CN108563804A - 基于神经网络pid的车载电磁阀控制系统设计方法 - Google Patents
基于神经网络pid的车载电磁阀控制系统设计方法 Download PDFInfo
- Publication number
- CN108563804A CN108563804A CN201810009251.4A CN201810009251A CN108563804A CN 108563804 A CN108563804 A CN 108563804A CN 201810009251 A CN201810009251 A CN 201810009251A CN 108563804 A CN108563804 A CN 108563804A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vehicle mounted
- electric magnet
- mounted electric
- pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
- Magnetically Actuated Valves (AREA)
Abstract
本发明公开了一种基于神经网络PID的车载电磁阀控制系统设计方法,进行基于神经网络PID的车载电磁阀压力控制器的设计:通过压力控制的输入输出设计神经网络的输入层、隐含层及输出层,设置各神经节点的权重值,给出权重更新的迭代规律。基于车载电磁阀工作原理建立车载电磁阀仿真模型,对基于神经网络PID的车载电磁阀压力控制器进行仿真测试;将仿真测试结果反馈所述进行基于神经网络PID的车载电磁阀压力控制器,根据反馈结果调节控制参数,实现PID参数自整定,完成车载电磁阀控制系统的设计。
Description
技术领域
本发明针对电动离合器结合分离过程所使用的一类执行机构—液压电磁阀,提供一种可自整定PID参数的压力控制系统设计方法,属于车辆液压系统电控技术领域。
背景技术
由于双离合式自动变速器具有生产继承性好,结构紧凑,传动效率高,无动力中断等优点,已成为各大汽车厂商主要采用的变速箱类型。双离合变速器一个最为关键的控制技术便是通过协调两个离合器的分离/结合动作完成无中断的动力传递,其中离合器结合/分离主要采用液压电磁阀,因此如何控制电磁阀快速、精确的响应是换挡过程平顺的保证。而液压油可压缩性受温度的影响变化、以及电磁阀体存在机械摩擦并且阀芯的行程受限,使得离合器电液控制阀存在死区、饱和以及滞环的非线性特性,这些都不利于对DCT离合器电液控制阀输出液压的快速精确控制。
为此本发明提出了一种基于神经网络PID算法的电磁阀控制及硬件实现方法,即采用神经网络PID算法对电磁阀压力进行控制,并将神经网络PID算法通过单片机硬件语言实现,借助AD模块采集系统及DA芯片分别实现输入信号的采集及控制信号的输出,以dSPACE实时仿真器作为被控对象的运行环境,完成电磁阀控制系统的性能测试。
发明内容
本发明的目的在于为存在高度非线性特征的车载电磁阀提供一种基于神经网络PID的车载电磁阀控制系统设计方法,可根据期望压力的变化,不断更新PID控制器参数,使得不同的运行工况下均能获得满意的效果,并且可通过低成本的单片机系统实现,满足车辆换挡系统对其快速性的要求。
针对现有技术问题,本发明采取如下技术方案:
一种基于神经网络PID的车载电磁阀控制系统设计方法,包括以下步骤:
步骤一、进行基于神经网络PID的车载电磁阀压力控制器的设计:基于车载电磁阀的工作原理进行基于神经网络PID的车载电磁阀压力控制器设计,通过压力控制的输入输出设计神经网络的输入层、隐含层及输出层,设置各神经节点的权重值,给出权重更新的迭代规律;
步骤二、基于车载电磁阀工作原理建立车载电磁阀仿真模型,对所述步骤二建立的基于神经网络PID的车载电磁阀压力控制器进行仿真测试;
步骤三、将步骤三的仿真测试结果反馈所述进行基于神经网络PID的车载电磁阀压力控制器,根据反馈结果调节控制参数,实现PID参数自整定,完成车载电磁阀控制系统的设计。
进一步地,所述步骤一基于神经网络PID的车载电磁阀压力控制器的设计过程为:
基于神经网络PID的车载电磁阀压力控制器包括输入层、隐含层及输出层;
在输入层,有两个输入神经节点,分别为电磁阀的参考期望和输出测量压力;
在隐含层,设置有3个神经节点,分别表示比例P、积分I和微分D;
