CN110488612B - 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质 - Google Patents

基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质 Download PDF

Info

Publication number
CN110488612B
CN110488612B CN201910893275.5A CN201910893275A CN110488612B CN 110488612 B CN110488612 B CN 110488612B CN 201910893275 A CN201910893275 A CN 201910893275A CN 110488612 B CN110488612 B CN 110488612B
Authority
CN
China
Prior art keywords
hydraulic servo
neural network
model
asymmetric
asymmetric electro
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.)
Active
Application number
CN201910893275.5A
Other languages
English (en)
Other versions
CN110488612A (zh
Inventor
曾乐
许文斌
谭建平
杨俊�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Aeronautical Vocational and Technical College
Original Assignee
Changsha Aeronautical Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Aeronautical Vocational and Technical College filed Critical Changsha Aeronautical Vocational and Technical College
Priority to CN201910893275.5A priority Critical patent/CN110488612B/zh
Publication of CN110488612A publication Critical patent/CN110488612A/zh
Application granted granted Critical
Publication of CN110488612B publication Critical patent/CN110488612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质，提出神经网络逆系统方法将非线性、非对称系统转变成线性系统，实现将非线性系统控制问题转变为线性系统的控制问题。针对伺服阀在开口不同时存在着两种流态，为了提高逆系统模型的精度，对小开口状态和大开口状态分别通过神经网络求解逆系统，采用基于参考速度切换的原则实现小开口和大开口状态模型切换，通过逆系统模型和系统原模型串接，形成了二阶伪线性系统。并针对神经网络求解逆模型存在一定的误差问题，对伪线性系统采用内模控制策略，消除了伺服阀负叠合量对精度的影响，消除了系统非对称响应特性，实现了非对称电液伺服系统高精度控制。

Description

基于神经网络模型切换的非对称电液伺服系统内模控制方 法、系统及可读存储介质
技术领域
本发明属于机械与电子技术领域，特别涉及一种基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质。
背景技术
为提高阀控非对称缸系统的响应性能，消除负载、结构引起的非对称响应，学者设计压差补偿控制策略，能够一定程度降低负载干扰的影响，提高系统的控制精度，且方法实现简单。伺服阀阀口台肩加工误差导致伺服阀均存在不同程度的负叠合量，对于系统控制性能，尤其是精度具有一定的影响。另外伺服阀内部流态变化也是系统非线性原因之一，但是大部分控制研究如反馈线性化控制，忽略叠合量和流态的影响，建立近乎线性的伺服阀模型，将会导致控制系统性能下降。逆系统方法是反馈线性化控制中的一个分支，东南大学戴先忠等提出利用神经网络能够逼近非线性函数的功能，将原系统的输入输出变量对调构造逆系统，与原系统串接成伪线性复合系统，解决非线性系统建模难，控制难的问题。
发明内容
本发明根据阀控非对称缸系统具有强非线性，非对称性，负载力干扰等特点，提出一种一种基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质，将复杂非线性系统通过神经网络求逆补偿，变成二阶线性系统，采用分段逆模型提高逆系统求解精度，并通过内模控制降低模型误差和干扰对控制性能的影响，提高了非对称电液伺服系统的控制精度，消除了系统非对称响应特性。
一种基于神经网络模型切换的非对称电液伺服系统内模控制方法，其特征在于，包括：
