[发明专利]液压执行器的小波神经网络PID在线控制方法及系统

说明书

本发明提出一种液压执行器的小波神经网络PID在线控制方法及系统，利用PID控制模块对液压执行器模块的输入流量进行闭环控制，利用小波神经网络对PID控制模块参数进行优化，对控制器参数进行实时在线整定；输出流量信号在传入反馈传感器的同时进行信号转换并传入信号处理器，并通过终端设备在线直观展示流量变化。本发明可弥补传统方法存在的不足，降低控制时间，提高控制效率，减少并消除因控制迟滞造成的故障发生。同时，将系统的输出连接入终端设备，可直观清晰的表现出系统流量的变化。

技术领域

本发明属于液压执行器状态监测与控制领域，尤其涉及一种液压执行器的小波神经网络PID在线控制方法及系统。

背景技术

近年来，液压执行器的应用较为广泛。与此同时，液压执行器出现故障的概率也随之增大。阀控液压执行器是最为常见的一种执行器，主要包括伺服阀、液压缸、液压站、油管等。但其核心部件伺服阀结构相对复杂，控制过程难度较大。阀控液压控制系统主要包括液压执行器、控制器及反馈传感器，在传统PID控制中，对控制器的参数设置具有一定的难度，控制时间过长，造成故障多发。因此，对于液压执行器控制方法的优化尤为重要。

常规液压系统中，阀控液压执行器的流量与伺服阀阀口压差具有非线性的性质。在现场流量控制的过程中，若无法有效控制伺服阀，则会出现压力失调或流量控制迟滞现象，造成整个控制系统严重故障。国内外学者对此进行了研究，提出了对阀口、阀芯开关进行补偿的方法，但这在实际工程中并不适用。系统的起闭、流速的快慢、负载的设置都对补偿带来很大的难度。

传统PID控制在设置控制器参数时，面临耗时较长、精度较差和参数不易灵活改变等问题。神经网络的自学习能力可以很好的弥补上述诸多缺陷，神经网络与传统PID控制相互结合可以提高控制性能，降低控制时长。目前神经网络PID控制尚未广泛应用于液压控制系统。

发明内容

为解决上述技术问题，一方面，本发明提出了一种液压执行器的小波神经网络PID控制在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。

进一步，液压执行器包括液压缸及伺服阀。

具体地，小波神经网络结构包括输入层、隐含层及输出层，所述隐含层输出计算公式为：

T_j＝λ[(w_ajX_in-k_j)+(w_ajX_out-k_j)+(w_ajX_ess-k_j)]

式中，T_j为隐含层第j层的输出值，单位为m³/s；X_in，X_out，X_ess为控制器的初始输入，单位为m³/s；w_aj为隐含层第j层的权值；k_j为隐含层第j层的平移因子；λ为网络伸缩系数。

所述输出层输出计算公式为：

Y_i＝μ(w_biT_in+w_biT_out+w_biT_ess)