S U E P S A ,2010,22(2):54‐59.[7] 贾永峰,谷立臣.永磁同步电机驱动的液压动力系统设计与实验分析[J ].中国机械工程,2012,23(3):186‐190.J i aY o n g f e n g ,G uL i c h e n .S y s t e m D e s i g n a n dE x p e r -i m e n t a l A n a l y s i sf o r H yd r a u l i c P o we r U n i t w i t h P e r m a n e n t M a g n e tS y n c h r o n o u s M o t o rD r i v e [J ].C h i n a M e c h a n i c a lE n g i n e e r i n g,2012,23(3):186‐190.(编辑 苏卫国)作者简介:马 玉,女,1978年生㊂西安建筑科技大学机电学院讲师㊁博士研究生㊂研究方向为智能优化控制,机电液一体化技术㊂谷立臣,男,1956年生㊂西安建筑科技大学机电学院教授㊁博士研究生导师㊂㊃3421㊃。
控制系统中的系统辨识与自适应控制
控制系统中的系统辨识与自适应控制在控制系统中，系统辨识与自适应控制是两个关键的方面。
系统辨识是指通过实验或推理的方法，从输入和输出的数据中提取模型的参数和结构信息，以便更好地理解和控制系统的行为。
而自适应控制是指根据系统辨识得到的模型参数和结构信息，实时地调整控制器的参数以适应系统变化，以提高控制性能。
一、系统辨识1.1 参数辨识参数辨识是指确定系统动态模型中的参数。
常用的方法包括最小二乘法、极大似然估计法等。
最小二乘法是一种常见的参数辨识方法，通过最小化实际输出与模型输出之间的误差平方和来确定参数。
1.2 结构辨识结构辨识是指确定系统动态模型的结构，包括确定系统的阶数、输入输出关系等。
常用的结构辨识方法有ARX模型、ARMA模型等。
ARX模型是指自回归外部输入模型，适用于输入输出具有线性关系的系统。
ARMA模型是指自回归滑动平均模型，适用于输入输出关系存在滞后效应的系统。
二、自适应控制自适应控制是根据系统辨识得到的模型参数和结构信息，动态地调整控制器的参数以适应系统的变化。
常用的自适应控制方法有模型参考自适应控制、模型预测控制等。
2.1 模型参考自适应控制模型参考自适应控制是建立在系统辨识模型基础上的控制方法。
通过将系统输出与参考模型输出进行比较，通过调整控制器参数来减小误差。
常见的模型参考自适应控制方法有自适应PID控制、自适应模糊控制等。
2.2 模型预测控制模型预测控制是一种基于系统辨识模型的控制策略，通过对系统未来的状态进行预测，以求得最优控制输入。
模型预测控制可以同时考虑系统的多个输入和多个输出，具有较好的控制性能。
三、应用案例3.1 机械控制系统在机械控制系统中，系统辨识和自适应控制可以被应用于伺服控制系统。
通过系统辨识可以得到伺服电机的动态模型，然后利用自适应控制方法调整PID控制器的参数，以提高伺服系统的响应速度和稳定性。
3.2 化工控制系统在化工控制系统中，系统辨识和自适应控制可以被应用于控制某个反应器的温度。
电液伺服系统在线辨识方案的设计
０ 引 言
时 ，试验可在系统正常工作状态下完成 ，不需要断开 组 成系统 的部件 。根据系统 的输入 、输 出计算 出系统 的互相关 函数 ，就 可计算 出脉 冲响应 函数 ｇ ７ ，对 （） ｇ ｒ 取 拉 氏变 换 就 可方 便 的求 出系统 的传递 函数 。 （） 当一个较 小 的 白噪声 信号 作 为试 验信 号加 入 到系 统 时 ，它仅 与系统 的输出相关 ，而与系统的其 它扰 动不 相关 ，所 以辨识 的精度 不受 噪声干扰 的影响。 但是 ，理想 的 白噪声很难 获得 。在工程上 常用伪 随机信号来 近似地代替 白噪声 。伪 随机信号是 以零对
Ｌ ｎ Ｉ Ｍｅ ｇ，ＸＵ ｐｉ ｇ， ＬＩＬｉ ｇ ｉ ｇ Ｙａ ｎ ｎ ｂｎ
（ ｃ ｏｌ ｆ ｃｔ ｎｃ ｏｔｗ ｓ ｒ ｏｙ ｃ ｎ ａ Ｕ ｉｅｓｙ ｉ ｎ７ ０ ７ ．Ｃ ｉａ Ｓ ｈ ｏ ｏ ｈｒ ｉ，Ｎ ｒ ｅｔ ｎＰ ｌ ｅｈ ｉ ｌ ｎｖｒ ｔ，Ｘ ’ １ ０ ２ Ｍｅ ｏ ｈ ｅ ｔ ｃ ｉ ａ ｈｎ ）
根据实验的输入 输出建立数学模型的过程就是系 统辨识 。对 电液 伺服 系 统 的辨识 常 用频 域法 和 时域
法 ，而这两种方法通 常要求被测对象在离线状态 下测 试。采 用伪 随机信号进行相关 分析 ，能够使 系统 在不 停机的情况下进行在线辨识 。本文应用伪 随机信 号作 为系统 的输入信号 ，通过相关 分析 法进 行在线 辨识 ， 得 出系统 的脉 冲响应 ，进而求 出其传递 函数 ，并进行 了仿真分析 和实验验证 。
