[發明專利]基于神經網絡辨識的舵機電液負載模擬器智能控制方法

在審

• 申請號: 201910053492.3
• 申請日: 2019-01-21
• 公開（公告）號: CN109814383A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 劉曉琳;李卓
• 申請（專利權）人: 中國民航大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

1.一種基于神經網絡辨識的舵機電液負載模擬器智能控制方法，所述的舵機電液負載模擬器包括力控制器(1)、加載伺服閥(2)、加載液壓缸(3)、橡膠-金屬緩沖彈簧(4)、力傳感器(5)和位移傳感器(6)；其中：力控制器(1)與加載伺服閥(2)、力傳感器(5)和位移傳感器(6)相連接；加載伺服閥(2)依次通過加載液壓缸(3)、橡膠-金屬緩沖彈簧(4)與舵機(7)相連接；舵機(7)分別與力傳感器(5)和位移傳感器(6)相連接；其特征在于：所述的控制方法包括按順序進行的下列步驟：

1)由神經網絡辨識器(1.1)和神經網絡控制器(1.2)組成力控制器(1)；

2)神經網絡辨識器(1.1)采用BP神經網絡算法，根據力傳感器(5)和位移傳感器(6)輸出的實際加載力信號F(n)進行在線辨識，從而得到舵機電液負載模擬器辨識模型；

3)以上述舵機電液負載模擬器辨識模型作為控制對象，神經網絡控制器(1.2)根據Adaline網絡監督系統結構參數及多余力干擾的變化情況，將系統指令力與舵機電液負載模擬器辨識模型輸出力之間的偏差作為誤差信號，確定Adaline網絡在線學習準則，神經網絡控制器(1.2)的輸出即為系統控制電壓。

2.根據權利要求1所述的基于神經網絡辨識的舵機電液負載模擬器智能控制方法，其特征在于：在步驟2)中，所述的神經網絡辨識器(1.1)采用BP神經網絡算法，根據力傳感器(5)和位移傳感器(6)輸出的實際加載力信號F(n)進行在線辨識，從而得到舵機電液負載模擬器辨識模型的具體工作過程如下：

首先，對舵機電液負載模擬器數學模型進行離散化處理而得到離散化模型，從而獲取網絡輸入輸出神經元；該離散化模型為：

F(n+1)＝f[F(n),F(n-1),F(n-2),u_i(n),u_i(n-1),u_i(n-2),x_y(n),x_y(n-1),x_y(n-2)] (1)

式中，F(n)為第n次迭代實際加載力；u_i(n)為系統控制電壓；x_y(n)為舵機(7)的位移；

然后，確定BP神經網絡的輸入層、隱含層、輸出層神經元數目為4-7-1；選取u_i(n)、u_i(n-1)、F(n)及F(n-1)作為輸入神經元，選取F(n)作為輸出神經元；

其次，設計BP神經網絡的權值及閾值初值為[-0.5，0.5]的隨機數，在第m組學習樣本訓練過程中，計算BP神經網絡隱含層輸入函數net_jm，再以S函數為激活函數，得到隱含層神經元輸出函數為：

式中，ω_ij為輸入層與隱含層之間的連接權值；x_im為BP神經網絡輸入信號；θ_j為隱含層神經元閾值；

同理可得BP神經網絡輸出層神經元輸出函數為：

式中，net_m為BP神經網絡輸出層神經元的輸入函數；ω_j為隱含層與輸出層之間的連接權值；θ為輸出層神經元閾值；

定義期望輸出函數為Y_m，則目標函數為BP神經網絡全局誤差函數：

式中，M為學習樣本總數；

最后，確定BP神經網絡的權值修正準則；采用最速下降法，引入學習步長η反向計算BP神經網絡的權值，即：

在常規權值調整的基礎上，引入動量因子α，則優化后BP神經網絡輸出層的權值修正公式為：

ω_j(n+1)＝ω_j(n)+Δω_j+α[ω_j(n)-ω_j(n-1)] (6)

同理可得BP神經網絡隱含層的權值修正公式為：

ω_ij(n+1)＝ω_ij(n)+Δω_ij+α_j[ω_ij(n)-ω_ij(n-1)] (7)

設定BP神經網絡學習樣本總數M＝10，每組樣本訓練次數R＝300，動量因子α＝0.4，學習步長η＝0.7，容許誤差ε＞0，按照上述神經網絡辨識器1.1的工作流程對BP神經網絡進行訓練，得到舵機電液負載模擬器辨識模型。

3.根據權利要求1所述的基于神經網絡辨識的舵機電液負載模擬器智能控制方法，其特征在于：在步驟3)中，所述的以上述舵機電液負載模擬器辨識模型作為控制對象，神經網絡控制器(1.2)根據Adaline網絡監督系統結構參數及多余力干擾的變化情況，將系統指令力與舵機電液負載模擬器辨識模型輸出力之間的偏差作為誤差信號，確定Adaline網絡在線學習準則，神經網絡控制器(1.2)的輸出即為系統控制電壓的具體工作流程如下：

給定學習樣本，計算神經網絡控制器(1.2)的輸出；設第m組樣本在第n次迭代過程中，神經網絡控制器(1.2)的輸出為u_im(n)，則：

式中，T為神經元突觸個數；W(n)為Adaline網絡的權值；d(n)為系統指令力；

采用梯度下降法實現Adaline網絡的權值調整，選擇系統指令力與舵機電液負載模擬器辨識模型輸出力之間的偏差作為誤差信號，則誤差能量函數為：

式中，e_m(n)為第m組樣本在第n次迭代過程中的誤差信號；

確定Adaline網絡的權值調整公式為：

W_t(n+1)＝W_t(n)+ΔW_t(n) (10)

由此可得

W_t(n+1)＝ηe_m(n)w_ij(n)w_j(n)f′(net_m(n))·f′(net_jm(n))[d_mt(n)-F_mt(n)]+W_t(n) (13)。