基于BP网络规则PID控制的液压系统仿真与研究

　　在电液伺服控制系统中,如何使系统的输出达到精度高、响应快且稳定一直倍受关注。本文以双喷嘴挡板比例伺服阀控制非对称液压缸施行力控制的系统为例,简化后的物理模型是一种可以获得良好伺服控制效果的控制策略,具有一定的研究意义(见图1)。

　　1液压系统的模型建立

　　首先建立压力控制系统的方框图(见图2)。在图1中,由于非对称油缸活塞两腔有效作用面积不等,导致两腔流量、压力等因素而发生改变,实际分析时应分别讨论。根据键合图理论,综合考虑液压缸运动时的粘性摩擦、泄漏和油的可压缩性、活塞和负载的惯性等实际情况,分别用K₁表示伺服阀的流量增益,K₂表示伺服阀固有频率,p₁表示液压缸无杆腔压力,p₂液压缸有杆腔压力,q₁₁、q₁₃。液压缸无杆腔流量,q₁₂、q₁₄液压缸有杆腔流量,C₁液压缸无杆腔液容,c₂液压缸有杆腔液容,A₂液压缸无杆腔活塞面积,A₂液压缸有杆腔活塞面积,S_e1负载力输入,Iλ负载惯性元件,对液压缸进行动态建模(见图3)。

　　2基于BP网络规则PID控制策略

　　(1)BP神经网络PID控制简介

　　BP神经网络具有逼近任意非线性函数的能力,而且结构和学习算法简单明确。通过神经网络自身的学习,可以找到某一最优控制规律下的P、I、D参数。基于BP神经网络的PID控制系统结构中的控制器由两部分组成(见图4):1)经典的PID控制器:直接对被控对象过程施行闭环控制,并且三个参数K_p、K_l、K_D,为在线整定式;2)神经网络NN: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最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数K_p、K_l、K_D,通过神经网络的自学习、加权系数调整,从而使其稳定状态对应于某种最优控制规律下的PID控制器参数。

　　(2)规则PID控制简介

　　当被控系统较稳定时,PID控制器的控制效果较好,但如果当被控系统具有非线性、高阶次、时变特性以及受到随机干扰等因素影响时,传统PID控制器就无法达到良好的控制效果了。而BP网络自身因具有收敛速度慢,不易收敛到全局最小点等缺点,即使复合了BP神经网络的PID控制,若要在一个较大变化的范围内得到稳定而快速系统响应特性也比较困难。PID参数调整不当,将会导致系统不停的振荡。为了消除这一现象,就需要对PID算法再做进一步的改进。对于工业上许多综合性的问题,在多数情况下,常常难以作出准确的描述和严格的分析。而专家系统对上述问题就可以作出较好的预测,并找出解决问题的适当方法,另外,专家系统还可以处理带有某些误差或不完善的一类数据。该算法共有七条控制规则,这些简单的专家控制规则是根据当前偏差△e(k)及其变化率△e(k)的大小来决定是否需修改比例系数、积分时间以及修改方式。产生式规则如下: