2 0 0 6 中国控制与决策学术年会论文集5 7 8P r o c e e d i n g so 2 0 0 6C h i n e s eC o r d r o la n dD e c i s i o nc 口n f t r m c c神经网络P I D 在液压A G C 系统中的应用李勇，刘建昌，井元伟，王昱( 东北大学信息科学与工程学院沈阳1 1 0 0 0 4 )搞要：基于电j 杰位置控截系坑教学模型针对碴压A G C 系统要求响应速度快，控幸哼精度商、抗干抗能力强等特点，设计了R B F 茎定P I D 芷制器并特其应用于藏压A G C 控制幕坑中仿真研究表明，R B F 整定P I D 控制方法具有鞍强的鲁棒性和快速的响盅能力同时又有较高的稳态精度，关键词t 疫压系统；自动犀度控制I 神经网络 P I D 控制A p p l i c a t i o no fN e u r a lN e t w o r kP I Di nH y d r a u l i cA G CS y s t e mL IY o n g ，L I UJ i a n c h a n g ，J I N GY u a n w e i ，W A N GY u( C o l l e g eo fI n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g N o r t h e a s t e r nC o r r e s p o n d e n t ：L IY o n g E m a i l ：n a r u t o 一1 y 1 6 3 c o r n )A b s t r a c t ：A c e o r d i n gt o bm a t b e m a t i c a Jm 。d e l o fe l e c t r i c - h 州r a u l i ep o s i t i o nc o i n t r o ls 弦t e m a n db e c a u s eo ft h ep r o p e r t yo ff a s tr e s p o n s e ，h i g hc o n t r o lp r e c i s i o na n dh i g ha n t i - i n t e r f e r e n c eo ft h eh y d r a u l i cA G Cs y s t e m t h eR B F N Ni d e n t i f i c a t i o na d a p t i v eP I Dc o n t r o l l e ri sa d o p t e d ，w h i c hi sa p p l i e di nt h eA G Cc o n t r o ls ”t e m T h es i m u l a t i o nr e s u l t sp r e s e n tt h eg o o dd y n a m i cc h a r a c t e r i s t i co ft h eR B F N Ni d e n t i f i c a t i o na d a p t i v eP I Dc o n t r o lm e t h o d T h i sm e t h o dh a sr o b u s t n e s s ，f a s tr e s p o n s ea b i l i t ya n ds t e a d ys t a t ep r e c i s i o n K e yw o r d s ：H y d r a u l i cs y s t e m ，A u t o m a t i cg a u g ec o n t r o l ；N e u r a In e t w o r k ；P I Dc o n t r o ll 引言电液伺服位置系统是A G C 的核心技术，若该问题解决不好，会使调试现场的P I D 控制器整定周期过长，控制策略不恰当非线性因素不易解决，影响板厚精度因此，为使控制方法更好地实现，对电液伺服位置系统傲进一步的理论研究，将有助于控制参数的选取，缩短现场调试P I D 控制应用领域十分广泛，其优点是算法简单、鲁棒性强、可靠性高、动态和静态特性良好P I D控制器主要的局限性在于对控制对象的依赖性，一般需要知道被控对象的传递函数才能进行设计，这对于复杂系统往往难以做到，而且常规P I D 控制器在实际谓试过程中采用试凑法，需要进行多次试验加以整定，一般很难达到最优近年来，神经网络在控制领域的应用得到广泛的重视并取得较多研究成果人工神经网络具有很强的信息综合学习记忆和自适应能力以及逼近任意非线性函数的能力，可以处理难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用人工神经网培在控制中面临的主要问题是其算法较复杂，学习过程较长，参数收敛速度缓慢，存在局部最小点等问题，使其在工业控制中的广泛应用受到限制将神经网络技术与P I D 控制技术相结合可以取得更好的控制效果r “基于以上分析，提出了一种基于R B F 神经网络整定的P I D 控制器( R B F P I D ) ，将神经网络与P I D控制融合为一体，采用3 层前向网络结构，网络的输入层接受系统给定信号和对象输出信号，通过对被控对象J a c o b i a n 信息的辨识实现R B F P I D 参数的自适应调整它既具有传统P I D 控制器的优点，又具有神经网络的并行结构、学习记忆功能和多层网络逼近任意函数的能力，在对轧机A G C 系统所作的仿真实验中表现出较好的动态性能和静态性能2R B F 整定P I D 控制系统2 1R B F P I D 的结构采用增量式P I D 控制器作者简介：李勇( 1 9 8 0 一) 男辽宁葫芦岛人，硬生，从事A G C 系绕、多A g e n t 技术的研究李勇等：神经网络P I D 在液压A G C 系统申的应用5 7 9( ) =玩( 矗一2 ) ) ，( 7 )K 。