基于遺傳優(yōu)化RBF神經(jīng)網(wǎng)絡的電動負載模擬器控制

魏全增等

摘 要： 針對炮控系統(tǒng)電動負載模擬器存在的摩擦、間隙、彈性形變、對象參數(shù)時變和位置擾動等復雜非線性，傳統(tǒng)的控制方法難以得到良好的動靜態(tài)性能指標。結合電動負載模擬器系統(tǒng)組成和工作原理，建立了加載數(shù)學模型，利用炮控系統(tǒng)位置控制信號進行前饋補償，設計了RBF神經(jīng)網(wǎng)絡控制器，并采用改進遺傳算法對控制器的權值、節(jié)點和中心矢量等參數(shù)進行優(yōu)化。實驗結果表明：該控制策略能夠有效抑制多余力矩，保證了系統(tǒng)靜、動態(tài)加載時的控制精度和穩(wěn)定性。

關鍵詞： 電動負載模擬器； RBF神經(jīng)網(wǎng)絡； 遺傳算法； 多余力矩

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2015）21?0113?05

Control of electric?driven load simulator based on genetic

optimization RBF neural network

WEI Quanzeng， CHEN Jilin， GAO Qiang， WANG Chao

（School of Mechanical Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： For the complex nonlinearities of friction， clearance， elastic deformation， time?varying performance of the target parameters and position disturbance are existed in electric?driven load simulator of the gun control system， the conventional control method can′t achieve the good static and dynamic performance indexes. In combination with the system composition and working principle of the electric?driven load simulator， the loading mathematical model was established. The RBF neural network controller （RBFNNC） was designed by using the position control signal of the gun control system to conduct with feedforward compensation. The parameters of the controller′s weight， nodes and center vector are optimized by the improved genetic algorithm. The experimental results show that this control strategy can restrain the extra torque effectively， and ensure the control precision and stability when the system is loading in static or dynamic state.

Keywords： electric?driven load simulator； RBF neural network； genetic algorithm； extra torque

0 引 言

由于炮控系統(tǒng)的工作狀態(tài)非常復雜，實際工作過程中會受到各種干擾力矩的影響，為保證炮控系統(tǒng)的高效工作，一般利用半實物仿真實驗平臺（負載模擬器）對其實際所受負載進行模擬[1]。電動負載模擬器憑借控制性能良好、動態(tài)響應快、可靠性高、易維護等優(yōu)點，得到了廣泛應用。由于電動負載模擬器是通過機械裝置與被加載裝置連接實現(xiàn)對力矩加載，因此被加載裝置自身的運動會影響模擬負載的力矩加載，再加上系統(tǒng)本身存在摩擦、間隙以及彈性變形等非線性因素，由此產(chǎn)生的這種干擾力矩就被稱作多余力矩。

目前，在多余力矩的抑制方面，大致可分為兩類[2]。第一類為基于結構的控制方法，文獻[3]提出了安裝低剛度緩沖彈簧桿的方法，降低了連接剛度和系統(tǒng)諧振，減小了干擾力矩，但影響了系統(tǒng)的快速響應性。文獻[4]提出同步馬達的方法，有效地抑制了擾動力矩，但對轉動慣量大的被加載系統(tǒng)同樣難以實現(xiàn)快速精確控制；第二類為基于補償?shù)目刂品椒?，文獻[5]提出了模糊自適應PID加載系統(tǒng)控制方案，文獻[6]利用結構不變性原理將位置速度等信號擾動進行前饋補償，實現(xiàn)消除多余力矩的目的，但前饋補償會含有微分環(huán)節(jié)使系統(tǒng)的抗噪聲能力變差。文獻[7]采用離線構建、在線調試策略，對控制算法進行簡化，每一時刻采用數(shù)據(jù)只能調整局部隱節(jié)點的參數(shù)，不會影響到其他部分隱節(jié)點的參數(shù)。

