基于神经网络PID的液压位置伺服系统控制的研究

　　0　引言

　　YH40-160型曲轴校直机中采用阀控液压缸式的闭环电液位置伺服系统控制[1]。其系统的开环传递函数为:

　　其位置控制精度要求为0·01mm之内,要求最大超调量控制在10%以内,要求调节时间短,要求较高的校直速度。

　　电液位置伺服系统是典型的非线性时变系统,常常存在较大程度的参数变化和时变负载干扰,对于这类的被控对象,常规PID控制很难满足控制要求;而模糊PID控制虽能达到预期的控制目标,但其算法中的量化因子和比例因子的取值难以确定,以及输入量模糊量化方法较为复杂,不具备动态特性等等[1]。BP神经网络在控制中的特点是算法简单、学习过程较长、参数收敛速度缓慢、存在局部极小点、不易达到最优控制点等[2]。针对YH40-160型曲轴校直机电液位置伺服控制系统,本文提出基于BP神经网络的PID控制器。

　　1　基于BP神经网络的PID控制器

　　1·1　BP神经网络

　　BP神经网络,即误差反向传播(Back Propagation)神经网络,网络由输入层、中间层(隐层)和输出层节点组成,前层至后层节点通过权联接。每一层内神经元的输出均传送到下一层,这种传送由联接权来达到增加、减弱或抑制这些输出的作用。BP学习算法由正向传播和反向传播组成。正向传播中,输入信号从输入层经隐层传向输出层。若输出层得到了期望的输出,学习算法结束;否则,转至反向传播。反向传播是将误差信号(样本输出与网络输出之差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值和阈值,使误差信号减小[2]。BP神经网络的神经元一般采用可微函数,可以实现输入和输出间的任意非线性映射。

　　1·2　基于BP神经网络的PID控制系统结构

　　为了克服常规PID的弱点,前人已经提出了多种对常规PID控制的改进方案,本文采用的是基于BP神经网络的PID控制,是对常规PID控制的一种改进和优化。通过BP神经网络训练和学习来实时调整PID控制参数达到最佳控制。其控制系统结构框图如图1所示[3]。

　　1·3　基于BP神经网络PID控制的算法

　　本文采用3层神经网络结构。

　　输入层的输出为:

　　其中:M为输入层节点数,x(j)为给定的网络输入,其值一般是设计人员自行选择。

　　隐层的输入为:

　　其中:w(2)ij为隐层加权系数;N为隐层节点数;上标(1)、(2)、(3)分别表示输入层、隐层和输出层;其中隐层的神经元个数由经验公式确定[4]:(n:输入层神经元个数;q:隐层神经元个数;m:输出层神经元个数;a取1至10之间的数)

　　隐层激活函数取对称型Sigmoid型函数