基于遗传神经网络的电液伺服系统自适应控制

《基于遗传神经网络的电液伺服系统自适应控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、《机床与液压》P!!PE’4EQ·?>·基于遗传神经网络的电液伺服系统自适应控制王益群，陈星，曹栋璞（燕山大学机械工程学院，!""!!#）摘要：针对热连轧卷取机卷取过程当中的带头损失现象，本文提出一种液压踏步控制的伺服系统。采用神经网络跟踪对象的动力学特性，建立了遗传算法与神经网络相结合的识别模型（$%&%’’），利用遗传算法进行网络权系的训练和优化。试验证明该系统有好的控制效果，对实现液压系统的人工智能化奠定了基础。关键词：踏步控制；伺服系统；神经网络；遗传算法!"#$%&’()*+%,*-*./-(0%,*12",#3-&04(,’*425%(6575&+89!&!::()*

2、+,-./*，012*3-*+，0)454*+6/（7281)*-8)9:*+-*22;-*+526);<=2*<4>,)*?1)*@*-A2;?-4;-=6;4A2=2*<4><1212)D4>C)*D-*)14<;499-*+=-99>4;4>>2;-*+)84?-8-)9*2/;)9*24994F<124CH28<’?81);)8<2;?，<1-?6)62;6;2?2*<

3、?4*2$%&%’’（+2*2<-8)9+4;-<1=&);<-I>-8-)9*2/;)9*2>28<-A2)*D-<9)B?<12C)?-?-*-*<299281BD;)/9-8?B?<2=?E<(2=*,"5：L<26&CB&?<2684*<;49；L2;A4?B?<2=；%;<->-8-)9*2/;)9*2

4、带头为了减少热连轧卷取机的带头损失，在现代的热自动跟踪和台阶的自动回避控制。轧卷板机中采取步进式助卷辊电液伺服控制系统。该系统是一强非线性的时变系统。随着工作状态的变化和现场的各种干扰的影响，系统参数和结构都有可能发生变化，从而给控制系统的设计带来一定的困难。工程上通常采用的控制器，例如MN5控制，难于满足系统高性能指标的要求。自适应技术的应用能够提高伺服系统的控制精度和鲁棒性起到很大的作用，但是在大扰动作用下和系统的不确定时，自适应算法过于复杂，并容易引起系统的不稳定。本系统控制当中采用神经网络遗传算法和MN5相结合的自适应控制实现了对伺服系统的有效控制。图O步进控制系统结构框

5、图"步进控制系统的构成步进控制过程主要是：（O）在带钢捆绕一圈后而所确定的地下卷取机的控制方案如图O所示，图叠绕的带钢头部达到助卷辊之前，助卷辊迅速退回一中用压力传感器得到液压缸两腔的工作压差，实现压个板厚的距离；（P）带钢头部通过助卷辊之后助卷辊力闭环控制系统的压力控制，而用位置传感器检测位再高速压下，将带钢压紧在卷筒上。图P闭环系统仿真框图·"!·《机床与液压》!HH!M)0MF这两种运动都是由带有压力调节系统的位置量调隐单元的活性及隐单元和输出单元之间的权值。信息节系统来完成的，调节系统在转换方向时是通过预给的传播是由输入单元到隐单元，最后到输出单元。输定位置值来强制执行的

6、。因此，有必要对所属的压力入单元和隐单元、隐单元和输出单元间的权值决定每调节系统的压力给定值随着运动方向加以限制，在回个单元何时是活性的，借修改这些权值，前向神经网程（抬起）时压力给定限制值要在最大值上，这样位络可以用来逼近任意连续函数，能够实现多元函数的置调节系统可以达到最大速度（全部速度）。非线性映射。!液压控制系统的数学模型%输入层与输出层设计位置和压力控制系统的仿真框图如图!所示，系参数识别的&’(’))神经网络的输入层是*+,控统中考虑了油源和油源至伺服阀之间的管道的影响。制器出来的&（!）前几个时刻的值和系统输出%（!）"直接自适应神经网络控制系统的结构构成的。输出层

7、为伺服阀放大器的输入控制信号。电液伺服系统经过线性化处理后，其输入、输出&隐层数及隐单元数的选择关系可用下式表示：$>?>年@0A4BC/4D:()345E0<证明了对于任何在闭!（!）""（"（!））#!（!）（$）区间内的一个连续函数都可以用一个隐层的神经网络其中，!（!）为输出量，"（!）为位置给定，"来逼近，因而本文选择了三层网络，即隐层数为一层。（"（!））为"（!）的线性函数。!（!）为未知函数，对于隐层单元数的选择是一个十分复杂的问题，没有它包括能源波动、外负载、工