由于控制变量u只有电磁阀电流,因此输出层只设置一个神经节点:
控制输出u为:
上式中,符号O表示神经节点输出,上角标表示神经节点存在的层,下角标表示在层中被选中的神经节点,k是离散时间常数,k-1表示k时刻的上一时刻;wj为隐含层和输出层之间的神经节点权重;
以最小化参考期望和电磁阀输出压力之间的残差作为评价指标,记E(k)表示跟踪误差e(k)的平方和,即使得
为最小;
在层与层之间的更新规则如下:
ηij是输入层与隐含层之间权重的学习速率;ηj是隐含层与输出层之间权重的学习速率;
整理得:
其中sgn(·)为符号函数。
进一步地,所述步骤三包含以下过程:
(A)基于车载电磁阀工作原理建立动力学方程,包括:
电磁线圈运动方程:
Fmag=kai-kbxv
其中,ka是磁力增益系数,kb是位移与力之间的增益系数,xv是线圈位移,u是作用在电磁线圈上的电压信号,i是电流,Fmag是电磁力,L、R分别是电磁线圈的电感和电阻;
阀芯动力学方程:
其中,P1是右端反馈腔的压力,P2是左端反馈腔压力,A1是阀芯右侧截面积,A2是阀芯左侧截面积,Fss是油液输入口稳态液动力,Fst是油液输入口的瞬态流动力,Frs是油液输出口的稳态液动力,Frt是油液输出口的静态流动力,mv是阀芯质量;
阀体流量平衡方程:
其中,QPs和QPr分别是入油口和出油口的流量,QPt是泄油口的流量,Q1和Q2是两个反馈端口的流量,Vt是主腔的容积,βe是有效体积弹性模量,Pr是可控输出压力;
(B)基于所述步骤(A)建立的动力学方程,在仿真建模软件AMESim中建立车载电磁阀仿真模型,对所述步骤二建立的基于神经网络PID的车载电磁阀压力控制器进行仿真测试。
综上,采用上述的技术方案,本发明带来的有益效果是:
1)本发明为双离合变速器换挡比例压力电磁阀提供了一种具有PID参数自整定功能的反馈控制方法,所设计的控制方法能保证在不同的期望目标下获得良好的跟踪性能,具有较高的控制可靠性。
2)本发明所实现的神经网络PID算法计算量小,代码简单易于实现,且选用的芯片价格低廉,因此具有实际的推广价值。
3)本发明所提出的设计方案及方法同样适用于其他类似的液压电磁阀控制,具有普适性。
附图说明
图1神经网络PID控制框图;
图2比例压力电磁阀AMESim仿真模型;
图3硬件在环实验流程框图;
图4不同参考输入下的离线仿真实验结果;
图5不同参考输入下的硬件在环实验结果;
具体实施方式
以下结合附图详细阐述本发明的技术方案:
本发明技术方案的整体思路为:
1)电磁阀压力控制系统的设计:包括两部分,一是电磁阀的结构及工作机理,分别对电磁阀的充油阶段和泄油阶段进行分析。二是压力控制器的设计,通过压力控制的输入输出设计神经网络的输入层、隐含层及输出层,设置各神经节点的权重值,给出权重更新的迭代规律。
2)基于仿真技术的控制系统验证:借助高保真的液压商用建模软件AMESim,根据实际结构和工作机理建立比例压力电磁阀的仿真模型,在Simulink中搭建神经网络PID控制系统模型。联合仿真,给定权重及学习速率的初始值,调节学习范围,使其在方波和正弦波等典型信号模拟的参考期望变化下,均能获得良好的压力跟随性能。
3)控制系统硬件化,选用MC9S12XS128作为控制器芯片,为单片机工程编写神经网络PID控制算法C代码,调试控制器参数以及控制器各个模块运行时间间隔,联合dSPACE中被控对象电磁阀模型,验证控制系统的硬件逻辑、计算性能,使其满足跟踪性能和实时性能。
本发明提供一种基于神经网络PID的车载电磁阀控制系统设计方法,包括以下步骤:
步骤一、进行基于神经网络PID的车载电磁阀压力控制器的设计:基于车载电磁阀的工作原理进行基于神经网络PID的车载电磁阀压力控制器设计,通过压力控制的输入输出设计神经网络的输入层、隐含层及输出层,设置各神经节点的权重值,给出权重更新的迭代规律;
步骤二、基于车载电磁阀工作原理建立车载电磁阀仿真模型,对所述步骤二建立的基于神经网络PID的车载电磁阀压力控制器急性仿真测试;
步骤三、将步骤三的仿真测试结果反馈所述进行基于神经网络PID的车载电磁阀压力控制器,根据反馈结果调节控制参数,实现PID参数自整定,完成车载电磁阀控制系统的设计。
