用人工神经网络分析电液伺服系统的自适应位置控制

PAGEPAGE18用人工神经网络分析电液伺服系统的自适应位置控制摘要：本文介绍了用人工神经网络分析电液伺服系统的自适应位置控制。被研究的液压系统由一个四位三通比例阀、一个差动油缸和一个可变负载力组成。可变负载力由一个质量弹簧阻尼系统提供。此结构的主要问题是阀内有大量的死区。假设油缸和负载力作为二阶系统和积分器被线性模拟。液压系统的动力学模型能够被描述成一个静态非线性输入（死区）和一个线性系统的串联。对于哈默斯坦系统的控制，我们提议用非线性输入的逆作为补偿，用线性自适应控制器作为合成系统。在新的装置中，我们用人工神经网络取代不变的非线性输入的逆。这种方法的主要特点是人工神经网络在不改变结构的情况下能够描述个别类型的非线性功能。一个自适应线性控制器被应用到控制系统的线性部分上了。关键词：人工神经网络；非线性调节控制；液压传动装置1概述液压传动装置由于能够产生大转矩，并且有快速移动和速率转换的快速响应而被广泛的应用到工业中。低功率的电信号输入被转换成阀磁性线圈的运动来控制大功率的液压执行元件。与电磁传动装置相比此系统的模型更加复杂。紊层流、螺槽几何形状和摩擦导致系统方程高阶非线性。液压系统的参数取决流动速度和压力与变化缓慢的滑油粘度之间的关系。因为包含大量死区的标准的比例阀被应用，控制系统的非线性部分被明显的标记，所以非常复杂的控制器例如本文叙述的就被用来解决死区问题。传统的方法像P或者PD液压传动定位调节器不能找出令人满意的性能。由于这个原因自适应控制技术就被应用了。为了用近似线性的伺服阀来补偿液压系统的参数变化我们采用了模态基准自适应控制器。但是在控制设计中我们要特别注意四位三通比例阀的大量死区。在控制系统中死区有大量可能的不良反映：最常见的是控制精度的降低。它们也能导致极限循环或是系统不稳定。对于非线性系统，我们有多种控制装置，在那里人造神经网络被用来处理系统的逆。这些装置对于各种各样没有先验知识的系统可以很好的工作。但是如果想控制有先验知识的特殊系统，可以用这些经验建立容易配置和处理的小型人工神经网络。于是，假设阀用死区来表示而液压系统的剩余部分能够近似满足被应用的线性模型，死区和线性系统的串联被用于描述整个装置。许多自适应控制器被用于处理这种哈默斯坦系统。例如在控制装置里，预载荷非线性系统和死区都可以被描述。带有输入或输出的非线性自适应控制系统的其它先进的控制方法已经被计划用来解决这些问题。因为作者使用了一个标准的模型参考自适应控制器(MRAC),使控制系统必须具有稳定的逆。这二个装置都被计划用来消除未知的死区对闭环控制系统的影响，而且它们的收敛和坚固特性也被利用。这里作者假设死区的输入和输出量已知。对于带有输入死区的系统，其控制器的前提也是非常相似的。因为死区和线性动态系统（哈默斯坦模型）的串联能够被描述成带有未知参数的线性条件，一个标准的递规最小二乘法（RLS）可以用来估算这些参数。这样系统线性部分的控制器就能够设计了，而为了补偿非线性输入，我们定义了一个辅助逆算子。我们必须准确的知道这些控制器的主要缺点是它们只能工作在一种特殊的静态非线性类型上。然而，通常这些特性不完全被发现并且经常慢慢地随着时间而改变。本文介绍了用人工神经网络分析阀的非线性特性的在线近似值。由于人工神经网络的引进，此控制器可以处理未知的非线性输入，此输入没有被线性参数化，并且可以改变它们的构造。由于人造神经网络（ANN）和非线性自适应（NA）控制的组合，这种新的控制装置被称作人工神经网络自适应(ANNNA)控制。这篇文章的结构如下：第二部分研究了此装置的特性和动力传动装置基于通过实际模型对线性化的微分方程的推倒。第三部分描述了人工神经网络自适应控制装置和它的设计步骤。第四部分论述了关于硬件和软件实现的试验装置和实时控制的结果。第五部分得出结论。2装置描述如图1所示，液压系统由一个油缸、一个四位三通比例阀和一个可变负载力组成。负载由一个阻尼缸，一个弹簧和一个重量块组成。eq\o\ac(○,1)比例阀eq\o\ac(○,2)差动油缸eq\o\ac(○,3)质量负载滑块eq\o\ac(○,4)阻尼eq\o\ac(○,5)弹簧图1液压系统示意图阻尼和弹簧的初张力以及重量块的质量都是可调整的。因此，各式各样实际的有关问题就能在实验的条件下被测试:带有不同外负荷的工件的搬运配置，带有不同初值和变量的系统特性。假设供给压力是恒量，控制目的是有效负载的定位。在此装置中，所用的比例阀是低成本产品，此产品具有一个较大且非对称的死区。通常,在实际的装置中假设死区是非线性的。如图2的例子，是输入量，是输出量，分别是上下分割点，分别是上下区域内的非线性函数。对于这种非线性死区，由于标准的控制装置是以常规死区模型为基础的，所以它们没有被应用。一个完整的电液系统数学模型我们可以得到。可是这些方程非常复杂所以很难应用到控制系统的设计中。于是我们通过对非线性方程的线性化得到了一个更实用的模型。图2非线性不对称死区装置的数学模型能够被分成阀的流量方程，连续性方程和活塞的力平衡方程。阀的流量方程高度非线性，它取决于阀的空挡位移，而位移与输入电压和通过负载的压降成比例。对泰勒级数线性化，可得出这里＝流量增量系数＝流量压力系数活塞的运动，油液体积的变化都是由压缩性引起的，而油液的泄漏流量决定了油液的总流量。如：这里是被压缩油液的总体积，是活塞的表面积，是活塞运动速度，是有效体积弹性模量（可压缩性），内、外部漏油的非线性影响。这里假设连杆和活塞端部的面积是相等的。如果泄漏方程是近似的线性关系，方程（2）就可以表示如下：这里表示活塞的总泄漏系数，滑架上的力平衡方程如下：这里表示活塞力，表示活塞和负载的总质量，表示活塞和负载的阻尼系数，表示负载弹簧梯度。忽略干粘着摩擦的非线性影响，将方程（1），（3）和（4）合并，然后应用拉普拉斯变换处理三阶微分方程的结果从而得出传递函数。简化成在方程（5）中，负载力是由外部弹簧引起的，被认为是外部干扰。液压系统线性模型的参数是变化的，由方程（6）给出，而方程（6）依靠常数推导成线性化。负载质量和阻尼系数的变化都可以看成线性模型的参量变化。考虑到驱动阀的大量死区，由图2描绘出的静态非线性死区，其方程如下：被加到线性模型的输入端，对现实装置的离散和识别给出了传递函数由方程（7）给出一连串非线性静态输入。总之，由图1给出的液压系统可以被说成是由一个非线性死区，一个积分器和一个二阶线性系统的串联。利用方程（7）和（8）给出的模型来设计人工神经网络非线性自适应（ANNNA）控制器将在下一部分介绍。3人工神经网络非线性自适应（ANNNA）控制器的设计被提议的新控制装置用一个径向基函数（RBF）网来识别死区，如图3所示。这种人工神经网络被称作极好的近似函数。它最显著的特征是输入输出的线性描述。因为这种特征，此控制装置能够处理非线性输入，此输入能改变它们的构造，并且是非线性参数化的。这对于给定的控制问题是重要的，因为通常由驱动阀所引起的非线性输入不是理想的死区。图3有人工神经网络的非线性自适应控制（ANNNA）从图3中我们可以看到装置的输入信号和输出信号都被用于参数识别，结果作为线性模型的独立参数和径向基函数（PBF）网的权系数。因而，此线性模型能够被用来设计标准的间接自适应控制器，而且利用网络可以定义一个静态非线性输入的逆算子。获得此算子是本装置富有挑战性的任务之一。我们首先应该选择一个最显著的方法：找到的根，这里是网络函数，是控制器的输出。由于实时运算的时间限制和数值不稳定性，此解似乎是不实用的。另一个可能的解是由人工神经网络得出的，该神经网络可以被逆。在这篇文章中，我们获得了网络识别的权系数和一组输入、输出数据：为了交换输入和输出值，一个新的网络被用于获得逆。这一原理被当作准则贯穿到整个工作中。假设是参考量，是控制信号，和是装置的输入和输出，控制器的设计步骤如下：1．