基于BP—RBF神經網絡的飛機舵機電液伺服加載系統研究

劉志偉

摘 要：飛機舵機電液伺服加載系統中存在多余力的干擾會影響系統加載的精確度，因此，為加載系統建模，建立整個電液伺服加載系統的非線性模型。在BP神經網絡的PID控制器基礎上加入了RBF神經網絡，構成復合控制器，通過RBF神經網絡的辨識，神經網絡PID控制器控制精度高、效果好，參數實現了自整定，提高了非線性系統的控制精度，同時，也提高了加載精度，有效抑制了多余力。

關鍵詞：飛機舵機電液伺服加載系統；多余力；BP神經網絡；RBF神經網絡

中圖分類號：TP391.9 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2017.09.018

舵機是飛機飛行控制系統中的關鍵組成部件。飛機是通過驅動舵機來改變各種飛行器的運行方向和速度，并控制其在空中姿態，以完成各種動作的。所以說，舵機的性能直接決定了飛行器的運行特性。飛機舵機電液伺服系統是在半實物仿真實驗的條件下較為精確地模擬出飛機舵機在運動過程中所受到的真實載荷，為隨動系統的研制和改進提供準確的數據。這對加快研究周期，提高可靠性有重大意義。在實際工作中，可以利用結構補償的方式來減小電液伺服系統中的多余力；從控制方法上講，可以利用CMAC神經網絡來抑制電液伺服系統中的多余力。本文建立電液伺服加載系統的非線性數學模型，并且采用BP神經網絡和RBF神經網絡組成的PID復合控制器來控制系統。仿真結果顯示，非線性數學模型具有良好的跟蹤精度，在復合控制器下，系統的響應精度和穩定性都有較大的提升。這證明，系統可以有效抑制加載系統產生的多余力。

1 電液伺服加載系統數學模型的建立

飛機舵機電液伺服系統主要由電液伺服閥、液壓缸、傳感器、緩沖彈簧和飛機舵機組成。因此，根據研究目的的需要，適當簡化系統構造，只建立關鍵部件的數學模型。圖1為所得到系統結構簡圖，左邊是施力系統，右邊是承載對象。

伺服閥的流量非線性化方程為：

（1）

液壓缸流量式由推動液壓缸活塞運動所需流量、總泄漏流量和總壓縮流量3部分組成的，其連續性方程為：

（2）

實際的力平衡方程為：

（3）

（4）

對于電液伺服閥的性能，有靜態和動態兩方面的要求，這些性能一般均在規定的技術規范下通過實驗得到。

為了簡化電液伺服閥的傳遞函數，一般會采用二階振蕩環節形式的傳遞函數表示。對于常用的流量型電液伺服閥，其傳遞函數可表示為：

（5）

2 BP神經網絡和RBF神經網絡的基本原理

誤差反向傳播算法（Back Propagation Arithmetic），是利用最小二乘法的思想，利用梯度搜索技術，將系統的實際輸出值與期望輸出值之間的誤差求均方，并讓其最小。BP神經網絡輸入信息分別經過輸入層、隱含層和輸出層，每一層的神經元只會控制下一層的狀態。當輸出層的期望輸出不符合時，則反向傳播，通過更改每一層神經元的連接權值和閉值，令誤差函數向負梯度方向下降，最終實現實際輸出值與期望輸出值之間的誤差最小。徑向基函數（RBF-Radial Basic Function）神經網絡具有單隱層的三層前饋網絡，是一種局部逼近的神經網絡。這種網絡的特點是，它對于輸入空間的某個局部區域只有少數幾個連接權影響網絡的輸出，從而使得局部逼近網絡具有學習速度快的優點。

3 基于RBF辨識的BP的PID控制器設計

為了確保加載系統能夠快速高精度地輸出加載力，必須采取相應的控制策略來抑制多余力。為了讓PID控制器取得較好的控制效果，本文利用BP神經網絡對其進行參數整定，實現3個參數kp、ki、kd的動態自整定功能。RBF神經網絡用來辨識被控對象的信息，然后將其運用到系統中，提高系統的控制效果。經過RBF對PID控制器的優化整定之后，可以提高系統的控制精度。基于RBFNN辨識的BPNN的PID控制器控制算法是：①確定BP網絡的結構，即確定輸入節點數M和隱含層節