为了清楚的说明本发明的技术方案,具体实施过程分为四个部分:第一部分给出电磁阀的工作原理,说明电磁阀控制的输入输出,第二部分基于神经网络理论给出电磁阀压力控制器的设计过程,第三部分根据第一部分通过分析电磁阀工作原理建立动力学机理方程,建立AMESim比例压力电磁阀仿真模型,用于模拟电磁阀工况,进行神经网络PID控制器的仿真测试,获得的参数对硬件在环实验运行参数选取具有很大的参考价值。第四部分硬件在环实验环节,以MC9S12XS128单片机作为硬件实现单元,编写神经网络PID控制器C语言,在第三部分运行参数的基础上调试,意在说明所提出的控制方法具有良好的实时性。
以下结合附图详细阐述本发明的具体实施方式。
(1)车载电磁阀工作机理分析
DCT换挡比例压力电磁阀,主要由电磁线圈、阀芯以及阀体外壳三部分组成。阀芯将阀体内部分成四个腔:两个压力反馈腔、一个压力调节腔(主腔)以及一个恒压腔。恒压腔通过一开度固定端口与供压源相通,腔内液压即为供压源处液压,供压源为恒压腔提供恒定液压。主腔有一个入口(入油口)和两个出口(出油口、泄油口),其中入油口和泄油口分别与恒压腔以及油箱相通,其导通面积随着阀芯的移动而改变,出油孔开度固定,并与离合器油压腔相通。主腔与压力反馈腔间则经孔道相通。
比例压力电磁阀工作过程分为充油阶段和泄油阶段。当无电流输入时,阀体的入油孔关闭、泄油孔导通,此时无液压油流入主腔,离合器处于分离状态。当施加一定驱动电流时,电磁线圈在电磁感应的作用下产生相应的电磁力,推动阀芯正向运动,入油口导通且随着导通面积的逐渐增大,液压油从恒压腔经入油孔流入主腔,比例压力电磁阀处于充油阶段,主腔液压和比例压力电磁阀输出液压不断增加,相应的离合器腔内的液压也逐渐增大,在克服离合器回位弹簧的作用下推动离合器活塞移动,使得离合器摩擦片逐渐压紧,处于接合状态。由于电磁阀的两个压力反馈腔与主腔相连,随着主腔内液压的增加,反馈腔内的液压也随之增加,作用在阀芯两端的反馈力也逐渐变大,阻碍阀芯的运动。最终,阀芯会在电磁力和反馈力的作用下达到平衡,输出液压大小与施加的驱动电流有关。当撤掉施加在电磁线圈的驱动电流时,电磁力随之消失,但由于阀芯位置无法立即改变,因此反馈力还存在并推动阀芯反向运动,入油孔导通面积逐渐减小直至关闭,电磁阀输出液压和离合器腔内液压随之逐渐减小,离合器活塞在回位弹簧的作用下反向移动,并将离合器腔内的液压油经比例压力电磁阀出油孔、主腔、泄油孔排入油箱,离合器分离,比例压力电磁阀处于泄油阶段。
(2)压力控制系统设计
由于比例压力电磁阀具有较强的非线性,且车载运行工况复杂,控制过程响应快速,因此压力控制系统必须具有自调节的能力,本发明采用神经网络PID进行控制系统的设计。如图1所示,基于神经网络PID的车载电磁阀压力控制器,包括输入层、隐含层和输出层。
将所有层之间,输入和输出的关系描述如下:
1)在输入层,有两个输入神经节点,分别为电磁阀的参考期望和输出测量压力,并且不经过任何处理输出两个变量,用i(i=1,2)代表输入层的第i个神经节点。可表示为
2)在隐含层,设置有3个神经节点,分别表示比例(P),积分(I)和微分(D)。用j(j=1,2,3)代表隐含层第j个神经节点,输入层与隐含层之间的关系由神经节点的权重wij表示,隐含层的各节点的输入大小分别为输入层输出与神经节点的权重乘积之和,即
根据PID比例-积分-微分的基本原理,隐含层的各输出的分段形式为:
P节点:
I节点:
D节点:
3)由于控制变量u只有电磁阀电流,因此输出层只设置一个神经节点,隐含层和输出层之间的神经节点权重为wj,该节点的输入为隐含层的输出与神经节点的权重乘积之和:
控制输出u为:
上述公式中,符号I表示神经节点输入,符号O表示神经节点输出,上角标表示神经节点存在的层(1-输入层,2-隐含层,3-输出层),下角标表示在层中被选中的神经节点。k是离散时间常数,k-1表示k时刻的上一时刻。
以最小化参考期望和电磁阀输出压力之间的残差作为评价指标,记E(k)表示跟踪误差e(k)的平方和,即使得
为最小。
在层与层之间的更新规则如下:
这里ηij,ηj分别是输入层与隐含层、隐含层与输出层之间权重的学习速率。
结合公式(7),(8),(9a)可以整理为:
根据公式(2),(7),(9b)能够重新写为:
为了在不影响收敛速度的前提下简化计算,可以表示成如下形式:
将公式(12a)代入(10),公式(12b)代入(11),可以得到如下等式:
其中sgn(·)为符号函数。
(3)仿真模型建立及仿真结果
比例压力电磁阀具有较强的非线性,主要表现为:摩擦非线性,电磁非线性,液压磁滞和死区导致的非线性。本发明中所提出的比例压力电磁阀的动态特性包括电磁线圈动态特性、阀芯的运动平衡、主腔及反馈腔的流体压力动态特性,下面对各部分进行简要机理描述:
A.电磁线圈的动力学
电磁线圈能够将电压信号转换成电磁力,推动线圈运动。电磁线圈的运动可大致描述为:
Fmag=kai-kbxv
其中ka是磁力增益系数,kb是位移与力之间的增益系数,xv是线圈位移,u是作用在电磁线圈上的电压信号,i是电流,Fmag是电磁力,L、R分别是电磁线圈的电感和电阻。
B.阀芯运动分析
阀芯的运动,存在两个阶段,在充油阶段离合器部分与油液输入口相连,泄油阶段离合器部分与油箱相连。阀芯动力学方程可以描述如下:
其中P1是右端反馈腔的压力,P2是左端反馈腔压力,A1是阀芯右侧截面积,A2是阀芯左侧截面积,Fss是油液输入口稳态液动力,Fst是油液输入口的瞬态流动力,Frs是油液输出口的稳态液动力,Frt是油液输出口的静态流动力,mv是阀芯质量。
稳态及瞬态流动下腔内压力可描述如下:
Fs=2CdCvwxvΔPcosθ (16)
Fs是稳态流动力,Ft是瞬态流动力,Cd是流率系数,Cv是流速系数,w是阀端口的区域梯度,ΔP是在阀两端的压力差;θ是喷射角。l是阀体里油液流动的距离,ρ是油液密度。
C.阀体流量平衡方程
液压油经入油孔流入比例压力电磁阀主腔,并经出油孔、泄油孔以及两个孔道流至离合器腔、油箱以及两个压力反馈腔中。根据流体平衡,主腔的连续性方程可以如下描述:
其中QPs和QPr分别是入油口和出油口的流量,QPt是泄油口的流量,Q1和Q2是两个反馈端口的流量,Vt是主腔的容积,βe是有效体积弹性模量,Pr是可控输出压力。
出油口处的流量大小可以如下定义:
这里A是流体截面面积。sgn(·)为符号函数。
反馈腔从主腔获得液压油,分别将压力作用于阀芯的两个终端面积。因此,两个反馈腔内的压力由反馈流量变化量和阀芯位移决定。
两个反馈腔内的压力变化可以如下描述:
这里V1和V2分别是左右两侧反馈腔的初始容积。
基于以上动力学方程分析,本发明在商用仿真建模软件AMESim中建立比例压力电磁阀仿真模型,各模块与实际物理结构的对应关系如图2所示,其中建立简单离合器模型作为负载。在模型的油液特性模块中定义了液体密度、温度、有效弹性体积模量等参量。1为比例压力电磁阀,2为液压油属性,3为离合器油压腔。a为电磁线圈,b为输入电流,c为泄油口,d为压力反馈腔,e为油箱,f为恒压腔,g为压力反馈腔,h为供压源,i为入油口,j为液压调节腔(主腔),k为出油口。
为了验证本发明提出的控制方法的控制效果,首先对比例压力电磁阀的压力跟踪控制进行仿真实验。考虑到车辆换挡过程中需要满足以下目标:换挡过程时间不超过0.8s,换挡冲击小,滑摩损失小。因此认为响应时间小于0.4s,超调量及跟踪误差在10%以内的压力控制性能是满足要求的。
离线仿真对DCT工作情况下的条件模拟,调试得到的结果与参数是硬件在环实验以及实物实验的重要参考依据,硬件在环实验参数在离线仿真条件下得到的参数一定范围内浮动。
设定合理的神经网络PID控制器初始值。为了验证控制器的稳态及瞬态跟踪性能,选取以方波信号(幅值10bar,0.1s及0.6s处发生阶跃)及正弦信号(r=4sin(10t)+6)的参考输入为例进行验证,仿真跟踪效果如图4。在压力从一个稳态值阶跃为另一稳态值的情况下(图4(a)(b)),正阶跃响应时间0.056s,负阶跃响应时间0.2s,稳态跟踪误差在[-0.5,0.5]bar,当期望压力是一种随动状态变化是,输出压力在神经网络PID的调节下能很好的跟踪期望(图4(c)(d)),且最大的动态跟踪误差在[-1,1]bar之内,完全可满足跟踪要求。
(4)硬件在环实验测试
面向应用需求,本发明将所提出的控制系统进行硬件实现,通过控制器硬件实物与dSPACE仿真模型构成硬件在环实验平台,硬件在环实验流程框图如图3。其中包括dSPACE仿真器,用于模拟比例压力电磁阀模型的实时运行环境;以及控制器硬件单元,其中控制器芯片为Freescale公司出品的MC9S12XS128,DA输出模块采用DAC8562芯片。
基于离线仿真的结果,设定合理的控制器硬件单元运算步长,使之与被控对象在dSPACE中运行的步长相匹配。为了保证计算能力,编写工程程序时用锁相环将主频提高到40MHz。AD模块设置为10位转换精度,连续转换,转换时钟1MHz。输出信号采用DAC8562芯片,16位转换精度。将神经网络PID控制算法的M文件手动转换为单片机所需要的C语言,计算采样间隔为0.001s。
