韓桂華++王鵬飛++張此軍

摘要：針對閥控缸電液位置伺服系統(tǒng)非線性建模問題，采用神經(jīng)網(wǎng)絡(luò)進行系統(tǒng)模型辨識。采用LM遺傳算法對三層BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行修正，通過訓(xùn)練系統(tǒng)的輸入/輸出數(shù)據(jù)建立非線性系統(tǒng)辨識模型?；诖四Ｐ?，設(shè)計模糊PI控制器，利用智能權(quán)函數(shù)在線自動調(diào)整和修改模糊控制器的規(guī)則。利用xPC技術(shù)建立閥控缸伺服實驗臺，以實驗臺階躍輸出信號作為改進BP神經(jīng)網(wǎng)絡(luò)辨識信號，以實驗臺正弦輸出信號作為驗證信號。實驗表明：該神經(jīng)網(wǎng)絡(luò)辨識模型的可信性得以驗證；通過對比智能權(quán)函數(shù)模糊PI控制器和模糊控制器的實驗曲線，表明前者控制效果更好。

關(guān)鍵詞：

改進BP神經(jīng)網(wǎng)絡(luò)；系統(tǒng)辨識；智能權(quán)函數(shù)；模糊控制；電液位置伺服系統(tǒng)；遺傳算法

DOI：1015938/jjhust201705004

中圖分類號： TP183，TP273

文獻標志碼： A

文章編號： 1007-2683（2017）05-0018-06

Neural Network Identification and Controller on Electrohydraulic Servo System

HAN Guihua，WANG Pengfei，ZHANG Cijun

（School of Mechanical and Power Engineering， Harbin University of Science and Technology ， Harbin 150080， China）

Abstract：The neural networks system identification was used in nonlinear model on valvecontrolcylinder electrohydraulic position servo system The three layers BP neural network weights and threshold were optimized using LM genetic algorithm， the relationship of system input and output was analyzed and neural network identification model was presented A kind of fuzzy PI controller was designed based on the model， which can automatically adjust and modify the rules of fuzzy controller by using the intelligent weight function A real time electrohydraulic servo test bench was built with the xPC technique The test bench step output was used to identify in the improved BP neural network and the sinusoidal output was used to verify in experiment Experiment results show that the credibility is verified on neural network identification model； and that the control effect of the intelligent weight function fuzzy PI controller is better than the fuzzy controller

Keywords：improved BP neural network； system identification； intelligent weight function； fuzzy control； electrohydraulic position servo system； genetic algorithm

收稿日期： 2016-02-13

基金項目： 國家自然科學基金青年科學基金（51405113）；國家國際科技合作專項資助合作項目（2012DFR70840）

作者簡介：

韓桂華（1972—），女，博士，教授，Email：641544105@qqcom；

王鵬飛（1990—），男，碩士研究生；

張此軍（1990—），男，碩士研究生

0引言

建立系統(tǒng)的數(shù)學模型是控制理論的基礎(chǔ)，電液伺服系統(tǒng)因系統(tǒng)的死區(qū)特性、增益以及自激振蕩等是一個模型參數(shù)和結(jié)構(gòu)不確定的非線性系統(tǒng)[1-3]，因此，在工程應(yīng)用中獲得一個與實際系統(tǒng)完全等價的數(shù)學模型，并以此為基礎(chǔ)進行控制器的仿真設(shè)計是非常困難的。神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于眾多領(lǐng)域，但在非線性系統(tǒng)模型辨識中還存在收斂速度慢，學習時間長等問題。本文通過分析標準BP算法現(xiàn)狀與存在的問題[4-6]，將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與遺傳算法相結(jié)合，建立閥控缸電液位置伺服系統(tǒng)的辨識模型。

模糊控制根據(jù)經(jīng)驗制定模糊規(guī)則即可對被控制對象實施控制，特別適用于被控制對象是非線性時變的不確定系統(tǒng)。但常規(guī)模糊控制器的修正因子α一經(jīng)確定，其模糊控制規(guī)則便不可改變。帶有智能權(quán)函數(shù)的模糊控制器就可以通過智能權(quán)函數(shù)來在線自調(diào)整修正因子α，以達到在線自調(diào)整模糊控制規(guī)則的目的，從而使模糊控制器能夠適應(yīng)被控制對象的變化[7-9]。模糊控制器由于缺少積分環(huán)節(jié)，控制過程中還存在穩(wěn)態(tài)誤差難以消除的問題。本文以閥控缸電液伺服系統(tǒng)神經(jīng)網(wǎng)絡(luò)辨識模型為對象，設(shè)計一種智能權(quán)函數(shù)模糊PI控制器，用于改善和消除系統(tǒng)的穩(wěn)態(tài)誤差，實現(xiàn)模糊規(guī)則在線自調(diào)整，并借助于xPC實時系統(tǒng)的半實物仿真環(huán)境和MATLAB軟件[10]，驗證神經(jīng)網(wǎng)絡(luò)辨識模型及模糊控制器的有效性。endprint

