电液位置伺服系统的自适应模糊神经网络控制

　　Knohl等[1]采用RBF神经网络辨识电液位置伺服系统的逆模型,使系统不确定性和非线性等得到补偿,但神经网络权值物理意义不明确,不易找到接近实际值的初值;同时,神经网络对整个系统建模,搜索空间大,辨识精度差,因而收敛速度慢[2]。Zhao等[3]用模糊系统根据系统状态和专家知识(规则库)综合系统的控制作用,充分利用了专家的经验和关于系统的知识,使系统获得很好的效果,但缺乏学习功能,对时变系统没有自适应能力。Bonchis等[4]和Fung等[5]采用的滑模变结构控制算法可抑制系统的不确定性,但要知道系统非线性、参数不确定性、未建模部分、负载干扰等的界,应用中为确保系统鲁棒性,通常选取比较保守的变结构控制增益,使系统的颤振尤为严重。

　　本文将电液位置伺服系统分为由公称参数确定的已知规律部分和由非线性、不确定参数、未建模动态、负载干扰等引起的未知规律部分,用模糊神经网络仅对未知规律部分进行在线估计,缩小了搜索空间;同时模糊系统的集成使网络权值的物理意义明确,易确定接近实际值的初值,系统的建模精度和收敛速度得到提高。因模糊神经网络的建模误差等引起的不确定性由变结构控制项抑制,以提高系统的鲁棒性。

　　1　问题的描述

　　对称缸电液位置伺服系统线性部分通常为由以下三个方程描述的三阶系统:

　　伺服阀的负载流量方程

　　式中,Kc为伺服阀的流量压力系数;pL为负载压力;xv为伺服阀的阀芯位移,它与输入伺服阀控制器电压u之间呈线性关系,即xv= Kxu;Kq为伺服阀的流量增益;Cd为流量系数;ω为节流窗口面积梯度;ps为油源压力;ρ为油液密度。

　　液压缸的流量连续方程

　　式中,Ctc为总的泄漏系数;A为活塞有效作用面积;y为活塞和负载位移; Vt为液压缸两腔室总容积;βe为等效体积弹性模量。

　　液压缸和负载的力平衡方程

　　式中,m为活塞和负载总质量;Bc为活塞和负载的粘性阻尼系数;KL为负载刚度;F为外负载力。

　　取,并考虑系统未知规律部分,电液位置伺服系统的状态空间为

　　式中,f₀(x)、g0为系统公称参数确定的已知规律部分;Kq0为负载压力为零时,伺服阀的流量增益;fΔ(x)为包括参数不确定性、线性化带来的建模误差、未建模动态、负载干扰d(t)等的未知函数;gΔ(x)为因负载压力变化引起的伺服阀流量增益的变化量。

　　外负载力为零时,由式(3)可知负载压力是向量x的函数,因此gΔ(x)为向量x的未知函数。