基于RBF神经网络电液伺服系统智能控制的在线辨识与PID6291.pptVIP

* * 参考文献 [1]许益民.电液比例控制系统分析与设计[M].北京:机械工业出版社,2002,10:1-5,227-231. [2]樊京,刘叔军,盖晓华,崔世林.MATLAB控制系统应用与实例[M].北京:清华大学出版社,2008,5. [3]寒露,高英杰.液压挖掘机的神经网络控制研究[J].液压与气动,2008,(10):46-18. [4]林嘉宇,刘荧.RBF神经网络梯度下降训练方法的学习步长优化[J].信号处理,2002,18(1):43-48. [5]启宏杰,尔朕洁,刘强,陈敬泉.陈维钧.基于神经网络多步预测的自适应PID控制[J].北京航空航天大学学报,2001,4,27(2):153-156. [6]任子武,高俊山.基于神经网络的PID控制器[J].控制理论与应用,2004,23(5):16-19. [7]李艳君,吴铁军,赵明旺.一种新的RBF神经网络非线性系统建模方法[J].系统工程理论与实践,2001,3:64-69. [8]李广军,张翠芳.基于RBF神经网络辨识的PID整定[J].佳木斯大学学报,2005,7. 请老师及各位同学批评指正 ^_^ * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 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 研究内容 课题研究意义 控制系统建模 RBF在线辨识与PID参数自适应整定 系统仿真 结论 后续工作 参考文献 课题研究意义 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。 控制系统建模 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。 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。 控制系统结构框图 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。 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。 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，这样根据阶次即可确定RBF辨识网络输入层神经元个数。 RBF在线辨识与PID参数自适应整定 RBF神经网络结构及其学习算法 RBF神经网络隐层节点函数的选择 高斯函数：