基于神经网络PID控制的电液位置伺服系统

收稿日期:2004-03-02
作者简介:董增寿(1970-),男,太原重型机械学院电子分院讲师,研究方向为电子设计自动化和图像处理。

第25卷　第3期太原重型机械学院学报
Vol.25　№3
2004年9月
J OU RNAL OF TA IYUAN HEAV Y MACHIN ER Y INSTITU TE
Sep.2004
文章编号:1000-159X (2004)03-0213-03
基于神经网络PID 控制的电液位置伺服系统
董增寿
(太原重型机械学院,太原　030024)
摘　要:针对电液位置伺服系统,利用神经元的自学习、自适应特点,将神经网络与PID 控制方法相结合,对电液伺服系统在线边学习边控制,实现系统的快速实时控制。

仿
真研究表明,该电液伺服系统具有令人满意的静、动态性能。

关键词:位置伺服系统;神经网络;PID 控制
中图分类号:TP273+122 文献标识码:A
电液伺服系统在机械制造、船舶操纵和工业过程控制中得到了越来越广泛的应用.随着自动化技术的发展和自动化程度的不断提高,对电液伺服系统的稳定性、快速性、准确性、自适应性和鲁棒性等控制品质提出了更高的要求[1]。

为满足这些要求,一方面要提高液压系统本身的制造技术和品质特性;另一方面选择合适的控制器是关键。

一般情况下,控制器可分为两大类,一类是基于被控系统的精确数学模型的控制器,称为传统型控制器,它包括PID 控制器、超前和滞后校正控制器、最优化控制器和自适应控制器等;另一类为人工智能型控制器,这类控制器不依赖于被控系统的精确数学模型,而依赖于人的经验知识,或者依赖于系统的输入与输出之间的非线性映射模型,例如模糊逻辑控制器和人工神经网络控制器等。

由于电液伺服系统中伺服阀流量-压力非线性、伺服阀零偏、增益非线性以及滞环等非线性因素的影响,以及系统模型参数难以准确辨识等原因,基于系统严格数学模型的控制算法往往难以取
得令人满意的控制效果。

鲁棒性很强的PID 控制
算法也存在着参数难以调节等问题。

尤其对于电液速度伺服系统,当系统承受交变外负载时,系统的控制更为困难[2]。

近年来,人工神经网络在液压系统高精度控制方面已经有许多成功的应用。

人工神经网络具有很强的信息综合、学习记忆和自适应能力,能够逼近任意非线性函数,可以处理那些难以用模型和规则描述的过程,在一些不确定的控制中已成功应用。

人工神经网络在控制中的特点是算法简单,学习过程较长,参数收敛速度缓慢,存在局部极小点,不易达到最优控制点等,使其在工业控制中的广泛应用受到限制[3]。

本文将传统PID 控制与神经网络有机地结合起来,根据电液位置伺服系统的运行状态,调节PID 控制器的三个可调参数K P 、K I 和K D ,仿真结果表明该方法具有很好的控制效果。

1　基于BP 神经网络参数自学习的PID 控制器
BP 神经网络结构明确、学习算法简单,通过神
经网络自身的学习,可以找到某一最优控制律下的PID 参数。

基于BP 神经网络的PID 控制系统[4]如
图1所示.控制器由两部分组成
:
图1　神经网络参数自学习PID 控制
Fig.1　PID controller for improved neural netw ork self learning
PID 控制器直接对被控对象闭环控制,
根据系统的
运行状态,神经网络在线整定三个参数K P 、K I 和
K D ,调节PID 控制器的参数,以期达到某种性能指
标的最优化。

增量式数字PID 控制算式为:
u (k )=u (k -1)+k P [e (k )-e (k -1)]　+k I e (k )+k D [e (k )-2e (k -1)+e (k -2)]
其中,K P 、K I 、K D 分别为比例、积分和微分系数。

