电液位置伺服系统神经PID控制及仿真研究_龚赤兵

电液位置伺服系统神经P I D控制及仿真研究

龚赤兵1,吴海峰2,曾良才2

(1.广东水利电力职业技术学院计算机信息工程系,广州510635;

2.武汉科技大学机械自动化学院,武汉430081)

摘要:以三阶系统和实际被控对象的辨识模型NN I为研究对象,提出了一种神经P I D控制策略。利用神经P I D控制器的自学习、自适应能力实现P ID控制参数的自整定,利用BP网络的离线辨识,简化了电液位置伺服系统数学模型的建立过程,并在此基础上对论文提出的研究对象进行了仿真研究。实践证明,神经P I D控制策略能较好地解决电液位置伺服系统存在的问题,是一种实用可行的控制策略。

关键词:神经P ID;BP网络;单神经元;仿真;电液位置伺服系统

中图分类号:TP183 文献标识码:A 文章编号:1001-3881(2005)10-146-3

R esearch on Neura l-P I D Control and Sm i ulation of the E lectro-hydraulic Position

Servo Syste m

GONG Chi-bing1,WU H ai-feng2,ZENG Liang-cai2

(1.Depart m ent of Co m pu ter I n for m ation Engineering,Guangdong Techn ica lC ollege o fW ater Resource s and

E l e ctric Eng i n ee ring,Guangzhou510635,China;

2.Depart m en t o fM echanical Engineeri n g,W uhan Universit y of Science and Techno logy,W uhan430081,China)

Ab strac t:N eura l-P I D contro l tactic w as pu t fo r wa rd,w hich utilizes N eu ra l-P ID con tro ll e r’s se lf-l ea rni ng and se lf-adap-tive capac ity t o rea lize contro l para m ete r’s self m odulate,and u tilizes BP net wo rk’s off-line iden tifica tion t o reduce the p rocess of syste m’s ma t he m a tica lm ode l and ca rry t hrough t he si mu l a tion resea rch.T he re s u lts prove t hat N eura l-P I D can so lve t he prob l em of the e lectro-hydraulic positi on se rvo sy st em and it is a practica l and feasi b l e contro l tactic.

K eyword s:N eural-P ID;BP net wo rk;Sing le neural;S i m ulati on;E lectro-hydrau lic positi on se rvo s y st em

0　引言

电液位置伺服系统是控制领域中一个重要的组成部分,具有功率大、响应快、精度高等特点,在国民经济的各个领域得到了广泛的应用。然而,电液位置伺服系统是典型的机电液耦合系统,其典型特征是非线性、不确定性、时变性、外界干扰和交叉耦合干扰,另外电液位置伺服系统还受到如油液粘度、温度、现场工况等多种“软”参量因素的影响,因此系统精确的数学模型不易建立,在应用传统的P I D控制理论对电液位置伺服系统进行控制时遇到了不少的问题。为了满足电液位置伺服系统控制性能的要求,就需要寻求一种与PI D控制相结合的新的控制策略。人工神经网络是由大量神经元广泛互连而成的网络,它是在现代脑神经科学研究成果的基础上提出的,反映了人脑功能的基本特征,是人脑的一种抽象、简化和模拟。神经网络是一个高度非线性的超大规模连续时间动力系统,具有大规模并行分布处理、高度的鲁棒性、自适应性和学习联想等能力,它能很好地适应环境的变化,自动学习修改过程参数,这些都为神经网络应用到电液位置伺服系统控制中提供了巨大的潜力。

1　神经PI D控制

1.1　神经PI D控制系统

神经P I D控制系统结构如图1所示。

从控制系统框图中看出,神经P I D控制包括两个控制子模块:NN I———被控对象模型辨识器,NNC———神经PI D控制器。

图1　神经P ID控制框图系统的工作原理是:

