疲劳试验机加载系统的优化控制

力加载是现代科研和生产中一个非常重要的环 节， 一个性能优良的力加载系统， 在满足稳定性的前 提下， 加载精度应达到较高的技术指标。电液比例力 加载技术是结合了电子技术和液压控制技术， 对输出 的加载力进行控制。文献 [1] 为了满足控制系统稳、 准、 快三大动态特性， 设计了模糊自适应整定 PID 控 制器， 系统输出响应曲线的超调量和稳态误差相对于 初始曲线明显得到改善， 使控制系统的动态性能基本 达到预期设计要求。文献[2]中设计了热风炉的燃烧 控制方案， 然后具体对几种不同的 PID 自整定方法进 行研究， 并以工业控制系统中常用的带有时间延迟的 一阶模型为例， 运用 MATLAB 对具体的 PID 自整定 方法进行研究与仿真。文献[3]提出了一种基于径向 基函数 （RBF） 神经网络的通信信号调制识别方法， 该 方法采用模糊 C-均值 （FCM） 聚类算法对数据进行聚 类， 并获取基函数的参数， 采用梯度下降法训练网络 权值， 利用最优停止法对网络进行了优化， 避免了过 学习现象， 提高了 RBF 网络的训练速度和泛化能力，
ω v 为主阀运动主导折转频率； K Qx 为 阀芯下表面积； K Qp 为主阀流量压力系数； K sx 为主阀 主阀流量增益； K fx 为主阀的位移-力增益； ω1 为主阀的 弹簧的刚度； ω xA 为控制腔的转折频率；A 为 阀前管路固有频率；
'
图 3 PID 前馈控制结构
G(s) 为系统 图 3 中 y d (s) 为设定的控制目标值， u p 为经 PID 调节后的误差增益， u f 为目 的传递函数，
图 2 疲劳试验机加载系统控制框图
图 2 中 F d 为给定的交变载荷，A p 为液压缸的比
F L 为实际输出载荷。 例系数，
图 4 RBF 神经网络 PID 控制结构图
2
先进 PID 控制器设计
金属疲劳试验中， 预加载荷的大小和方向是不断
图 4 中，y d 为设定的控制目标值， G(s) 为系统传 递函数，y 为系统的输出量，y m 为 RBF 神经网络控制 器的输出值。 采用增量式 PID 控制器， 控制制误差为： e(k ) = y d (k ) - y(k ) PID 三项输入为： xc(1) = e(k ) - e(k - 1) xc(2) = e(k ) xc(3) = e(k ) - 2e(k - 1) + e(k - 2) 控制算法为： u(k ) = u(k - 1) + k p (e(k ) - e(k - 1)) + k i e(k )
1
疲劳试验机加载系统的建模
疲劳试验机以单杆双作用液压缸为执行元件， 以
电液比例溢流阀控制流入液压缸中油液的压力， 在整 个加载过程中， 试件本身位置并没有改变， 所以液压 缸活塞杆也没有运动， 可以把液压缸传递函数看作比 例环节， 因此加载系统的建模主要是对电液比例溢流 阀的建模。根据文献[4]可以得到电液比例溢流阀的 传递函数框图如图 1 所示。
标值的前馈控制增益。 y(s) 为系统输出的目标值。 设计前馈补偿控制器为：
u f (s) = y d (s) 1 G(s)
有效作用面积； Δp1 为 q L 为比例溢流阀的输入流量； 比例溢流阀入口的压力。 根据实际的情况， 选取合适的电液比例溢流阀参 数值， 可得：
53 662 s + 14.8 s + 56.2 G V (s) 为电液比例溢流阀的传递函数。 式中： G V (s) =
Biblioteka Baidu
第 2 页 为电磁铁线圈电阻，R p 为功率放大器电阻，K fi 为电
a 0 为先导阀口的作用面积；K py 为先导 流反馈系数； K qy 为先导阀口的流量增益； ωm 为 阀口的压力增益； ζ m 为先导级阻尼系数；K sy 为衔铁 先导级固有频率；
2017 年第 2 期
组件等效弹簧刚度；A x 为主阀芯上表面积；A1 为主
2
总控制输出为 PID 控制输出+前馈控制输出， 即： u(t) = u p (t) + u f (t) 写成离散形式为： u(k ) = u p (k ) + u f (k )
根据以上分析的情况， 可得疲劳试验机的加载系 统控制框图如图 2 所示。
2.2 自整定 RBF 神经网络 PID 控制
自整定 RBF 神经网络 PID 控制器的系统结构如 图 4 所示。
经网络 PID 两种控制算法进行了分析， 设计了先进的 PID 控制器， 通过仿真分析比较了不同控制算法下系统的跟踪性、 稳定性能， 确定了在疲劳测试时， 电液比例加载系统的最优控制方式。 关键词： 疲劳试验机； 加载系统； RBF 神经网络； 电液比例溢流阀； 跟踪性能 中图分类号： TP23/TH137 文献标志码： A 文章编号： 1672-8904（2017） 02-0001-004
图 1 电液比例溢流阀的传递函数框图
收稿日期： 2016-12-24 作者简介： 李万莉 （1965-） ， 女， 博士， 教授， 博士研究生导师。主要研 究方向为机械电子工程。
Δu i 为电磁铁的输入信号；K I 为电磁铁电 其中，
流增益；K u 为电压放大系数；R = R c + R p + K u K fi ，R c
以实际信号数据对该网络进行性能检验， 实验结果表 明了该 RBF 网络具有较高的识别精度。 金属疲劳测试时， 疲劳试验机的预加载荷大小和 方向不断变化， 未改进的 PID 控制器跟踪性能和稳定 性都比较差。基于前馈补偿的 PID 控制以及自整定 RBF 神经网络 PID 算法， 是先进的 PID 算法。本文先 对电液比例系统进行了建模， 然后设计了先进的 PID 控制器， 并对两种控制算法的性能进行了比较， 通过 仿真验证了自整定 RBF 神经网络 PID 控制器具有更 好的跟踪性和稳定性。
第2期 （总期 81 期） 2017 年 3 月
No.2(Serial No.81)
Fluid Power Transmission and Control
Mar., 2017
疲劳试验机加载系统的优化控制
李万莉 1
摘
李 瑞1
（ 1.同济大学机械能源与工程学院 上海 201804 2.上海商用飞机制造有限公司 上海 200436 ） 要： 在对飞机零件疲劳测试时， 需要对其施加以交变载荷。为此， 对基于前馈补偿的 PID 控制以及自整定 RBF 神