所取得的硬件在环实验结果如图5所示。同样选取方波和正弦波作为参考输入。结果表明,调节时间为0.4s,稳态误差为1bar以内,结果均在可接受范围内。但相对离线仿真结果而言,方波参考输入下的超调较大,可进一步通过调整控制器参数,提高实现性能。以上仿真与实验结果表明本发明所设计的神经网络PID控制器在稳态和动态条件下均能具有良好的跟踪性能,同时也表明算法的实时计算性能可满足电磁阀响应的快速性要求。由于控制器所选用芯片价格低廉,能够达到控制需求,说明算法具有推广价值,能够适用于各种工业现场下的比例压力电磁阀动作控制。
Claims (3)
1.一种基于神经网络PID的车载电磁阀控制系统设计方法,其特征在于,包括以下步骤:
步骤一、进行基于神经网络PID的车载电磁阀压力控制器的设计:基于车载电磁阀的工作原理进行基于神经网络PID的车载电磁阀压力控制器设计,通过压力控制的输入输出设计神经网络的输入层、隐含层及输出层,设置各神经节点的权重值,给出权重更新的迭代规律;
步骤二、基于车载电磁阀工作原理建立车载电磁阀仿真模型,对所述步骤二建立的基于神经网络PID的车载电磁阀压力控制器进行仿真测试;
步骤三、将步骤三的仿真测试结果反馈所述进行基于神经网络PID的车载电磁阀压力控制器,根据反馈结果调节控制参数,实现PID参数自整定,完成车载电磁阀控制系统的设计。
2.如权利要求1所述的一种基于神经网络PID的车载电磁阀控制系统设计方法,其特征在于,所述步骤一基于神经网络PID的车载电磁阀压力控制器的设计过程为:
基于神经网络PID的车载电磁阀压力控制器包括输入层、隐含层及输出层;
在输入层,有两个输入神经节点,分别为电磁阀的参考期望和输出测量压力;
在隐含层,设置有3个神经节点,分别表示比例P、积分I和微分D;
由于控制变量u只有电磁阀电流,因此输出层只设置一个神经节点:
控制输出u为:
上式中,符号O表示神经节点输出,上角标表示神经节点存在的层,下角标表示在层中被选中的神经节点,k是离散时间常数,k-1表示k时刻的上一时刻;wj为隐含层和输出层之间的神经节点权重;
以最小化参考期望和电磁阀输出压力之间的残差作为评价指标,记E(k)表示跟踪误差e(k)的平方和,即使得
为最小;
在层与层之间的更新规则如下:
ηij是输入层与隐含层之间权重的学习速率;ηj是隐含层与输出层之间权重的学习速率;
整理得:
其中sgn(·)为符号函数。
3.如权利要求1所述的一种基于神经网络PID的车载电磁阀控制系统设计方法,其特征在于,所述步骤三包含以下过程:
(A)基于车载电磁阀工作原理建立动力学方程,包括:
电磁线圈运动方程:
Fmag=kai-kbxv
其中,ka是磁力增益系数,kb是位移与力之间的增益系数,xv是线圈位移,u是作用在电磁线圈上的电压信号,i是电流,Fmag是电磁力,L、R分别是电磁线圈的电感和电阻;
阀芯动力学方程:
其中,P1是右端反馈腔的压力,P2是左端反馈腔压力,A1是阀芯右侧截面积,A2是阀芯左侧截面积,Fss是油液输入口稳态液动力,Fst是油液输入口的瞬态流动力,Frs是油液输出口的稳态液动力,Frt是油液输出口的静态流动力,mv是阀芯质量;
阀体流量平衡方程:
其中,QPs和QPr分别是入油口和出油口的流量,QPt是泄油口的流量,Q1和Q2是两个反馈端口的流量,Vt是主腔的容积,βe是有效体积弹性模量,Pr是可控输出压力;
(B)基于所述步骤(A)建立的动力学方程,在仿真建模软件AMESim中建立车载电磁阀仿真模型,对所述步骤二建立的基于神经网络PID的车载电磁阀压力控制器进行仿真测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009251.4A CN108563804A (zh) | 2018-01-05 | 2018-01-05 | 基于神经网络pid的车载电磁阀控制系统设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009251.4A CN108563804A (zh) | 2018-01-05 | 2018-01-05 | 基于神经网络pid的车载电磁阀控制系统设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108563804A true CN108563804A (zh) | 2018-09-21 |
Family