首先获取实际被控对象的

输入输出样本对,然后利

用NN I对被控对象进行离

线辨识,当辨识精度达到

设定的要求时,通过实时

调整NNC的权值系数,

使系统具有自适应性,从而达到有效控制的目的。1.2　神经网络辨识器(被控对象模型辨识器NN I)

图2　NN I结构框图神经网络辨识器NN I

采用3层串并联BP网络实

现,包括输入层、隐层、

输出层,结构如图2所示。

网络的输入是被控对象

的输入/输出序列{u(k),

y(k)},网络的输出为教师

信号^

y(k)。

1.3　神经PI D控制器(单神经元自适应PI D控制器NNC)

由于被控对象模型不确定、不确知并且存在着外界随机扰动,为了达到较高的控制精度,在被控对象模型离线辨识的基础上,采用单神经元自适应P I D控制器,其结构如图3所示。

图3　NN C 结构模型框图

网络的权值系数值V =[v 1,v 2,v 3],即表征P I D

控制器的三个系数K P ,K I ,K D ,网络的输入为X =[x 1,x 2,x 3],即表征三个输入参数e (k )、Δe (k )、Δ2

e (k ),网络的输出为Δu (k )。

1.4　神经PI D 控制学习机理与控制算法1.4.1　神经网络辨识器(被控对象模型辨识器NN I )

网络隐层的输入输出为:o i (k )=f [x i (k )]

x i (k )=∑N

j =01

w ij I j (k ),j =1,2,L ,N

式中:I 0(k )=1;1

w i 0为阈值。

活化函数采用正负对称型的Si g m oid 函数:

f (x )=1-e -x

1+e

-x

网络输出层的输出为:^y (k )=∑p

i =02

w i o i (k )

式中:o 0(k )=1,2

w 0为阈值,p 是隐层节点的个数。准则函数:

E 1(k )=12[y (k )-^y (k )]2

=12e 21(k )

网络权值的调整算法采用具有阻尼项的BP 算

法:

Δ2w i (k )=-η1 E 1(k ) w i (k )

=η1e 1(k )o i (k )+βΔ1

w ij (k )Δ1

w ij (k )=η1e 1(k )f ′[x i (k )][2

w i (k )]I j (k )+βΔ1

w ij (k )则:

2w i (k +1)=2w i (k )+Δ2w i (k )

1w ij (k +1)=1w ij (k )+Δ1

w ij (k )

1.4.2　神经PI D 控制器(单神经元自适应P I D 控制器NNC )

有监督的H ebb 学习规则,通过对权系数的调整来实现自适应、自组织功能,控制算法和学习算法如下所示:

u (k )=u (k -1)+K ∑3

i =1v ′i (

k )x i (k )v ′i (

k )=v i (k )∑3

i =1

v i (k )根据有监督的Hebb 学习规则,权系数的调整按如下规律:

v 1(k )=v 1(k -1)+ηI z (k )u (k )x 1(k )

v 2(k )=v 2(k -1)+ηP z (

k )u (k )x 2(k )v 3(k )=v 3(k -1)+ηD z (

k )u (k )x 3(k )K 为神经元比例系数,ηI 、ηP 、ηD 分别为积分、比例、微分的学习速率。

2　神经PI D 控制系统仿真实例

在控制与仿真实例中,以三阶系统数学模型和实际被控对象的辨识模型NN I 为控制对象,采用本文提出的神经PI D 控制方法,得出了系统对输入信号的响应结果,而且比较了网络控制器参数对系统响应的影响。

2.1　被控对象模型

(1)三阶系统,系统的传递函数为:G (s )=523500

s 3+87.5s 2

+10470s

,采样时间为1m s ,采用z 变换进行离散化处理,则离散化对象模型为:

y (k )=-d (2)y (k -1)-d (3)y (k -2)-d (4)y (k -3)+n (2)u (k -1)+n (3)u (k -2)+n (4)u (k -3)(2)实际被控对象的辨识模型NN I ,通过获得被控对象的输入输出样本对,利用离线训练的方式,调整好BP 网络的权系数值,利用权系数矩阵代替实际的被控对象。

