"睡眠"狀態(tài)，即找到合適的位置，則停止尋找；當(dāng)f (agentj〈〈 β時(shí)，agent為"活躍"狀 態(tài)，即未找到合適位置，則繼續(xù)尋找。最后判斷相異度，若相異度未達(dá)到設(shè)定值則調(diào)整激活 閾值β，若達(dá)到設(shè)定值則輸出聚類信息，包括聚類個(gè)數(shù)和聚類中心。
[0037] 2) RBF神經(jīng)網(wǎng)絡(luò)以上述聚類個(gè)數(shù)和聚類中心作為其隱含層神經(jīng)元個(gè)數(shù)和隱含層神 經(jīng)元中心，將從力傳感器6和位移傳感器7輸出的誤差信息e和系統(tǒng)輸出信號(hào)y作為一個(gè) 對(duì)輸入（e，y)，采用最近鄰聚類算法對(duì)舵機(jī)電液加載系統(tǒng)進(jìn)行在線辨識(shí)，得到RBF神經(jīng)網(wǎng)絡(luò) 的輸出；
[0038] 從第一個(gè)對(duì)輸入（ei，yi)開始，已經(jīng)存在k個(gè)隱含層神經(jīng)元，隱含層神經(jīng)元中心 為 Cl，C2，…，Ck，且聚類半徑為b。求出ei到中心向量的距離Ie 1-C1I (i = 1，2,…，k)。設(shè) Ie1-CjI為戶斤有距離中的最小值，BP c^x1的最近鄰聚類。若Ie1-Cj^b,則在原RBF神經(jīng) 網(wǎng)絡(luò)中增加第（k+Ι)個(gè)隱含層神經(jīng)元，而且該隱含層神經(jīng)元中心c k+1= e i，輸出之和sk+1 = y1;若I e「Cj I <b，則原RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不變，其中輸出之和Sj= S
[0039] 使用高斯函數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的函數(shù)。第i個(gè)隱含層神經(jīng)元的 輸出為：
[0040]
(5)
[0041] 式中，ek為輸入數(shù)據(jù)；I Iek-C1I I為％與其最近鄰聚類C1之間的歐式距離；b為聚 類半徑。
[0042] 根據(jù)最小二乘法確定隱含層到輸出層之間的權(quán)值，即：
[0043]
[0044] 式中，Cl1為隱含層神經(jīng)元中心c i與它最鄰近的隱含層神經(jīng)元中心c j之間的距離。
[0045] 由此得到RBF神經(jīng)網(wǎng)絡(luò)的輸出yn (Xk)為：
[0046]
(7)
[0047] 目標(biāo)性能指標(biāo)函數(shù)E為：
[0048] LlN 丄uoioyusi A yJ^ rVJ 0/0 JM
(8)
[0049] 3)單神經(jīng)元PID利用上述RBF神經(jīng)網(wǎng)絡(luò)提供的辨識(shí)信息，通過梯度下降法對(duì)其控 制參數(shù)<、1^、1^進(jìn)行在線自整定，最終輸出加載力指令信號(hào)給電液伺服閥2，以驅(qū)動(dòng)閥控液 壓缸3運(yùn)動(dòng)，產(chǎn)生加載力，經(jīng)由彈簧裝置4加載到舵機(jī)5上，最后舵機(jī)5根據(jù)該指令信號(hào)進(jìn) 行相應(yīng)運(yùn)動(dòng)。
[0050] 控制器1的控制結(jié)構(gòu)示意圖如圖3所示，設(shè)定系統(tǒng)的輸入指令為r(k)，實(shí)際輸出為 7(1〇。單神經(jīng)元？10的控制參數(shù)為1^、1^、1^。單神經(jīng)元？10的輸入1 1〇〇、12〇〇、13〇〇和 加載力輸出U(k)分別為：
[0051] (9;
[0052]
[0053] 式中，e (k)為系統(tǒng)誤差，且：
[0054]
[0055] 將kp、I kd采用梯度下降法進(jìn)行調(diào)整：
[0056] (12)
[0057] (η)
[0058] 式中：
為控制對(duì)象的Jacobian信息；η為學(xué)習(xí)速率。由于RBF神經(jīng)網(wǎng)絡(luò)能 夠獲得精確的辨識(shí)?目息，所以米用RBF神經(jīng)網(wǎng)絡(luò)提供的
可以獲得精確的 單神經(jīng)元PID的控制參數(shù)，進(jìn)而得到舵機(jī)電液加載系統(tǒng)的加載力輸出信號(hào)，以對(duì)舵機(jī)5進(jìn)行 控制。
