泵控缸电液位置伺服系统的神经网络模型参考自适应控制

　　0 引言

　　泵控缸电液位置伺服系统存在非线性和时变性,其非线性主要是由液压阀的死区、滞环、库仑摩擦等因素引起的,其时变性主要表现为液压油液体积弹性模量、油液的粘性、系统的阻尼比等随着油压、油温、阀的开口量的变化而变化^[1-2],因此,使用传统的控制方法难以得到满意的控制效果。模型参考自适应控制(MRAC)可以有效地克服被控对象参数的变化,使被控对象的输出与参考模型的输出保持一致,从而为复杂系统控制问题提供了一种较好的解决途径。随着一些智能控制方法的发展,国内外许多专家对模型参考自适应控制进行了改进^[3-7]。由于神经网络具有逼近任意连续有界非线性函数的能力,可用于非线性系统的辨识和控制,因此,神经网络与模型参考自适应控制的结合—神经网络模型参考自适应控制(NNMRAC)被广泛应用。然而常用的神经网络模型参考自适应控制方法多采用在线辨识方式,这种方式学习时间长、不容易收敛,会直接影响到系统的跟踪速度和控制精度。因此,笔者先采用GA-BP算法离线辨识,当神经网络辨识模型与对象模型接近到一定程度后,再利用改进的BP算法进行在线辨识,以使神经网络预测输出与系统实际输出之差最小,从而提高系统的控制精度和跟踪速度。通过对泵控缸电液位置伺服系统进行的仿真研究表明,本文给出的控制方法能较好地满足系统的动态和稳态指标的要求。

　　1 系统描述

　　泵控缸电液位置伺服系统结构框图如图1所示。其工作原理:控制计算机从RDC模块读回负载当前的位置值,然后以该位置值和目标位置值作为控制算法的输入,由控制算法计算出控制量,该控制量由功率放大电路放大后,通过伺服阀控制变量泵斜盘摆角的大小和方向,从而改变泵的输出流量的大小和方向,最终控制液压缸活塞缸筒的伸缩实现负载位置的调整。

　　泵控缸电液位置伺服系统的自回归滑动平均模型可以表示为:

　　式中:

　　q=z^-1, z为离散系统差分算子; y(k)为系统的输出; u(k)为系统的输入;N(k)为外界干扰; a₁,a₂, a₃, b₀, b₁, b₂, b₃, c₁, c₂, c₃为系统参数。

　　2 神经网络模型参考自适应控制器的设计

　　神经网络模型参考自适应控制系统结构图如图2所示。r为目标位置,作为系统的输入; y为伺服系统负载的实际位置,作为系统的输出; u为神经网络控制器NNC的控制输出; y^为神经网络辨识器NNI的辨识输出;y_ref为参考模型输出;参考模型输出与系统输出之差e_c用于修正神经网络控制器;神经网络辨识器输出与系统输出之差e_i用于修正神经网络辨识器。