设神经网络NN 是一个三层BP 网络,其结构如图2所示。

为反映PID 控制器三类信号的特性,BP 网络输入选为:
图2　BP 神经网络参数自学习的PID 控制器结构
Fig.2　The scheme of PID controller for BP neural netw ork self recognition
x 1(k )=e (k ),x 2(k )=
∑k
i =1
e (i ),
x 3(k )=e (k )-e (k -1)
网络输出为K P 、K I 、K D ,由于K P 、K I 、K D 不能为负,输出神经元的激活函数取非负的Sigmoid 函数:
g (x )=
1
2
[1+tanh (x )],隐含层一般取8个节点,激活函数取正负对称的Sigmoid 函数:f (x )=
tanh (x )。

取性能指标函数为E =1/2[r (k )-y (k )]2,依最速下降法修正网络的加权系数,即按目标函数
E 对加权系数的负梯度方向搜索,并引入惯性项,
即:
Δw (k +1)=-a
5E
5w (k )+η
Δw (k )其中,a 为学习率;η为惯性系数。

由(1)式可以求得:
5u (k )5K P (k )=e (k )-e (k -1),5u (k )
5K I (k )=e (k ),
5u (k )
K D (k )
=e (k )-2e (k -1)+e (k -2)
输出层加权系数的计算公式为:
Δw (k +1)=a δi y (k )+ηΔw li (k )δl =e (k )5y (k )5u (k )5u (k )5K I (k )
g[・]其中:
5y (k )5u (k )未知,用近似符号sgn 5y (k )
5u (k )
取代,
由此带来的计算误差可以通过学习速率η来调整。

隐含层加权系数的计算公式为:Δw ij (k +1)=a δi x j (k )+η
Δw ij (k )δi =f ′
[・]∑
3
l =1
δl
w li
(k )
其中,f ′[・]=[1-f 2
(x )]/2;g[・]=g (x )[1-g (x )],i =1～8(隐含层),j =1～3(隐含层),l =1～3(输出层)。

412 太原重型机械学院学报 2004年
2　仿真及结论
设电液位置伺服系统的近似模型的传递函数为:G (s )=
3
s (1+0.15)(1+0.5s )
,输入为阶跃
函数,分别用经典的PID 控制器以及神经网络参数自学习PID 控制器进行控制,结果见图3,图中,曲线2为神经网络参数自学习PID 控制结果,曲线1为经典的PID 控制控制结果,可以看出,当调整时间基本不变,超调量明显减少,得到了较好的控制效果。

图3　仿真结果
Fig.3　Simulation results
参考文献:
[1]　高翔,孔丽英,等1电液伺服系统的仿真与自校正PID 控制器的设计[J ]1海军工程大学学报,2001,13(5):332371[2]　何洪,孙薇,周恩涛,等1电液速度伺服系统的CMAC -1积分控制[J ]1机床与液压,1999,(1):122131[3]　郭前岗1一种新型神经网络结构的PID 控制器及其仿真研究[J ]1西北轻工业学报,1998,9(3):10821131[4]　施保华,黄敬尧1改进型神经网络参数自学习PID 控制器的实现[J ]1三峡大学学报,2002,24(3):24222441
Application of N eural N et work Control of Self 2adjusted PID Parameters for
Electro 2hydraulic Position Servo System
DONG Z eng 2shou
(Taiyuan Heavy Machinery Institute ,Taiyuan 030024,China )
Abstract :We used Neural Network Control of Self 2adjusted PID Parameters in Electro 2hydraulic Position Servo System.For artificial neural network having a lot of self 2learning ,self 2adjusting and such functions ,this con 2troller had better control effect for linear and non 2linear time 2fixedness systems than traditional PID controllers.The simulation results show that this system has good dynamic and static performance.K ey w ords :electro 2hydraulic position servo system ,neural network ,PID control
5
12第25卷第3期 董增寿:基于神经网络PID 控制的电液位置伺服系统 。