【正文】 ......................... 17 致 謝 ............................................................................................................................ 18 附 錄 ............................................................................................................................ 19 1 引言 電液伺服控制系統(tǒng)將電子和液壓有機地結(jié)合起來，具有高精度和快速的響應(yīng)能力，能夠控制大慣量實現(xiàn)大功率運動輸出，因而它已 占領(lǐng)了相當廣泛的工程應(yīng)用領(lǐng)域并且日漸擴大。 電液控制伺服系統(tǒng)具有精度高，響應(yīng)快，便于調(diào)節(jié)的特點，同時又能 控制大慣量實現(xiàn)大功率輸出，因而在工業(yè)控制領(lǐng)域得到廣泛的應(yīng)用。采用常規(guī)的PID 控制時系統(tǒng)的控制性能對模型的誤差比較敏感，在系統(tǒng)工況變化較大時，系統(tǒng)的中體控制精度不高，不能滿足工作裝置的控制要求。在控制領(lǐng)域，神經(jīng)網(wǎng)絡(luò)具有自學習自適應(yīng)能力和強大的非線性映射能力，為解決非線性系統(tǒng)的建模和控制提供了一條有效的途徑。在實際生產(chǎn)過程中，對象的特性和模型隨時都在變化，只不過變化比較緩慢而已。為了使生產(chǎn)過程始終保持良好的控制效果，就要對PID 控制器的參數(shù)進行在線調(diào)整和優(yōu)化。 2 電液伺服系統(tǒng)的常見智能控制策略概述 由于各種實際工程系統(tǒng)的發(fā)展規(guī)模越來越大，所以常規(guī)控制理論與技術(shù)已越來越難以滿足工程上對提高自動化水平和擴大自動化范圍的要求。 為使電液伺服控制系統(tǒng)具有一定 的自適應(yīng)能力和較強的抗干擾能力，將智能控制理論的最新成果引入電液伺服系統(tǒng)的控制當中，一直是研究者們進行的工作之一。目前智能控制理論的各種新成果已被廣泛引入電液伺服控制系 統(tǒng)當中，包括仿人智能控制、專家控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制等 。在國家自然科學基金的支持下，李祖樞等人經(jīng)過 20 多年 的努力，構(gòu)建了仿人智能控制的基本理論體系和較系統(tǒng)的設(shè)計方法，并在許多實際應(yīng)用中獲得成功。仿人智能控制依據(jù)先前的調(diào)整經(jīng)驗，結(jié)合當前偏差的變化 (或系統(tǒng)狀態(tài)的變化 )，事先做出預(yù)調(diào)，預(yù)調(diào)量的大小及方向來自于以往的經(jīng)驗。但是仿人智能控制算法還不夠成熟，其理論體系還不夠完善，目前對仿人智能控制所做的工作一般局限于運行級 MC的仿人智能控制算法。經(jīng)過幾十年的發(fā)展，專家技術(shù)已經(jīng)獲得了迅速發(fā)展，并廣泛地應(yīng)用于醫(yī)療診斷、圖像處理、選礦生產(chǎn)、實時監(jiān)控、軍事等領(lǐng)域中。但是人類的知識是豐富多彩的，人們的思維方式是多種多樣的， 尤其是經(jīng)驗知識，大多是不精確、不完全或模糊的，因此要真正實現(xiàn)對人類思維的模擬還是一件十分困難的工作，有賴于其他多種學科的共同發(fā)展；同時，專家系統(tǒng)所要求解的問題都是結(jié)構(gòu)不良且難度較大的問題，不存在確定的求解方法和求解路徑，這也為建造專家 系統(tǒng)增加了難度和復雜性。 (3) 模糊控制模糊控制是近幾十年來發(fā)展起來的一種新型的智能控制方法，在數(shù)學模型不確定甚至模型未知的系統(tǒng)控制方面顯示了其獨特的優(yōu)越性。 目 前 已 有 專 門 的 模 糊 硬 件 ( 如 OMROM 公司的FP2021,FP3000,FP5000 等模糊芯片 )和模糊軟件 包 (如德國 INFORM 公司的FUZZY166 等 )問世。雖然模糊控制已經(jīng)初步獲得了 TS 模糊模型，可將線性系統(tǒng)理論作為控制系統(tǒng)的分析綜合工具這樣一個新的視界，但一般實用的模糊控制 — Mamdani 模糊控制仍具有其需要面對的問題，即模糊控制器參數(shù)須經(jīng)反復試湊才能確定，缺少穩(wěn)定性分析等系統(tǒng)化的分析和綜合方法。 (4) 神經(jīng)網(wǎng)絡(luò)控制人工神經(jīng)網(wǎng)絡(luò) (Neural Network)是指利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一種技術(shù)系統(tǒng)，是一種大規(guī)模并行的非線性動力學系統(tǒng)。 神經(jīng)網(wǎng)絡(luò)也正是由于它的非線性動力學復雜性，才在更高層次上體現(xiàn)了人腦的智能行為，并為智能控制提供了新途徑。 這些特點說明神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴重不確定性系統(tǒng)的控制方面有著巨大潛力。