基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定34页PPT
② 当 e k 0 ,e k e k 1 ，本次误差大于上次误差，此时应减少 步长，放慢搜索速度。
神经网络辨识技术
神经网络系统辨识实质上是选择一个适当的神经网络模 型来逼近实际系统的数学模型。
本课题，首先建立单通道电液位置伺服控制系统的数 学模型，然后根据该模型获取被控系统的输入输出数 据。
在实际生产过程中，对象的特性和模型随时都在变化 ，只不过变化比较缓慢而已。整定和优化好的PID，在 一段时间后，就可能不再有很好的控制效果。
为了使生产过程始终保持良好的控制效果，就要对PID 控制器的参数进行在线调整和优化。
分析。
➢ RBF神经网络学习算法
① 确定隐层个数L，m个径向基函数的中心向量c，基函数 宽度b，从隐层到输出层的各连接权w。
② 根据经验选取中心，L个中心应具有“代表性”。
③ 采用梯度下降法确定RBFNN的输出权w，节点中心c及节 点基宽度b，选取算法如下：
w j k w j k 1 y k y m k h j w j k 1 w j k 2
系统辨识的原理 就是通过调整辨 u
RBF在线辨识与PID参数自适应整定
RBF神经网络结构及其学习算法
➢ RBF神经网络隐层节点函数的选择 高斯函数： fxex p x 2 b c 2 j 2 ,j 1 ,2 ,3 ...,m
函数优点： ① 表示形式简单，即是对于多变量输入也不增加太多的复
杂性； ② 竞相对称； ③ 光滑型号，任一阶导数均存在； ④ 由于该基函数表示简单其解析性好，因而便于进行理论
基于RBF神经网络电液伺服系统智能控制 的在线辨识与PID参数自适应整定
电液力伺服系统的模型参考自适应控制概要
杪翟９一图９柳采用参数补偿模型参考自适应控制后，当预载在９６顿￣ｉ８０顿内变化，板簧刚度８牛＂０５牛在１０ｃ４Ｎ／ｍ￣６７ｃ６Ｎ／ｍ内变化时系统的输出基率上能跟随参考模型的输出，其波形失真得到较明显的改善，失真度值降为８左右在图１中，上面曲线为参考模型的输出，下面为０系统力波形的输出同时，在保证稳定的情况下，提高了系统的响应速变，其阶跃响应过渡时间为１４，参见图ｌ。
９ｍｓ１母图１０图１１这种白适应控制算法改进了以前采用李亚普诺夫稳定性理论设计模型参考自适应系统时需要辨识对象的全部状态变量，面只需要对象的输入、输出信息即可综台出自适应律实验表明这种控制算法是有效孵，并得到了满意的控制效果。
由于只需对象的输入，输出信息，该方法毙方便地运用于实际控制系坑，特别适用于单输入、单输出系统。
参考文献１．ＦａｈｅＰ．ＭｅｓｅｍｅａｎｄｎｃａＳａｕｒｎｔＲｅｐｅｅａｔｏ￣ｏｆｈｅｒｓｎｔｉｔＭｅｈａｎｉａｌｃｃＰｒｏｐｒｅｉｓｏｆｔｅＴｒｋＳｐｒｎｇｕｃｉＬｅ．ＡＳＥＴｒａｆａｕｓｔｏｕ．８９５ａｃｌ０００：．ＬａｎｄａＩＤ．ｎ．ＡＳｕｖｅｏｆｒｙＭｏｄｅＲｅｅｅｅｌｆｒｎｃＡｐｐｌｃｔｏｉａｉｎｓ．ｕｔＡｏｍａｔｃ．１７ｉ９４，１（４）０８．ＡｓｒｔｏｍＫ．】．ＴｈｒａＡｐｐｌｃｉｏｆｅｏｙｎｄｉａｔｏｎＡｄａｉｅｐｔｖＣ０ｒ１—ＡｓｖｅⅡｔｏ—ｕｒｙｍａｔｃ．１８Ｓ１ｉ９，９（５）．Ａｕｏｔ．４．ＬａｎｄａＩＤ．Ａｄａｐｉｏｒｏ——ｔｅｎ．ｔｖｅＣｎｔｌｈＭｏｄｌＲｅｅｅｎｃＡｐｐｒｅｆｒｅｏａｃｈ．ＭａｃＩＤｅｒｅｋ．ｋｅｒＮＣ．１７Ｉ９９５．ＰａｋｓｒＰ．Ｃ．ＬｉａｐａｎｅｓｇｏｆＭｏｄｅＲｅｆｒｎｃＡｄａｉｅｏｖＲｄｅｉｎｌｅｅｅｐｔｖＣ０ｎｔ０ＩＳｙＩｅｍｒｔ．ＩＥＥＥＴｒａｎｓ１６，ＡＣ—ｌ．９６１（８）６Ｌｉｎｄｏｆ．Ｐ．ＣｏｒｏＩＲ．Ｌ．ＳｕｒｙｆＤｒ１ｖｅｏｆＡｄａｐｔｖｅｉＣｏｎｔｏｌｓｎｇｒＵｉＬｉｕⅡＯＤｅａｐＹ．ｓｇｎ．Ｉ．ＪＣｏｒ．１７，１ｉｎｔ．ｎｔｏ１９８８（５）。
电液伺服系统在线辨识控制系统设计
山西农业大学学报第27卷(第5期) 000011J.Shanxi Agr ic.Univ.No.5Vol.272007收稿日期223作者简介胡江燕(862),女(汉),山西大同人,主要从事系统设计方面的研究。
电液伺服系统在线辨识控制系统设计胡江燕(山西农业大学动物科技学院,山西太谷030800)摘 要:利用伪随机信号作为系统的输入信号,对电液伺服系统进行在线辨识的方法,得出系统的数学模型,利用Ha nkel 矩阵法确定模型的阶次,并用多步最小二乘法辨识出系统的开环传递函数。