步骤1：利用非对称电液伺服系统在(y0,u)邻域内可逆，求解非对称电液伺服系统的相对阶数，获得阶数为3的非对称电液伺服系统的逆系统的模型；
Figure GDA0003500758300000011
其中，y0为非对称电液伺服系统初始位置，u为非对称电液伺服系统输入量；y为非对称电液伺服系统的液压杆位移，
Figure GDA0003500758300000012
分别为y的一阶导数、二阶导数、三阶导数；p1、p2分别为非对称电液伺服系统液压缸无杆腔压力和有杆腔压力；
步骤2：通过增加状态参数
Figure GDA0003500758300000013
构造非对称电液伺服系统的逆系统二阶模型；
Figure GDA0003500758300000014
其中，
Figure GDA0003500758300000021
为p1的一阶导数，
Figure GDA0003500758300000022
为p2的一阶导数；
步骤3：采集非对称电液伺服系统的样本数据，利用BP神经网络对非对称电液伺服系统的逆系统二阶模型进行训练，求得基于BP神经网络的非对称电液伺服系统的逆系统二阶模型参数；
所述样本数据是在非对称电液伺服系统的工作区域内，通过输入随机方波信号u激励非对称电液伺服系统，采集得到的数据集合
Figure GDA0003500758300000023
逆系统二阶模型的输入输出与原系统相反；
所述BP神经网络输入层个数为7，输入层的分别数据为
Figure GDA0003500758300000024
输出层个数为1，输出层的数据为u；
步骤4：利用基于BP神经网络的非对称电液伺服逆系统二阶模型的输出变量作为非对称电液伺服系统的输入变量，构建非对称电液伺服复合伪线性系统模型：
Figure GDA0003500758300000025
复合伪线性系统的输入即为
Figure GDA0003500758300000026
输出为y，即可得到复合伪线性系统的传递函数为
Figure GDA0003500758300000027
步骤5：构建非对称电液伺服复合伪线性系统的内模闭环控制器，利用所述内模闭环控制器的传递函数对非对称电液伺服系统进行控制；
所述内模闭环控制器的传递函数为：
Figure GDA0003500758300000028
所述内模闭环控制器由滤波器和非对称电液伺服复合伪线性系统的逆模型组成，其中，滤波器采用一阶滤波器。
逆系统模型根据输入变量，计算出输出变量，将计算的输出变量u输入给非对称电液伺服系统(简称“原系统”)，原系统输出位移y，则逆系统和原系统组成了复合系统，设定输入变量
Figure GDA0003500758300000029
的值，并通过求解
Figure GDA00035007583000000210
(
Figure GDA00035007583000000211
的积分)，
Figure GDA00035007583000000212
(
Figure GDA00035007583000000213
的积分)，y(
Figure GDA00035007583000000214
的积分)的值，以及原系统的反馈的状态参数p1，p2，输入到复合系统，复合系统输出位移y，即，复合系统输入为
Figure GDA00035007583000000215
输出为y，理想状态下，复合系统为三阶线性系统。
在工程实践中，高阶导数
Figure GDA00035007583000000216
求解困难，高阶线性系统控制难，去掉高阶导数
Figure GDA00035007583000000217
变量，通过增加状态参数
Figure GDA00035007583000000218
(p1的一阶导数)，
Figure GDA00035007583000000219
(p2的一阶导数)反馈，构造基于非对称电液伺服系统状态的逆系统二阶模型；使得复合系统的阶数降低，同时避免了三阶导数
Figure GDA00035007583000000220
的求解；
由于非对称电液伺服系统模型不确定性及非线性，通过解析的方法无法对逆系统求解，借助于神经网络能够无限逼近任何非线性函数的功能，通过神经网络求解逆系统模型。为了保证逆系统模型的精确度，在工作区域内，充分激励原系统，采集数据样本，用于神经网络的训练。
进一步地，所述非对称电液伺服系统的逆系统二阶模型包括并联的阀门大开口非对称电液伺服系统的子逆系统二阶模型和阀门小开口非对称电液伺服系统的子逆系统二阶模型；
用于训练的样本数据包括两组，分别为在非对称电液伺服系统的油液流量大于设定速度和小于等于设定速度下采集的两组样本数据。
由于伺服阀存在一定的叠合量，且阀开口较小时油液流动状态为层流，流量输出非线性较伺服阀大开口状态更强，为了提高神经网络逆系统模型的求解精度，将逆系统模型进行分段，设伺服阀大开口状态神经网络逆模型为A，阀小开口状态的神经网络逆模型为B；小开口状态时伺服阀开口为阀最大开口的-0.1～0.1之间，大开口状态时伺服阀开口为阀最大开口的±0.05到全开状态；
进一步地，所述利用BP神经网络对非对称电液伺服系统的逆系统二阶模型进行训练过程如下：
将样本数据中
Figure GDA0003500758300000031
