一種伺服直驅泵控液壓系統小波神經網絡控制方法
【專利摘要】本發明公開了一種伺服直驅泵控液壓系統小波神經網絡控制方法，屬于液壓控制技術領域。該液壓控制系統具體包括：小波神經網絡控制部分，伺服調速部分，液壓部分。網絡控制部分接受傳感器反饋回來的信號，對信號進行分析處理后進行自適應智能控制，從而達到精確控制。在傳統的液壓伺服控制系統中,由于液壓固有頻率、液壓剛度以及外界干擾力等使液壓系統成為參數時變、強非線性等特點，導致很難對建立精確的數學模型，進而影響控制系統的精確度和安全性。本發明通過設計小波神經網絡來控制伺服直驅泵控液壓系統可以達到較高的控制精度。
【專利說明】
-種伺服直驅累控液壓系統小波神經網絡控制方法
技術領域
[0001 ]本發明設及一種伺服直驅累控液壓系統，屬于液壓控制技術領域。
【背景技術】
[0002] 伺服直驅累控液壓技術是液壓領域的新型傳動技術，具有節能、高效、寬調速范 圍、高可靠性、低噪音、易實現計算機數字控制等諸多優點，在國民生產的各領域有著巨大 的潛在應用價值。但伺服直驅累控液壓系統屬于容積調速，且包含了驅動器和電機環節，使 得整個系統存在響應慢、控制特性差等難點問題，傳統的液壓伺服控制系統中，由于液壓固 有頻率、液壓阻尼比、液壓剛度W及外界干擾力等使液壓系統成為參數時變、強非線性、不 確定延遲等特點，導致很難對被控對象進行精確的數學機理模型描述，進而影響控制系統 的精確度和安全性。而采用現代控制理論的狀態空間描述方法也僅是對真實系統的近似描 述，其間必然存在一定的偏差，無法滿足工業過程對控制精度的要求。針對電液伺服系統快 速性、穩定性和精確性之間存在相互干擾的問題，將小波神經網絡模型控制應用于伺服直 驅累控液壓系統中，提出了一種伺服直驅累控液壓系統小波神經網絡控制方法。該控制方 法比常規PID控制和模糊控制等控制策略具有更好的自適應能力和控制性能。

【發明內容】

[0003] 本發明針對現有伺服直驅累控液壓系統控制方面存在的缺陷與不足，通過設計一 種小波神經網絡模型，并采用最速下降法對參數進行自組織自適應優化，使收斂速度更 快，控制精度更高。
[0004] 為實現上述目的，本發明采用的技術方案是:一種伺服直驅累控液壓系統小波神 經網絡控制方法，包括： 本發明有所設及的伺服直驅累控液壓系統有永磁同歩伺服電機提供動力源。根據矢量 控制理論建立永磁同歩伺服電機電壓與電機轉速的數學模型：
--電動機的電磁轉矩，單位源^11; 焉 負載轉矩，單化絮-縦； --q軸電流;單位; ^一一q軸電壓，單位廬； 忘g 定子電感在q軸的等效電感，單位H; Mg一一定子電阻，單位〇; I一一轉動部分折算到轉子軸上的轉動慣量，單位 m一一轉子機械轉速麵Ii適； D-電動機的黏性摩擦系數嚴謝帶綴fl遺)； 1?一一電機參數，稱為轉矩靈敏度； &一一電動機參數，稱為反電勢系數。
[0005] 建立伺服電機轉速與液壓缸位移的數學關系 累控液壓系統部分包括液壓累、管道、換向閥和液壓缸。液壓累高壓腔到液壓缸之間的 壓力巧可看作是相等的，液壓缸回油側壓力近似為零，液壓累的容積效率曲線近似為直線， 因此液壓累的內泄漏是跟壓力成正比的。將液壓累的內泄漏與管道和液壓缸的泄漏系數為 卷，美。
[0006] 得到伺服電機轉速與液壓缸流量方程為： Q一一液壓累的流量；
嗎一一伺服電機的轉速； i一一累高壓腔到液壓缸之間的壓力； 赫》-累的排量； A一一液壓缸無桿腔有效工作面積； f一一活塞運動位移； I一一泄漏系數； W一一液壓累高壓腔到液壓缸之間的油液體積； M一一油液體積彈性模量。
[0007] 本發明所設及的伺服直驅累控液壓系統，由于液壓累存在泄漏和各種摩擦損失， 驅動液壓系統所需的轉矩應當有壓力轉矩和損失轉矩兩部分組成：