本文提出了一種改進遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡控制器（Improved Genetic Algorithms?RBF Neural Network Controller，IGA?RBFNNC），并利用炮控系統(tǒng)位置控制信號直接進行補償。改進遺傳算法采用實數(shù)編碼方式，提出了最優(yōu)個體保留策略，克服了傳統(tǒng)遺傳算法收斂速度慢、易陷入早熟等缺點，實現(xiàn)了對RBF神經(jīng)網(wǎng)絡控制器參數(shù)的權值、節(jié)點和中心矢量等參數(shù)的優(yōu)化。

1 電動負載模擬器工作原理及系統(tǒng)模型

1.1 電動負載模擬器工作原理

該電動負載模擬器結構如圖1所示。電動負載模擬器是典型的被動式力矩伺服控制系統(tǒng)，采用調速性能好、轉動慣量小、過載能力強的交流永磁同步電機（PMSM）驅動。

圖1 電動負載模擬器結構圖

1.2 交流永磁同步電機模型

為簡化分析，理想狀態(tài)下交流永磁同步電機在[d?q]坐標系上的微分方程描述為[8]：

由式（5）可知：輸出力矩由兩部分組成，后一部分主要是由被加載對象的角速度、角加速度、角加速度變化率的擾動引起的，具有明顯的微分特性，這就是所謂的多余力矩。

2 控制器設計

多余力矩的存在會影響加載電機對給定載荷曲線的跟蹤精度，為了消除多余力矩的影響，本文采用對炮控系統(tǒng)位置控制信號直接前饋補償，針對電動負載模擬器存在的摩擦、間隙、對象參數(shù)時變等非線性特點設計了RBF神經(jīng)網(wǎng)絡控制器，并采用改進的遺傳算法對控制器參數(shù)尋優(yōu)，其結構如圖3所示。

由結構不變性原理可得：

圖3中虛線框為RBF神經(jīng)網(wǎng)絡控制器，其由輸入層、隱含層和輸出層組成。它是一種局部逼近網(wǎng)絡，已證明它能以任意精度逼近任意連續(xù)函數(shù)，訓練速度快，對每個訓練樣本只需對少量的權值和閥值進行修正，因此廣泛應用于實時控制系統(tǒng)中。

本文選用的RBF神經(jīng)網(wǎng)絡控制器中，[x=[x1，x2]T]為神經(jīng)網(wǎng)絡的輸入向量；RBF神經(jīng)網(wǎng)絡的徑向基向量為[h=[h1，h2，…，hm]T，]其中[hj（j=1，2，…，m）]為高斯基函數(shù)：

然而RBF控制器參數(shù)初值往往通過專家經(jīng)驗隨機選取，這樣使控制器性能受到影響。由于遺傳算法具有多點并行操作機制尋找全局最優(yōu)解，收斂速度快等優(yōu)點，因此本文采用遺傳算法來優(yōu)化RBF神經(jīng)網(wǎng)絡控制器的參數(shù)。

3 控制器參數(shù)的遺傳優(yōu)化

遺傳算法（Genetic Algorithm，GA）是一種源于生物遺傳學和適者生存的自然規(guī)律的自適應啟發(fā)式全局搜索算法。通過選擇、交叉、變異等基本遺傳運算操作對目標空間進行全局隨機化搜索[10]。

傳統(tǒng)遺傳算法操作簡單，但收斂速度慢且得不到全局最優(yōu)解。因此，本文對傳統(tǒng)的遺傳算法進行了改進，采用實數(shù)編碼方式，取理想輸出與實際輸出誤差的平方和作為目標函數(shù)，提出了最優(yōu)個體保留策略，保證了改進遺傳算法能在全局范圍內收斂。

3.1 參數(shù)編碼

為提高精度，加快收斂速度，便于大空間搜索。本文使用實數(shù)編碼方式對RBF神經(jīng)網(wǎng)絡控制器的三個參數(shù)進行編碼，即用實數(shù)表示染色體的基因值，得到染色體序列如表1所示。