ID=63530674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009251.4A Pending CN108563804A (zh) | 2018-01-05 | 2018-01-05 | 基于神经网络pid的车载电磁阀控制系统设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563804A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655714A (zh) * | 2021-07-02 | 2021-11-16 | 中国科学院西安光学精密机械研究所 | 一种控制系统参数自整定方法 |
CN115248070A (zh) * | 2022-09-23 | 2022-10-28 | 北京航空航天大学 | 一种兼顾多标准的电磁阀充油测试方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
CN103711596A (zh) * | 2013-12-31 | 2014-04-09 | 吉林大学 | 一种涡轮增压汽油机进气控制方法 |
CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
-
2018
- 2018-01-05 CN CN201810009251.4A patent/CN108563804A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
CN103711596A (zh) * | 2013-12-31 | 2014-04-09 | 吉林大学 | 一种涡轮增压汽油机进气控制方法 |
CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
Non-Patent Citations (4)
Title |
---|
于鸿昶: "DCT换挡过程离合器压力控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
于鸿昶等: "DCT离合器电液控制阀的非线性压力控制", 《吉林大学学报(信息科学版)》 * |
田丰年等: "基于PID神经网络算法的新型电控液压动力转向系统", 《公路交通科技》 * |
舒怀林: "《PID神经元网络及其控制系统》", 28 February 2006 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655714A (zh) * | 2021-07-02 | 2021-11-16 | 中国科学院西安光学精密机械研究所 | 一种控制系统参数自整定方法 |
CN113655714B (zh) * | 2021-07-02 | 2023-01-06 | 中国科学院西安光学精密机械研究所 | 一种控制系统参数自整定方法 |
CN115248070A (zh) * | 2022-09-23 | 2022-10-28 | 北京航空航天大学 | 一种兼顾多标准的电磁阀充油测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Truong et al. | Force control for hydraulic load simulator using self-tuning grey predictor–fuzzy PID | |
CN104345639A (zh) | 一种电液位置伺服系统鲁棒自适应控制方法 | |
CN106682298A (zh) | 一种航空液压舵机系统故障仿真模型库的构建方法 | |
Ahn et al. | Online self-tuning fuzzy proportional—integral—derivative control for hydraulic load simulator | |
Fang et al. | Explicit MPC motion cueing algorithm for real-time driving simulator | |
Shen et al. | Robust controller design of the integrated direct drive volume control architecture for steering systems | |
