基于神经网络的摆式客车伺服系统建模研究.docxVIP

基于神经网络的摆式客车伺服系统建模研究 列车倾斜压动箱管理系统是一个相对复杂的动态系统，具有许多不确定和非线性因素。例如，限制最大承认力的饱和电压元件是其典型的非线性环节之一。考虑到这些因素，传统的线性控制方法难以实现有效控制。神经网络法广泛应用于非线性系统的控制，但很少关于车辆控制的文章。在这项工作中，神经网络被引入动态客观压缩系统，并应用于非线性控制体系。其次，神经网络预测和控制的方法是借鉴文献中的神经网络和自适应自适应跟踪装置的设计方法。在系统管理中加入了吕棒控制器，以研究具有非线性特征的倾斜客观压缩系统。当然，真实的控制对象比文本更复杂，非线性特征更强。 1 倾斜控制系统的识别 1.1 系统模型的建立 对线性系统,辨识问题已得到很好的解决.由于系统总存在非线性及不确定性等诸多因素,使得运用线性辨识方法无法得到系统精度较高并具有一定可靠性的模型.模型不能达到一定的精度和可靠性,就可能导致控制系统得不到期望的高品质的控制效果.对非线性系统进行辨识的方法有多种,但到目前尚未有一个像线性系统那样得到公认的统一的模型.因而对于非线性系统,基本均针对具体的运用条件进行辨识.在非线性系统辨识方面神经网络辨识方法应用已较广泛. 神经网络本身所具有的非线性特性、自学习以及自适应能力使神经网络具有对非线性映射的任意逼近能力,它不仅可对线性系统进行高精度高可靠性辨识建模,而且对非线性系统也可获得满意精度和较高可靠性的模型.Narendra等人在文献中,阐明了多层前馈网络用于非线性系统辨识的可能性,并提出了神经网络用于非线性系统辨识的框架和方法. 对于运用线性方法对非线性特性较强的摆式客车倾摆控制系统进行系统辨识的研究结果可参考文献. 为了得到倾摆控制系统的具有非线性特性的动态输入、输出数据,考虑实际系统中伺服电机的应用特性,在增益环节和系统模型之间增加饱和非线性环节,以便模拟伺服电机的饱和特性. 考虑饱和非线性时的倾摆伺服控制系统见图1.为了进行伺服系统的辨识需进行实验设计:采用带限二进信号(噪声功率为1)作为系统的输入,采样周期为0.04 s.非线性饱和电压元件的上、下限为±5.η(k)为均值为0,方差为0.01的白噪声序列.对图1所示的系统进行仿真并采集600对输入输出;前450对用于系统辨识建模,后150对用于对所辨识出的系统模型进行验证.用于辨识的输入数据u(k)和输出数据y(k)见图2. 采用三层前向神经网络:输入层单元数为4(输入延迟两步,输出延迟两步作为神经网络的反馈输入),输出层单元数为1,输入层和输出层激活函数均选用线性函数;隐层单元数取10,激活函数采用Tansig函数:f(x)=ex?e?xex+e?xf(x)=ex-e-xex+e-x 学习算法采用BP(back-propagation)算法,误差准则采用最小平方误差(MSE)准则,倾摆控制系统作为非线性系统时的神经网络辨识模型如下: 输入层输入到隐层的权值IW:为 [-0.679 51 -0.065 49; 0.125 51 -0.537 66; -8.680 02 -0.010 32; -0.162 93 -1.570 09; 5.840 913 3.064 57; -1.422 99 1.250 84; -0.000 44 -0.000 29; 0.122 36 -0.585 17; 0.380 02 0.606 35; -0.414 48 0.079 54] 输入层输出反馈到隐层的权值LW1-2为 [-5.951 63 0.305 61; 1.067 6 1.891 66; 8.046 60 0.539 13; -2.299 9 3.571 73; -2.542 3 -3.215 22; -0.351 05 -4.552 75; 0.084 50 0.073 04; 0.349 16 -3.268 71; 7.133 79 4.585 40; 4.055 51 -2.278 32] 隐含层到输出层的权值LW2-1为 [-0.030 50 0.005 36 -0.182 39 -0.116 27 0.009 58 0.000 02 6.248 22 -0.009 52 -0.011 20 0.029 84] 隐含层阈值B1为 [-5.110 36 -3.982 90 0.055 38 0.050 49 -0.128 00 0.141 91 -0.026 52 2.245 16 -1.573 39 2.664 06]T 输出层阈值B2为-0.131 56. 1.2 模型训练后仿真系统输出 对所辨识出来的系统神经网络模型用图2b中的输入数据作为辨识所得模型的输入进行检验.图3为辨识模型的输出、仿真系统输出及其误差图. 研究表明,对非线性动态输入输出数据进行辨识:神