关键词:在线辨识;电液伺服系统;伪随机信号;Visual Ba sic 610中图分类号:TP30211 文献标识码:A 文章编号:167128151(2007)0520030204The Design of Electr o 2hydra ul ic Ser vo 2syst em on L ine Ident if ica t ion Contr ol System H U Jia ng 2yan(Colle ge of A ni ma l Science a nd Technology ,S ha nxi A gr icultur al U nive rsit y T ai gu S ha nxi 030800,China)Abstra ct :The method of p seudo 2random signal as the input signals of the servo 2system for on line i 2dentif ication is int roduced in this paper.An elect ro 2hydra ulic se rvo 2system is identif ied with this me thod a nd the mathematic model of t he syste m is obtaine d.The rank of the model is deter mine d by the met hod of Hankel matrix.K ey w o r ds :Identifica tion on line ;Electro hydra ulic ser v o system ;Pseudo 2random signal ;Visual Basic 610 根据实验的输入、输出数据建立系统数学模型的过程就是系统辨识或识别。
基于单神经元模糊自适应PID控制的电液位置伺服系统研究
等因素 的影 响 ， 得 它成 为 典 型 的非 线 性 时变 系 统 。 使 传 统的 ＰＤ控 制虽具有 结构 简单 ， Ｉ 调整方 便 等特点 ， 但 不 易在线 实时整定 参 数 ， 非线 性 系 统 不 能取 得 很好 对
的控 制效果 。本 文采用 单神 经元模 糊 自适应 ＰＤ控 制 Ｉ 器对 电液位 置伺 服系统 进行控 制 。单 神 经元作 为构成 神经 网络 的基本 单位 ， 具有 自学 习和 自适 应能力 ， 它 将
ＰＢ Ｚ０ ＮＳ
图 ２ 单神 经 元 模 糊 自适 应 Ｐ Ｄ 控 制 器 结构 Ｉ
ＮＳ
本 文 中神 经元 的 ３个输入 节点 分别为 ： （ ）＝ｅ ）一ｅ ｋ一１ ｋ （ （ ）
Ｚ ０ Ｐ Ｓ Ｐ Ｂ
Ｐ Ｓ Ｐ Ｓ Ｚ ０
Ｐ Ｓ Ｚ ０ ＮＳ
Ｚ ０ ＮＳ ＮＳ
图 １ 阀控 液 压 马 达 位 置 伺 服 系统
伺服 阀 的传 递 函数可 表示 为二 阶振荡环 节 ：
卜 意
０９‘ Ｓ ｖ
— —
与 ＰＤ控 制结 合起 来 ， 过 自学 习功 能 不 断修 正 ＰＤ Ｉ 通 Ｉ
控制参 数权重 ， 自动寻求 系统最 优 的控制 品质 ， 且在 并
的闭环控制 系统 ， 实现对 目标 位置 的跟踪 ｊ 。
液压 阻尼 比
收稿 日期 ：０ １０ －１ ２ １ －１ ０
作者简介 ： 周龙勇 （９ ９ ） 男 ， １７ 一 ， 江苏盐城人 ， 在读博士 ， 研究 方向 ： 电一体化 。 机
伺服放 大器 、 减速 器 、 位置 传感 器均 为 比例 环节 。
０４ ．
０． ２ Ｏ
一
５ ４ ． 。 ． Ｏ ｌ ３ ４ ５ ３ ２ １ ２
伺服技术中的自适应控制和自校准技术
伺服技术中的自适应控制和自校准技术伺服技术在现代工业控制系统中起着至关重要的作用。
它可以实现精确的位置控制，使机器能够在不同工况下保持高精度运动。
然而，由于环境因素和系统参数的变化，伺服系统往往会出现不准确的情况。
为了解决这个问题，自适应控制和自校准技术被引入到伺服技术中。
一、自适应控制技术自适应控制技术是指伺服系统中的控制器具有自我调节的能力，能够根据系统状态的变化来自动调整控制参数，以保证系统稳定性和控制精度。
自适应控制技术可以有效地解决系统参数的不确定性和外部扰动的影响。
在伺服技术中，自适应控制可以采用多种方法，如模型参考自适应控制、自适应滑模控制和神经网络自适应控制等。
这些方法基于系统模型和实时测量数据，通过随机搜索或优化算法来调整控制器的参数，以实现系统的自适应控制。
自适应控制技术可以提高系统的动态响应速度、抑制振荡和改善控制精度。
二、自校准技术自校准技术是指伺服系统能够通过对系统状态和性能进行在线监测和评估，自动校准控制器的参数，以确保控制系统的准确性和稳定性。
