摘要
随着现代科技的发展，交流伺服技术的应用领域更为广泛，所发挥的作用越来越突出，对其性能指标的要求也越来越高。交流伺服系统是一个具有非线性、耦合性和时变性的复杂系统，常规的控制策略难以取得理想的控制效果，本文针对交流伺服系统高品质的控制要求以及其存在的摩擦非线性、系统参数变化、负载扰动等问题，研究了一种RBF神经网络与PID控制相结合的复合控制策略。
本文首先建立了包括摩擦非线性在内的交流伺服系统动力学模型；在论证了继电反馈技术应用在交流伺服系统中可行性的基础上，采用一种利用系统的多点频率信息及根据系统特性来拟合理想闭环响应的继电反馈PID控制器设计方法；针对系统中存在的摩擦非线性以及不确定性，提出了一种RBF神经网络与PID复合控制策略，并证明了该复合控制策略下闭环系统的稳定性；对RBF网络的最近邻聚类学习算法进行了改进；基于改进的最近邻聚类法和梯度下降法的混合学习算法，设计了系统的RBF网络控制器。
仿真结果表明，应用本文所设计的RBF神经网络与PID复合控制器能获得较高的动态和稳态性能，并对参数变化和负载扰动具有良好的鲁棒性，可很好地满足系统的高性能指标要求。
With the development of modern science, AC servo technique has been widely used. AC servo system is a high order, nonlinear, coupling system. A single control strategy can hardly get ideal control effect. The performance of system is highly influenced by the friction, parameter variations and external load disturbances. In order to enhance static and dynamic performances of the system, this dissertation is to study a combined control strategy—PID control and RBF neural network control.
In this dissertation, the linear mathematical model and friction nonlinear model of AC servo system are presented. Relay feedback's results on the existence and stability of the limit cycles are established by the servo system's transformatiOn function. A method based on relay feedback technique is presented to identify multiple ,points on the process frequency response, then to pattern ideal closed loop characteristic of AC servo systemt. To overcome the friction and variations in the system, a RBF neural network. controller is designed as a parallel controller, and the stability of system is demonstrated. Meanwhile, a hybrid learning algorithm for RBF network based on improved nearest neighbor-clustering algorithm and gradient descent training, is proposed to identify system model and design the RBF controller.
Simulation results show that AC servo system based on proposed mixed control strategy can satisfy the system's need of speediness、Stability and robustness preferably.
引文
1陈伯时，陈敏逊．交流调速系统[M]．北京：机械工业出版社，1998
2李永东．交流电机数字控制系统[M]．北京：机械工业出版社，2002
3胡德．伺服系统原理与设计[M]．北京：北京理工大学出版，1993
4曾玉金．高性能交流伺服系统及其复合控制策略研究[D]．浙江大学博士学位论文．2004，6
5王朝晖．先进控制技术及其产业化[J]．测控技术．2000，8：1-4
6陈庆伟，郭毓，杨静忠．提高齿隙非线性系统精度的应用研究[J]．南京理工大学学报．2000，24(6)：486-489
7周连全，王小椿．一种随动系统分段平滑高增益跟踪控制算法[J]．机械科学与技术．2002，21(4)：546-548
8丁锋，屈明昌，林廷圻．交流位置伺服系统PID控制方法实现[J]．电子机械工程．2003，19(1)：52-54
9王宏，于泳，徐殿国．永磁同步电动机位置伺服系统[J]．中国电机工程学报．2004，24(7)：151-155
10刘兴堂．应用自适应控制[M]．西安：西北工业大学出版社，2003
11刘日宝，陈荣，邓智泉．正弦波永磁交流伺服系统控制策略的研究[J]．中小型电机．2004，31(5)：39-42
12黄家田，石磊．基于DSP与变结构控制的位置伺服系统[J]．信息技术．2004，28(1)：44-48
13陶永华．新型PID控制及其应用[M]．北京：机械工业出版社，2002，9
14郭庆鼎，王丽梅，罗睿夫．永磁交流直线伺服系统的研究[J]．控制与决策．1997，12(增刊)：516-519
