2011年第2期
现代制造工程（ModemManufacturingEngineering）
重载大惯性液压驱动系统的
神经网络近似逆控制
刘振，邓华
（中南大学机电工程学院，长沙410083）
试验研究
摘要：针对重载大惯性液压驱动系统，考患系统的强非线性、模型不确定性和工作点的变化，设计了系统的神经网络近似逆控制器。该系统逆控制器可以直接从辨识所得的神经网络模型中得到，因而只需要训练一个神经网络。对大惯性重载非线性液压驱动系统的控制仿真研究表明，与传统PID控制器相比，神经网络近似逆控制器具有更好的动态控制性能，对模型不确定性和工作点的变化具有更强的鲁棒性。
关键调：液压系统；神经网络；神经网络近似逆控制器；模型不确定性
中图分类号：TH137.5文献标志码：A文章编号：1671—3133(2011)02—0024—04
Applicationof neural approximateinversecontrol to
heavy-load large-inertia hydraulic system
LIUZhen,DENGHua
(School of Mechanical and Electrical Engineering,Central South University,Changsha 410083,China) Abstract: A Neural Approximate Inverse Controller( NAIC) is proposed for heavy-load large-inertia hydraulic systems with high nonlinearity ,model uncertainties and variation of operation points. Only one neural network needs to be trained and the neural in verse control law can be derived directly from the identified neural networks model without further training, Simulation studies on a nonlinear hydraulic system demonstrate that the proposed eontrol strategy exhibits better control performance and robustness to model uncertainties and variation of operation points than PID controller.
Key words:hydraulic systems; neural networks; Neural Approximate Inverse Controller(NAIC) ; model uncertainties
0引言
液压系统具有响应快速，运行精度高，执行机构的功率-重量比和扭矩-惯量比大等特点，因而在工业中特别是重载大型机械中得到广泛的应用，典型的应用有大型锻造操作机的驱动等。液压系统的模型建立过程比较复杂，精确运行控制也比较困难。系统中阀的非线性流量压力特性、阀的死区特性、油液的可压缩性、马达的迟滞现象和系统内部的摩擦特性均使液压系统具有很强的非线性(13)；而负载变化、磨损导致的摩擦变化和泄漏、温度变化引起的弹性模量等参数的变化，以及外部干扰等的影响也使得系统中的参数具有时变性和不确定性(1,3,4]。非线性和参数不确定性是液压系统控制器设计需要解决的主要难题[5]。
*国家973重点基础研究发展计划项目（2006CB705400） 24
万方数据
考虑液压系统的强非线性，多种非线性控制方法已被运用于液压系统的控制，如反馈线性化控制[2,6]】、滑模变结构控制[1,7,]、自适应鲁棒控制[4]和逆向递推控制[9-10]等，这些非线性控制方法都需要知道系统的精确数学模型。但是，不经过简化很难建立液压系统的解析模型且系统中的参数具有不确定性，因此，建立系统的精确数学模型比较困难。为解决建模困难的问题，神经网络非线性逆控制在不确定性非线性系统控制中得到了应用。文献[11]设计了液压马达转速的几种神经网络逆控制器，但文中所用的动态梯度法具有收敛慢、计算量大等缺点[12]。
针对液压系统的强非线性和参数不确定性，本文设计了重载大惯性液压驱动系统的神经网络近似逆控制器（NAIC），并通过计算机仿真与PID控制器比