基于神经网络PID控制电液负载仿真台的研究

论文摘要

电液伺服系统具有精度高、响应速度快、能够驱动大惯性负载、功率质量比大和便于和电气控制相结合等特点,因而在工业中得到了广泛的应用。电液伺服加载系统是电液伺服系统的一个重要组成部分,本文所研究的电液负载仿真台是一种在实验室条件下仿真飞行器舵面所受的各种空气动力力矩载荷的试验设备。将经典的自破坏的全实物实验转化为在实验室条件下的半实物的预测性实验,以达到缩短研制周期、节约研制经费、提高可靠性和成功率的目的。在控制领域,由于神经网络具有自学习能力和强大的非线性映射能力,为非线性系统的建模提供了一种有效的解决方法。但是,单纯的神经网络控制也存在收敛速度慢以及容易陷入局部极小值等问题。基于精确模型的常规PID控制具有结构简单、鲁棒性好和可靠性高的特点,但是其参数整定烦琐,常规PID控制是基于准确模型的,以一组固定不变的PID参数去适应那些参数变化、干扰众多的控制系统,显然难以获得满意的控制效果。把神经网络技术和常规PID控制技术结合起来,可以利用神经网络的在线辨识能力有效地解决单神经元PID控制器参数的调节问题,从而实现系统的智能控制。本文首先建立了电液负载仿真台的数学模型并进行简化处理,对其控制性能进行了理论分析,研究结构参数与控制性能的关系,为提高电液负载仿真台的控制性能提供理论基础。本文从控制策略上采用将结构不变性原理和神经网络PID控制相结合的复合控制来提高电液负载仿真台加载精度。首先采用结构不变性原理来对多余力矩进行一次补偿,然后采用神经网络PID控制器对多余力矩进行二次补偿,并且进一步解决电液伺服系统的非线性和不确定性对系统造成的不利影响。仿真表明此策略能够改善系统的动态特性,减小系统的稳态误差,提高系统的自适应能力和抗干扰能力,有效地提高了电液负载仿真台的加载特性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的意义
• 1.2 电液负载仿真台概述
• 1.2.1 电液负载仿真台的构成
• 1.2.2 电液负载仿真台的分类
• 1.2.3 电液负载仿真台存在的技术问题
• 1.3 电液负载仿真台国内外发展状况
• 1.3.1 电液负载仿真台国外发展状况
• 1.3.2 电液负载仿真台国内发展状况
• 1.4 控制策略的选取
• 1.4.1 传统PID控制的特点
• 1.4.2 神经网络控制的特点
• 1.4.3 神经网络PID控制
• 1.5 论文的主要工作
• 第二章 电液负载仿真台建模与控制性能分析
• 2.1 电液负载仿真台的构成
• 2.1.1 电液负载仿真台的工作原理
• 2.2 电液负载仿真台的系统建模
• 2.2.1 动力元件的基本方程
• 2.2.2 其他方程
• 2.2.3 负载模型简化
• 2.3 动态特性分析—频率特性
• 2.3.1 无扰加载特性
• 2.3.2 有扰加载特性
• 2.4 系统静态特性—稳态误差
• 2.5 本章小结
• 第三章 系统的前馈补偿和校正
• 3.1 原系统的闭环频率特性分析
• 3.2 前向通道补偿和校正
• 3.2.1 常规PID控制原理
• 3.2.2 系统的仿真研究
• 3.3 系统基于结构不变性原理的前馈补偿
• 3.3.1 结构不变性原理概述
• 3.3.2 结构不变性原理
• 3.3.3 前馈控制器
• 3.4 小结
• 第四章 神经网络PID控制器的设计
• 4.1 神经网络概述
• 4.1.1 人工神经网络的起源
• 4.1.2 用于控制的神经网络的特点
• 4.2 RBF（径向基函数）神经网络特点
• 4.2.1 径向基函数的网络结构
• 4.2.2 RBF神经网络的学习算法
• 4.3 神经网络PID控制器
• 4.3.1 神经网络辨识器
• 4.3.2 神经网络PID控制器
• 4.4 复合控制系统模型
• 4.5 小结
• 第五章 电液负载仿真台仿真研究
• 5.1 引言
• 5.2 控制系统的仿真分析
• 5.2.1 MATLAB语言简介
• 5.2.2 仿真程序的实现步骤
• 5.3 系统的仿真
• 5.3.1 系统的性能指标
• 5.3.2 系统的仿真模型
• 5.3.3 系统无扰仿真分析
• 5.3.4 系统有扰仿真分析
• 5.4 复合控制系统的鲁棒性分析
• 5.4.1 系统多余力矩比较分析
• 5.4.2 系统误差比较分析
• 5.5 小结
• 第六章 结论
• 参考文献
• 附录A 神经网络PID控制器S函数算法
• 在学研究成果
• 致谢