和u分别作为所述BP神经网络的输入变量和输出变量，对所述BP神经网络进行训练，所述BP神经网络训练次数设置为100，训练精度目标为0.001，学习速率为0.01，当达到设定的训练次数或训练精度达到设定目标值时，停止训练。
所述训练精度是指所述BP神经网络输出的u和对应的样本数据中的u的误差；
进一步地，利用遗传算法优化基于BP神经网络的非对称电液伺服逆系统二阶模型，具体过程如下：
将个体作为所述BP神经网络的一组阈值、权值，设置迭代次数为40，种群规模为60，交叉变异率为0.3，变异概率为0.1，随机产生种群，通过设定的适应度函数计算适应度，根据个体的适应度进行选择、交叉、变异，不断迭代和筛选，将适应度最好的个体对应的一组权值和阈值，赋予所述BP神经网络，再利用样本数据进行训练，获得优化基于BP神经网络的非对称电液伺服逆系统二阶模型。
进一步地，所述样本数据的采样间隔为0.01s。
进一步地，所述一阶滤波器的参数τ＝0.05。
一种基于神经网络模型切换的非对称电液伺服系统内模控制系统，包括内膜控制器，所述内膜控制器的传递函数为：
Figure GDA0003500758300000032
其中，
Figure GDA0003500758300000033
PM(s)是利用基于BP神经网络的非对称电液伺服逆系统二阶模型的输出变量作为非对称电液伺服系统的输入变量，构建非对称电液伺服复合伪线性系统模型；
所述基于BP神经网络的非对称电液伺服系统的逆系统二阶模型为：
Figure GDA0003500758300000041
其中，u为非对称电液伺服系统输入量；y为非对称电液伺服系统的液压杆位移，
Figure GDA0003500758300000042
Figure GDA0003500758300000043
分别为y的一阶导数、二阶导数、三阶导数；p1、p2分别为非对称电液伺服系统液压缸无杆腔压力和有杆腔压力。
一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行上述的方法。
有益效果
本发明的技术效果在于，提供了一种基于神经网络多个逆系统模型切换的非对称电液伺服系统内模控制方法，将非线性、非对称系统转变为线性系统，利用神经网络多个逆系统模型求解解决系统建模难的问题，并提高了求逆精度；为了工程易实现，通过增加系统状态参数观测，降低了系统阶数，得到了二阶伪线性系统；并对二阶伪线性系统设计了内模闭环控制器，实现非对称电液伺服系统响应的高性能。该控制方法对于解决非对称电液伺服系统非对称响应问题，提高响应精度问题简单有效。
附图说明
图1是非对称电液伺服系统的内部结构图；
图2是降阶后非对称电液系统逆系统和原系统串接为线性系统原理图；
图3是非对称电液伺服系统AMESIM仿真模型图
图4是本发明的大开口状态神经网络求解效果图；
图5是本发明小开口状态神经网络求解效果图；
图6是本发明多个逆模型切换的非对称电液伺服系统内模控制；
图7是多逆模型内模控制和PID控制阶跃响应对比图；
图8是a处响应放大图；
图9是b处响应放大图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
一种基于神经网络多个逆系统模型切换的非对称电液伺服系统内模控制方法，非对称电液伺服系统的内部结构图，如图1所示，伺服阀存在一定的负叠合量，伺服阀的零区流量特性复杂，影响系统控制精度。
步骤1：建立非对称电液伺服系统状态模型，分析可逆性，降低系统阶数；利用非对称电液伺服系统在(y0,u)邻域内可逆，求解非对称电液伺服系统的相对阶数，获得阶数为3的非对称电液伺服系统的逆系统的模型；
其中所述的状态模型为：
选择系统的位移、速度、液压缸两腔压力为状态变量，即
Figure GDA0003500758300000051
状态模型为
Figure GDA0003500758300000052
其中：
Figure GDA0003500758300000053
Figure GDA0003500758300000054
Figure GDA0003500758300000055
其中：y为液压杆位移；pS为系统的供油的压力；pR为回油的压力；p1为液压缸无杆腔压力；p2为液压缸有杆腔压力；
Figure GDA0003500758300000056
Cd为流量系数；ω伺服阀面积梯度；ρ油液介质密度；Δ1S，Δ1R，Δ2S，Δ2R为伺服阀芯叠合量；xV为伺服阀芯位移；L为伺服阀阀芯最大位移；G为伺服阀放大系数；u为伺服阀输入信号；B为粘性阻尼系数；E为油液弹性模量；A1为无杆腔的作用面积；A2为有杆腔的作用面积；V10为无杆腔的初始液压体积；V20为有杆腔的初始液压体积；E为液压油的体积模量；Ci为液压缸内泄漏系数；Ce为液压缸外泄漏系数；n为非对称液压缸的面积比；m为液压缸驱动的惯性质量；F为液压缸外部负载；Ff为液压杆运动的摩擦力。
根据相对阶的定义，对阀控非对称缸系统输出函数y＝x1求导，使得显含u，可得：
Figure GDA0003500758300000061
由于
Figure GDA0003500758300000062
而
Figure GDA0003500758300000063
在阀开口的有效行程内，
Figure GDA0003500758300000064