2.2　神经PI D 控制系统仿真步骤

神经PI D 控制系统仿真步骤如图4所示。

图4　仿真步骤

2.3　结果分析

利用VC 软件以及M atlab 强大的数学运算与图形显示功能,开发了神经PI D 控制系统的仿真软件模块平台,图5、6所示为三阶系统的神经PI D 控制正弦跟踪仿真曲线,图7、8所示为实际被控对象的辨识模型NN I 的正弦跟踪仿真曲线。表1中神经元的比例

表1　仿真实验初始值

控制器参数三阶系统被控对象辨识模型NN I 图5图6图7图8采样时间/s 0.0010.0010.0020.002神经元比例系数0.120.240.81.2比例学习速率0.40.40.40.4积分学习速率0.350.350.050.05微分学习速率

0.4

0.4

0.4

0.4

系数为K ,比例、积分、微分学习速率分别为ηP 、ηI 、ηD ,系统采样时间为T

。

通过分析上述两组曲线,尽管用于仿真的三阶系统与实际被控对象的辨识模型NN I 存在着很大的差别,但是通过选择合理的控制器初始化参数和系统采样时间,都能实现两者的自寻优与自适应。另外,神经元比例系数K 的选择对系统的控制性能影响最重要,过大或过小都将导致系统性能变差,甚至不能实现自寻优和自适应。而ηP 、ηI 、ηD 对系统的性能影响体现在学习速度的快慢上。

3　结束语

从上面的仿真实例可以看出,论文中提出的神经P I D 控制对具有机电液交叉耦合的电液位置伺服系统

具有很好的控制效果,解决了常规P I D 控制参数自整

定困难,简化了大型非线性系统数学模型的建模过程,控制器本身具有自学习、自适应的优点,具有很高的应用价值。

参考文献

【1】何玉彬等.电液位置伺服系统的神经网络在线自学习

自适应控制.中国电机工程学报,1998(6).【2】杨汝清等.智能控制工程.上海交通大学出版社.【3】张建民,王　涛,王忠礼.智能控制原理及应用.冶金工业出版社,2003.【4】K .J .Hunt ,et a l .N eural N et wo rks f o r Con tro l Sy st em s —A

Survey .A uto m atica ,1992,28(6):1083～1112.

【5】马宪民.人工智能的原理与方法.西北工业大学出版社,

2002.

【6】谷秋隆嗣.人工神经网络与模糊信号处理.北京:科

学出版社,2003.9.

作者简介:龚赤兵,男,1964年生,工程师。主要研究方向:人工智能及应用。

收稿时间:2005-01-10

(上接第190页)

Select C ase M SCo mm1.Co mmEvent

Case co mEv R eceive ’接收字符数据M SCo mm1.I nput Len =0M SCo mm1.InpuM t ode =c o m I npuM t ode Binar y Buffer =M SCo mm1.Input ’接收二进制数

据

M SCo mm1.I npuM t ode =co m I npuM t ode Tex t Buffer =M SCo mm1.I nput Case E lse End Select

　End Sub 5　结束语

通过上述虚拟实验设备的设计,可以大大节省实验室的建设资金,方便实验室的建设工作,提高实验水平与实验质量,简化实验过程。本课题针对机械设备实验室的建设工作,完成了常用数控铣床,数控镗床和数控车床的虚拟设备实现,为大学实验室的建设工作提供了一条有效的途径。参考文献

【1】三菱<

UN IT >>通信手册.【2】美国 M icro softV isual Basic 6.0Contro ls re f e rence 控件

参考手册.

【3】赖高良.精通Soli d W o rks .中国青年出版社.

作者简介:王新华,男,讲师,公开发表论文十几篇。

收稿时间:2005-01-31