基于模糊神经网络的电液比例恒排量调节轴向柱塞泵自学.docVIP

基于模糊神经网络的电液比例恒排量调节轴向柱塞泵自学 摘要：首次将神经网络自学习控制方法应用于电液比例恒排量调节轴向柱塞泵，明显改善了变量泵调节系统的跟随特性。实验结果表明：该方法与传统方法比，不仅能够缩短系统输入阶跃的响应时间，而且对系统未知的外加干扰、系统参数时变特性和非线性有较强的自适应能力。 关键词：模糊神经网络　排量　泵　控制 Self-learning control based on fuzzy neural network for electrohydraulic proportional constant displacement regulating axial piston pump Li Xiao et al Abstract: The method of neural network self-learning control is first used inelectrohydraulic proportional constant displacement axial piston pump and obviouslyimproves the follow-up property of the regulating system of the pump. The experiment shows that the method can not only shorten the step input response time, but also have stronger adaptive capability to the unknown external disturbance,parameter time variable character and nonlinear of the system. Keywords: Fuzzy neural network　Displacement　Pump　Control 1　引言 　　电液比例变量泵调节系统因存在着压力—流量特性、滞环特性、死区特性等非线性环节，是典型的非线性系统。由于多采用自油源控制方式以及受斜盘倾覆力矩的影响，变量油缸的敏感腔控制压力及其负载常伴随着泵出口负载压力的变化而变化，加上受液压介质粘温特性、系统质量惯性和容腔特性等的影响，变量泵调节系统还存在较为严重的时变特性。这些时变和非线性因素使得运用线性化模型基础上的经典控制方法控制电液比例变量泵调节系统，难以获得满意的控制效果，特别是在工程应用中当工况发生较大变化使变量泵调节系统参数相应发生较大变化时，会使系统的控制性能明显下降，甚至不能满足工程要求。 　　神经网络控制是近年来异常活跃的研究方向，已在各个领域得到了广泛的应用。模糊神经网络(FNN)是一种集模糊逻辑推理的强大结构 知识表达能力与神经网络的强大自学习能力于一体的新技术，已引起了控制界的广泛兴趣。本文将模糊神经网络与常规的PID控制结合起来，在一种简化的模糊神经网络优化学习算法〔1〕基础上，提出一种基于模糊神经网络的智能学习控制方法，并将其应用于电液比例变量轴向柱塞泵恒排量调节系统的控制，获得了满意的控制效果。 图1　模糊神经网络结构 2　模糊神经网络结构和算法 　　本文采用的模糊神经网络结构如图1所示。网络中的Ⅰ、Ⅱ层对应于模糊规则的前提。Ⅲ层对应模糊推理，每个节点输出表示一条规则的触发强度，“π”表示模糊AND操作。Ⅳ层对应规则结论，网络的输入输出映射关系如下： 其中，I、O分别表示各层的输入、输出，Wij表示网络的连接权重，aik、bik分别表示高斯形隶属函数f=exp(-(xk-aik)2/b2ik)的中心和宽度参数。 　　定义误差函数性能指标为： 其中，y(t)表示网络输出，yp(t)为期望输出。 　　网络学习过程中，通常采用BP算法来同时调整权重Wij和参数aik、bik，但这种算法计算量大，学习周期长。为加快学习速度，我们提出一种简化的优化学习算法，其基本思想是，学习过程分两阶段进行。第一阶段先根据经验初定Ⅱ层aik(0)、bik(0)，然后在初始化的网络上用最速下降法调整网络的权重Wij，在网络n次学习后对J做出评价，若不满足预先给定的要求，则用单纯形法修改aik、bik参数再继续学习，若满足要求，则这些参数不变，用最速下降法进入第二阶段快速学习。 　　在参数aik、bik寻优过程中，我们采用隶属函数曲线整体平移和缩放办法，即令 　　aik(m)=alk(m)+(i-1)｜Xmax-Xmin｜/T 　　bik(m)=blk(m) 　　all(m)-al2(m)=Kamh 　　bll(m)=bl2(m) 　　其中，T为输入变量的模糊分档数，〔Xmax，Xmin〕为输入变量的论域，m为寻优次数，h为寻优步