15赵希梅，郭庆鼎，孙宜标．永磁直线同步伺服电机的零相位二自由度H。。鲁棒跟踪控制[J]．电工技术学报．2004，19(10)：32-37
16苏义鑫，周祖德．位置跟踪系统的预测控制研究[J]．中国机械工程．2001，12(12)：1356-1358
17吴海．一类跟踪系统的预见预测控制算法的研究[J].控制理论与应用．2001，18(4)：534-538
18孙增圻．智能控制理论与技术[M]．北京：清华大学出版社，1997
19周连俭，王小椿．一种基于Hopfield神经网络的系统辨识方法及其在舰炮随动系统辨识中的应用fJl．机床与液压．2005，7：136-138
20Ciliz M.K, Tomizuka M. Friction modeling and compensation for motion control using hybrid neural network models[J]. Engineering. Application of Artificial Intelligence.2006. 12(7):1-14
21樊卫华，赵国峰，陈庆伟，胡维礼．双电机驱动伺服系统神经网络控制器的设计[J]．电机与控制学报．2006，10(3)：260-268
22王江，左北国，张晓东．基于神经网络的永磁电动机转矩脉动补偿[J]．天津大学学报．2006，39(8)：901-906
23吴洪坤．基于神经网络的自适应控制在交流伺服系统中的应用研究[D]．南京理工大学硕士学位论文．2004，6
24刘巧歌，付梦印，邓志红．前向神经网络学习速率的自适应算法[J]．系统仿真学报．2006，18(3)：698-701
25王延龙，孙廷玉，谢书明．分阶段模糊滑模控制在交流伺服系统中的应用[J]．沈阳工业大学学报．2005，27(3)：291-294
26方栋良，赵荣祥，吴茂刚．模糊单神经元PI复合调节的永磁同步电动机矢量控制系统[J]．机电工程．2005，22(10)：5-9
27苏晓鹭．自整定——多模态智能控制器的研究[J]．大连大学学报．1999，20(4)：44-49
28陶吉利，鲁五一，熊红云．PID参数自整定的改进遗传算法[J]．工业仪表与自动化装置．2004，1(2)：30-32
29黄志兴，高岩．参数自调整PID模糊控制器及在数字随动系统中的应用[J]．工业控制与应用．2003，22(10)：46-51
30郭军平，吴勇，李自荣，徐日洲．基于模糊PID的随动系统优化设计与仿真[J]．计算机仿真．2005，22(11)：157-160
31牛洪海，赵荣祥，吴茂刚．基于模糊PI参数自整定的永磁同步电动机矢量控制系统[J]．电机技术．2005，24(12)：79-82
32葛锁良，刘文慰．基于模糊控制的交流伺服系统的设计[J]．东南大学学报．2003，33(9)：154-157
33单金玲，马彩文，李文刚，唐自力．基于BP神经网络的PID控制器[J]．光子学报．2005，34(5)：754-757
34王俊国，王永骥，万淑芸．基于动态神经网络的PID参数整定与实时控制[J]．系统工程与电子技术．2004，26(6)：777-810
35王迎旭，刘国繁，伍萍辉．基于神经网络的自适应PID控制器及其应用[J]．电力电子技术．2004，38(2)：89-91
36李鸿儒，白湘波，顾树生．基于神经网络的永磁同步电机的鲁棒控制[J]．东北大 学学报．2001，22(4)：362-365
37齐忠霞，朱小平．基于神经网络与模糊逻辑的直接转矩控制系统[J]．西安石油大学学报．2005，20(1)：62-66
38王剑侠．多电机同步联动系统的动力学建模及消隙控制算法研究[D]．南京理工大学硕士学位论文．2004，3
39从爽．神经网络、模糊系统及其在运动控制中的应用[M]．合肥：中国科学技术大学出版社，2001
40郭庆鼎，孙宜标，王丽梅．现代永磁电动机交流伺服系统[M]．北京：中国电力出版社，2006
41罗冰洋．PID控制器参数自整定方法比较[J]．微机发展．2005，15(9)：99-101
42何宏源，徐进学，金妮．PID继电自整定技术的发展综述[J]．沈阳工业大学学报．2005，27(4)：409-413
43杨智，朱海锋，黄以华．PID控制器设计与参数整定方法综述[J]．化工自动化及仪表．2005，32(5)：1-7
44Astrom K.J, Hagglund T. Automatic tuning of simple controllers with specification on phase and amplitude margins[J]. Automatica. I984, 20(5):645-651
45Ho W.K, Feng E.B, Gan O.P.A. A novel relay auto-tuning technique for process with integration[J]. Control Eng. Practice. 1996, 5(7):923-928
46Friman M, Waller K.V. A two-channel relay for autotuning[J]. Ind. Eng. Chem. Res.1997, 36:2662-2671
47王学雷，邵惠鹤．一种基于改进双通道继电测试的闭环辨识方法研究[J]．控制与决策．2002，17(4)：411-414
48Shen S.H, Yu H.D, Yu C.C. Use of saturation-relay feedback for autotune identification[J]. Chem. Eng. Sci. 1996, 51:1187-1198
49薛亚丽，李东海，吕崇德．具有饱和环节的闭环反馈辨识[J]．清华大学学报(自然科学版)．2003，43(6)：786-790
50Shen S.H, Wu J.S, Yu C.C. Use of biased-relay feedback for system identification[J]. AI.Ch.E. Journal. 1996, 42:1174-1180
