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
基于rbf神经网络的机载卫星天线伺服系统控制方法 Download PDFInfo
- Publication number
- CN108717258A CN108717258A CN201810498917.7A CN201810498917A CN108717258A CN 108717258 A CN108717258 A CN 108717258A CN 201810498917 A CN201810498917 A CN 201810498917A CN 108717258 A CN108717258 A CN 108717258A
- Authority
- CN
- China
- Prior art keywords
- pid controller
- control
- rbf neural
- servo system
- satellite antenna
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
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Kp、Ki、Kd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
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Kp、Ki、Kd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)+Kp(e(k)-e(k-1))+Kie(k)+Kd(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Kp、Ki、Kd的整定,方法如下:
Kp(k)=Kp(k-1)+ΔKP
Ki(k)=Ki(k-1)+ΔKi
Kd(k)=Kd(k-1)+ΔKd
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:
xc()为PID控制器输入:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(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Kp、Ki、Kd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)+Kp(e(k)-e(k-1))+Kie(k)+Kd(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Kp、Ki、Kd的整定,方法如下:
Kp(k)=Kp(k-1)+ΔKP
Ki(k)=Ki(k-1)+ΔKi
Kd(k)=Kd(k-1)+ΔKd
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:
xc()为PID控制器输入:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(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,…,xn]T,隐层输出为:H=[h1,h2,…,hj,…,hm]T,且有:
其中:cj为中心向量,bj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ym(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)+kp(e(k)-e(k-1))+kie(k)+kd(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:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(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Kp、Ki、Kd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)+Kp(e(k)-e(k-1))+Kie(k)+Kd(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Kp、Ki、Kd的整定,方法如下:
Kp(k)=Kp(k-1)+ΔKP
Ki(k)=Ki(k-1)+ΔKi
Kd(k)=Kd(k-1)+ΔKd
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:
xc()为PID控制器输入:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498917.7A CN108717258A (zh) | 2018-05-23 | 2018-05-23 | 基于rbf神经网络的机载卫星天线伺服系统控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498917.7A CN108717258A (zh) | 2018-05-23 | 2018-05-23 | 基于rbf神经网络的机载卫星天线伺服系统控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108717258A true CN108717258A (zh) | 2018-10-30 |
Family
ID=63900408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810498917.7A Pending CN108717258A (zh) | 2018-05-23 | 2018-05-23 | 基于rbf神经网络的机载卫星天线伺服系统控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185358A (zh) * | 2021-11-30 | 2022-03-15 | 中国电子科技集团公司第五十四研究所 | 一种卫星导航接收机自适应信号跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488010A (zh) * | 2009-03-06 | 2009-07-22 | 北京理工大学 | 一种伺服系统本质非线性补偿控制器 |
CN101571705A (zh) * | 2008-04-29 | 2009-11-04 | 北京航空航天大学 | 位置伺服系统与方法 |
CN102033548A (zh) * | 2009-09-29 | 2011-04-27 | 北京航空航天大学 | 基于rbf神经网络的伺服控制系统及方法 |
CN107561935A (zh) * | 2017-08-26 | 2018-01-09 | 南京理工大学 | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 |
CN107577146A (zh) * | 2017-08-26 | 2018-01-12 | 南京理工大学 | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 |
-
2018
- 2018-05-23 CN CN201810498917.7A patent/CN108717258A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571705A (zh) * | 2008-04-29 | 2009-11-04 | 北京航空航天大学 | 位置伺服系统与方法 |
CN101488010A (zh) * | 2009-03-06 | 2009-07-22 | 北京理工大学 | 一种伺服系统本质非线性补偿控制器 |
CN102033548A (zh) * | 2009-09-29 | 2011-04-27 | 北京航空航天大学 | 基于rbf神经网络的伺服控制系统及方法 |
CN107561935A (zh) * | 2017-08-26 | 2018-01-09 | 南京理工大学 | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 |
CN107577146A (zh) * | 2017-08-26 | 2018-01-12 | 南京理工大学 | 基于摩擦整体逼近的伺服系统的神经网络自适应控制方法 |
Non-Patent Citations (2)
Title |
---|
XIAOGANG GOU,YUZHAN WU: "RBF Neural Network-based PID Controller Design for the Airborne Satellite Antenna Servo System", 《2016 IEEE/CSAA INTERNATIONAL CONFERENCE ON AIRCRAFT UTILITY SYSTENMS(AUS)》 * |
黄有概等: "焊缝跟踪RBF整定PID控制算法", 《电焊械》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185358A (zh) * | 2021-11-30 | 2022-03-15 | 中国电子科技集团公司第五十四研究所 | 一种卫星导航接收机自适应信号跟踪方法 |
CN114185358B (zh) * | 2021-11-30 | 2024-04-12 | 中国电子科技集团公司第五十四研究所 | 一种卫星导航接收机自适应信号跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109564406B (zh) | 一种自适应终端滑模控制方法 | |
Mirkin et al. | Robust adaptive output-feedback tracking for a class of nonlinear time-delayed plants | |
CN110518846A (zh) | 基于惯量辨识的多电机伺服系统自抗扰滑模速度控制方法 | |
CN106527129B (zh) | 一种并联机器人间接自适应模糊控制参数的确定方法 | |
CN110161841A (zh) | 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法 | |
CN108594639B (zh) | 一种基于强化学习的全垫升气垫船航迹跟踪控制方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN103324093B (zh) | 一种多模型自适应控制系统及其控制方法 | |
CN110138293A (zh) | 一种基于双馈风电系统的bp神经网络优化混沌控制方法 | |
WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
WO2015121169A1 (en) | Control system | |
CN111474922A (zh) | 一种连续非线性系统的控制器构建方法 | |
CN104834218A (zh) | 一种平行单级双倒立摆的动态面控制器结构及设计方法 | |
CN108717258A (zh) | 基于rbf神经网络的机载卫星天线伺服系统控制方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
CN115097736A (zh) | 一种基于深度强化学习的自抗扰控制器参数优化方法 | |
CN109581873A (zh) | 未知执行器死区切换系统的有限时间指定性能控制算法 | |
CN106292285B (zh) | 一种模糊自适应pi控制器参数确定方法 | |
CN108763779A (zh) | 一种应用改进的粒子群算法对四旋翼无人机控制的方法 | |
CN113467340A (zh) | 改进的一阶线性自抗扰控制系统及其参数整定方法 | |
CN113410861A (zh) | 一种适用于多端柔性直流系统的下垂控制参数优化方法 | |
CN110932629A (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
Razzaghian et al. | Robust adaptive neural network control of miniature unmanned helicopter | |
CN105159095A (zh) | 多变量过程的蒸馏塔模型预测控制优化pid控制方法 | |
Alizadeh et al. | A modular neural block to enhance power system stability |
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 |
Application publication date: 20181030 |
|
WD01 | Invention patent application deemed withdrawn after publication |