1xPC半實物仿真實驗環(huán)境

利用xPC技術(shù)建立的電液伺服實驗臺的半實物仿真環(huán)境如圖1所示，在xPC Target環(huán)境中，宿主機為裝有MATLAB/simulink軟件的pc機，目標機為研華工控機，兩者通過以太網(wǎng)LAN實現(xiàn)通訊，用于控制器實時測試和系統(tǒng)半實物仿真等。

實驗臺的動力機構(gòu)為典型的對稱閥控制對稱液壓缸模型如圖2所示，計算機給伺服閥提供控制信號Ur，經(jīng)過數(shù)據(jù)輸出（D/A）卡、伺服放大器，控制液壓缸。為了實現(xiàn)位置閉環(huán)控制，由位移傳感器把位置信號Us反饋給數(shù)據(jù)采集（A/D）卡，偏差值ΔU先后經(jīng)控制器處理和伺服放大器放大，然后以電流信號傳遞給電液伺服閥，從而控制伺服閥的開口大小，達到通過控制伺服閥的流量變化來控制液壓缸位移的目的，同時在示波器和顯示屏上顯示出液壓缸的實時位置。

2基于改進BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識

21LM算法原理

BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network）的 BP算法通過信號正向傳播和誤差反向傳播確定權(quán)值。在正向傳播過程中，輸入的信息經(jīng)由隱含層計算傳向輸出層。如果輸出層得到的信息與期望的輸出有誤差，誤差信號沿原來的神經(jīng)網(wǎng)絡(luò)通路反向傳播來修正每層神經(jīng)元的權(quán)值與閾值，使網(wǎng)絡(luò)的誤差平方和不斷減小。這個過程循環(huán)執(zhí)行，直到輸出層的輸出達到了期望值，或達到設(shè)定學習次數(shù)而終止。

標準的BP算法收斂速度慢，學習速率不易確定，很難用于工程實際中。為了優(yōu)化BP網(wǎng)絡(luò)，目前常用的優(yōu)化算法包括變速率算法、共軛梯度算法、高斯-牛頓算法、LM算法等[11-14]。與其他算法比較， LM算法既具有高斯-牛頓法的局部收斂性，又具有梯度下降法法的全局特性，有效改善網(wǎng)絡(luò)的收斂性能。

當實際輸出與期望輸出不符時，產(chǎn)生誤差用E表示。

E=12∑iK=1e2k（w）（1）

式中： w為網(wǎng)絡(luò)權(quán)值和閾值所組成的向量；

ek（w）為誤差。

若wk表示第k次迭代的權(quán)值和閾值所組成的向量，wk+1表示第k+1次迭代的權(quán)值和閾值所組成的向量。wk+1與wk之間的關(guān)系表示為wk+1=wk+Δw。其中權(quán)值增量Δw表示為：

Δw=[JT（w）J（w）+μI]-1JT（w）e（w）（2）

式中：I為單位矩陣；μ為用戶定義的學習率；J（w）為雅克比矩陣，即

J（w）=

e1（w）w1e1（w）w2…e1（w）wn

e2（w）w1e2（w）w2…e2（w）wn

eN（w）w1eN（w）w2…eN（w）wn（3）

LM算法是為了在以近似二階訓(xùn)練速率進行修正時避免計算Hessian矩陣而設(shè)計的。此雅可比矩陣可以通過標準的前饋網(wǎng)絡(luò)得到，所以LM算法比梯度法快得多。從式（2）中可知，若μ=0，則為高斯-牛頓法；若μ值很大，則LM算法接近梯度下降法。每次迭代完之后，若減小學習率μ，當期望輸出接近實際輸出的時候，逐漸與高斯-牛頓法相似。這樣就提高了學習速率。

