摊铺机工程机械机电液技术(研究生)课程.ppt

通过对系统进行PID控制仿真分析可知，常规PID控制可以改善系统的控制效果，但需经过多次试凑, 响应时间长。 利用神经网络直接逆控制的思想, 采用改进的BP算法对其进行学习,通过对调平系统阶跃信号、正弦信号、斜坡信号的仿真研究, 证明了神经网络直接逆控制方法在摊铺机调平装置 系统辨识和控制的有效性和可行性。 * 各环节参数的数值及物理意义在论文中都有详细解释.(18-20页） * 由此表可以看出，调平系统横纵坡的静差虽然很小，但是达到稳态的时间却很长，所以以下就要从如何能提高系统的动态性能，加入控制器进行研究。 * 对调平装置纵坡被控对象分别采用数字PID、神经网络控制进行控制性能仿真比较. 两种控制方式均输入单位阶跃信号和斜坡信号，仿真输出曲线如图所示 5.4.2横坡PID控制系统仿真 同样对横坡PID控制利用试凑法,仿真调整至较好状态。当横披PID中的 时,输入单位阶跃信号和正弦信号的仿真输出曲线如图所示： 横、纵坡PID控制仿真分析结论 : 系统单位阶跃响应无静差； 其单位阶跃响应的响应时间纵坡缩短至18s以下，横坡已缩短至10s以下,系统的各动态性能指标也得到了明显的改善； 正弦跟踪曲线说明系统具有了跟随输入参数变化的能力，跟踪过程只有微弱的时间延迟，且误差很小，可以在较快的时间内达到设定的控制量。 W-检测点设定高程；E－误差信号；H－检测点实际高程； H1－牵引点铰点实际高程；H2－熨平板实际高程；Z－铺层表面高程 摊铺机自动调平控制系统信息传递框图 神经网络控制器的设计 摊铺机自动调平系统是典型的机－电－液系统,存在着非线性、时变性、外干扰等现象, 难以精确建模. 利用神经网络的学习能力和非线性映射能力 设计一种神经网络控制器,使被控对象既能满足系统快速跟踪控制的需要,又能提高系统对非线性和不确定性的处理能力。 1、调平系统神经网络控制方案的确定： 基于改进的BP算法 与传统的BP算法相比,加权调节公式增加了动量项（阻尼），减少学习训练的震荡过程，改善收敛性能。 神经网络结构设计 根据多次仿真经验,本文神经网络采用三层结构,输入层节点数I＝4, 隐层节点数H＝2*I+1=9,输出层O节点数为1。 神经网络控制器模式的选择 基于神经网络的逆控制已成功案例（应用于板带轧制过程厚度自动控制等领域）。 选择以神经网络直接用作控制器的方法,建立一种基于神经网络的直接逆控制的模型。该控制结构主要有两个子网络组成,其中一个用于对系统进行辨识,另一个用于实现对模型的逆作为控制器。 逆模型控制是一种逆向的控制方法,其基本思想是把对象动态特性看成映射, 控制器逼近对象逆模型. 控制的目的就是要使得对象的输出跟随指令输入. 系统辨识定义：辨识是在输入输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。 辨识的三大要素： （1） 数据：能观测到的系统的输入输出数据； （2） 模型类：寻找的模型范围——模型结构； （3） 等价准则：辨识的优化目标，衡量模型接近实际系统的标准。通常表示为一个误差的泛函（多用L2范数）： 因观测到的数据含噪声，故辨识建模，是一种实验统计方法，是系统输入输出特性，在确定的准则下的一种近似描述。 2、神经网络辨识器的设计 基于神经网络的系统辨识 a)模型辨识结构图 选择适当的神经网络作为被辨识系统P的模型、及逆模型。所选的网络结构确定后，在给定的被辨识系统输入输出观测数据下，网络通过学习（训练），不断的调整权系值，使得准则函数为最优。 图为被辨识系统P的模型 的辨识原理结构，可进行离线、也可作在线辨识。 ：系统扰动，作用于系统上的干扰与量测噪声。 (b) 逆模型一般辨识结构 (c) 逆模型特殊辨识结构 神经网络辨识器的结构 被控对象 u ( k ) + - O h i y ( k ) y ( k - 1 ) y ( k - 2 ) y ( k - 3 ) e ( k ) u 0 ( k ) NN 1 调平系统神经网络逆辨识结构图 逆辨识系统在k, k-1, k-2, k-3时刻的输出值作为神经网络辨识器NN1的输入, NN1输出 与被控对象的输入 比较, 用相应的误差 训练NN1的权值,从而建立系统的逆模型 . 调平装置纵坡辨识仿真 基于MATLAB环境下，用于仿真试验的调平装置 的纵坡被控对象的传递函数为： 纵坡辨识器输出 调平