[发明专利]基于小脑神经网络的舵机电动加载系统智能控制方法

说明书

一种基于小脑神经网络的舵机电动加载系统智能控制方法。该智能控制方法采用基于小脑神经网络前馈和增量式PID反馈的控制补偿方案，通过合理设计小脑神经网络前馈控制器的三维输入向量，采用Sigmoid函数变平衡学习常数的权值调整算法，引入增量式PID反馈及控制补偿环节，使小脑神经网络获得足够多的被控信息，达到了前馈控制效果，并且解决了经典PID算法中积分项溢出的问题。从而保证了伺服控制系统的稳定性，在一定程度上抑制了多余力矩干扰。

技术领域

本发明属于智能控制系统仿真技术领域，特别是涉及一种基于小脑神经网络的舵机电动加载系统智能控制方法。

背景技术

飞机舵机是飞行控制系统的重要组成部分，也是飞机的位置伺服元件，其功能是在负载条件下，克服复杂空气气动载荷，将控制指令转化为舵面偏转角度，进而实现飞机的倾斜、俯仰和舵面控制，因此舵机工作性能的优劣会直接影响飞机的飞行品质。为了验证在各种飞行状态下飞机舵机的性能指标，在实验室条件下通常使用电动加载系统模拟舵机在真实飞行过程中所受到的各种力载荷的变化情况，完成舵机静态、动态工作性能指标的检查和测试。这种地面仿真模拟试验作为一种科学的实验方法与传统自破坏式全实物仿真试验相比，具有研制周期短、实验成本低的优点。图1为一种实验室通常采用的舵机电动加载系统结构示意图。如图1所示，该系统包括控制器1、PWM驱动器2、永磁直流力矩电机3、金属橡胶-缓冲弹簧4、力矩传感器6、旋转编码器7；其中：控制器1与PWM驱动器2、力矩传感器6和旋转编码器7相连接；PWM驱动器2依次通过永磁直流力矩电机3、金属橡胶-缓冲弹簧4与舵机5相连接；舵机5分别与力矩传感器6和旋转编码器7相连接。其工作原理是：旋转编码器7实时采集舵机5的角位置信号θ，控制器1通过与加载梯度相乘得到力矩加载指令。力矩传感器6获得实际加载力矩信号，形成闭环反馈控制，控制器1经与力矩加载指令比较得到调节误差e。并对调节误差e进行数字式PID整定及前馈补偿，获得数字控制信号。经由PWM驱动器2进行信号转换、功率放大后输出到永磁直流力矩电机3，产生加载力矩，并通过金属橡胶-缓冲弹簧4加载到舵机5上，舵机5根据控制信号进行相应运动。但是舵机电动加载系统既是一个非线性、参数时变的复杂机电控制系统，又是一个具有强运动扰动的被动式力伺服控制系统。由于舵机5的主动运动会使舵机电动加载系统产生多余力矩，从而影响伺服系统的加载精度和控制性能，因此如何设计适用于该系统的智能控制方法是抑制飞机舵机电动加载系统多余力矩的关键。

目前采用小脑神经网络对舵机电动加载系统的控制器进行设计尚处于起步阶段，相关理论研究和工程应用较少。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于小脑神经网络的舵机电动加载系统智能控制方法，以提高舵机电动加载系统的加载精度、跟踪性能及自适应消扰能力。

为了达到上述目的，本发明提供的舵机电动加载系统智能控制方法中的舵机电动加载系统包括控制器、PWM驱动器、永磁直流力矩电机、金属橡胶-缓冲弹簧、力矩传感器、旋转编码器；其中：控制器与PWM驱动器、力矩传感器和旋转编码器相连接；PWM驱动器依次通过永磁直流力矩电机、金属橡胶-缓冲弹簧与舵机相连接；舵机分别与力矩传感器和旋转编码器相连接；所述的舵机电动加载系统智能控制方法包括按顺序进行的下列步骤：

1)由小脑神经网络前馈控制器和增量式PID反馈控制器组成控制器；

2)小脑神经网络前馈控制器将从力矩传感器和旋转编码器输出的调节误差e、舵机的角速度信号角加速度信号作为一个三维状态空间引入至前馈输入端作为被控信息，采用小脑神经网络算法对舵机电动加载系统实现在线实时控制，动态调整连接权值，得到前馈控制信号u_n；