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.ppt

1、基于RBF神经网络电液伺服系统智能控制的在线识别和PID参数自适应设置、研究内容、课题研究意义控制系统建模RBF在线识别和PID参数自适应曹征系统模拟结论后续工作工具书、课题研究意义、传记液压控制伺服系统具有精度高、响应快、易于调节的特点，同时可以控制大惯性实现大功率输出，在产业控制领域有着广泛的应用。但是电液伺服控制系统本质上是非线性系统，具有多变量、强耦合和非线性特性。使用典型PID控制时，系统的控制性能对模型的误差很敏感，系统工作条件的变化很大，系统的中间控制精度不高，不能满足工作装置的控制要求。智能控制在理论和应用技术上取得了实际进展。在控制领域，神经网络具有适应学习适应性和强的非线性

2、映射能力，为解决非线性系统的建模和控制提供了有效的方法。、3在实际生产过程中，对象的特性和模型总是变化的，但变化相对较慢经过调整和优化的PID在经过一段时间后可能不再受到控制。为了始终很好地控制生产流程，需要对PID控制器进行参数在线曹征和优化。神经智能PID控制器可分为两个茄子主要部分。识别神经网络识别器、识别器控制的对象的模型和特征。基于感知，可以通过神经网络控制器执行PID参数在线曹征和优化。控制系统建模、控制对象的数学说明斯图亚特平台运动控制系统控制电路图如下。牙齿电液位置伺服控制系统中各液压缸的控制徐璐独立，各支路的结构和控制系统的配置相同。牙齿文档对由液压缸、传记液压伺服阀、伺服放

3、大器、变位传感器、A/D、D/A卡等组成的分支液压伺服系统进行数学模型分析。控制系统结构箱、液压缸传递函数确定伺服系统的载荷有弹性载荷和惯性载荷。大多数情况下，如果惯性载荷主要且没有弹性载荷或弹性载荷较小，则可以忽略它。如平台级控制系统的相关参数上表所示，表中导入的值可以获得液压缸的传输函数模型。确定电液伺服阀传递函数对电液伺服阀的传递函数伺服阀的动态特性进行了近似线性分析说明，但使用的链接取决于系统的带宽和伺服阀的频率。伺服阀线圈旋转频率大于伺服阀的固有频率时，伺服阀的传递函数可以接近比例环。如果伺服阀的固有频率大于液压固有频率，则可以将其简化为惯性环。牙齿文章从实际角度选择了二次环，即中国

4、航空配件研究所生产的FF102伺服阀，伺服阀的相关参数都可以通过用户手册确认。因此，可从伺服扩展到液压缸的传递函数：现有系统识别理论的主要内容将相应地改变为神经网络拓扑结构的选择、神经网络识别模型结构的选择、神经网络学习训练。本文采用RBF神经网络结构动态识别网络。根据传记液压控制系统的理论模型分析，是简化后的3 5阶系统。根据系统的非线性描述方法，使用研究系统的输出延迟作为RBF识别网络输入，延迟的步骤数取决于系统模型的顺序，因此可以按顺序确定RBF识别网络输入层神经元数。、RBF在线识别和PID参数自适应调整、RBF神经网络结构和学习算法RBF神经网络隐藏层节点函数选择高斯函数：函数优势：

5、表达形式简单。也就是说，多元输入没有增加太多复杂性。徐璐竞争，形成对称。光滑模型，所有阶导数都存在。牙齿基本函数表达简单，分析性好，便于理论分析。确定RBF神经网络学习算法隐藏层数L、M径向基本函数中心向量C、基本函数宽度B、从隐藏层到输出层的每个连接W。经验选择中心表示，L个中心必须有“代表”。梯度下降法决定RBFNN的输出圈W，节点中心C和节点基准宽度B，选择算法中：学习速度，动量系数。说明：梯度下降法的缺点是容易陷入局部最优值，收敛速度慢。对于牙齿问题，牙齿课题采用改进的算法、可变阶段梯度下降法等。解决方法：为了避免网络早期教育值的稳定性下降，局部最优“跳跃”训练权重，改进公式如下：根据

6、错误的变化，相应地调整步骤。如果牙齿错误小于最后一个错误，则表明搜索方向正确。此时，必须增加步骤。如果这次的误差比上次的误差大，就要减少步长，减慢搜索速度。神经网络识别技术神经网络系统识别本质上是选择适当的神经网络模型来接近实际系统的数学模型。系统识别的原理是调整识别模型的结构，使E最小化。在神经网络系统识别中用作神经网络识别模型，将对象的输入/输出状态U，Y看作神经网络训练样本数据，将J=1/2e2作为网络训练的目标。使用一定的训练算法训练网络，使J足够小，以达到识别对象模型的目的。牙齿文档使用基于高斯函数的RBF神经网络识别器。网络结构如下：RBFNN隐藏层j节点的中心向量，RBF神经网络

7、隐藏层节点默认宽度向量，bj是隐藏层节点j的默认宽度参数，是大于0的数字。网络加权向量是识别网络输出。建立k时间识别系统的理论输出为y(k)，识别网络输出为ym(k)，识别器的性能指标为PID参数自适应调节是RBF神经网络曹征PID控制框，PID参数调节是增量PID控制器，控制错误，表达式是通过神经网络识别获得的。k时间的近似值为：其中X1是包含U的一维向量。因此，系统模拟、电液伺服控制系统本质上是非线性系统，基于上一章控制系统的建模。RBFNN的结构选择3-6-1，RBFNN使用增强的梯度下降法、网络识别的三个茄子输入(u(k)、yout(k)和yout(k-1)。S=1表示输入信号为rin

8、(k)=1.0，S=2表示输入信号为rin(k)=sgn(sin(2*pi*k)。系统模拟输出图1到图8。使用、可变步长梯度下降法调整输入神经网络的参数。使用的RBF神经网络结构易于确定，学习算法简单，训练速度高，非线性映射能力强，适合在线识别模型算法使用。模拟和实验研究表明，系统的自学习适应性很强，具有良好的动态静态特性、鲁棒性和抗干扰能力。，后续工作，工具书，1许移民。传记液压比例控制系统分析和设计m .北京市：机械产业出版社，2002，1033601-5，227-231.2版左右，柳淑君，开孝化；高英杰。液压挖掘机的神经网络控制研究j .液压和气动，2008，(10):46-18。4林高，刘英。RBF神经网络梯度下降训练方法的学习阶段最优化j .信号处理，2002，18 (1振京川真菌)。基于神经网络多级预测的自适应PID控制j .北京市航空航天大学杂志，2001年4，27(2)336