[0059] 圖4a和圖4b為采用本發(fā)明方法的控制器與常規(guī)PID控制器在不同頻率輸入指令 下消除多余力的效果對(duì)比實(shí)驗(yàn)曲線，其中圖4a是輸入指令頻率為5HZ時(shí)不同控制器抑制多 余力矩的對(duì)比實(shí)驗(yàn)結(jié)果曲線，虛線表示常規(guī)PID控制器多余力抑制效果，實(shí)線表示采用本 發(fā)明方法的控制器多余力抑制效果。圖4b是輸入指令頻率為15HZ時(shí)不同控制器抑制多余 力矩的對(duì)比實(shí)驗(yàn)結(jié)果曲線。虛線表示常規(guī)PID控制器多余力抑制效果，實(shí)線表示采用本發(fā) 明方法的控制器多余力抑制效果。實(shí)驗(yàn)結(jié)果表示采用本發(fā)明方法的控制器能夠有效抑制多 余力。
【主權(quán)項(xiàng)】
1. 一種舵機(jī)電液加載系統(tǒng)智能控制方法，所述的舵機(jī)電液加載系統(tǒng)包括控制器（I)、 電液伺服閥（2)、閥控液壓缸（3)、彈簧裝置（4)、力傳感器（6)、位移傳感器（7);其中：控制 器⑴與電液伺服閥⑵、力傳感器（6)和位移傳感器（7)相連接；電液伺服閥⑵依次通 過閥控液壓缸（3)和彈簧裝置（4)與舵機(jī)（5)相連接；舵機(jī)（5)同時(shí)與力傳感器（6)、位移 傳感器（7)相連接；其特征在于：所述的舵機(jī)電液加載系統(tǒng)智能控制方法包括按順序進(jìn)行 的下列步驟： 1) 控制器（1)采用蟻群聚類算法得到包括聚類個(gè)數(shù)和聚類中心在內(nèi)的聚類信息； 2. RBF神經(jīng)網(wǎng)絡(luò)以上述聚類個(gè)數(shù)和聚類中心作為其隱含層神經(jīng)元個(gè)數(shù)和隱含層神經(jīng)元 中心，將從力傳感器（6)和位移傳感器（7)輸出的誤差信息e和系統(tǒng)輸出信號(hào)y作為一個(gè) 對(duì)輸入（e，y)，采用最近鄰聚類算法對(duì)舵機(jī)電液加載系統(tǒng)進(jìn)行在線辨識(shí)，得到RBF神經(jīng)網(wǎng)絡(luò) 的輸出； 3) 單神經(jīng)元PID利用上述RBF神經(jīng)網(wǎng)絡(luò)提供的Jacobian信息，通過梯度下降法對(duì)其控 制參數(shù)kp、kp kd?行在線自整定，最終輸出加載力指令信號(hào)給電液伺服閥（2)，以驅(qū)動(dòng)閥控 液壓缸⑶運(yùn)動(dòng)，產(chǎn)生加載力，經(jīng)由彈簧裝置⑷加載到舵機(jī)（5)上，最后舵機(jī)（5)根據(jù)該 指令信號(hào)進(jìn)行相應(yīng)運(yùn)動(dòng)。2. 根據(jù)權(quán)利要求1所述的舵機(jī)電液加載系統(tǒng)智能控制方法，其特征在于：在步驟1) 中，所述的控制器（1)采用蟻群聚類算法得到包括聚類個(gè)數(shù)和聚類中心在內(nèi)的聚類信息的 方法是：通過大量現(xiàn)場(chǎng)試驗(yàn)，獲得舵機(jī)電液加載系統(tǒng)的輸入輸出實(shí)驗(yàn)樣本數(shù)據(jù)，設(shè)定每個(gè)人 工螞蟻，即agent代表一個(gè)輸入輸出實(shí)驗(yàn)樣本數(shù)據(jù)，其根據(jù)舒適度函數(shù)和激活概率函數(shù)不 停地尋找合適位置，從而使得agent動(dòng)態(tài)自組織地形成聚類，其次根據(jù)Bgent1的學(xué)習(xí)規(guī)則 判斷其屬于"睡眠"狀態(tài)或者"活躍"狀態(tài)；若agent為"活躍"狀態(tài)，即未找到合適位置，則 繼續(xù)尋找；若agent為"睡眠"狀態(tài)，即找到合適的位置，則停止尋找；最后判斷相異度，若相 異度未達(dá)到設(shè)定值則調(diào)整激活閾值，若達(dá)到設(shè)定值則輸出聚類信息，包括聚類個(gè)數(shù)和聚類 中心。3. 根據(jù)權(quán)利要求1所述的舵機(jī)電液加載系統(tǒng)智能控制方法，其特征在于：在步驟2) 中，所述的RBF神經(jīng)網(wǎng)絡(luò)以上述聚類個(gè)數(shù)和聚類中心作為其隱含層神經(jīng)元個(gè)數(shù)和隱含層神 經(jīng)元中心，將從力傳感器（6)和位移傳感器（7)輸出的誤差信息e和系統(tǒng)輸出信號(hào)y作為 一個(gè)對(duì)輸入（e，y)，采用最近鄰聚類算法對(duì)舵機(jī)電液加載系統(tǒng)進(jìn)行在線辨識(shí)，得到神經(jīng)網(wǎng)絡(luò) 的輸出的方法是：從第一個(gè)對(duì)輸入（ei，yi)開始，已經(jīng)存在k個(gè)隱含層神經(jīng)元，隱含層神經(jīng)元 中心為C1, C2,…，Ck，且聚類半徑為b ;求出ei到中心向量的距離I e「Ci I (i = 1，2,…，k)。 