CN108717258A - 基于rbf神经网络的机载卫星天线伺服系统控制方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的机载卫星天线伺服系统控制方法，属于伺服系统控制方法技术领域。该方法利用RBF网络的自学习能力设计了一种基于RBF神经网络的PID控制器，利用BP网络的自学习能力不断地在线调整K_p、K_i、K_d的值，使机载卫星天线伺服系统适应不同的飞机运动干扰，再由传统PID实现对被控对象的最终控制，优化了控制效果。

Description

基于RBF神经网络的机载卫星天线伺服系统控制方法

技术领域

本发明涉及伺服系统的控制方法技术领域，尤其是指一种基于RBF神经网络的机载卫星天线伺服系统控制方法。

背景技术

传统PID控制方法对稳定平台进行控制，通过调节PID控制器的参数K_p、K_i、K_d可以达到满意的速率稳定与速率跟踪控制效果。但此种控制方法有一个缺点：对于传统的PID控制器，在投入运行之前，要想得到较理想的控制效果，必须先整定好其三个参数。然而，飞机具有姿态变化复杂、运动速度快等特点，这造成机载卫星天线模型参数变化甚至模型结构突变，这使得原先的参数无法保证系统继续良好的工作。为了解决这个问题，就需要设计一种新的控制方法。

发明内容

有鉴于此，本发明提出了一种基于RBF神经网络的机载卫星天线伺服系统控制方法，其采用RBF神经网络控制方法，解决了传统PID控制方法的不足之处，优化了控制效果。

为了实现上述目的，本发明采用的技术方案如下：

一种基于RBF神经网络的机载卫星天线伺服系统控制方法，其特征在于：通过RBF神经网络控制器和PID控制器对机载卫星天线伺服系统进行复合控制，控制过程包括以下步骤：

(1)初始时采用PID控制器对被控对象进行控制；

(2)在一个控制周期内，PID控制器完成控制输出：

u(k)＝u(k-1)+K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

e(k)＝rin(k)-y(k)

其中，u()为控制输出，e()为控制误差，k、k-1、k-2均表示控制周期的序号，rin()为PID控制器的输入，y()为神经网络的输出；

(3)每一个控制周期结束时，RBF神经网络控制器完成对PID控制器参数K_p、K_i、K_d的整定，方法如下：

K_p(k)＝K_p(k-1)+ΔK_P

K_i(k)＝K_i(k-1)+ΔK_i

K_d(k)＝K_d(k-1)+ΔK_d

其中，η∈[0,1]，Δu为相邻两个控制周期控制输出的变化量；E()为误差指标：

x_c()为PID控制器输入：

x_c(1)＝e(k)-e(k-1)

x_c(2)＝e(k)

x_c(3)＝e(k)-2e(k-1)+e(k-2)

(4)重复步骤(2)和(3)，直至RBF神经网络控制器输出最优的PID控制器参数，最终由PID控制器完成对伺服系统的控制。

本发明相比背景技术具有如下优点：

本发明方法利用BP网络的自学习能力不断地在线调整K_p、K_i、K_d的值，可以实现参数自整定，使机载卫星天线伺服系统能够适应不同的飞机运动干扰。

附图说明

图1为本专利控制方法中RBF神经网络的结构示意图；

图2为本专利控制方法的原理示意图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步说明。

一种基于RBF神经网络的机载卫星天线伺服系统控制方法，其特征在于：通过RBF神经网络控制器和PID控制器对机载卫星天线伺服系统进行复合控制，控制过程包括以下步骤：

(1)初始时采用PID控制器对被控对象进行控制，PID控制器为现有技术，此时PID控制器的参数使用人为设置的初始值；

(2)在一个控制周期内，PID控制器完成控制输出：

u(k)＝u(k-1)+K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

e(k)＝rin(k)-y(k)