Lin et al. | Intelligent electro-pneumatic position tracking system using improved mode-switching sliding control with fuzzy nonlinear gain | |
CN108563804A (zh) | 基于神经网络pid的车载电磁阀控制系统设计方法 | |
Mercorelli et al. | A hybrid actuator modelling and hysteresis effect identification in camless internal combustion engines control | |
Wang et al. | Flow control for a two-stage proportional valve with hydraulic position feedback | |
Rubio et al. | Sliding mode regulator for the perturbations attenuation in two tank plants | |
CN102063061B (zh) | 气动伺服系统中摩擦的自适应补偿方法 | |
Gao et al. | Rapid flow measurement for high speed on/off valve based on coil current derivative | |
Liu et al. | A robust adaptive linear parameter-varying gain-scheduling controller for aeroengines | |
Ahn et al. | Self tuning fuzzy PID control for hydraulic load simulator | |
Kreutmayr et al. | Application of machine learning to improve to performance of a pressure-controlled system | |
CN106066605B (zh) | 基于不连续投影映射的电液伺服系统非线性鲁棒位置控制器的实现方法 | |
Outbib et al. | State feedback stabilization of an electropneumatic system | |
Feng et al. | Nonlinear adaptive robust control of valve-controlled symmetrical cylinder system | |
Hou et al. | Research on positioning control strategy of hydraulic support pushing system based on multistage speed control valve | |
Lian et al. | Permanent magnet synchronous motor control of electromechanical actuator based on parameter self-tuning method | |
Zhu et al. | Modeling and Fault Simulation of Aircraft Lock Mechanism | |
Xia et al. | Adaptive Takagi-Sugeno fuzzy model for pneumatic artificial muscles | |
Li et al. | The electro-hydraulic proportional control and simulation of the radial piston pump based on proportional-integral-derivative neural network | |
CN118068714B (zh) | 一种考虑未知液动力补偿的智能阀阀芯位移控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180921 |