[发明专利]舵机电液加载系统智能控制方法

权利要求书

1.一种舵机电液加载系统智能控制方法，所述的舵机电液加载系统包括控制器(1)、电液伺服阀(2)、阀控液压缸(3)、弹簧装置(4)、力传感器(6)、位移传感器(7)；其中：控制器(1)与电液伺服阀(2)、力传感器(6)和位移传感器(7)相连接；电液伺服阀(2)依次通过阀控液压缸(3)和弹簧装置(4)与舵机(5)相连接；舵机(5)同时与力传感器(6)、位移传感器(7)相连接；其特征在于：所述的舵机电液加载系统智能控制方法包括按顺序进行的下列步骤：

1)控制器(1)采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息；

2)RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心，将从力传感器(6)和位移传感器(7)输出的误差信息e和系统输出信号y作为一个对输入(e,y)，采用最近邻聚类算法对舵机电液加载系统进行在线辨识，得到RBF神经网络的输出；

3)单神经元PID利用上述RBF神经网络提供的Jacobian信息，通过梯度下降法对其控制参数k_p、k_i、k_d进行在线自整定，最终输出加载力指令信号给电液伺服阀(2)，以驱动阀控液压缸(3)运动，产生加载力，经由弹簧装置(4)加载到舵机(5)上，最后舵机(5)根据该指令信号进行相应运动。

2.根据权利要求1所述的舵机电液加载系统智能控制方法，其特征在于：在步骤1)中，所述的控制器(1)采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息的方法是：通过大量现场试验，获得舵机电液加载系统的输入输出实验样本数据，设定每个人工蚂蚁，即agent代表一个输入输出实验样本数据，其根据舒适度函数和激活概率函数不停地寻找合适位置，从而使得agent动态自组织地形成聚类，其次根据agent_i的学习规则判断其属于“睡眠”状态或者“活跃”状态；若agent为“活跃”状态，即未找到合适位置，则继续寻找；若agent为“睡眠”状态，即找到合适的位置，则停止寻找；最后判断相异度，若相异度未达到设定值则调整激活阈值，若达到设定值则输出聚类信息，包括聚类个数和聚类中心。

3.根据权利要求1所述的舵机电液加载系统智能控制方法，其特征在于：在步骤2)中，所述的RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心，将从力传感器(6)和位移传感器(7)输出的误差信息e和系统输出信号y作为一个对输入(e,y)，采用最近邻聚类算法对舵机电液加载系统进行在线辨识，得到神经网络的输出的方法是：从第一个对输入(e₁,y₁)开始，已经存在k个隐含层神经元，隐含层神经元中心为c₁,c₂,…,c_k，且聚类半径为b；求出e₁到中心向量的距离|e₁-c_i|(i＝1,2,…,k)。设|e₁-c_j|为所有距离中的最小值，即c_j为x₁的最近邻聚类。若|e₁-c_j|>b，则在原RBF神经网络中增加第(k+1)个隐含层神经元，而且该隐含层神经元中心c_k+1＝e₁，输出之和s_k+1＝y₁；若|e₁-c_j|<b，则原RBF神经网络结构不变，其中输出之和S_j＝S_j+y₁。使用高斯函数作为RBF神经网络的隐含层神经元的函数得到第i个隐含层神经元的输出；之后根据最小二乘法确定隐含层到输出层之间的权值；最后将隐含层神经元的输出以及隐含层到输出层之间的权值相乘并求和而得出RBF神经网络的输出。

4.根据权利要求1所述的舵机电液加载系统智能控制方法，其特征在于：在步骤3)中，所述的单神经元PID利用上述RBF神经网络提供的Jacobian信息，通过梯度下降法对其控制参数k_p、k_i、k_d进行在线自整定，最终输出加载力指令信号给电液伺服阀(2)，以驱动阀控液压缸(3)运动，产生加载力，经由弹簧装置(4)加载到舵机(5)上，最后舵机(5)根据该指令信号进行相应运动的方法是：设定系统的输入指令为r(k)，实际输出为y(k)，单神经元PID的控制参数为k_p、k_i、k_d，设定单神经元PID的输入x₁(k)、x₂(k)、x₃(k)和加载力输出u(k)分别为：

x1(k)=e(k)-e(k-1)x2(k)=e(k)x3(k)=e(k)-2e(k-1)+e(k-2)]]>

u(k)＝u(k-1)+△u(k)

式中，e(k)为系统误差，且：

△u(k)＝k_px₁(k)+k_ix₂(k)+k_dx₃(k)

首先对RBF神经网络的输出求偏导，得到精确的Jacobian信息，根据Jacobian信息采用梯度下降法对控制参数k_p、k_i、k_d进行在线自整定，最终根据以上加载力输出的公式得到舵机电液加载系统的加载力输出信号，并通过调节电液伺服阀(2)腔体压力的方式驱动阀控液压缸(3)运动，产生加载力，经由弹簧装置(4)加载到舵机(5)上，舵机(5)根据指令信号进行相应运动。