因此系统存在相对阶，相对阶α＝3。
根据可逆定理，系统在(x0,u)的某个邻域内可逆的充分必要条件为在此邻域内存在存在相对阶α＝3，故阀控非对称缸系统在(x0,u)邻域内可逆。
在理论上可以得到基于状态方程描述的逆系统式为：
Figure GDA0003500758300000065
步骤2：通过增加状态参数
Figure GDA0003500758300000066
构造非对称电液伺服系统的逆系统二阶模型；
为了降低系统阶数，增加系统状态参数
Figure GDA0003500758300000067
的反馈：
Figure GDA0003500758300000068
可构造基于状态的逆系统方程如式所示：
Figure GDA0003500758300000069
其中，
Figure GDA00035007583000000610
为p1的一阶导数，
Figure GDA00035007583000000611
为p2的一阶导数；
逆系统的输入的变量为
Figure GDA00035007583000000612
输入变量去掉了位移三阶导数
Figure GDA00035007583000000613
增加状态反馈量
Figure GDA00035007583000000614
输出变量为u。
步骤3：采集非对称电液伺服系统的样本数据，利用BP神经网络对非对称电液伺服系统的逆系统二阶模型进行训练，求得基于BP神经网络的非对称电液伺服系统的逆系统二阶模型参数；
所述样本数据是在非对称电液伺服系统的工作区域内，通过输入随机方波信号u激励非对称电液伺服系统，采集得到的数据集合
Figure GDA0003500758300000071
逆系统二阶模型的输入输出与原系统相反；
所述BP神经网络输入层个数为7，输入层的分别数据为
Figure GDA0003500758300000072
输出层个数为1，输出层的数据为u；
所述非对称电液伺服系统的逆系统二阶模型包括并联的阀门大开口非对称电液伺服系统的子逆系统二阶模型和阀门小开口非对称电液伺服系统的子逆系统二阶模型；
用于训练的样本数据包括两组，分别为在非对称电液伺服系统的油液流量大于设定速度和小于等于设定速度下采集的两组样本数据。
为解决在线学习和调整的难以实现的问题，在工作区域内，充分激励原系统，采集数据样本，离线训练得到逆系统的模型。考虑到液压缸行程限制，为了充分激励系统，通过合理设置随机信号范围和作用时间，使得液压缸作往复运动。由于伺服阀存在负叠合，阀开口较小时流态处于层流，小开口状态系统的非线性更强，故将系统的逆模型分段，设伺服阀大开口状态神经网络逆模型为A，设阀小开口状态的神经网络逆模型为B。逆模型的分段方法采用伺服阀的开口分段方式，小开口状态伺服阀开口在-0.1～0.1之间，大开口状态为从±0.05到全开状态，降低分段点的不连续性。
通过设置不同的信号范围，采用随机信号激励，获得逆系统输入数据{t,y,p1,p2}，采集间隔为0.01s，其中t为时间。对y，p1，p2数据进行微分，得到
Figure GDA0003500758300000073
获得逆系统输出数据{u}，构成了神经网络训练数据输入样本集
Figure GDA0003500758300000074
输出样本集为{t,u}。将大开口状态输入样本数据保存在v1.txt文件中，输出样本集数据保存在u1.txt中。将小开口状态输入样本数据保存在v2.txt文件中，输出样本数据集保存在u2.txt。
将v1.txt，u1.txt，v2.txt，u2.txt文本数据保存“GA-BP”神经网络算法文件夹内，启动MATLAB，设置MATLAB当前文件夹文“GA-BP”，运行GABP.m文件，通过基于遗传算法改进的BP神经网络训练，将大开口状态和小开口状态数据分别进行训练得到逆模型A，逆模型B。如图4所示为大开口状态神经网络验证结果，图5为小开口状态神经网络验证结果，可以看出该方法可以较高精度的预测系统输出。
对所述BP神经网络进行训练，所述BP神经网络训练次数设置为100，训练精度目标为0.001，学习速率为0.01，当达到设定的训练次数或训练精度达到设定目标值时，停止训练。
利用遗传算法优化基于BP神经网络的非对称电液伺服逆系统二阶模型，具体过程如下：
将个体作为所述BP神经网络的一组阈值、权值，设置迭代次数为40，种群规模为60，交叉变异率为0.3，变异概率为0.1，随机产生种群，通过设定的适应度函数计算适应度，根据个体的适应度进行选择、交叉、变异，不断迭代和筛选，将适应度最好的个体对应的一组权值和阈值，赋予所述BP神经网络，再利用样本数据进行训练，获得优化基于BP神经网络的非对称电液伺服逆系统二阶模型。
通过gemsim(net，-1)可生成逆系统的SIMULINK模型A，用于仿真验证。
通过以下相关指令获得训练后的神经网络逆模型数据，用于控制器设计：
输入到隐层权值：w1＝net.iw{1,1}；
隐层阈值：theta1＝net.b{1}；
隐层到输出层权值：w2＝net.lw{2,1}；
输出层阈值：theta2＝net.b{2}；
由于开口度是逆系统的输出信号，难以用于判断模型的选择，开口度和系统速度相关，当参考速度小于10mm/s时采用逆模型B，当参考速度大于10mm/s时，采用逆模型A。
