基于广义动态模糊神经网络的电液伺服系统控制.pdf

《基于广义动态模糊神经网络的电液伺服系统控制.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2011年8月机床与液压Aug．2011第39卷第15期MACHINET0OL&HYDRAULICSV01．39No．15DOI：10．3969／j．issn．1001—3881．2011．15．008基于广义动态模糊神经网络的电液伺服系统控制王力，王永超，金勇(1．南京理工大学机械工程学院，江苏南京210014；2．总装备部工程兵武汉军代室，湖北武汉430073)摘要：针对电液伺服系统这一复杂的非线性系统，提出一种广义动态模糊神经网络学习算法，并设计控制器。该算法以模糊s一完备性作为高斯函数宽度的确定准则；同时对模糊规则和输入变量的重要

2、性作出评价，并以此来调整每个输入变量和模糊规则。使用AMESim软件搭建了系统的模型，并利用AMESim的接口技术实现了与Simulink的联合仿真。仿真结果表明，该控制器具有较强的鲁棒性。关键词：电液伺服系统；广义动态模糊神经网络；联合仿真中图分类号：TP183文献标识码：A文章编号：1001—3881(2011)15—027—3ControlofElectrohvdrauIicSystemBasedonGeneralizedDynamicFuzzyNeuralNetworkWANGLi，WANGYongchao。JINYong(1．S

3、choolofMechanicalEngineering，NanjingUniversityofScienceandTechnology，NanjingJiangsu210014，China；2．MilitaryRepresentativeOficeoftheGeneralArmamentsDepartmentinWuhanArea，WuhanHubei430073，China)Abstract：Alearningalgorithmofgeneralizeddynamicfuzzyneuralnetworkwasproposedforco

4、ntrolofelectrohydraulicsystemwithcomplexnonlinearcharacteristics．Inthisalgorithm．thebreadthofGaussianfunctionwasdeterminedbasedonfuzzy一complete—ness，simultaneously，theevaluationsontheimportanceofthefuzzyruleandinputvariableweremade，theneachinputv~iableandfuzzyrulewereupda

5、ted．ThemodelofelectrohydraulicsystemwasestablishedinAMESim，andCO—simulationwasachievedwiththeinterfacebetweenAMESimandSimulink．Thesimulationresultsshowthatthecontrollerhasstrongrobustness．Keywords：Electrohydraulicsystem；Generalizeddynamicfuzzyneuralnetwork；Co-simulation电液

6、伺服系统是典型的非线性系统，存在许多不糊规则。通过对电液伺服系统进行的仿真结果表明，利于控制的因素：伺服阀负载流量是阀芯位移、油源作者设计的控制器具有响应速度快、抗干扰能力强的压力和负载压力的非线性函数；机械结构间的摩擦特点。力、系统阻尼、油液的黏度和弹性都是非线性或时变1GD。FNN控制器的设计的⋯。基于古典控制理论，利用极点配置或者PID控电液伺服系统的控制结构如图1所示。GD—FNN制等传统方法一般很难获得满意的控制效果。而采控制器的输入为误差和误差变化率，输出为控制电流用模糊控制对非线性系统进行控制时往往能取得较好信号，从而使电液

7、伺服系统在预定的位置工作。的控制效果，这为电液伺服系统的控制问题提供了一种较好的解决途径。但是模糊控制器的设计依赖于领域专家给出的规则，不存在正式的框架来确定控制器中隶属函数和控制规则。近年来，模糊神经网络已成为智能控制领域研究的热点，该网络可利用神经网图1控制系统结构络的学习能力和自适应能力来获取模糊控制器中模糊1．1GD．FNN的结构规则和隶属函数的参数，然而其结构和参数的确定仍GD—FNN的结构如图2所示，详述如下：然是难点。作者提出了广义动态模糊神经网络第1层为输入层，每个节点分别表示一个输入的(GeneralizedDynami

8、cFuzzyNeuralNetwork，GD—语言变量。FNN)，其网络结构在学习过程中动态地变化，最终第2层为隶属函数层，每个节点分别代表一个隶得到的模糊规则数不随输入变量的增加而按指数增属