电液伺服系统在非线性干扰下的神经网络控制

　　1 引言

　　在运动控制应用中,存在着大量的以电液作为执行机构的机械系统速度和位置的控制。采用液压缸作为液压传动系统的动力元件,能够省去中间动力减速器,从而消除了齿隙和磨损问题。当考虑电液伺服系统非线性和时变参数时,此时控制对象就很难用传统控制方法达到高精度控制。设计鲁棒性强,控制性能好,并且能消除系统不确定量影响的控制器,成为学者关心研究的问题,近几年也取得了一些研究成果[1~2]。事实上,神经网络以它的自学习和任意逼近非线性函数的特点,可以用来解决由常规方法很难处理的非线性问题。本文提出一种电液伺服系统在非线性干扰下的神经网络控制法,这种控制方法就是在原有PID控制器的基础上,再增加一个复合正交神经网络(CONN)控制器。此时神经网络控制器实际是一个前馈控制器,因此它建立的是被控对象的逆模型。当被控对象的解析模型未知或部分未知时,复合正交神经网络能快速在线自学习,不仅可确保控制系统的稳定性和鲁棒性,而且可有效地提高系统的精确度和自适应能力。文中方法比现有方法简单方便,具有实际应用价值。

　　2 PID+神经网络并行控制方法

　　提出的控制方法是在原有PID控制器基础上再增加神经网络控制[3],PID+神经网络的并行控制是一种较好的自适应控制方法,电液位置控制伺服系统如图1所示。其特点为:

　　(1)神经网络前馈控制器实现被控对象的逆动态模型;

　　(2)常规控制器实现反馈控制,保证系统的稳定性,且抑制扰动。

　　由图1容易看出,神经网络控制器通过向传统控制器的输出进行学习,在线调整自已,目标是使反馈误差e(t)或up(t)趋近于零,从而使自己逐渐在控制作用下占据主导地位,以便最终取消反馈控制器的作用。但是还可以看出,这里的反馈控制器仍然是存在的,一旦系统出现干扰,反馈控制器仍然可以重新起作用。因此采用这种并行控制方法,不仅可确保控制系统的稳定性和鲁棒性,而且可有效地提高系统的精确度和自适应能力。该系统的控制算法[3]为:

　　式中un(k)--网络产生相应的输出

　　up(k)--常规控制器PID产生的输出

　　2.1 电液伺服系统动态模型

　　图1所示的电液位置控制伺服系统是由电液伺服阀、液压缸、传感器、放大器等组成。这里,放大器可表示为:

　　式中U--输入电压

　　I--伺服阀输入电流

　　Ka--放大器增益

　　伺服阀的动态方程可表示为:

　　式中Ks--伺服阀增益