隨著社會經(jīng)濟的發(fā)展，對控制系統(tǒng)的設(shè)計要求日益提高。面對諸如此類的工程實際問題，基于數(shù)學模型的傳統(tǒng)控制理論和方法的局限性日益明顯。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展為擺脫這種困境提供了一條途徑。 3 控制系統(tǒng)建模 被控對象的數(shù)學描述 stewart 平臺運動控制系統(tǒng)控制原理圖如下所示，該電液位置伺服控制系統(tǒng)各液壓缸的控制互相獨立的，并且 各分支的結(jié)構(gòu)和控制系統(tǒng)的組成是相同的。 圖 32 控制系統(tǒng)結(jié)構(gòu)框圖 液壓缸傳遞函數(shù)的確定 伺服系統(tǒng)的負載有彈性負載和慣性負載，在很多情況下是以慣性負載為主，沒有彈性負載或彈性負載 很小可以忽略。 ? ? 22199 .04s2 1358 .47 358 .47G sss? ????????? 電液伺服閥傳遞函數(shù)的確定 電液伺服閥的傳遞函數(shù)是伺服閥動態(tài)特性的近似線性解析描述，但是具體采用什么環(huán)節(jié)應(yīng)根據(jù)系統(tǒng)的頻寬和伺服閥的頻率而定。本文從實際角度出發(fā)，取二階環(huán)節(jié)，即 ? ? 2s2 1vvvvKGsss?????? ???????????? /.vvvK s V??3— 伺 服 閥 流 量 增 益 ， m— 伺 服 閥 的 相 頻 寬 ， rad/s— 伺 服 閥 的 阻 尼 比 本文選用的是中國航空附件研究所生產(chǎn)的 FF102 伺服閥，伺服閥的相關(guān)參數(shù)均從其使用說明書查得。本文采用 RBF 神經(jīng)網(wǎng)絡(luò)構(gòu)造動態(tài)辨識網(wǎng)絡(luò)。根據(jù)系統(tǒng)的非線性描述方式，把研究系統(tǒng)的輸出的延遲作為 RBF 辨識網(wǎng)絡(luò)的輸入，延遲的步數(shù)由系統(tǒng)模型的階次確定，這樣根據(jù)階次 即可確定 RBF辨識網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)。 RBF 神經(jīng)網(wǎng)絡(luò)學習算法 ： ① 確定隱層個數(shù) L， m個徑向基函數(shù)的中心向量 c，基函數(shù)寬度 b，從隱層到輸出層的各連接權(quán) w。 ③ 采用梯度 下降法確定 RBFNN 的輸出權(quán) w，節(jié)點中心 c 及節(jié)點基寬度 b，選取算法如下： 式中： η 為學習速率， α 為動量因子。 ? 解決方法：為了避免網(wǎng)絡(luò)初始訓練值時穩(wěn)定性差，使訓練的權(quán)值“跳”出局部最優(yōu)，改進公式如下： ? 步長隨誤差的變化而自適應(yīng)調(diào)整： 當 ，本次誤差小于上次誤差，說明搜索方向正確，此時應(yīng)增大步長。 神經(jīng)網(wǎng)絡(luò)辨識技術(shù) 神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識實質(zhì)上是選擇一個適當?shù)纳窠?jīng)網(wǎng)絡(luò)模型來逼近實際系統(tǒng)的數(shù)學模型。 ? ? ? ? ? ? ? ?? ? ? ? ? ?? ?1 1 2j j m j j jw k w k y k y k h w k w k??? ? ? ? ? ? ? ?? ? ? ?? ? 23 jj m j jjxcb y k y k w hb?? ? ?? ? ? ? ? ? ? ?? ?? ?11 1 2j j j jb k b k b b k b k??? ? ? ? ? ? ? ?? ? ? ?? ? 2jjj m j jxcc y k y k w b?? ? ?? ? ? ? ? ? ? ?? ?1 1 2j j j j jc k c k c c k c k??? ? ? ? ? ? ? ?? ? ? ? ? ?? ?1 ekkk ek? ? ? ?? ? ?? ? ? ? ? ?1e k e k e k? ? ? ?? ? ? ? ? ?0, 1e k e k e k? ? ? ?? ? ? ? ? ?0, 1e k e k e k? ? ? ? 圖 41 神經(jīng)網(wǎng)絡(luò)辨識模型 在神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識中，神經(jīng)網(wǎng)絡(luò)用作辨識模型，將對象的輸入輸出狀態(tài) u，y看作神經(jīng)網(wǎng)絡(luò)的訓練樣本數(shù)據(jù)，以 J=1/2e2 作為網(wǎng)絡(luò)訓練的目標，則通過用一定的訓練算法來訓練網(wǎng)絡(luò)，使 J 足夠小，就可以達到辨識對象模型的目的。 設(shè) RBF神經(jīng)網(wǎng)絡(luò)隱層節(jié)點基寬向量為 , ,bj為隱層節(jié)點 j的基寬度參數(shù)，且為大于零的數(shù)。 式中， 可以通過神經(jīng)網(wǎng)絡(luò)的辨識而得，第 k 時刻的 可近似等 于 ，其中 X1是包含 u的一維向量，則 。 RBFNN 的結(jié)構(gòu)選取 361， RBFNN 采用改進的梯度下降法，網(wǎng)絡(luò)辨識三個輸入為： (u(k)