自校准技术可以检测和补偿系统的非线性、时变和耦合特性，提高系统的稳定性和控制精度。
在伺服技术中，常用的自校准技术包括模型参考自校准、辨识自校准和自适应校准等。
这些技术通过对系统模型和实时测量数据的分析和比较，确定系统参数的变化趋势，并通过在线优化算法来自动调整控制器的参数。
自校准技术可以实时跟踪系统的状态变化，并及时校准控制器，以提高系统的控制性能和稳定性。
三、自适应控制和自校准技术的应用自适应控制和自校准技术在伺服技术中得到了广泛的应用。
它们可以提高伺服系统的自动控制性能，扩展系统的工作范围和适应性，并减少外部环境和参数变化对系统性能的影响。
在工业生产中，自适应控制和自校准技术可以应用于机床加工、机器人控制、飞行器导航等领域。
通过对系统模型和实时测量数据的准确建模和分析，可以实现对系统参数和环境变化的实时监测和调整，使伺服系统能够在不同工况下保持高精度的运动和控制。
基于遗传神经网络的电液伺服系统自适应控制
隐单元 的活性 及 隐单 元 和输 出单 元 之 间 的权 值 。信息 的传播 是 由输 入 单 元 到 隐 单 元 ，最后 到 输 出单元 。输 入单元 和隐单 元 、隐 单 元 和输 出单 元 间 的权 值 决定 每 个单 元何 时是 活性 的 ，借 修 改这 些 权 值 ，前 向神经 网 络可 以用 来逼 近 任 意连 续 函数 ，能 够 实现 多 元 函数 的
和现场 的各种 干扰 的影 响 ，系统 参 数 和 结 构都 有 可 能 发生变 化 ，从 而 给 控 制 系 统 的 设 计 带 来 一 定 的 困难 。 工程上 通常 采 用 的控 制 器 ，例 如 ＰＤ控 制 ，难 于 满 足 Ｉ 系统 高性能 指标 的要 求 。 自适应 技 术 的 应 用 能够 提 高 伺 服 系统 的控制 精 度和 鲁棒 性 起 到 很 大 的作 用 ，但 是 在大扰 动作 用下 和 系统 的 不确 定 时 ， 自适 应算 法 过 于
复杂 ，并容 易引起 系 统 的不 稳 定 。本 系 统 控 制 当 中采
用 神经 网络 遗传算 法 和 ＰＤ相结 合 的 自适应 控 制 实 现 Ｉ 了对伺 服 系统 的有 效控 制 。
１ 步 进控 制 系统 的构 成
图 １ 步 进控 制系统 结构框 图
步进 控制过 程 主要 是 ： （ ）在 带钢 捆 绕一 圈后 而 １
０ 引言 为了减 少热连 轧 卷 取 机 的带 头 损 失 ，在 现代 的热
轧卷板 机 中采取 步进 式 助卷 辊 电液 伺 服控 制 系 统 。该 系统是 一强 非线 性 的时 变 系 统 。随着 工 作 状 态 的变 化
移信 号 ，通过脉 冲 编码 器 和计 算 机 编 程 控制 实 现 带头 自动跟踪 和 台阶 的 自动 回避控 制 。
电液伺服机构运动控制算法研究
电液伺服机构运动控制算法研究电液伺服机构是一种广泛应用于工业生产和过程控制的机构，其通过控制电液伺服电机和伺服阀的开闭来实现对机构运动的精密控制。
在这种机构中，运动控制算法的优劣对机构的动态特性、控制精度和响应速度等方面都有着重要的影响。
因此，电液伺服机构运动控制算法的研究一直是控制理论和应用领域的热门话题之一。
一、传统电液伺服机构的控制算法在传统电液伺服机构的控制中，常用的控制算法有PID控制、模糊控制和自适应控制等。
其中，PID控制是最为常见和简单的一种控制算法，其通过测量系统输出的误差信号进行比例、积分和微分运算，得到控制量来控制电液伺服机构的运动。
虽然PID控制通常能够满足大部分的运动控制需求，但是在复杂的控制任务下，其存在控制精度低、控制性能不稳定等问题。
模糊控制是一种基于模糊数学的控制方法，其本质是在传统PID控制的基础上增加了模糊推理单元，通过模糊规则库来匹配控制输入和输出之间的关系。
模糊控制相对于PID控制来说，能够提供更强的鲁棒性和鲁棒性，但是其实现过程相对复杂，需要耗费大量的计算资源。
因此，模糊控制算法在实际应用中并不被广泛采用。
自适应控制是一种动态调整控制参数的控制方法。
其通过在控制器中增加自适应系统，实时地对控制参数进行调整，以达到更好的控制效果。
自适应控制相对于PID和模糊控制来说，能够更好地应对系统的动态变化和不确定性，但是其实现难度也比较大。
二、基于神经网络的电液伺服机构运动控制算法随着计算机科学和人工智能技术的发展，基于神经网络的控制算法逐渐成为了研究的热点。
在电液伺服机构的运动控制中，基于神经网络的算法也开始应用起来。
神经网络是一种模拟人脑神经元之间信息传递的数学模型，通过训练来学习系统非线性运动规律，并且在实时控制中进行预测、测试和修正。
