基于RBF神经网络电液伺服系统智能控制的在线辨识与PID参数自适应整定摘 要： 针对电液伺服控制系统本质上是非线性系统，具有多变量、强耦合、非线性的特点。采用常规的PID控制时不能满足工作装置的控制要求。本文结合智能控制系统，实现其控制要求，智能控制领域当中，RBF神经网络辨识器，通过辨识器来辨识被控对象的模型和特征；在辨识的基础上通过神经网络控制器实现PID参数在线调整和优化。本课题通过仿真试验，证明其有效性。关键字：电液伺服控制系统，PID参数整定，RBF神经网络，在线辨识，自适应AbstractFor electro-hydraulic servo control system is essentially a nonlinear system, with multivariable and strong coupling , nonlinear characteristics. The conventional PID control can not meet control requirements of working device. This text, combing with the intelligent control system, realizes its control requirements. In the field of intelligent control, RBF neural network identifier controlled object model and characteristics through the identifiers; based upon identification by neural network controller to realize PID parameters turning and optimized. This topic proves its effectiveness, through the simulation test.Keywords: Electro-hydraulic servo control system; PID Parameter tuning; RBF Neural network ; on-line identification; adaptive目录1引言32电液伺服系统的常见智能控制策略概述33控制系统建模53.1被控对象的数学描述53.2液压缸传递函数的确定63.3电液伺服阀传递函数的确定74RBF在线辨识与PID参数自适应整定74.1 RBF神经网络结构及其学习算法74.2神经网络辨识技术84.3 PID参数自适应整定105系统仿真11结论以及后续工作16参考文献17致 谢18附 录191引言电液伺服控制系统将电子和液压有机地结合起来，具有高精度和快速的响应能力，能够控制大惯量实现大功率运动输出，因而它已占领了相当广泛的工程应用领域并且日渐扩大。它早期用于军事工业，后来逐步向民用工业推广，如火炮、雷达、航海、飞机、人造卫星等的跟踪和控制系统；机床工业的控制装置；锻压设备中的活动梁运动速度及其行程同步的伺服系统等等，近年来随着微电子技术和计算机技术突飞猛进的发展，促使电液控制技术进入到了一个新的发展阶段。电液控制伺服系统具有精度高，响应快，便于调节的特点，同时又能 控制大惯量实现大功率输出，因而在工业控制领域得到广泛的应用。但是电液伺服控制系统本质上是非线性系统，具有多变量、强耦合、非线性的特点。采用常规的PID控制时系统的控制性能对模型的误差比较敏感，在系统工况变化较大时，系统的中体控制精度不高，不能满足工作装置的控制要求。智能控制无论在理论上还是应用技术上都取得了实质性的发展。在控制领域，神经网络具有自学习自适应能力和强大的非线性映射能力，为解决非线性系统的建模和控制提供了一条有效的途径。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。神经智能PID控制器可分为两大部分：神经网络辨识器，通过辨识器来辨识被控对象的模型和特征；在辨识的基础上通过神经网络控制器实现PID参数在线调整和优化。2 电液伺服系统的常见智能控制策略概述由于各种实际工程系统的发展规模越来越大，所以常规控制理论与技术已越来越难以满足工程上对提高自动化水平和扩大自动化范围的要求。智能控制的理论正是在这种背景下以常规控制为基础的进一步的发展和提高。为使电液伺服控制系统具有一定的自适应能力和较强的抗干扰能力，将智能控制理论的最新成果引入电液伺服系统的控制当中，一直是研究者们进行的工作之一。随着计算机技术的迅速发展，作为主要“思维”元件的微处理器功能的不断提高和价格的下降，为实现这一工作提供了强有力的技术保障。目前智能控制理论的各种新成果已被广泛引入电液伺服控制系统当中，包括仿人智能控制、专家控制、模糊控制、神经网络控制等。(1) 仿人智能控制仿人智能控制器的原型算法在1979年由重庆大学周其鉴教授等人提出，1983年在国际上正式发表。在国家自然科学基金的支持下，李祖枢等人经过20多年的努力，构建了仿人智能控制的基本理论体系和较系统的设计方法，并在许多实际应用中获得成功。仿人智能控制，通过模拟人的控制经验与技巧，依据被控量偏差的变化(变化量大小，变化趋势等)，来及时调整控制量的大小，从而抑制偏差的变化。仿人智能控制依据先前的调整经验，结合当前偏差的变化(或系统状态的变化)，事先做出预调，预调量的大小及方向来自于以往的经验。