[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)辨識的舵機電液負載模擬器智能控制方法

在審

• 申請?zhí)枺?/td>: 201910053492.3
• 申請日: 2019-01-21
• 公開（公告）號: CN109814383A
• 公開（公告）日: 2019-05-28
• 發(fā)明（設(shè)計）人: 劉曉琳;李卓
• 申請（專利權(quán)）人: 中國民航大學(xué)
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 天津才智專利商標(biāo)代理有限公司 12108
• 代理人: 龐學(xué)欣

1.一種基于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)辨識器(1.1)和神經(jīng)網(wǎng)絡(luò)控制器(1.2)組成力控制器(1)；

2)神經(jīng)網(wǎng)絡(luò)辨識器(1.1)采用BP神經(jīng)網(wǎng)絡(luò)算法，根據(jù)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(jīng)網(wǎng)絡(luò)控制器(1.2)根據(jù)Adaline網(wǎng)絡(luò)監(jiān)督系統(tǒng)結(jié)構(gòu)參數(shù)及多余力干擾的變化情況，將系統(tǒng)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(wǎng)絡(luò)在線學(xué)習(xí)準則，神經(jīng)網(wǎng)絡(luò)控制器(1.2)的輸出即為系統(tǒng)控制電壓。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)辨識器(1.1)采用BP神經(jīng)網(wǎng)絡(luò)算法，根據(jù)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(shù)學(xué)模型進行離散化處理而得到離散化模型，從而獲取網(wǎng)絡(luò)輸入輸出神經(jīng)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(xiàn)(n)為第n次迭代實際加載力；u_i(n)為系統(tǒng)控制電壓；x_y(n)為舵機(7)的位移；

然后，確定BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層神經(jīng)元數(shù)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(jīng)元，選取F(n)作為輸出神經(jīng)元；

其次，設(shè)計BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值初值為[-0.5，0.5]的隨機數(shù)，在第m組學(xué)習(xí)樣本訓(xùn)練過程中，計算BP神經(jīng)網(wǎng)絡(luò)隱含層輸入函數(shù)net_jm，再以S函數(shù)為激活函數(shù)，得到隱含層神經(jīng)元輸出函數(shù)為：

式中，ω_ij為輸入層與隱含層之間的連接權(quán)值；x_im為BP神經(jīng)網(wǎng)絡(luò)輸入信號；θ_j為隱含層神經(jīng)元閾值；

同理可得BP神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元輸出函數(shù)為：

式中，net_m為BP神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的輸入函數(shù)；ω_j為隱含層與輸出層之間的連接權(quán)值；θ為輸出層神經(jīng)元閾值；

定義期望輸出函數(shù)為Y_m，則目標(biāo)函數(shù)為BP神經(jīng)網(wǎng)絡(luò)全局誤差函數(shù)：

式中，M為學(xué)習(xí)樣本總數(shù)；

最后，確定BP神經(jīng)網(wǎng)絡(luò)的權(quán)值修正準則；采用最速下降法，引入學(xué)習(xí)步長η反向計算BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，即：

在常規(guī)權(quán)值調(diào)整的基礎(chǔ)上，引入動量因子α，則優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)輸出層的權(quán)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(jīng)網(wǎng)絡(luò)隱含層的權(quán)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(shè)定BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本總數(shù)M＝10，每組樣本訓(xùn)練次數(shù)R＝300，動量因子α＝0.4，學(xué)習(xí)步長η＝0.7，容許誤差ε＞0，按照上述神經(jīng)網(wǎng)絡(luò)辨識器1.1的工作流程對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到舵機電液負載模擬器辨識模型。

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)控制器(1.2)根據(jù)Adaline網(wǎng)絡(luò)監(jiān)督系統(tǒng)結(jié)構(gòu)參數(shù)及多余力干擾的變化情況，將系統(tǒng)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(wǎng)絡(luò)在線學(xué)習(xí)準則，神經(jīng)網(wǎng)絡(luò)控制器(1.2)的輸出即為系統(tǒng)控制電壓的具體工作流程如下：

給定學(xué)習(xí)樣本，計算神經(jīng)網(wǎng)絡(luò)控制器(1.2)的輸出；設(shè)第m組樣本在第n次迭代過程中，神經(jīng)網(wǎng)絡(luò)控制器(1.2)的輸出為u_im(n)，則：

式中，T為神經(jīng)元突觸個數(shù)；W(n)為Adaline網(wǎng)絡(luò)的權(quán)值；d(n)為系統(tǒng)指令力；

采用梯度下降法實現(xiàn)Adaline網(wǎng)絡(luò)的權(quán)值調(diào)整，選擇系統(tǒng)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(shù)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(wǎng)絡(luò)的權(quán)值調(diào)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)。