基于Adaline神经网络的负载模拟器研究

　　0　前言

　　负载模拟器是一种半实物仿真设备,可在实验室条件下模拟飞行器在飞行过程中所受到的舵面气动力矩载荷,是一种典型的被动式电液伺服加载系统。在这种系统中,由于被加载舵机运动干扰引起的多余力矩和参数变化的影响,使得系统输出呈现较大误差和很差的鲁棒性,严重影响了加载系统的控制性能和加载精度。

　　目前,多余力矩的抑制方法可以从液压机械结构以及控制算法等方面加以改进。如降低舵机与加载系统的连接刚度、采用蓄能器、对动力机构进行优化设计、位置辅助同步校正、同步反向补偿控制、双阀补偿、引入位置同步马达、多变量解耦控制等方法[1-3]。

　　采用液压机械方法性能稳定、可靠性高,但加工复杂、安装精度要求高。采用控制算法则实现成本低而且调试灵活。这类控制方法包括多变量解耦控制、结构不变性原理等。其中,结构不变性原理是当前普遍采用的克服多余力矩的一种措施,但是这种方法只能近似实现结构不变性原理,多余力矩很难完全消除。

　　1　负载模拟器的数学模型

　　负载模拟器是由液压源、液压马达、电液伺服阀、力矩传感器、角位移传感器、控制系统等几部分构成,被加载对象是飞行器的舵机。舵机系统是一个位置伺服系统,而负载模拟器为一个电液力矩伺服系统,它们是在中央仿真机的控制下同步工作的。如图1所示为负载模拟器结构框图。

　　将执行机构的动力学方程进行拉氏变换,可以得到负载模拟器的输出力矩为[2]

(2)

　　由负载模拟器的传递函数可以看出,负载模拟器的跟踪误差主要由两部分构成:第一部分是加载系统本身对于指令信号的跟踪相位滞后和幅差误差,第二部分是由于舵机运动引起的扰动误差。第二部分引起了负载模拟器多余力矩。

　　进行多余力矩补偿最传统的方法是根据结构不变性原理,加入被加载舵机角速度与固定系数的乘积进行前馈补偿。利用这种方法进行多余力矩补偿具有结构简单、信号传递快、调节方便、成本低的优点,因此得到广泛应用。但是,由于舵机的运动速度常常是通过角位移的信号进行微分获得,因此速度信号的质量往往不高。另外,由于模型误差、伺服阀的动态特性、非线性及参数结构变化的影响,所以这种利用固定系数进行多余力矩补偿的效果还不甚令人满意。

　　2　Adaline神经网络及多余力矩补偿原理

　　Adaline神经网络是以最小均方误差为准则的最佳滤波器,能够自动调节其本身的单位样本响应h(n)特性以在均值意义上渐进收敛到W iener解。可以不必要求预先知道信号与噪声的自相关函数,而在滤波过程中信号与噪声的自相关函数随时间变化它也能自动适应,自动调节到满足最小均方误差的要求,从而近年来得到广泛的应用。Adaline神经网络的形式是由可变加权系数(可变增益)的抽头延迟线、一个加法器和一个自适应过程所构成[4]。Adaline神经网络的结构如图2所示。图中,给一组n个输入信号加权并相加以形成一个输出信号。输入在时间上同时发生而且是离散的,第k个输入信号向量是