神经网络算法与传统控制算法相比，能够更好地对系统的非线性、时变和不确定性进行建模和优化，并且具有更高的控制精度和性能。
目前常用的基于神经网络的电液伺服机构运动控制算法主要包括神经网络控制算法、自适应神经网络控制算法和循环神经网络控制算法等。
基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定共34页文档
56、书不仅是生活，而且是现在、过 去和未 来文化 生活的 源泉。 ——库 法耶夫 57、生命不可能有两次，但许多人连一 次也不 善于度 过。— —吕凯 特 58、问渠哪得清如许，为有源头活水来 。—— 朱熹 59、我的努力求学没有得到别的好处， 只不过 是愈来 愈发觉 自己的 无知。 ——笛 卡儿
拉60、生活的道路一旦Fra bibliotek定，就要勇敢地 走到底 ，决不 回头。 ——左
基于RBF神经网络电液伺服 系统智能控制的在线辨识与
PID参数自适应整定
41、实际上，我们想要的不是针对犯 罪的法 律，而 是针对 疯狂的 法律。 ——马 克·吐温
42、法律的力量应当跟随着公民，就 像影子 跟随着 身体一 样。— —贝卡 利亚
43、法律和制度必须跟上人类思想进 步。— —杰弗 逊
44、人类受制于法律，法律受制于情 理。— —托·富 勒
电液伺服系统的模型辨识与零相位控制
电液伺服系统的模型辨识与零相位控制电液伺服系统是一种具有很好性能的机电一体化系统，广泛应用于不同的领域，如工业自动化、航空航天、汽车制造、船舶工程等。
系统的性能主要依赖于其动态特性，因此系统的建模和控制非常重要。
本文将从电液伺服系统的模型辨识和零相位控制两方面进行论述。
一、电液伺服系统的模型辨识电液伺服系统是一种典型的非线性系统，其控制模型相对复杂。
为了能够设计有效的控制器，必须首先对系统进行模型辨识，在合适的前提下提取其动态特性和参数。
常见的电液伺服系统模型包括简单的线性模型和复杂的非线性模型。
前者可以使用频域分析和传递函数法进行模型辨识，后者则需要利用机器学习、神经网络和系统辨识技术等方法。
传递函数法是在频域分析中使用的一种方法，其主要思想是通过输入和输出信号在频域上的特征，求出系统的传递函数。
该方法适用于简单的线性系统，具有较高的精度和简单的计算方法。
神经网络方法则是利用神经元之间的复杂结构和学习能力，通过学习输入和输出信号之间的关系，得到系统的非线性模型。
通过改变网络结构和训练方式，可以获得较高的模型精度和适应性。
二、电液伺服系统的零相位控制零相位控制是一种改进的控制方法，它能够有效提高系统的响应速度和稳定性。
在电液伺服系统中，传统的PID控制方法虽然简单有效，但是难以消除系统的相位差，从而导致响应时间变长和稳态误差增大。
而零相位控制方法则可以通过预估控制量的预测误差来修正控制量的相位，从而达到消除相位差的目的。
零相位控制方法主要有两种方式：预估控制和前向路径控制。
预估控制方法主要是通过预测未来时刻的控制量和估计误差，形成修正信号对原始信号进行补偿。
而前向路径控制方法则是将修正信号和信号源直接相加形成较为复杂的控制量。
选择适当的控制方法需要考虑多种因素，包括控制系统的性能要求、预估控制和前向路径控制方法的特点以及计算复杂度等。
三、总结电液伺服系统模型辨识和零相位控制是实现系统高效控制的关键步骤，同时也是控制系统设计中最为重要的环节之一。
基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定PPT文档共34页
定
16、自己选择的路、跪着也要把它走 完。 17、一般情况下)不想三年以后的事， 只想现 在的事 。现在 有成就 ，以后 才能更 辉煌。
18、敢于向黑暗宣战的人，心里必须 充满光 明。 19、学习的关键--重复。
20、懦弱的人只会裹足不前，莽撞的 人只能 引为烧 身，只 有真正 勇敢的 人才能 所向披 靡。
25、学习是劳动，是充满思想的劳动。——乌申斯基
谢谢！
Байду номын сангаас
21、要知道对好事的称颂过于夸大，也会招来人们的反感轻蔑和嫉妒。——培根 22、业精于勤，荒于嬉；行成于思，毁于随。——韩愈
23、一切节省，归根到底都归结为时间的节省。——马克思 24、意志命运往往背道而驰，决心到最后会全部推倒。——莎士比亚
电液伺服系统的模糊神经网络自适应控制
电液伺服系统的模糊神经网络自适应控制
陈机林;张世琪
【期刊名称】《火力与指挥控制》
【年(卷),期】2003(028)006
【摘要】针对电液伺服控制系统中存在的非线性影响,常规PID控制难以取得良好的控制效果,采用模糊神经网络自适应控制,通过BP算法改变模糊隶属函数的形状及模糊规则的中心值,实验结果表明该方法能有效地跟踪电液位置伺服系统.
【总页数】3页(P108-110)
【作者】陈机林;张世琪
【作者单位】南京理工大学,江苏,南京,210094;南京理工大学,江苏,南京,210094【正文语种】中文
【中图分类】TP273
【相关文献】
1.某扫雷犁电液伺服系统的模糊神经网络控制 [J], 王力;彭湧;王永超
2.火箭炮交流伺服系统模型参考模糊神经网络位置自适应控制 [J], 胡健;马大为;郭亚军;庄文许;杨帆
3.基于广义动态模糊神经网络的电液伺服系统控制 [J], 王力;王永超;金勇
4.基于模糊神经网络的电液伺服系统建模 [J], 王永超;金勇;王力
5.基于模糊神经网络的电液位置伺服系统控制 [J], 刘坤;高少平
因版权原因，仅展示原文概要，查看原文内容请购买。
液压伺服系统的直接自适应神经网络控制
液压伺服系统的直接自适应神经网络控制陈平;裘丽华【期刊名称】《机床与液压》【年(卷),期】2001(000)002【摘要】针对液压伺服系统中的非线性和不确定特性，研究了一种基于神经网络的直接自适应控制方法。
引入的神经网络模型可以通过学习从而跟踪对象的动力学特性，控制器的设计较少的依赖于对象的先验知识，控制器参数的调整是基于被控系统的测量信号，利用在线辨识的神经网络参数来实现的。
仿真结果证明该系统有较好的控制效果。
%A hydraulic servo system often has nonlinearity and incertit ude. Based on neural network, we developed a directly self-adaptive control meth od in this paper. The NN applied in the system can identify the dynamic characte ristic of hydraulic system. The parameter regulation of controller is inplemente d based on the measured signal of the controlled system, and using the parameter of on-line identification NN. The emulate result proves that this method has be tter control effect.【总页数】3页(P40-41,73)【作者】陈平;裘丽华【作者单位】北京航空航天大学自动控制系,;北京航空航天大学自动控制系,【正文语种】中文【中图分类】TP273.2【相关文献】1.基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究 [J], 李斌;朱小平;柳润清2.电液位置伺服系统的自适应模糊神经网络控制 [J], 张友旺;钟向明;黄元峰3.开关磁阻电机直接自适应神经网络控制 [J], 李存贺;王国峰;李岩;范云生;许爱德4.神经网络控制及其在液压伺服系统中的应用 [J], 李运华;王占林5.带有死区和摩擦补偿的机械臂伺服系统自适应神经网络控制 [J], 陈强;余梦梦;魏倩因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
第19卷第3期1997年6月武 汉 汽 车 工 业 大 学 学 报JOU RNAL O F WU HAN AU TOM O T I V E POL YT ECHN I C UN I V ER S IT YV o l.19N o .3June 1997 电液伺服系统的神经网络辨识与自适应控制容一鸣 黄安贻 俞文楚(机电工程学院)摘 要 对一实际电液伺服系统进行了神经网络仿真研究。
仿真结果表明,神经网络用于电液控制系统的辨识与自适应控制是可行的,可以解决电液控制系统中的非线性及其控制等问题。
它对于增强系统的自适应能力、鲁棒性和稳态精度等都有令人满意的控制效果。
关键词 电液伺服系统;系统辨识;神经网络控制;自适应控制中图法分类号 T P 271.3近年来,由于神经网络具有大规模并行性、冗余性、容错性、本质的非线性及自组织自学习自适应能力,所以已成功地应用于众多领域。
笔者认为,将神经网络控制应用于电液控制系统的辨识与自适应控制值得研究和探讨。
笔者针对一实际的电液伺服系统,应用仿真方法,给出了该系统的神经网络辨识模型和自适应控制模型,取得较为理想的结果。