其中，u()为控制输出，e()为控制误差，k、k-1、k-2均表示控制周期的序号，rin()为PID控制器的输入，y()为神经网络的输出；

(3)每一个控制周期结束时，RBF神经网络控制器完成对PID控制器参数K_p、K_i、K_d的整定，方法如下：

K_p(k)＝K_p(k-1)+ΔK_P

K_i(k)＝K_i(k-1)+ΔK_i

K_d(k)＝K_d(k-1)+ΔK_d

其中，η∈[0,1]，Δu为相邻两个控制周期控制输出的变化量；E()为误差指标：

x_c()为PID控制器输入：

x_c(1)＝e(k)-e(k-1)

x_c(2)＝e(k)

x_c(3)＝e(k)-2e(k-1)+e(k-2)

(4)重复步骤(2)和(3)，直至RBF神经网络控制器输出最优的PID控制器参数，最终由PID控制器完成对伺服系统的控制。

具体来说，参见图1，RBF神经网络由输入层、隐层和输出层构成。其输入向量为：X＝[x₁,x₂,…,x_n]^T，隐层输出为：H＝[h₁,h₂,…,h_j,…,h_m]^T，且有：

其中：c_j为中心向量，b_j为宽度。

隐层的输出在输出层线性加权，形成神经网络的输出：

设第k时刻被辨识系统的输出为y(k)，RBF神经网络的输出为y_m(k)，则逼近误差指标为：

采用梯度下降法，可以得到神经网络的权重学习算法，如下：

其中，i是学习率，i＝1,2,3,η∈[0,1],α∈[0,1]是动量因子。

参见图2，基于RBF神经网络的PID自整定控制器，初始阶段采用PID控制器，然后RBF神经网络通过学习，为传统的PID控制器提供参数整定。PID控制器采用增量型算法：

u(k)＝u(k-1)+k_p(e(k)-e(k-1))+k_ie(k)+k_d(e(k)-2e(k-1)+e(k-2))

控制误差：

e(k)＝rin(k)-y(k)

神经网络权值的误差指标为：

PID控制器输入：

x_c(1)＝e(k)-e(k-1)

x_c(2)＝e(k)

x_c(3)＝e(k)-2e(k-1)+e(k-2)

通过梯度下降法得到RBF神经网络输出：

重复上述步骤，直至RBF神经网络控制器输出最优的PID控制器参数，最终由PID控制器完成对伺服系统的控制。

本发明方法利用BP网络的自学习能力不断地在线调整K_p、K_i、K_d的值，可以实现参数自整定，使机载卫星天线伺服系统能够适应不同的飞机运动干扰，是对现有技术的一种重要改进。

需要理解的是，上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述，并非暗示本专利的保护范围仅仅被限制在这些个例中，本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下，以不付出任何创造性劳动的形式，通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式，得到更多的具体实施方式，所有这些具体实施方式均在本专利权利要求书的涵盖范围之内，因此，这些新的具体实施方式也应在本专利的保护范围之内。

Claims (1)

1.一种基于RBF神经网络的机载卫星天线伺服系统控制方法，其特征在于：通过RBF神经网络控制器和PID控制器对机载卫星天线伺服系统进行复合控制，控制过程包括以下步骤：

(1)初始时采用PID控制器对被控对象进行控制；

(2)在一个控制周期内，PID控制器完成控制输出：

u(k)＝u(k-1)+K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

e(k)＝rin(k)-y(k)

其中，u()为控制输出，e()为控制误差，k、k-1、k-2均表示控制周期的序号，rin()为PID控制器的输入，y()为神经网络的输出；

(3)每一个控制周期结束时，RBF神经网络控制器完成对PID控制器参数K_p、K_i、K_d的整定，方法如下：

K_p(k)＝K_p(k-1)+ΔK_P

K_i(k)＝K_i(k-1)+ΔK_i

K_d(k)＝K_d(k-1)+ΔK_d

其中，η∈[0,1]，Δu为相邻两个控制周期控制输出的变化量；E()为误差指标：

x_c()为PID控制器输入：

x_c(1)＝e(k)-e(k-1)

x_c(2)＝e(k)

x_c(3)＝e(k)-2e(k-1)+e(k-2)

(4)重复步骤(2)和(3)，直至RBF神经网络控制器输出最优的PID控制器参数，最终由PID控制器完成对伺服系统的控制。