設(shè)I e^Cj I為所有距離中的最小值，即Cj為X i的最近鄰聚類。若I e「Cj I >b，則在原RBF神 經(jīng)網(wǎng)絡(luò)中增加第（k+Ι)個(gè)隱含層神經(jīng)元，而且該隱含層神經(jīng)元中心ck+1= e i，輸出之和sk+1=y1;若|e「Cj I <b，則原RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不變，其中輸出之和Sj= S fy1。使用高斯函數(shù) 作為RBF神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的函數(shù)得到第i個(gè)隱含層神經(jīng)元的輸出；之后根據(jù)最小 二乘法確定隱含層到輸出層之間的權(quán)值；最后將隱含層神經(jīng)元的輸出以及隱含層到輸出層 之間的權(quán)值相乘并求和而得出RBF神經(jīng)網(wǎng)絡(luò)的輸出。4. 根據(jù)權(quán)利要求1所述的舵機(jī)電液加載系統(tǒng)智能控制方法，其特征在于：在步驟3) 中，所述的單神經(jīng)元PID利用上述RBF神經(jīng)網(wǎng)絡(luò)提供的Jacobian信息，通過梯度下降法對(duì) 其控制參數(shù)kp、kp kd?行在線自整定，最終輸出加載力指令信號(hào)給電液伺服閥（2)，以驅(qū)動(dòng) 閥控液壓缸（3)運(yùn)動(dòng)，產(chǎn)生加載力，經(jīng)由彈簧裝置（4)加載到舵機(jī)（5)上，最后舵機(jī)（5)根 據(jù)該指令信號(hào)進(jìn)行相應(yīng)運(yùn)動(dòng)的方法是：設(shè)定系統(tǒng)的輸入指令為r (k)，實(shí)際輸出為y (k)，單 神經(jīng)元PID的控制參數(shù)為kp、kp kd，設(shè)定單神經(jīng)元PID的輸入X1 (k)、x2 (k)、x3 (k)和加載力 輸出u(k)分別為：u(k) = u (k-1) + Δ u (k) 式中，e(k)為系統(tǒng)誤差，且：首先對(duì)RBF神經(jīng)網(wǎng)絡(luò)的輸出求偏導(dǎo)，得到精確的Jacobian信息，根據(jù)Jacobian信息采 用梯度下降法對(duì)控制參數(shù)kp、kp kd?行在線自整定，最終根據(jù)以上加載力輸出的公式得到 舵機(jī)電液加載系統(tǒng)的加載力輸出信號(hào)，并通過調(diào)節(jié)電液伺服閥（2)腔體壓力的方式驅(qū)動(dòng)閥 控液壓缸⑶運(yùn)動(dòng)，產(chǎn)生加載力，經(jīng)由彈簧裝置⑷加載到舵機(jī)（5)上，舵機(jī)（5)根據(jù)指令 信號(hào)進(jìn)行相應(yīng)運(yùn)動(dòng)。
【專利摘要】一種舵機(jī)電液加載系統(tǒng)智能控制方法。其包括控制器采用蟻群聚類算法得到包括聚類個(gè)數(shù)和聚類中心在內(nèi)的聚類信息；RBF神經(jīng)網(wǎng)絡(luò)以聚類個(gè)數(shù)和聚類中心作為其隱含層神經(jīng)元個(gè)數(shù)和隱含層神經(jīng)元中心，將從力傳感器和位移傳感器輸出的誤差信息e和系統(tǒng)輸出信號(hào)y作為一個(gè)對(duì)輸入，采用最近鄰聚類算法對(duì)舵機(jī)電液加載系統(tǒng)進(jìn)行在線辨識(shí)，得到神經(jīng)網(wǎng)絡(luò)的輸出；單神經(jīng)元PID利用RBF神經(jīng)網(wǎng)絡(luò)提供的Jacobian信息，通過梯度下降法對(duì)其控制參數(shù)kp、ki、kd進(jìn)行在線自整定，最終輸出加載力指令信號(hào)控制舵機(jī)運(yùn)動(dòng)。本發(fā)明解決了在線實(shí)時(shí)控制的問題，由此提高了系統(tǒng)的加載精度和響應(yīng)速度。
【IPC分類】G05B13/04
【公開號(hào)】CN105159081
【申請(qǐng)?zhí)枴緾N201510555972
【發(fā)明人】劉曉琳, 王春婷
【申請(qǐng)人】中國民航大學(xué)
【公開日】2015年12月16日
【申請(qǐng)日】2015年9月2日