1 电液控制系统的数学模型一实际电液控制系统的被控对象的状态方程为x α=-314.46500000100-98000-17.62460026000-140-0.036x1x 2x 3x4+3.1400u (1)式中,x=x 1x 2x 3x 4=x SC 伺服阀阀芯位移z 液压缸活塞位移信号dz d t 液压缸活塞速度信号P L 负载压降 作二次型性能指标最优跟踪器设计后,其最优控制系统的状态方程为:x α=-315.568-16.670.0031-0.12600100-9800-17.624602600-140-0.036x 1x 2x 3x 4+17.185000y d(2)式中 y d 为系统期望的输出。
稿件收到日期:1996212203.容一鸣,男,51岁,副教授,现从事机电控制及机电一体化技术方面的教学与研究工作.工作单位:武汉汽车工业大学机电工程学院,武汉,430070. 采用指数函数离散化后的离散系统状态方程为:x (k +1)=00000.05870.989900.00253-11.73354.93390.6369-1.240.24151.410.0070.646x (k )+0.009900.008650.184000.03307y d(3)2 电液控制系统神经网络辨识仿真对于神经网络辨识来说,传统辨识方法中如何确定模型参数的问题变成了网络权重的学习问题。
目前,较为成熟的B P 网络辨识模型是串并联模型(图1(a ))和并联模型(图1(b ))。
理论上已证明串并联模型的算法具有收敛性,但该模型要以系统的输出作为网络的输入,因此,训练后所得到的B P 网络辨识器不能取代实际系统离线进行控制器设计。
并联模型的参数能否收敛目前还是未知的,但优点在于,一旦收敛,则所得到的B P 动态网络辨识器将完全等价于被辨识的系统,便可以离线进行控制器设计。
为此,笔者采用了如下辨识方法[1]:先采用串并联模型,将训练后所得到的网络权重赋给并联模型,作为并联模型训练的初始值,然后用此并联模型进行辨识。
被辨识对象为式(2)、式(3)所描述的电液最优控制系统。
采用2262321的双隐层B P 网络,并引入反馈和时间延迟,使静态B P 网络成为动态B P 网络。
不论静态还是动态B P 网络,学习算法均采用基于梯度下降的B P 算法,笔者采用V ogl 快速算法。
图1 系统辨识模型 用串并联模型辨识时,网络初始权值取[-0.5,0.5]的随机值,选择[0,1]之间的伪随机信号作为输入,取前1000个数据对,将其分为10组,每组100个数据对。
在用第一组样本训练时,取学习率Γ=0.2,动量因子Α=0.1,并且每输入一个样本即修正一次权值。
当学习进行到一定程度后,改取Γ=0.05,Α=0.02,输入所有样本后才修正一次权值,这样,经过3125次学习后,其每一样本误差已小于0.001。
再依次输入后面9组样本,仍取Γ=0.05,Α=0.02,采用输入一组样本后修改一次权值的方法,每组训练次数均小于100次,误差即已达到要求。
图2所示为辨识结果,在阶跃输入信号下,曲线1为实际系统的输出,曲线2为串并联网络模型的输出,从图中可见,除个别点误差较大外,其余点吻合较好。
串并联模型辨识的结果令人满意。
将串并联模型改为并联模型,学习样本同上,取Γ=0.02,Α=0.01,经873次学习后,即可62武 汉 汽 车 工 业 大 学 学 报 1997年6月获得辨识结果。
如图2中,曲线3为并联网络模型的输出,其效果不如串并联模型,但辨识还是成功的。
图2 辨识网络的输入2输出曲线必须指出,上述的系统辨识仿真,只应用了系统的输入输出数据,这说明,只要能采集到实际系统的输入输出数据,它是极容易用于实际系统的辨识的。
B P 网络具有分布式存储和本质非线性的特点,是用修正权值的方法来确定系统的参数和用输出曲线吻合校验模型的精度的,因此,尽管笔者针对的是线性系统,但神经网络辨识方法对非线性系统一样适用。
3 电液伺服系统的神经网络自适应控制仿真神经网络自适应控制系统应用神经网络来充当辨识结构和控制器,在运行条件不肯定或随时间变化的情况下,它能根据对被控系统的输入量和输出量的在线观测所积累的信息,实施有效的控制,修改控制器及辨识网络的权值或阈值,从而使系统处于规定的(一般是接近最优的)状态。
图3 电液伺服系统神经网络自适应控制笔者采用图3所示的神经网络自适应控制系统,它由两个B P 网络组成,321021单隐层网络用于控制器;2262321双隐层网络用于对象模型辨识,采用串并联结构;系统中的被控对象为式(1)所描述的未作最优设计的电液伺服系统。
为防止控制器输出信号过小时影响辨识,在辨识网络前加了放大系数为5的放大器。