为两个人工神经网络系统确定神经元的数量和定义初始参数（中央设计参数）。2．确定线性模型的阶数。3．选择参数更新的识别方法。4．为系统的线性部分选择合适类型的控制器并且找出控制规律（选择线性二次最优（LQ）控制器）。5．计算控制信号。6．找出网络的逆：用最简单的方法求出的根。图4RBF网络结构我们可以看到此方案由于有调制性而非常的灵活。在这种网络中，线性部分的控制器和参量识别法都能够独立的被选择。因为RBF网络被用于此控制装置中，对这种网络的简要说明在下面的部分给出，这里介绍控制器的设计部分。RBF网络是人工神经网络中比较新的类型。在许多书中，它们对非线性系统识别的适用性已经被成功的证明了。它们由三层组成——输入、隐藏、输出——它们从输入到输出层构成相互联系的前反馈。RBF网络的MIMO结构如图4所示，这里是输入向量，是输出向量，是径向基函数。试运行图4中的网络结构，我们可以近似得出非线性静态向量函数。对于唯一输出量的输入、输出映射被描述成这里是隐藏层神经元的数量，是偏置，是隐藏层的输出增益（权系数），是基函数的中心量。这样输出量被认为是输入向量的非线性函数，此函数是隐藏单元输出量的加权和。引进得出RB函数。这种类型的一些最通用函数是：高斯函数Reziproc多元二次函数多元二次函数薄板样条函数变量是确定函数形式的设计参数。图5给出了这些方程的曲线。我们注意到上面的函数在一定范围内受限制，但是下面的函数在整个范围内都有影响。a）高斯函数c）Reziproc多元二次函数b）多元二次函数d）薄板样条函数图5实数域中的径向基函数通常，我们可以在方程（9）的右边添加一个多项式。利用这样的扩展，结点之间的有害振动可以被消除。可以表明对于给出的一组个不同的输入向量和对应的输出向量之间，存在一个网络权向量，可以将均方误差减到最小。根据这一特性和最小误差可以被简化成某一任意值的事实，下面的包括一个额外线性项的RBF网络被用来近似替代静态非线性输入函数。为了设计液压系统的人工神经网络非线性自适应（ANNNA）控制器，由图6给出的模型提供驱动。线性系统的输入、输出关系被描述成：这里和是线性系统的系数，是非线性静态函数的输出。因为此函数通常是未知的，由RBF网络来近似替代。由方程（15），可以写成：合并方程（16）和（17），得定义则方程（18）能被简化成图6液压驱动系统模型方程（21）在参数未知的情况下是线性的。在评估算法中使用此条件，上面的方程可写成：这里是误差系数，假设是白噪声的零平均值。带有常数轨迹修正的标准的递归最小二乘方评价算法已经被讨论用于参数校准：和是评价值，有时由和分别确定。因为参数矢量是关于项的量纲，接下来的步骤是确定项线性系统的参数，是来自的网络权系数。定义参数能够由直接解出于是用最小二乘法拟合，此网络权系数由的剩余估值能够被计算出来线性模型的评价参数被用于设计线性二次最优（LQ）控制器，使性能指数达到最小值参数是驱动力的加权系数。利用此系数在性能指数中对的影响，方程（34）可以被整理。这主要是由控制规律实现的这里是控制参数，和是控制器多项式，是参考信号。此多项式是由两个步骤得出的。第一步，找到多项式，然后谱因式分解；第二步将和从丢番图方程中解出。且利用不精确的模型系数来消除跟踪误差，将处的极点包括在控制器中。考虑到图3中的控制块，我们仅对人工神经网络非线性自适应（ANNNA）控制器的静态非线性逆算子做了定义。计算此根将通往数值的难点。因此，我们针对逆的表达式建立了一个辅助人工神经网络。此后，非线性输入网络用ANN-1表示，此网络的逆叫做网络逆，用ANN-2表示。假设逆存在，ANN-1用来产生输入、输出数据组：然后交换输入、输出数据，并重列网络函数为这里且一个标准的最小二乘方评价能被用作网络逆的学习规则。控制器的设计完成了。4试验结果此人工神经网络非线性自适应（ANNNA）控制器和液压系统模型在Matlab/Simulink中被执行。