22基于改進BP神經(jīng)網(wǎng)絡(luò)實驗臺的模型建立

神經(jīng)網(wǎng)絡(luò)應(yīng)用于系統(tǒng)辨識不需要預(yù)先選擇實際系統(tǒng)的模型，而是直接通過訓(xùn)練系統(tǒng)的輸入/輸出數(shù)據(jù)進行辨識。由于神經(jīng)網(wǎng)絡(luò)具有非線性的特點，可以不受非線性模型的限制。本文采用典型的三層BP神經(jīng)網(wǎng)絡(luò)，再利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行修正，使要求的誤差準則函數(shù)達到最小，從而優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，最終建立辨識模型，如圖3所示。

對位置反饋閉環(huán)控制來進行（電液位置伺服系統(tǒng)）辨識?？紤]到非線性系統(tǒng)的時變性和干擾性，進行多組實驗。分別以正弦信號和階躍信號為輸入，記錄其輸出數(shù)據(jù)。這樣在xPC實時系統(tǒng)的半實物仿真環(huán)境下，在線得到輸入輸出數(shù)據(jù)。其中，階躍信號所得的數(shù)據(jù)用于改進BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識，正弦信號進行驗證。

在MATLAB環(huán)境下輸入nntool，進入神經(jīng)網(wǎng)絡(luò)工具箱辨識GUI。將訓(xùn)練樣本數(shù)據(jù)導(dǎo)入GUI，建立神經(jīng)網(wǎng)絡(luò)。采用單輸入單輸出電液伺服系統(tǒng)，確定了改進 BP網(wǎng)絡(luò)的輸入節(jié)點數(shù)L=10，輸出節(jié)點數(shù)N=1。對于隱含層節(jié)點數(shù)的選取，經(jīng)過反復(fù)的訓(xùn)練，當M=17時誤差最小且精度最高。各層傳遞函數(shù)類型：隱含層選用單極性S型函數(shù)，輸出層選用線性傳遞函數(shù)purelin，學習算法采用LM算法（trainlm）。采用均方誤差（MSE）性能函數(shù)網(wǎng)絡(luò)的誤差函數(shù)進行修正。創(chuàng)建神經(jīng)網(wǎng)絡(luò)如圖4所示。

23辨識結(jié)果驗證

根據(jù)建立的神經(jīng)網(wǎng)絡(luò)進行辨識，以階躍信號為輸入，LM算法（MSE）性能曲線如圖5～圖7所示。

將訓(xùn)練誤差參數(shù)值設(shè)為0001，其余均為默認值。得到的訓(xùn)練誤差曲線在第四步就達到了所設(shè)目標值。訓(xùn)練輸出誤差曲線比較平滑，說明誤差小。

從圖7中可以得知，辨識輸出與實際輸出之間的相關(guān)系數(shù)都達到了09以上。

根據(jù)建立的辨識模型，可對此非線性系統(tǒng)的任何輸入進行辨識輸出。為下一步針對本系統(tǒng)的控制理論研究提供了前提和保障。

3智能權(quán)函數(shù)模糊PI控制器

31帶修正因子的模糊控制器

模糊控制器常用的是二維模糊控制器，其模糊規(guī)則查詢表、量化因子Ke和Kc以及比例因子Ku，一旦確定之后，在控制過程中就不能夠再改變。因此，需考慮在不同的誤差E和誤差變化EC等級時，引入不同大小的修正因子，實現(xiàn)模糊控制規(guī)則自調(diào)整。在誤差E較大時，控制的主要任務(wù)是消除誤差，這時對控制規(guī)則中誤差E的加權(quán)度就應(yīng)該變大些；而當誤差E較小時，此時系統(tǒng)已接近穩(wěn)態(tài)，控制的主要任務(wù)就變成了盡快地使系統(tǒng)達到穩(wěn)定，為了有效地減小超調(diào)，就要在控制規(guī)則中對誤差變化EC的加權(quán)度大些，以使誤差變化EC所起的作用變大。常用方法有[15]。引入多個調(diào)整因子、使用自調(diào)整因子和使用自調(diào)整函數(shù)的方法。本文所使用的智能權(quán)函數(shù)法是自調(diào)整函數(shù)法的一種。endprint

由帶修正因子α的模糊控制器的自調(diào)整原理可知，可利用誤差和誤差變化的絕對值作為各自的加權(quán)，為滿足對二者加權(quán)之和等于1的條件，誤差及誤差變化的自調(diào)整權(quán)函數(shù)可分別設(shè)計為