图4是本发明的大开口状态神经网络求解效果图；图5是本发明小开口状态神经网络求解效果图；
步骤4：利用基于BP神经网络的非对称电液伺服逆系统二阶模型的输出变量作为非对称电液伺服系统的输入变量，构建非对称电液伺服复合伪线性系统模型：
Figure GDA0003500758300000081
复合伪线性系统的输入即为
Figure GDA0003500758300000085
输出为y，即可得到复合伪线性系统的传递函数为
Figure GDA0003500758300000082
如图2所示，是降阶后非对称电液系统逆系统和原系统串接为线性系统原理图；
步骤5：构建非对称电液伺服复合伪线性系统的内模闭环控制器，利用所述内模闭环控制器的传递函数对非对称电液伺服系统进行控制；
所述内模闭环控制器的传递函数为：
Figure GDA0003500758300000083
所述内模闭环控制器由滤波器和非对称电液伺服复合伪线性系统的逆模型组成，其中，滤波器采用一阶滤波器。
图6对伪线性系统设计内模闭环控制器，根据系统响应调试一阶滤波器参数，确定内模闭环控制器参数：
Figure GDA0003500758300000084
通过建立非对称电液伺服系统仿真模型验证方法的可行性，伺服阀存在负叠合量的非对称电液伺服系统AMESIM仿真模型如图3所示。外部负载为负载拉力为-2500N，负载拉力以正弦波波动，幅值为500N，频率为1Hz。模型具体参数如表1所示，负叠合量大小设置为阀芯整个行程的百分比。
表1
Figure GDA0003500758300000091
图7显示系统通过多逆系统内模控制(MIMC)，普通PID控制的阶跃信号响应，由放大图8和放大图9显示，多逆系统内模控制在液压缸伸出运动和缩回运动均达到较好的响应性能，响应时间约0.39s，响应误差控制在±0.008mm范围内，受波动负载影响较小。而普通PID控制伸出运动响应具有较大的稳态误差，响应时间2s后稳态误差约为0.24mm，误差波动范围为±0.08mm，缩回运动响应稳态误差约为-0.02mm，运动波动误差在±0.08mm范围内。验证了多逆系统内模控制能够消除系统非对称响应特性，补偿伺服阀负叠合对于系统精度的影响，对于正弦负载干扰鲁棒性较强。
一种基于神经网络模型切换的非对称电液伺服系统内模控制系统，包括内膜控制器，所述内膜控制器的传递函数为：
Figure GDA0003500758300000092
其中，
Figure GDA0003500758300000093
PM(s)是利用基于BP神经网络的非对称电液伺服逆系统二阶模型的输出变量作为非对称电液伺服系统的输入变量，构建非对称电液伺服复合伪线性系统模型；
所述基于BP神经网络的非对称电液伺服系统的逆系统二阶模型为：
Figure GDA0003500758300000094
其中，u为非对称电液伺服系统输入量；y为非对称电液伺服系统的液压杆位移，
Figure GDA0003500758300000095
Figure GDA0003500758300000096
分别为y的一阶导数、二阶导数、三阶导数；p1、p2分别为非对称电液伺服系统液压缸无杆腔压力和有杆腔压力。
一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行上述的方法。

Claims (7)

1.一种基于神经网络模型切换的非对称电液伺服系统内模控制方法，其特征在于，包括：
步骤1：利用非对称电液伺服系统在(y0,u)邻域内可逆，求解非对称电液伺服系统的相对阶数，获得阶数为3的非对称电液伺服系统的逆系统的模型；
Figure FDA0003500758290000011
其中，y0为非对称电液伺服系统初始位置，u为非对称电液伺服系统输入量；y为非对称电液伺服系统的液压杆位移，
Figure FDA0003500758290000012
分别为y的一阶导数、二阶导数、三阶导数；p1、p2分别为非对称电液伺服系统液压缸无杆腔压力和有杆腔压力；
步骤2：通过增加状态参数
Figure FDA0003500758290000013
构造非对称电液伺服系统的逆系统二阶模型；
Figure FDA0003500758290000014
其中，
Figure FDA0003500758290000015
为p1的一阶导数，
Figure FDA0003500758290000016
为p2的一阶导数；
步骤3：采集非对称电液伺服系统的样本数据，利用BP神经网络对非对称电液伺服系统的逆系统二阶模型进行训练，求得基于BP神经网络的非对称电液伺服系统的逆系统二阶模型参数；
所述样本数据是在非对称电液伺服系统的工作区域内，通过输入随机方波信号u激励非对称电液伺服系统，采集得到的数据集合
Figure FDA0003500758290000017
所述BP神经网络输入层个数为7，输入层的分别数据为
Figure FDA0003500758290000018
输出层个数为1，输出层的数据为u；
步骤4：利用基于BP神经网络的非对称电液伺服逆系统二阶模型的输出变量作为非对称电液伺服系统的输入变量，构建非对称电液伺服复合伪线性系统模型：
Figure FDA0003500758290000019