點數Q，并給出各層加權系數的初值層 ，選定學習效率

η和慣性系數α，此時k=1.②確定RBF神經網絡的輸入節點及其輸入數目n，隱含層數目L，并給出隱含層的中心矢量cj（0），基寬帶參數初始值bj（0），權系數初始值wj（0），學習效率η1和慣性系數α1，此時k=1.③采樣得到rin（k）和yout（k），計算k時刻的誤差e（k）=rin（k）-yout（k）.④根據公式計算BP神經網絡各層神經元的輸入、輸出，BP神經網絡輸出層的輸出即為PID控制器的3個可調參數kp、ki、kd；計算PID控制器的輸出u（k），并將u（k）送入飛機舵機電液加載系統和RBF辨識網絡，產生控制對象的下步輸出yout（k+1）.⑤根據公式計算RBF辨識網絡各層神經元的輸入、輸出，辨識網絡的輸出為ymout（k+1）.⑥用改進的梯度下降法修正辨識網絡輸出權系數、隱含層節點中心矢量、隱含層節點幾款參數。⑦進

行神經網絡學習，在線調整加權系數 和 ，實現

PID控制參數的自適應調整。⑧置，返回到①。

4 仿真分析

BP神經網絡的結構為4-5-3，RBF神經網絡結構為3-6-1.本文分別在輸入為1 Hz和10 Hz的情況下，將2種模型對應的輸出曲線與理論輸出曲線作對比。圖2為2種情況下的輸出結果曲線。當頻率為1 Hz時，將非線性系統與線性系統的輸出與理論的輸出進行對比，發現在低頻的情況下，系統具有很好的跟蹤效果；當頻率為10 Hz時，對比理論輸出時發現，線性系統的輸出與理論輸出差別很大，而非線性系統輸出的變化比線性系統穩定，對理論輸出的跟蹤比較理想。

為了驗證復合控制器控制的非線性系統對多余力的抑制效果，將本文的控制系統與普通的電液伺服系統作比較，并且進行仿真。圖3為2個系統的仿真結果曲線。

由曲線可以得到，在復合控制器作用下，系統多余力的最大值為1.5 N，而普通控制器產生的多余力最大值為15.5 N，利用公式可以得到復合控制器的多余力抑制達到了90%，滿足系統指標要求。

5 總結

本文依托實際工程項目，研究了電液負載模擬器的先進控制方法。這不僅對高精度電液負載模擬器的研制有重要意義，還對電液伺服系統控制方法的發展有指導意義，對控制理論的發展起到推動作用。本文主要研究成果如下：①分析了電液伺服加載系統結構和系統各個關鍵部件的結構，建立了較為精確的非線性數學模型。通過仿真結果可以得到非線性系統在低頻情況下與線性系統基本一致，但是，在高頻的情況下對系統的跟蹤更加精確。②采用BP神經網絡和RBF神經網絡，輸入正弦信號時，RBF神經網絡辨識神經網絡PID控制器的誤差很小，具有較高的控制精度。這證明了該算法的有效性。③本文將這些不確定因素加入到系統模型中，通過數學建模建立起系統的非線性模型，設計出系統的非線性控制器。仿真結果表明，在該控制器的作用下，系統具有良好的動態性能。

參考文獻

[1]鄂昱村，陳楸，李毅.被動式電液伺服加載系統的多余力抑制[J].液壓與氣動，2014（5）：52-56.

[2]劉曉琳，袁昆.大載荷液壓加載系統控制器設計與仿真[J].控制工程，2014，21（2）：210-218.

[3]邵俊鵬，李健英，王仲文，等.電液負載模擬器多余力抑制的結構補償控制[J].電機與控制學報，2009，13（4）：586-591.

[4]劉曉琳，王春婷，袁昆.飛機舵機電液加載系統的多余力抑制方法研究[J].計算機測量與控制，2014，22（12）：4166-4169.

〔編輯：白潔〕