( ) 一e ( k 一1 ) + K 尹( ) +K d k ( ) 一2 e ( k 一1 ) + e ( k 一2 ) ( 1 )控制误差为c ( ) = r ( k ) 一y ( ) P I D 三项输人为i 1 = e ( k ) 一c ( 一1 ) ，z = c ( 矗) ，T E 3 = c ( 1 ) 一2 e ( k 一1 ) + e ( k 一2 ) R B F 网络的结构采取3 ，6 ，1 形式，如图1 所示田1R B F 网络的结构2 2被控对象J a c o b i a n 信息的辨识算法在R B F 网络结构中，x 一，z ：，I ， 7 为网络的输人向量设R B F 网络的径向基向量H = 队，h z 一h ， 7 ，其中以为高斯基函数 h j 一( 一掣) ，J 一1 - 2 ，m ( 2 )网络第j 个节点的中心矢量为c J ；t n 缸，o ，c ， 7 ，i = l ，2 ，n 设网络的基宽向量为B = 6 1 ，6 2 ，6 - 7 ，b ，为节点j 的基宽度参数且b ， 0 阿络的权向量为W 一豳。，w 2 ，叶， 7 ，辨识网络的输出为Y ( ) = ”l h l + w 2 h 2 + + w 。h 。，( 3 )辨识器的性能指标函数为山= 寺( j ，( f ) 一“( ) ) 2 ( 4 )根据梯度下降法，输出权节点中心和节点基宽参数的迭代算法如下；w j ( k ) 一w f l k 一1 ) + 7 ( y 0 ) 一) k O ) ) ，+a ( w j ( k 一1 ) 一( 一2 ) ) ，( 5 ) 屿= ( y 一埘岫t 学。( 6 )以( ) = 屯( 女一1 ) + ，+ 口( 6 J ( 一1 ) 一o = ( ，( 女) 一“( 女) ) w ，三铲。，( 8 )q ( ) = o ( t 一1 ) + 7 & ，+a ( c _ ( 1 1 ) 一白( 一2 ) ) ( 9 )式中：7 为学习速率，a 为动量因子 a c o b i a n 阵( 即为对象的输出对控制输入变化的灵敏度信息) 算法为： 器。端= 耋毗守，式中而= A u ( k ) 2 3 控制算法“( ) = “( 女一1 ) + A u ( ) ，( 1 1 )“( ) = 。“( ) 一e ( k 1 ) ) + k j e ( k ) +k d 0 ( ) 一2 e ( k 一1 ) +e ( k 一2 ) ) ( 1 2 )神经网络朝整定指标为E ( ) ：i 1c ( ) 2 ，( 1 3 )k ，t 。毛的调整采用梯度下降法，即雎，一，篆一，考恚警=和( ) 蕊a yz 1 ( 1 4 )出。= 一，簧一一，蓦老警=7 e ( k ) 五a yz 2 ，( 1 5 )盟。= 一，筹= 一，蒡急筹=7 e ( k ) 差如( 1 6 式中老为被控对象的J a c o b i a n 信息，可通过神经网络的辨识得到2 4 轧机液压A G C 数学模型一个完整的渡压A G C 系统钉由若干厚度自动控制系统组成，其中较为主要的是电液位置伺服系统，它由供油管道、伺服阀、回油管道、液压缸、传感器、控制放大器组成，如图2 所示围2电液位置控制系统结构5 8 02 0 0 6 中国控制与决策学术年会论文集根据供油管道、伺服阀、回油管道、液压缸、传感器、控制放大器的基本方程经过变换和近似处理得到液压压下系统模型 ”，如图3 所示由此得到系统的传递函数为G “) = F + 2 J 蟊- Z 。s + 嚣荪m 7 )( 差吐，) ( 毒+ ，) ( 鑫十鲁s + ，) “带入仿真参数离散化得到y ( k ) 一o 2 3 8 y ( k 一1 ) 一0 3 3 7 y ( k 一2 ) +0 2 2 0 y ( 一3 ) + 0 0 5 5 y ( k 一4 ) 一0 1 3 9 y ( k 一5 ) + 0 1 5 3 y ( k 一6 ) =围3 液压A G C 系统位置闭环框图控制系统框图如图4 所示国4R B F 网络整定P I D 控翩3 仿真与分析应用M a t I a b 软件，网络学习步长7 = 0 1 0 3 附加动量因子为。= 0 1 9 5 仿真结果如图5 所示圈5R B F 整定P I D 的蚧跃响应由图5 可以看出P I D 的调节时间要比R B F 整定P I D 的调节时间长，且R B F 整定P I D 的超调量小于P I D 这说明R B F 整定P I D 控制器的跟随性和快速性要好于传统的P I D 控制当对象模型变为y ( k ) 一0 2 3 S y ( 一1 ) 一o 3 3 7 y ( k 一2 ) +0 2 2 0 y ( k 一3 ) + 0 1 2 55 y ( k 一4 ) 一0 1 3 9 y ( k 一5 ) + 0 1 5 3 y ( k 一6 ) ；0 2 9 5 u ( 一1 ) + 0 3 6 6 u ( 一2 ) +0 0 5 5 u Q 一3 )( 1 9 )时，将常规P I D 与R B F 整定P I D 的阶跃响应曲线进行比较，如图6 所示圈6 模型变化时R B F 整定P I D 阶跃响应由图6 可以看出当对象模型发生变化时，R B F整定P I D 的阶跃响应超