[发明专利]一种基于智能模糊神经网络算法的压力机PID控制系统

摘要

本发明公开了一种基于智能模糊神经网络算法的压力机PID控制系统，闭式压力机是一个强时变性、非线性的大型液压系统，无法获得准确的数学模型，所以一般的PID控制算法难以获得理想的控制效果。本发明提出一种智能的模糊神经网络算法来优化压力机的PID闭环控制，其中又引入改进的快速粒子群算法来优化模糊神经网络算法来优化的部分参数，使得系统的整体性能卓越，通过搭建仿真平台可以验证算法的有效性，为压力机的改进控制提供一定参考借鉴。

主权项

一种基于智能模糊神经网络算法的压力机PID控制系统，其特征在于，通过以下步骤设计而成：一、设计压力机液压控制系统模型：qL＝KqxV‑KcpL  (1)qL=Apdxpdt+CtppL+Vt4βedpLdt---(2)]]>AppL=mtd2xpdt2+Bpdxpdt+Kxp+FL---(3)]]>其中qL为四边滑阀的流量；Kc为不同流量的压力系数；Kq为四边滑阀的增益流量；PL为压力机带负载压降；Ap为液压系统的液压缸的截面积；xp为液压缸内活塞的位移量；Ctp为液压缸内部的泄露系数；βe为活塞的弹性模量；Vt为液压缸的总压缩容积；mt为液压缸活塞及负载在活塞上的质量；Bp为粘性系数；K为负载弹簧的胡克系数；FL为外界干扰产生的额外负载力；二、设计智能模糊神经网络算法对于电液比例控制系统来说，首要目的是输出平稳准确的液压油压力，当然还要得到及时的流量控制参数，这里主要研究对于液压压力的控制，所以这里的e为压力的控制偏差ec为压力的变化率；e(n)=PREF-y(n)ec(n)=e(n)-e(n-1)---(4)]]>液压系统在nT时刻的压力为e(n)，控制偏差即输出设定量PREF与反馈量的偏差为ec(n)；利用模糊系统优化参数，首先要将输入量进行模糊化，这里将输入连的量化等级定义为7，将其描述成模糊语言为：E的论域：[‑1,1]EC的论域：[‑1,1]E的模糊规则：{NB,NM,NS,ZO,PS,PM,PB}EC的模糊规则：{NB,NM,NS,ZO,PS,PM,PB}那么对应的第三层的结点个数为N＝7×7＝49个；针对于模糊化层，一个节点就对应一个模糊语言，例如上文提到的NM,NS,ZO,等；利用高斯型函数作为评价标准，计算各语言变量得到各输入变量的隶属度程度，然后进行模糊推理：f2(i,j)=exp(-(f1(i)-cij)2(σij)2)---(5)]]>其中，σij表示第i个输入变量隶属于第j个模糊集合函数的宽度，cij表示i个输入变量隶属于第j个模糊集合函数的中心位置；i＝1，2，…，n；j＝1，2，…，L；接下来，在模糊推理层中，一个节点对应着一个模糊推理规则，为了计算每个规则对于各自节点的适应度，将每个模糊规则进行配对，即f3(j)=Πj=1Nf2(i,j)---(6)]]>式中，其中Ni表示模糊分割数，为输入i的模糊分割数；f4为kp、ki、kd的整定结果，也就是输出层，即：f4(i)=f3·W=Σj=1Nf3(j)·W(j,i)---(7)]]>式中，W为连接权矩阵，在第四层输出层与第三层模糊推理层之间，i＝1，2，3；控制器为：△u(k)＝f4·xc＝kpxc(1)+kixc(2)+kdxc(3)  (8)其中：kp＝f4(1)，ki＝f4(2)，kd＝f4(3)，xc(1)＝e(k)，xc(2)＝e(k)‑e(k‑1)，xc(3)＝e(k)‑2e(k‑1)+e(k‑2)；选用较为容易列出表达式的增量式PID算法作为本发明液压控制系统的算法：u(k)＝u(k‑1)‑△u(k)  (9)选取评价函数来对控制效果进行打分，一般可以选择控制量偏差的累积作为评价标准：E=∫0tct|ec(t)|dt]]>ec(t)为液压系统压力变化率；t为积分时间变量；tc为算法结束时的时间也就是积分上限时间；得到连接权Wij、中心函数cij和宽度函数σij为：Wij(k)=Wij(k-1)-η∂E∂Wij+α(Wij(k-1)-Wij(k-2))---(11)]]>cij(k)=cij(k-1)-η∂E∂cij+α(cij(k-1)-cij(k-2))---(12)]]>σij(k)=σij(k-1)-η∂E∂σij+α(σij(k-1)-σij(k-2))---(13)]]>其中η为模糊神经网络算法的学习速率；α为惯性系数，0<α<1；由于压力机的电液比例控制系统的非线性和耦合性比较强，单纯的模糊神经网络优化PID参数并不能够取得很好的效果，所以本发明引入粒子群算法对模糊神经网络的cij、σij以及η、α参数进行再次优化；不同于传统的粒子群速度及位移公式，本发明的速度及位移公式为：vi,j(t+1)＝wvi,j(t)+c1r1[pi,j‑xi,j(t)]+c2r2[pg,j‑xi,j(t)]  (14)xi,j(t+1)＝xi,j(t)+vi,j(t+1),j＝1,...,d  (15)r1、r2为随机数，取值(0,1)之间；i代表编号为i的粒子；t为种群的迭代次数；d为要优化的参数，算法中为解空间的维数；c1、c2分别为单个粒子和整个种群的加速度；为w为改良的下降幂指数惯性权重：w＝wmin+(wmax‑wmin)×e‑4△  (16)其中，f为本次算法迭代后得到的目标函数值；favg为本次迭代所有粒子目标函数的平均值，fmin为其中的最小值；三、设计智能模糊神经网络压力机PID控制器：Step.1初始化算法，十四维维粒子赋予各自的初始值，这里为局部极值，算法没有开始迭代，还无法获得全局极值，将十四维空间分为两个e与ec各占七维；随机初始化高斯隶属度函数，即中心函数c0与宽度函数σ0，选取[0,0.5]之间的随机数赋值给η和α；Step.2运行算法，根据(5)～(9)、(11)～(13)迭代算法，在线进行优化，得到模糊神经网络的输出PID优化结果u；Step.3计算每一维粒子对应的中心函数c0与宽度函数σ0适应度评价函数f3；Step.4对全局最优解与个体最优解进行最优化选取，得到适应度评价函数最小的粒子，用这个粒子的速度及位移替换原来公式中的速度及位移；Step.5利用式(14)～(15)实时优化模糊神经网络中的中心值cij和宽度σij；Step.6计算系统的评价函数E，筛选目标函数最小的η和α，返回步骤2，重复算法，直到达到规定的迭代次数。