1系统介绍
阀门位置伺服装置的控制框图如1所示。控制器能够根据现场工艺要求，对工艺进程中各阶段的控制要求分别进行设置，由程序直接对液压系统进行控制。同时，控制器也能够接收主机的指令信号。系统有两种反馈信号：液压缸推动齿轮轴的位置反馈信号和伺服阀A ，B油口的压力反馈信号。控制器对这些信号进行处理，产生控制信号，实现对位置伺服系统的智能控制。其中智能控制包括不同的控制算法。
2模糊神经网络PID控制器的设计
对于经典的线性PID控制算法，由于对被控对象的精确程度不作要求，控制参数一般按工程法来整定，因此这种控制算法简单、适时性强，且易于实现。但它的控制参数一旦确定，就不能在线调整。当遇到强干扰信号时，稳定状态恢复时间长，从而影响了系统的动静态特性。本文针对传统的PID存在的缺陷，将模糊控制和神经网络与传统的PID控制相结合，设计出了神经网络PID控制器。
神经网络模糊PID控制器系统结构如2所示。控制器由3个部分组成：①传统PID控制器。直接对被控对象过程进行闭环控制，并且3个参数KP，KI，KD为在线整定式；②模糊化模块。对系统的状态变量进行模糊量化和归一化处理。这样利用模糊控制的鲁棒性和非线性控制作用，对作为实现模糊规则的神经网络NN的输入进行预处理，从而避免了当NN的活化函数采用Sigmoid函数时，直接输入量过大而导致输出饱和，使得对输入不再敏感；③神经网络NN.用于表示模糊规则，经过神经网络的学习，以加权系数的形式表现出来，规则的生成就转化为加权系数初值的确定和修改。根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的*优化。
2. 1模糊化模块
模糊化模块的功能是对控制器的输入变量进行“归档”模糊量化、归一化处理。这种模糊量化是进行模糊控制*初的和必要的阶段。本控制器根据输入信号，将需要模糊化的信号分为两部分：计算机的指令信号及系统输出的反馈信号构成的系统状态变量{e（ k） ，de（ k） }和伺服阀出口压力构成的压差反馈信号。
对于由计算机的指令信号和系统输出的反馈信号构成的系统状态变量：输入与输出的误差信号e（ k）、误差的偏差信号d e（ k） ，按如下方法进行模糊处理。通过计算e （ k） / r （ k） ，将系统误差e（ k）=r（ k）-y （ k）归一化，并将e（ k） / r（ k）在闭区间<0 ，1>内分成若干等级，同时，引入误差变化率de/ dt完成“归档模糊量化”。模糊处理方法如下：
if | e/ r | > = 0. 5 then E = 9 3 | de/ dt| 3 sgn（e） ；if 0. 5 > = | e/ r | > = 0. 3 then E = 5 3 | de/ dt| 3 sgn（e） ；if 0. 3 > = | e/ r | > = 0. 1 then E = 3 3 | de/ dt| 3 sgn（e） ；if 0. 1 > = | e/ r | > = 0. 03 then E = 1 3 | de/ dt| 3 sgn（e） ；if 0. 03 > = | e/ r | then E = 0 ；
E为系统误差的模糊论域，这里将误差e（ k）转化成“概念”值，作为神经网络NN输入的一部分。
对于伺服阀出口压力构成的压差反馈信号，按照压力传感器输出值的取值范围0～Ⅴ，直接将反馈信号Pressure归一到闭区间<0 ，1 >内，作为神经网络NN的输入：E = pressure/ V
2. 2 BP神经网络模块
BP神经网络结构图如3所示，它有M个输入节点、Q个隐层节点和3个输出节点。输入节点为对应经模糊量化处理后的系统状态变量。输出节点分别对应PID控制器的3个可调参数KP， KI， KD.由于K P， KI， KD不能为负值，所以输出层神经元的活化函数取非负的Sig2 moid函数，而隐含层神经元的活化函数可取正负对称的Sigmoid函数。
NN的输入为o（1）j = E k- j（ j = 0，1，…， M -1）o（1）
M≡1式中：输入变量的个数M取决于被控系统的复杂程度。
网络的隐含层输入输出为net（2）i = 6 M j = 0 w（2）ij o（1）j（ k）o（2）i（ k） = f < net（2）i（ k） >
（ i = 0，1，…， Q - 1）o（2）Q≡1式中： w（2）ijDDD隐含层权系数； w（2）iMDDD阈值；f < >DDD活化函数， f < > = 1 - e - x 1 + e - x。
*后，网络的输出层的输入输出为net（3）l = 6 Q i = 0 w（3）li o（2）i（ k）o（3）l（ k） = g< net（3）l（ k） > o（3）0（ k） = K P o（3）1（ k） = K I o（3）2（ k） = K D式中： w（3）liDDD输出层加权系数； w（3）lQDDD阈值；g< >DDD活化函数， g< > = 1 1 + e - x。
取性能指标函数：J = 1 2 < r（ k） = y （ k） > 2标准的BP算法存在运算速度慢，这里，按*快速下降法修正网络的加权系数，即按J对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项，有：Δw（3）li（ k + 1） = -η5 J 5 w（3）li +αΔw（3）li（ k）式中：ηDDD学习速率；αDDD惯性系数。
5 J 5 w（3）li = 5 J 5 y （ k）5 y （ k）5 u（ k）5 u（ k）5 o（3）l（ k）
5 o（3）l（ k）5net（3）l（ k）5net（3）l（ k）5 w（3）li由于5 y （ k） / 5 u（ k）未知，所以这里近似用符号函数sgn（5 y （ k） / 5 u（ k） ）取代，由此带来的计算不精确的影响可以通过调整学习速率η来补偿。
因此，可得BP神经网络NN输出层的修正加权系数的计算式为Δw（3）li（ k + 1） =ηδ（3）l o（2）i（ k） +αΔw（3）li（ k）δ（3）l = e（ k）sgn 5 y （ k）5 u（ k）5 u（ k）5 o（3）l（ k）g′< net（3）l（ k） >（ l = 0，1，2）依据上述推算办法，可得隐含层修正加权系数的计算式为Δw（2）ij（ k + 1） =ηδ（2）i o（ l）j（ k） +αΔw（2）ij（ k）δ（2）i = f′< net（2）i（ k） > 6 2 l = 0δ（3）l w（3）li（ k）（ i = 0，1，…， Q - 1）式中： g′< > = g （ x） < 1 - g （ x） >； f′< > = < 1 - f 2（ x） >/ 2.
3仿真与试验
4和5是使用模糊神经网络PID控制和传统数字PID阶跃响应曲线对比。由5可知，不使用PID控制的动态指标为tr= 2. 912 ，ts=7. 15.而使用模糊神经网络PID控制的动态指标为tr= 1. 114 ，ts = 4. 05.因此使用模糊神经网络的响应程度明显提高，而且调节时间也大幅度减少。
再由5和4相比较，使用模糊神经网络的输出响应也明显优于数字PID ，而且系统的鲁棒性更好。
4结论
（1）对PID控制算法中的K P，K I，K D能进行在线自动调整，能在不同的工况下选出较佳的控制参数。
（2）控制品质指标优于常规PID控制，对提高系统的动态响应有明显的效果。
（3）鲁棒性较强，使系统具有良好的性能指标。
（4）控制算法简单方便、实时性强，易于在工控机上实现。
网友评论
共有0条评论