控制网络的三个输入信号为:O 1(t )=y d (t ),系统的期望输出;O 2(t )=u (t -1),控制器的输出信号滞后一步;O 3(t )=y (t -1),实际系统的输出信号滞后一步。
控制网络隐层单元的输入输出分别为net i 1(t )63j =1W ij O j (t )+Η1i (t ); i =1,2,…10; O i 1(t )=f [net i 1(t )](4)式中 Wij为权系数;Η1i 为阈值;f (x )为作用函数。
控制网络输出层的输入输出分别为net 2(t )=610i =1W i O i 1(t )+Η2(t ) ; u (t )=f [net 2(t )](5)式中 u (t )为控制网络的输出;W i 为权系数;Η2(t )为输出单元的阈值。
72第19卷第3期 容一鸣等:电液伺服系统的神经网络辨识与自适应控制辨识网络的输入信号为O 1(t )=u (t ),控制网络的输出;O 2(t )=y (t -1),实际系统的输出信号滞后一步。
则辨识网络的第一隐层输入输出为net 1i (t )=62Vij 1O (t )+Η3i (t ) ; O i 1(t )=f [net 1i (t )]第二层输入输出为net 2i (t )=66V ij 2O j 2(t )+Η4i (t ) ; O i 2(t )=f [net 2i (t )]辨识网络的输出层的输入输出为net 3i (t )=63V ij 3O j 2(t )+Η5i (t ) ; y (t )=f [net 3i (t )]式中 f (x )=10(1+e -x )调整辨识网络的权值,仍采用反向传播学习算法,使性能指标J m =[y (t +1)-y m (t +1)]2 2最小化,权系数及阈值学习规律如下:∃V ij 3(t )=Α[y (t +1)-y m (t +1)]O i 2(t )f+Β∃V ij 3(t -1)∃Vij 2(t )=Α[y (t +1)-y m (t +1)]O i 1(t )fV ij 3(t )+Β∃V ij 2(t -1)(6)∃Vij 1(t )=Α[y (t +1)-y m (t +1)]O i (t )f Vij 2(t )+Β∃Vij 1(t -1)式中 f(x )=f (x )[1-f (x ) 10]采用同样算法调整控制网络的权值,使性能指标 J c =[y d (t +1)-y m (t +1)]2 2最小化。
经过适当学习后,y m (t +1)将逼近实际的y (t +1),因此,对J p =[y d (t +1)-y (t +1)]2 2的最小化,可由对J c 的最小化来代替。
因此,控制网络的权值修改算式为:输出层∃W i (t +1)=Κ[y d (t +1)-y m (t +1)]O i 1(t )f5y m (t +1)5u (t )+Β∃W i (t )隐层 ∃W ij (t +1)=Κ[y d (t +1)-y m (t +1)]O i (t )fW ij (t )5y m (t +1)5u (t )+Β∃W ij (t )设定权值学习率为0.05,动量因子为0.02,两个网络的初权值为[-0.5,0.5]的随机数,学习信号为阶跃输入时,辨识模型输入 输出数据仍将前1000个数据分为10组,每组100个数据,第一组经过3521次学习,以后各组学习次数均小于50次。
自适应控制系统的输出如图4所示,可见,自适应控制系统的输出曲线与最优控制系统的输出曲线吻合良好。
假设实际系统在运行过程中负载刚度G 发生变化,从106变为107,则连续系统离散化后得x (k +1)=G (k )x (k )+F (k )u (k )(7)式中G (k )=0000.05150.766-0.00030.00585-0.627298.9-0.0473-7.51.246632.620.04270.18; F (k )=0.0099840.006910.162000.2750082武 汉 汽 车 工 业 大 学 学 报 1997年6月图4 神经网络自适应控制系统输出曲线1∶自适应控制系统的输出;2∶最优控制系统的输出;3∶刚度变化时,最优控制系统的输出;4∶刚度变化时,自适应控制系统的输出。
应用原仿真程序,并设学习率为0.02,动量因子为0.01,系统仿真曲线如图4所示。
由图可见,经过89步的权值调整,系统的输出恢复到1,误差为0.032。
这说明,自适应神经网络控制系统具有较强的自适应性和鲁棒性。
4 结 论对电液伺服系统采用神经网络辨识和自适应控制的仿真表明,在电液伺服系统的研究中引入神经网络辨识方法是可行的。