一一累的總轉矩，單位汲; 滅孩--累的輸出轉矩，單位潔* Jl; Mj--累的損失轉矩，單位潔*11; F--累的出口壓力，單位 心心\一一累的轉矩損失的參數； 爵--液體的密度，單位％/;!巧3; 興一一流體動力粘度系數，單位黨* i一一轉子的氣隙間隔，單位m; Pg一一液壓系統的總容積，單位 1 一一液體的體積模量。
[0008] 由于伺服直驅累控液壓系統的輸出與輸入之間屬于多因素、強禪合、非線性的問 題，很難用精確的數學模型來求解他們之間的關系，而用小波神神經網絡可W很好的實現 滿足精度要求的智能控制。系統的輸入參數有電機的電壓勝、電流f、轉子轉速滅;累的排 量%等。輸出參數主要為液壓累的出口壓力羅。
[0009] 本發明的小波神經網絡中的小波采用Morlet小波，它的優點是時頻域的局部性能 都比較好，頻域能量比較集中，頻率混疊影響較小。
[0010] 設資邊為齡^6*小波函數，餐為輸入層的第i個輸入樣本，巧為輸出層的第f個輸 出值，%為連接輸入層節點f和隱含層節點i的權值,?為鏈接隱含層節點J和輸出層節 點i的權值。運里約定續是第個輸出層節點閥值，是隱含層節點閥值，%為第J個隱含 層節點的伸縮因子，%為第^^個隱含層節點的平移因子，則小波神經網絡模型可^描述為：
[0011] 小》
其中I紀《城，^分別為框架的上下界。此處選擇illl潔I時的幾乎緊框架的 Morlet小波函數：
樣本歸一化。在伺服直驅累控液壓系統中，各樣本的取值范圍由于各種因素存在一定 的差距，為防止在訓練時在網絡的平坦區域陷入極值，對樣本預先進行歸一化處理。
[001。式中《為輸入樣本;嗦為歸一化后樣本。
[0013] 確定網絡結構。網絡輸入層結點個數個為4,輸出節點個數1，隱層節點個數6。如 圖1所示。網絡的輪入巧輪出書占 A訝I田向昔F巧取親元。
[0014] 即 網絡初始化。誤差E取為0.0 Ol，
學習速率螺取0.1，動量因子豕取0.07，訓練次數500次， 隨機初始化小波函數的伸縮因子平移因子%和網絡連接權值滅。
[0015] 樣本分類。把伺服直驅液壓系統樣本分為訓練樣本和測試樣本，訓練樣本用于訓 練網絡，測試樣本用于測試小波神經網絡的輸出精度。
[0016] 控制輸出。把訓練樣本輸入到所設計神經網絡，計算網絡控制輸出，并計算網絡輸 出和期望輸出的誤差E。
[0017] 權值修正。根據誤差精度E修正小波函數參數與網絡權值，控制輸出值逼近期望 值。
[0018] 設胃為第#個模式的第f個期望輸出，則基于最小二乘法的代價函數表示為：
式中，Jl一-第f個實際輸出向量； 建f--第f個期望輸出向量。
[0019]由式可W得到W下偏導數：
為加快算法的收斂速度引入動量因子f，其迭代公式為：
式中，琢--為學習速率。
[0020] 在網絡權值調整過程中，初始階段，學習步長選擇要大一些，W使學習速度加快， 當接近最優點時，學習速率小一些，確保權值收斂。
【附圖說明】
[0021] 圖1為小波神經網絡模型圖； 圖2所示為本發明的實施流程圖；
【具體實施方式】
[0022] 1.數據采集。對伺服直驅累控液壓系統進行數據采集，包括輸入和輸出相關參數. 在伺服直驅累控液壓系統中，各樣本的取值范圍由于各種因素存在一定的差距，為防止在 訓練時在網絡的平坦區域陷入極值，對樣本預先進行歸一化處理。
[0023]
式中4為輸入樣本;ffc*為歸一化后樣本。
[0024]樣本分類。把伺服直驅液壓系統樣本分為訓練樣本和測試樣本，訓練樣本用于訓 練網絡，測試樣本用于測試小波神經網絡的輸出精度。
[00巧]2.確定網絡結構。設爐址為Morlet小波函數，A為輸入層的第Jt個輸入樣本，A為 輸出層的第:f個輸出值，為連接輸入層節點i可日隱含層節點/的權值，"V為鏈接隱含層 節點J和輸出層節點Jt的權值。運里約定巧8是第個輸出層節點閥值，Wjw是隱含層節點閥 值，Uj-為第/個隱含層節點的伸縮因子，咬?為第J個隱含層節點的平移因子，則小波神經網 絡模型可W描述為：