αe=|E|/（|E|+|EC|）（4）

αec=|EC|/（|E|+|EC|）（5）

式中E和EC分別為誤差和誤差變化的模糊值，顯然誤差的權(quán)函數(shù)αe和誤差變化的權(quán)函數(shù)αec滿足αe+αec=1的條件。

根據(jù)式（4）和式（5）所確定的權(quán)函數(shù)，可以得到智能權(quán)函數(shù)模糊控制規(guī)則的解析表達式為：

U=-<αe×E+αec×EC>（6）

智能權(quán)函數(shù)模糊控制算法是一種仿人智能控制策略，特點是權(quán)函數(shù)僅是輸入變量的函數(shù)，其控制系統(tǒng)可以自動地根據(jù)輸入變量實時地調(diào)整權(quán)函數(shù)，從而實現(xiàn)在線調(diào)整模糊控制規(guī)則。為改善控制器的控制性能，消除穩(wěn)態(tài)誤差，引入PI控制結(jié)構(gòu)，如圖8所示。

32智能權(quán)函數(shù)模糊PI控制器的設(shè)計

在MATLAB中利用模糊推理系統(tǒng) （FIS） 編輯器，構(gòu)造一個雙輸入（偏差E和偏差變化EC）、單輸出（控制量U）的二維模糊控制系統(tǒng)。采用Mamdani型推理方法，其中模糊邏輯的and算法采用“prod”，or算法采用“probor”，清晰化算法采用“centroid”，蘊含算法采用“prod”，綜合算法采用“max”。

模糊輸入變量（E和EC）和輸出變量（U）的隸屬度函數(shù)均采用高斯型隸屬度函數(shù)。論域及語言值分別如下[16-20]：

偏差E的論域及語言值為：

{負，零，正}={n，z，p}={6，5，4，3，2，1，0，1，2，3，4，5，6}

偏差變化EC的論域及語言值為：

{負，零，正}={n，z，p}={06，05，……，01，0，01，……，05，06}

控制量U的論域及語言值為：

{負大，負中，負小，負，零，正，正小，正中，正大}={nb，nm，ns，n，z，p，ps，pm，pb}={6，5，4，3，2，1，0，1，2，3，4，5，6}。

輸入變量和輸出變量的模糊子集隸屬度函數(shù)如表1所示。

電液位置伺服系統(tǒng)主要是通過控制電液伺服閥的閥門開口大小和速度來達到控制液壓缸活塞的位移的目的，根據(jù)知識和經(jīng)驗歸納可總結(jié)出9條模糊控制規(guī)則。模糊控制規(guī)則如表2所示。結(jié)合智能權(quán)函數(shù)的原理，在MATLAB/Simulink環(huán)境下建立智能權(quán)函數(shù)模糊PI控制系統(tǒng)的仿真圖，如圖9所示。

33實驗分析

為了驗證基于神經(jīng)網(wǎng)絡(luò)辨識模型所設(shè)計的智能權(quán)函數(shù)模糊PI控制器在實際應(yīng)用中的有效性，在xPC半實物仿真實驗臺上進行了實時控制實驗研究。

實驗時將智能權(quán)函數(shù)模糊PI控制器與常規(guī)模糊控制器進行比較研究，其階躍響應(yīng)和正弦響應(yīng)的實驗結(jié)果曲線分別如圖11和圖12所示，圖中曲線1為輸入，曲線2為模糊控制輸出，曲線3為智能權(quán)函數(shù)模糊PI控制器輸出。由圖可見，模糊控制器和智能權(quán)函數(shù)模糊PI控制器的穩(wěn)態(tài)性能和跟蹤性能都表現(xiàn)得不錯。但是模糊控制由于沒有引入積分項，階躍響應(yīng)曲線有余差存在，而智能權(quán)函數(shù)模糊PI控制器幾乎沒有余差，并且階躍響應(yīng)的上升時間更快、超調(diào)量更小，正弦響應(yīng)時其跟蹤響應(yīng)時間更短。

4結(jié)論

本文以電液伺服實驗臺為例，通過xPC半實物仿真采樣獲得被控對象的輸入輸出數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與遺傳算法相結(jié)合，建立了基于LM算法的神經(jīng)網(wǎng)絡(luò)辨識模型。實驗表明通過在神經(jīng)網(wǎng)絡(luò)外部擬合系統(tǒng)的輸出，對本質(zhì)非線性電液位置伺服系統(tǒng)進行辨識，調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部的權(quán)值獲得的神經(jīng)網(wǎng)絡(luò)辨識模型可信性好。以此模型為對象，結(jié)合智能權(quán)函數(shù)的作用原理，利用MATLAB/Simulink設(shè)計了一種智能權(quán)函數(shù)模糊PI控制器。這種控制器能夠通過在線自調(diào)整修正因子α來在線自調(diào)整模糊控制規(guī)則，改善了常規(guī)模糊器不能很好地適應(yīng)控制對象的變化的缺點。與常規(guī)模糊控制器相比，智能權(quán)函數(shù)模糊PI控制器的控制精度更好。