步骤5：构建非对称电液伺服复合伪线性系统的内模闭环控制器，利用所述内模闭环控制器的传递函数对非对称电液伺服系统进行控制；
所述内模闭环控制器的传递函数为：
Figure FDA00035007582900000110
所述内模闭环控制器由滤波器和非对称电液伺服复合伪线性系统的逆模型组成，其中，滤波器采用一阶滤波器。
2.根据权利要求1所述的方法，其特征在于，所述非对称电液伺服系统的逆系统二阶模型包括并联的阀门大开口非对称电液伺服系统的子逆系统二阶模型和阀门小开口非对称电液伺服系统的子逆系统二阶模型；
用于训练的样本数据包括两组，分别为在非对称电液伺服系统的油液流量大于设定速度和小于等于设定速度下采集的两组样本数据。
3.根据权利要求1或2所述的方法，其特征在于，所述利用BP神经网络对非对称电液伺服系统的逆系统二阶模型进行训练过程如下：
将样本数据中
Figure FDA0003500758290000021
和u分别作为所述BP神经网络的输入变量和输出变量，对所述BP神经网络进行训练，所述BP神经网络训练次数设置为100，训练精度目标为0.001，学习速率为0.01，当达到设定的训练次数或训练精度达到设定目标值时，停止训练。
4.根据权利要求3所述的方法，其特征在于，利用遗传算法优化基于BP神经网络的非对称电液伺服逆系统二阶模型，具体过程如下：
将个体作为所述BP神经网络的一组阈值、权值，设置迭代次数为40，种群规模为60，交叉变异率为0.3，变异概率为0.1，随机产生种群，通过设定的适应度函数计算适应度，根据个体的适应度进行选择、交叉、变异，不断迭代和筛选，将适应度最好的个体对应的一组权值和阈值，赋予所述BP神经网络，再利用样本数据进行训练，获得优化基于BP神经网络的非对称电液伺服逆系统二阶模型。
5.根据权利要求1所述的方法，其特征在于，所述样本数据的采样间隔为0.01s。
6.根据权利要求1所述的方法，其特征在于，所述一阶滤波器的参数τ＝0.05。
7.一种可读存储介质，包括计算机程序指令，其特征在于，所述计算机程序指令被处理终端执行时使所述处理终端执行权利要求1-6任一项所述的方法。
CN201910893275.5A 2019-09-20 2019-09-20 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质 Active CN110488612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910893275.5A CN110488612B (zh) 2019-09-20 2019-09-20 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910893275.5A CN110488612B (zh) 2019-09-20 2019-09-20 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN110488612A CN110488612A (zh) 2019-11-22
CN110488612B true CN110488612B (zh) 2022-03-29

Family

ID=68558907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910893275.5A Active CN110488612B (zh) 2019-09-20 2019-09-20 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN110488612B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064347B (zh) * 2021-03-15 2022-09-23 贵州大学 考虑非对称输入与输出约束的pmsm混沌系统自适应控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10122017A (ja) * 1996-10-14 1998-05-12 Yamaha Motor Co Ltd エンジン制御方式
CN105351596A (zh) * 2015-12-07 2016-02-24 沈阳工业大学 比例电磁阀复合控制方法
CN108843654A (zh) * 2018-07-04 2018-11-20 上海交通大学 一种基于子空间辨识的阀控液压缸泄漏判断装置及方法

Also Published As

Publication number Publication date
CN110488612A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
Ye et al. Position control of nonlinear hydraulic system using an improved PSO based PID controller
Furukawa et al. Implicit constitutive modelling for viscoplasticity using neural networks