实时用InteractiveRealtime工具箱实现。利用此工具箱Simulink仿真环境被扩展到用户容易掌握使用的实时模拟系统。要想将PC机与试验装置连接起来，只需将系统模块与IO模块交换。不用产生任何特殊代码。软件和IO模块安装在Pentium-II/200MHz计算机上，采样时间是40ms。为了得到网络的初步概算和控制器参数，用方程（7）和（8）给出的识别模式来模拟。为了得到合理的控制状态，我们为ANN－1挑选了11个神经元，为ANN－2挑选了14个神经元，参考信号是一个抽样率为5s的限带白噪声。高斯函数用作网络神经元的激活函数。图7描绘了相应的静态非线性曲线的结果。图8是前100s的参考系统输出信号。显然，由神经网络模拟出的这两条非线性和非线性的逆曲线非常的近似，过了50s的学习阶段，系统的输出值紧紧的跟随着参考信号，并带有很少的超调量。图7ANN－1和ANN－2的仿真曲线图8参考输出量的模拟信号表1ANNNAC的网络参数网络中心区ANN－15-5-4-3-2-1012345ANN－26-4-3-2-1.5-1-0.5-0.20.20.511.5234图9ANN－1和ANN－2的实时曲线图10ANNNA控制——参考输出量的实时信号图11LQ控制——参考输出量的实时信号为了控制试验装置，模拟控制器的参数被用做初始参数。因为计算机的速度太慢了而不能在实时的情况下解决ANN－2的LS评定，于是我们选择了一个RLS评定来代替。这导致了一个更慢的收敛和神经元数量和中心区的重新调整。根据表一我们完成了实时实验。在图9中我们给出了ANN－1和ANN－2的网络曲线函数。因为实际的非线性不知道，我们不能给出参考量。但是我们能够看出，阀主要是由死区构成的。ANN－2也被用于补偿静态非线性。图10描述了实时ANNNA控制。160s后系统的输出值紧紧的跟随着参考信号，并带有很少的超调量。由输入死区带来的影响被完全的消除了。图11是没有补偿的标准LQ控制器的参考输出信号。所有控制器的参数与ANNNA控制器的数值是一样的。在给定的5s时间内，带有标准控制器的系统不能跟随参考信号。与ANNNA控制器相比，没有补偿的LQ控制器更慢，结果形成一个不好的系统特性。5结论本文主要介绍了为带有静态非线性输入的（如死区）液压系统设计的一个新的控制装置。此方法只需要较少的非线性输入的知识，且非线性量不需要被线性参数化。由于我们为近似非线性输入值而引入人工神经网络，被提出的控制装置可以处理系统的种类，这是重要的扩展，例如，包括多段分段线性、非线性。此控制器也非常的适用。此网络范例，控制非线性部分的方法和评价参数的方法都被独立的选择。试验结果表明此控制器平衡了死区。与没有补偿的控制器比较此控制器的控制参数显著的增强了。基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PIC16F877单片机的莫尔斯码自动译码系统设计与研究基于单片机的模糊控制器在工业电阻炉上的应用研究基于双单片机冲床数控系统的研究与开发基于Cygnal单片机的μC/OS-Ⅱ的研究基于单片机的一体化智能差示扫描量热仪系统研究基于TCP/IP协议的单片机与Internet互联的研究与实现变频调速液压电梯单片机控制器的研究基于单片机γ-免疫计数器自动换样功能的研究与实现基于单片机的倒立摆控制系统设计与实现单片机嵌入式以太网防盗报警系统基于51单片机的嵌入式Internet系统的设计与实现单片机监测系统在挤压机上的应用MSP430单片机在智能水表系统上的研究与应用基于单片机的嵌入式系统中TCP/IP协议栈的实现与应用单片机在高楼恒压供水系统中的应用基于ATmega16单片机的流量控制器的开发基于MSP430单片机的远程抄表系统及智能网络水表的设计基于MSP430单片机具有数据存储与回放功能的嵌入式电子血压计的设计基于单片机的氨分解率检测系统的研究与开发\t