式中：[E（Xi）]為目標函數(shù)；[yi]是理想的輸出值；[yi]為實際的輸出值；[F（Xi）]為適應度函數(shù)。

3.3 遺傳操作

3.3.1 選擇

采用輪盤賭選擇方法，即適應值比例選擇方法，這是一種最常見的選擇機制，個體的適應值越大，其被選中的概率就越高。假設種群大小為[n]的群體[P=X1，X2，…，Xn，]其中，個體[Xi∈P]的適應值為[F（Xi），]則其被選中的概率為：

3.3.3 變異

變異操作用來模擬生物在自然的遺傳環(huán)境中由于各種偶然因素引起的基因突變，它以很小的概率隨機地改變遺傳基因的值。

為了避免陷入早熟同時維持種群的多樣性，引入變異算子，變異概率同自然界生物一樣，發(fā)生變異的概率很低，一般取0.000 1～0.1，這里變異概率[Pm]為0.05。

3.4 最優(yōu)個體保留策略

最優(yōu)個體保留策略將父代代中的最優(yōu)個體挑選出來，并與子代中適應度最低的個體進行替換，即進行最佳保留機制操作，這樣可以保證算法平穩(wěn)且具有較快全局收斂性。

4 仿真實驗結果及分析

為了驗證本文所提控制方法的有效性，搭建了半實物仿真實驗平臺如圖4所示。選取加載模型的各參數(shù)值如表2所示。

5 結 語

本文在研究電動負載模擬器基本結構和原理的基礎上，建立了執(zhí)行機構的數(shù)學模型，利用炮控系統(tǒng)位置控制信號進行前饋補償，同時對傳統(tǒng)遺傳算法進行了改進，并對RBF神經(jīng)網(wǎng)絡控制器的參數(shù)尋優(yōu)。實驗結果表明，使用所設計的控制器滿足動態(tài)性能指標，能夠快速穩(wěn)定跟蹤給定信號，有效地消除了多余力矩，可應用到實際電動負載模擬器設計中。

參考文獻

[1] 王力，錢林方，高強，等.基于灰預測模糊PID的隨動系統(tǒng)負載模擬器力矩控制研究[J].兵工學報，2012，33（11）：1379?1386.

[2] 田巨，張科.電動負載模擬器的發(fā)展與現(xiàn)狀[J].微特電機，2014，42（5）：70?74.

[3] 王鑫，馮冬竹.引入彈簧桿的電動負載模擬器實驗研究[J].電機與控制學報，2012，16（9）：91?94.

[4] 蘇東海，吳盛林，付興武，等.利用基于同步補償?shù)慕撬俣炔钪悼朔嘤嗔豙J].哈爾濱工業(yè)大學學報，2000，32（1）：78?81.

[5] 董文彬，肖利紅.基于FUZZY?PID控制的變負載模擬技術的研究[J].航空航天，2010，28（2）：63?69.

[6] 吳金波，李紹安，李維嘉，等.電動負載模擬器的建模與混合校正策略[J].現(xiàn)代制造工程，2010（4）：13?17.

[7] 張建.基于RBF神經(jīng)網(wǎng)絡的電動負載模擬器控制策略研究[D].哈爾濱：哈爾濱工業(yè)大學，2006.

[8] 王超，吳曉亮.基于復合控制策略的電動負載模擬器研究[J].現(xiàn)代電子技術，2014，37（17）：90?93.

[9] 方強.被動式力矩伺服控制系統(tǒng)設計方法及應用研究[D].哈爾濱：哈爾濱工業(yè)大學，2006.

[10] 張明君，張化光.遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡控制器[J].電機與控制學報，2007，11（2）：183?187.

[11] 婁悅.伺服系統(tǒng)模擬加載系統(tǒng)的研究與設計[D].南京：南京理工大學，2007.

[12] 王寶忠，宋冬鋒，劉衛(wèi)法.基于Smith預估補償與RBF神經(jīng)網(wǎng)絡的改進PID控制[J].現(xiàn)代電子技術，2011，34（5）：153?157.

[13] 張冬，王濤.基于RBF神經(jīng)網(wǎng)絡的超高壓繼電保護的算法研究[J].現(xiàn)代電子技術，2011，34（20）：196?199.