Cho et al. Position control of high performance hydrostatic actuation system using a simple adaptive control (SAC) method
CN104698844A (zh) 液压位置伺服系统的不确定性补偿的滑模控制方法
CN103941589B (zh) 一种压电执行器的非线性模型预测控制方法
Lin et al. Intelligent electro-pneumatic position tracking system using improved mode-switching sliding control with fuzzy nonlinear gain
CN110488612B (zh) 基于神经网络模型切换的非对称电液伺服系统内模控制方法、系统及可读存储介质
Filo et al. Modelling of pressure pulse generator with the use of a flow control valve and a fuzzy logic controller
CN103939423B (zh) 一种负载敏感多路阀仿真建模方法
Muradova et al. Adaptive Neuro-Fuzzy vibration control of a smart plate
Åman Methods and models for accelerating dynamic simulation of fluid power circuits
Ferreira et al. Hybrid models for hardware-in-the-loop simulation of hydraulic systems Part 1: theory
Zhang et al. Velocity Feedback Control of Swing Phase for 2-DoF Robotic Leg Driven by Electro-hydraulic Servo System.
Ömürlü et al. Application of fuzzy PID control to cluster control of viaduct road vibrations
Ahn et al. Hysteresis modeling of magneto-rheological (MR) fluid damper by self tuning fuzzy control
Dong et al. The Fuzzy Control of Electro-hydraulic Servo System Based on DE Algorithm
Ling et al. System identification of electro-hydraulic actuator system using ANFIS approach
Ustinov et al. A Hybrid Model for Fast and Efficient Simulation of Fluid Power Circuits With Small Volumes Utilizing a Recurrent Neural Network
Bai et al. A linear interpolation fuzzy controller with nn compensator for an electro-hydraulic servo system
Zisser et al. Robust position control of a pneumatic actuator
Abu-Zurayk et al. Development of the adjoint approach for aeroelastic wing optimization
Liu et al. A Deep Koopman-Based Model Predictive Control Method for Valve-Controlled Hydraulic Cylinder Systems
Garcia et al. Control system for 1DOF vibrating machine for soil scale model by centrifugal forces
Ya-Long et al. Dynamic Characteristics of Closed Speed Pump Control Cylinders
Xu et al. The research of multi-dimensional flow mapping for proportional flow control valve based on long short-term memory network

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
GR01 Patent grant
GR01 Patent grant