參 考 文 獻：

[1]GIOVANNELLI F，GIREMUS A Bayesian Noise Model Selection and System Identification Based on Approximation of the Evidence[M].Statistical Signal Processing （SSP）， 2014 IEEE Workshop on， 2014：125-128

[2]LING T G， RAHMAT M F， HUSAIN A R Anfis Modeling of ElectroHydraulic Actuator System[C]// Signal Processing and its Applications （CSPA）， 2012 IEEE 8th International Colloquium on 2012：89 – 92

[3]LING T G， RAHMAT M F， HUSAIN A R System Identification and Control of an ElectroHydraulic Actuator System[C]// Signal Processing and its Applications （CSPA）， 2012 IEEE 8th International Colloquium on IEEE， 2012：85-88

[4]謝蓄芬， 劉泊， 王德軍 一種改進BP神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用[J]. 哈爾濱理工大學學報， 2004（5）：63-65

[5]YU F， XU X A Shortterm Load Forecasting Model of Natural Gas Based on Optimized Genetic Algorithm and Improved BP Neural Network[J]. Applied Energy， 2014， 134（134）：102-113endprint

[6]LIU Y Y， SHEN D R， CHEN Y J Multiinnovation Stochastic Gradient Identification Algorithm Based on Feedforward Neural Networks [J]. Journal of Harbin University of Commerce： Natural Sciences Edition， 2006，22（2）： 83-86

[7]李勁松，金志揚 基于修正因子智能權(quán)函數(shù)的汽車ABS模糊控制算法仿真研究[J]. 汽車科技，2010（3）：55-57

[8]IZADIKHAH M Deriving Fuzzy Weights of Criteria from Inconsistent Fuzzy Comparison Matrices by Using Goal Programming Method [J].Journal of Intelligent & Fuzzy Systems Applications in Engineering & Technology， 2013， 25（1）：69-80

[9]黃強， 張曉， 張勝強 油壓跟隨性的智能權(quán)函數(shù)模糊控制研究[J]. 九江學院學報， 2009， 28（3）：6-8

[10]張立勛， 董玉紅， 王懷軍 基于半物理仿真技術(shù)的機電伺服系統(tǒng)模型辨識研究[J]. 機電一體化， 2006， 12（2）： 30-32

[11]JIANG B， WANG B Parameter Estimation of Nonlinear System Based on Genetic Algorithms [J]. Control Theory & Applications， 2000， 17（1）：150-152

[12]張本國， 李強，王葛 基于改進BP神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報[J]. 中國機械工程，2012（2）：204-207

[13]尹光志，李銘輝，李文璞 基于改進BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測模型[J]. 煤炭學報，2013（7）：1179-1184

[14]高雪鵬， 叢爽 BP網(wǎng)絡(luò)改進算法的性能對比的研究[J]. 控制與決策，2011， 16 （2）： 167-171

[15]WANG Chihsu， HUNG Kunneng Dynamic System Identification Using Highorder Hopfield Based Neural Network [J]. Asian journal of control 2012， 14（6）： 1553-1566

[16]溫嘉斌， 麻宸偉 無刷直流電機模糊PI控制系統(tǒng)設(shè)計[J]. 電機與控制學報， 2016， 20（3）：102-108

[17]于艦，孫桂濤，高炳微 液壓四足機器人驅(qū)動器 CAN 總線通信[J].哈爾濱理工大學學報，2013，18（2）：78-80

[18]XU Baochuang， ZHANG Yingying An Improved Gravitational Search Algorithm for Dynamic Neural Network Identification [J]. International Journal of Automation and computing， 2014， 11（4）：434-440

[19]榮盤祥， 董文波， 于林 混沌自調(diào)整模糊PID控制器的研究與應(yīng)用[J]. 哈爾濱理工大學學報， 2014， 19（2）：26-30

[20]雷賓賓， 保宏， 許謙 區(qū)間二型模糊 PI/PD 控制器設(shè)計與結(jié)構(gòu)分析[J]. 電機與控制學報， 2016， 20（6）：50-63

（編輯：關(guān)毅）endprint