[发明专利]考虑状态受限的气动伺服系统自适应神经网络控制方法

说明书

本发明公开了一种考虑状态受限的气动伺服系统自适应神经网络控制方法，按照以下步骤具体实施：步骤1、进行气动位置伺服系统的建模；步骤2、设置气动系统的自适应神经网络控制器，定义Nussbaum函数用于解决系统控制方向未知的问题，将控制器的信号u通过D/A转换器完成信号输出，实时调节气动系统活塞的位移量，即成。本发明的方法，设计考虑状态受限的气动位置伺服系统自适应神经网络控制器，引入障碍李雅普诺夫函数证明状态受限系统的稳定性，综合考虑对象模型未知、控制方向未知、比例阀零点不确定及其他内外部扰动，最终得到保证系统稳定的控制器和参数自适应律。

技术领域

本发明属于气动位置伺服系统高精度位置跟踪控制技术领域，涉及一种考虑状态受限的气动伺服系统自适应神经网络控制方法。

背景技术

气动伺服系统(即气动位置伺服系统，以下简称气动系统)是以压缩气体作为工作介质，具有无污染、功率体积比高、结构简单、成本低、安全可靠等特点，是生产过程自动化和机械化最有效的手段之一，气动技术已经成为众多领域中不可缺少的基础部分。

工业生产线上的气动装置通常要求能够实现高精度位置跟踪控制，但是由于受气体的可压缩性、阀口流动的非线性、气缸存在的摩擦力和气动系统的低阻尼特性等因素的影响，气动系统本质上是非线性系统，由于不考虑状态限制会导致控制策略无法达到预期的效果甚至损坏被控对象装置，这给气动系统高精度连续轨迹控制带来了很大的困难。

发明内容

本发明的目的是提供一种考虑状态受限的气动伺服系统自适应神经网络控制方法，着重考虑气动位置伺服系统状态受限的问题，并综合考虑了气动系统模型未知、控制增益未知、扰动未知及阀的零点不精确等影响因素，由于考虑了更多的实际约束，获得了更好的控制精度。

本发明采用的技术方案是，一种考虑状态受限的气动伺服系统自适应神经网络控制方法，按照以下步骤具体实施：

步骤1、进行气动位置伺服系统的建模，

该气动系统的气腔A和气腔B内的压力方程如下：

其中，p_a和p_b分别为气腔A和气腔B的压力，和对应两气腔中压力的变化情况，u为控制信号，f_a(u,p_a)和f_b(u,p_b)分别为流入气腔A和气腔B的气体质量流量，A_a、A_b分别为气腔A和气腔B的活塞截面积，y₀为活塞初始位置，y为活塞位移，为活塞运动速度，K是绝热指数，理想气体常数R＝287J/kg·K，空气温度T＝293K，

对于气缸3的气腔A和气腔B，气体通过比例阀7的质量流量是控制量u和压强p_a、p_b的函数，表示为式(2)：

其中，p_s为气源的压力，p₀是大气的压力，c_a1和c_a2、c_b1和c_b2分别为对应的控制量增益系数，

根据牛顿第二定律，则有下式：

其中，为活塞的加速度；F_f为摩擦力；M为活塞和负载的总质量，

最终的气动系统的数学模型如式(4)所示：

其中，分别为流入气腔A和气腔B的气体质量流量，

若将摩擦力F_f和其他未建模因素视为干扰，则得到气动系统的三阶线性模型如下：