[002
其中皿，4及分別為框架的上下界。此處選擇^及Wi時的幾乎緊框架的 Morlet小波函數：
網絡輸入層結點個數個為4,輸出節點個數1，隱層節點個數6。如圖1所示。網絡的輸入 和輸出節點分別用向量義和r表示。
[0027]良
3.網絡初始化。誤差E取為0.001，學習速率巧取0.1，動量因子T取0.07，訓練次數500 次，隨機初始化小波函數的伸縮因子Uj?，平移因子?和網絡連接權值@。
[002引4.網絡計算。把訓練樣本輸入到所設計神經網絡，計算網絡控制輸出，并計算網絡 輸出和期望輸出的誤差E。
[0029] 5.權值修正。根據誤差精度E修正小波函數參數與網絡權值，控制輸出值逼近期望 值。
[0030] 設譚為第個模式的第個期望輸出，則基于最小二乘法的代價函數表示為：
式中，.3?--第:f個實際輸出向量； 馬一一第I個期望輸出向量。
[0031] 由式可W得到W下偏導數： 為；
式中，巧一-為學習速率。
[0032] 6.計算誤差函數巧，1，如果，
，則轉第7步;如果，
則繼續 調整網絡訓練參數，直至五<￡，轉5步。
[0033] 7.輸出學習結果，結束。
[0034] 如圖2所示為本發明的實施流程圖。
【主權項】
1. 一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征在于:包括以下步驟:首 先，對伺服直驅栗控液壓系統進行數據采集，包括輸入和輸出相關參數，并對數據進行歸一 化處理;其次設計網絡結構參數，根據一定數學模型確定輸入層與輸出層的維數，并確定出 隱含層的維數和小波基函數;然后初始化網絡參數，設定誤差精度，接著對樣本進行訓練， 根據所設定精度進行自適應的調整權值，直到滿足需求的控制精度。2. 根據權利要求1所述的一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征 在于:所述的輸入層參數包括電機電壓、電流、轉子的轉速、栗的排量;輸出參數為栗的出口 壓力。3. 根據權利要求1所述的一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征 在于:對所給定的數據樣本為防止在訓練時在網絡的平坦區域陷入極值，進行歸一化處理。4. 根據權利要求1所述的一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征 在于:根據伺服直驅栗控液壓系統的自身特點建立了一定的數學關系，設計了輸入輸出層 的維數，確定了隱含層的維數，其網絡模式為4 一6-1型。5. 根據權利要求1所述的一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征 在于：提出了基于小波神經網絡模型的控制方法，小波神經網絡是以小波基函數為神經元 激勵函數的前饋網絡模型，它是小波分析理論和神經網絡相互結合的產物，具有小波變換 良好的時頻局域化特點，而神經網絡具有很強的泛化能力與自適應數據的能力，因此小波 神經網絡有著更強的自組織、自學習及自適應能力，和逼近、容錯和推理能力。6. 所設計的網絡為3層BP神經網絡，對隱含層的小波基函數采用Morlet小波函數，其表 達式7. 根據權利要求1所述的一種伺服直驅栗控液壓系統小波神經網絡控制方法，其特征 在于:所述小波神經網絡對樣本采用分類處理后采用最速下降法進行訓練，直到誤差精度 達到要求。
【文檔編號】G05B13/04GK106019947SQ201610613307
【公開日】2016年10月12日
【申請日】2016年7月31日
【發明人】韓賀永, 喬永杰, 和東平, 王雷
【申請人】太原科技大學