摘要:为实现对电液伺服系统非线性、不确定性和未建模动态等因素的有效补偿,将系统转换成具有自适应动态递归模糊神经网络(ADRFNN)辨识误差,即二次不确定性的等效线性数学模型,利用增益自适应滑模变结构控制(GASMC)方法对系统进行综合设计.实验结果表明:ADRFNN的高精度
在线辨识和GASMC校正项的增益自适应功能使系统具有较强鲁棒性和更高的稳态精度,同时使系统控制量的颤振现象得到有效抑制.
关键词:电液伺服系统;自适应动态递归模糊神经网络;增益
自适应滑模变结构控制;二次不确定性在线估计电液伺服系统工作点和工作环境的变化引起的不确定性、未建模动态、非线性及负载干扰等未知动态特性即一次不确定性的理想工具是综合神经网络学习功能和模糊系统集成专家知识功能的自适应模糊神经网络[1-2],但其结果仍存在辨识误差,即二次不确定性.Bonchis等[3]、Fung等[4]、Tsai等[5]和Park等[6]提出的滑模变结构控制(SMC)算法可抑制上述不确定性,但需要知道它的界,以确定SMC校正项的控制增益.工程中该增益取得比较保守以确保系统鲁棒性,这使得系统的颤振较为严重.理论上可采用在线估计增益的方法[7],其前提是系统状态均可测,这在工程上难以实现.为此,Elshafei等[8]提出基于变结构的高增益状态估计器,但其估计误差会传递到神经网络,使辨识误差较大.实际上,SMC引起的颤振强度与系统不确定性的界以及由此确定的SMC校正项控制增益两者密切相关,故本文提出增益自适应滑模变结构控制(GASMC)方法,利用自适应动态递归模糊神经网络(ADRFNN)对系统一次不确定性进行高精度在线辨识,减小了系统二次不确定性的界,另一方面在线估计系统二次不确定性的界,并以此确定SMC校正项的控制增益.在电液伺服系统中的应用结果表明,该方法可有效增强系统的鲁棒性,改善系统的稳态误差,同时减弱控制量的颤振.
1 问题描述
1.1 实验系统组成
实验系统如图1所示,其主要配置如下:
(1)伺服阀及其伺服放大器.实验系统采用QDY-10伺服阀及其配套的伺服放大器.油源压力为6.3 MPa时,阀的空载流量为125 L/min.控制电压u=-10~10 V时,伺服放大器输出-80~80mA的电流驱动伺服阀力矩马达.
(2)液压缸.液压缸的活塞直径为63 mm,活塞杆直径为40 mm,有效行程为305 mm.
(3)位置检测装置.由GZZ-1型感应同步器和SF-13型激磁数显器组成,其量程为350 mm,分辨率为2μm.
(4)数据采集卡.采用AC1056型数据采集卡.
(5)微处理器、操作系统和编程语言.计算机CPU为Celeron 1.7G;操作系统为Windows 2000;利用工具软件Matcom将Matlab编写的控制程序转换为VC++源程序,以满足系统的实时性要求.该系统的动力学模型由电液伺服阀的流量方程、流量连续方程和动力机构运动方程组成.
1.2 电液伺服系统的非线性和不确定性分析
1.2.1 电液伺服阀流量方程的非线性和不确定性
1.2.2 动力机构流量连续方程非线性和不确定性
1.2.3 动力机构运动方程的非线性和不确定性
(1)基于ADRFNN辨识的GASMC对系统参数不确定性和负载干扰具有补偿作用,使电液位置跟踪系统具有较强的鲁棒性和良好的跟踪性能.
(2) GASMC校正项的控制增益根据在线估计的二次不确定性的界自动调节,可用较小的控制量获得同样的系统鲁棒性.
(3)高精度的辨识工具有助于SMC算法中颤振现象的抑制.
|