不需要对被控对象或过程进行建模。但是仿人智能控制算法还不够成熟，其理论体系还不够完善，目前对仿人智能控制所做的工作一般局限于运行级MC的仿人智能控制算法。(2) 专家控制专家控制(EC)是智能控制的一个重要分支。经过几十年的发展，专家技术已经获得了迅速发展，并广泛地应用于医疗诊断、图像处理、选矿生产、实时监控、军事等领域中。专家系统拥有知识，并能运用知识进行推理，以模拟人类求解问题的思维过程。但是人类的知识是丰富多彩的，人们的思维方式是多种多样的，尤其是经验知识，大多是不精确、不完全或模糊的，因此要真正实现对人类思维的模拟还是一件十分困难的工作，有赖于其他多种学科的共同发展；同时，专家系统所要求解的问题都是结构不良且难度较大的问题，不存在确定的求解方法和求解路径，这也为建造专家系统增加了难度和复杂性。在建造一个专家系统时，会遇到多种需要解决的困难问题，如不确定性知识的表示、不确定性的传递算法、匹配算法等。(3) 模糊控制模糊控制是近几十年来发展起来的一种新型的智能控制方法，在数学模型不确定甚至模型未知的系统控制方面显示了其独特的优越性。模糊控制由于通过系统输入、输出量间模糊关系进行控制，因而它与系统模型、参数及外干扰等因素无关，具有较好的鲁棒性，使得它在工程控制领域得到了广泛的应用。目前已有专门的模糊硬件(如OMROM公司的FP2000,FP3000,FP5000等模糊芯片)和模糊软件包(如德国INFORM公司的FUZZY-166等)问世。模糊控制作为一种有别于传统控制理论的控制方法，充分发挥其不需要对象数学模型、能充分运用控制专家的信息及具有相当鲁棒性的优点，在具有相关特点的控制领域表现出其优势。虽然模糊控制已经初步获得了T-S模糊模型，可将线性系统理论作为控制系统的分析综合工具这样一个新的视界，但一般实用的模糊控制Mamdani模糊控制仍具有其需要面对的问题，即模糊控制器参数须经反复试凑才能确定，缺少稳定性分析等系统化的分析和综合方法。所以，目前模糊控制仍存在两大难题：如何获得模糊规则及隶属函数，目前全凭经验选取；另一个是如何保证模糊控制的稳定性及控制精度。(4) 神经网络控制人工神经网络(Neural Network)是指利用工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，是一种大规模并行的非线性动力学系统。它反映了人脑功能的若干基本特征，包括并行信息处理、学习、模式分类、记忆等。神经网络也正是由于它的非线性动力学复杂性，才在更高层次上体现了人脑的智能行为，并为智能控制提供了新途径。神经网络的智能处理能力及控制系统所面临的愈来愈严重的挑战是神经控制发展的动力，神经网络对控制有吸引力的特点有：它能以任意精度逼近任意连续非线性函数；它采用并行分布式信息处理，具有很强的容错性；便于用VLSI或光学集成系统实现或用现有计算机技术虚拟实现；适用于多信息融合和多媒体技术，可同时综合定量和定性信息，对多输入/多输出系统较为方便；可实现在线或离线计算，使之满足某种控制要求，且灵活性大。这些特点说明神经网络在解决高度非线性和严重不确定性系统的控制方面有着巨大潜力。可以说，采用传统控制理论解决的各种实际问题，几乎都可以用神经网络控制技术来解决。随着社会经济的发展，对控制系统的设计要求日益提高。被控系统越来越复杂、设计目标越来越高、被控系统的情况越来越不确定，这一系列关键而又困难的问题随之而来。面对诸如此类的工程实际问题，基于数学模型的传统控制理论和方法的局限性日益明显。探索与研究新的控制系统设计理论和方法成为控制理论界和控制工程师们关注的重要问题。人工神经网络的发展为摆脱这种困境提供了一条途径。目前人工神经网络的应用几乎覆盖了控制理论研究中的绝大多数问题。3 控制系统建模3.1 被控对象的数学描述stewart平台运动控制系统控制原理图如下所示，该电液位置伺服控制系统各液压缸的控制互相独立的，并且各分支的结构和控制系统的组成是相同的。结构如图3-1示：图3-1 控制系统控制原理图本文对一个分支的液压伺服系统的数学模型进行分析，其系统控制框图如下，该计算机控制系统由液压缸，电液伺服阀，伺服放大器，位移传感器，A/D与D/A卡等环节组成。图3-2 控制系统结构框图3.2 液压缸传递函数的确定伺服系统的负载有弹性负载和惯性负载，在很多情况下是以惯性负载为主，没有弹性负载或弹性负载很小可以忽略。 式中： 代入平台电液控制系统相关参数：图3-3 Stewart平台电液控制系统相关参数平台液位控制系统的相关参数如上表所示，带入表中的数值可求得液压缸的传递函数模型。3.3 电液伺服阀传递函数的确定电液伺服阀的传递函数是伺服阀动态特性的近似线性解析描述，但是具体采用什么环节应根据系统的频宽和伺服阀的频率而定。当伺服阀线圈转折频率大于伺服阀的固有频率时，伺服阀的传递函数可以近似为比例环节；当伺服阀的固有频率大于液压固有频率时可简化为惯性环节。本文从实际角度出发，取二阶环节，即 本文选用的是中国航空附件研究所生产的FF102伺服阀，伺服阀的相关参数均从其使用说明书查得。 所以可得从伺服放大到液压缸的传递函数为：传统的系统辨识理论的主要内容就相应的变成神经网络拓扑结构的选择，神经网络辨识模型结构的选择，神经网络的学习训练。本文采用RBF神经网络构造动态辨识网络。由电液控制系统的理论模型分析可知，简化以后的是一个三到五阶的系统。根据系统的非线性描述方式，把研究系统的输出的延迟作为RBF辨识网络的输入，延迟的步数由系统模型的阶次确定，这样根