51马明达，朱新坚．基于偏置继电反馈的一种新的频域辨识方法[J]．计算机仿真．2006，23(3)：84-88
52Bi Q, Wang Q.G, Hang C.C. Relay-based estimation of multiple points on process frequency response[J]. Automatica. 1997, 33(9): 1753-1757
53Wang Q.G, Bi Q, Zou B. Use of FFF in relay feedback system[J]. Electronics Letters.1997.33(12i:1099-1100
54Engelberg S. Limitations of the describing function for limit cycle predietion[J]. IEEE Tans. Autom. Control. 2002, 47:1887-1890
55Lin C, Wang Q.G, Lee T.H. Relay feedback: A complete analysis for first-order systems[J]. Ind.Eng.Chem.Res. 2004, 43:8400-8402
56金以慧．过程控制[M]．北京：清华大学出版社，1993
57Hang C.C, Loh A.P, Vasnani V.U. Relay feedback auto-tuning of cascade controllers[J]. IEEE Trans. Control System Tech. 1994, 2(1):42-45
58Astrom K.J, Panagropoulos H, Hagglund T. Design of PI controllers based on non-convex optimization[J]. Automatica. 1998, 34(5):585-601
59Toscano R. A simple robust PI/PID controller design via numerical optimization approach[J]. J. Process Contr. 2005, 15:81-88
60王亚刚，邵惠鹤．基于幅值裕度和相位裕度的自整定PID控制器[J]．控制与决策．2000，15(5)：589-591
61王亚刚，邵惠鹤．一种基于灵敏度的自整定最优PI控制器[J]．自动化学报．2001，27(1)：140-143
62董红生．基于多点频率特性辨识的自整定PID控制器的研究[J]．控制理论与应用.2005，24(5)：14-16
63黄莺．一种基于频域辨识的自整定PID控制器[D]．华北电力大学硕士论文．2003，12
64周昆仑．模糊自整定PID温度控制器[D]．西北工业大学硕士学位论文．2001，12
65Leva A. PID autotuning algorithm based on relay feedback[J]. IEE Proc.D. 1993,140(5):328-338
66叶军．伺服系统在摩擦条件下的模拟复合正交神经网络控制[J]．中国电机工程学报．2005，25(17)：127-130
67黄进．含摩擦环节伺服系统的分析及控制补偿研究[D]．西安电子科技大学博士论文．1998，9
68刘金琨．先进PID控制及其MATLAB仿真[M]．北京：电子工业出版社，2003
69王秀峰，卢桂章．系统建模与辨识[M]．北京：电子工业出版社，2004
70周俊武，孙传尧，王福利．径向基函数(RBF)网络的研究及实现[J]．矿冶．2001，10(4)：71-75
71孙延风，梁艳春，孟庆福．改进的神经网络最近邻聚类学习算法及其应用[J]．吉林大学学报．2003，20(1)：63-66
72Liu H, Ouyang P.C, Wang S.P. Fault detection based on RBF neural network in a hydraulic position servo systemiC]./EEE Proceeding of the 6th World Congress on Intelligent Control and Automation, Dalian, China. 2006, 6:21-23
73Chert S, Grant P.M. Orthogonal least squares learning algorithms for Radial Basis Function Network[J]. IEEE Trans. Neural Networks. 1991, 2(2):302-309
74Platt J. A resource allocating network for function interpolation[J]. Neural Computation. 1991, 3(2):213-225
75Huang C.-B, Saratchandran P. A generalized growing and pruning RBF (GGAP-RBF) neural network for function approximation[J]. IEEE Trans. Neural Networks. 2005,16(1):57-67
76Huang G.-B, Saratchandran P, Sundararajan N. An efficient sequential learning algorithm for growing and pruning RBF (GAP-RBF) networks[J]. IEEE Trans.Systems, Man, and Cybernetics. 2004, 34(6):2284-2292
77朱明星，张德龙．RBF网络基函数中心选取算法的研究[J]．安徽大学学报．2000，24(1)：72-78