基于模糊神经网络PID算法的舵机控制与仿真

作者:和江;文建刚;侯文 刊名:中北大学学报(自然科学版) 上传者:李秀俊

【摘要】针对某型号导弹舵机系统在非线性时变的复杂条件下传统的PID控制器控制精度低、适应能力差的缺点,本文通过对模糊神经网络算法的研究,并结合传统PID控制器,设计了模糊神经网络PID控制器.通过对系统进行仿真可以看出:舵机最大舵偏角反馈值从19.12°增大到19.62°,相位滞后减小了6°;提高了系统的频率响应;阶跃响应超调明显减小,上升时间从40ms减小到30ms,并且大大减小了系统稳态误差.研究表明,相比于传统的PID控制器,模糊神经网络PID控制器在对电动舵机位置环控制上效果有很大提升.

全文阅读

0引言在导弹系统中,舵机作为执行机构发挥着重要作用,对于舵机控制器的设计也尤为重要.因此,研究更加灵活精确的控制算法对于舵机性能的提升有着非常重要的意义[1].传统PID控制由于算法简单,易于实现等优点被广泛应用于舵机系统的控制中.然而,电动舵机系统是典型的非线性时变系统[2],而传统PID控制对被控对象的特性变化不敏感,很难实现精确控制.相比传统PID控制算法,模糊PID控制对于非线性时变系统有着更好的适应能力,可以改善传统PID控制效果[3].虽然模糊PID控制不会过多依赖被控对象的模型变化,但却较依赖操作人员的经验,自学习能力较差.如果操作人员的相关经验知识不足,则对被控对象的控制效果依旧不太理想[4].神经网络的特点是容错能力、自学习能力强[5],可以弥补模糊PID在灵活性方面的不足,然而神经网络又有着不能很好利用已有经验知识的缺点.针对模糊PID控制和神经网络控制的优缺点,本文设计了模糊神经网络控制器,将模糊PID控制与神经网络控制相结合,使它既具有神经网络自学习能力强的特点,又具有模糊PID控制可以很好利用已有经验知识的特点,能够自适应地调整控制规则和控制参数,从而达到对舵机位置环地精确控制.1电动舵机数学模型电动舵机主要由伺服电机、减速传动机构、PWM驱动器以及反馈电位器组成.通过舵机各组成部分的数学模型可以得到舵机系统的数学模型[6].本文的研究对象为该系统的位置环控制器,其传递函数结构如图1所示.图1系统传递函数结构图Fig.1 The block diagram of the system transfer function图1中,U为位置指令信号;Ra为电枢总电阻;La为电枢总电感;Km为转矩系数;TL为折算到电机轴上的负载转矩,与舵偏转角成正比;JM为折算到电机轴上转动惯量,包括电机转子的转动惯量、减速传动机构转动惯量以及舵片折算到电机轴上的转动惯量;N为总减速比;KE,KF分别为反电势系数、位置反馈系数.2模糊神经网络PID控制器设计2.1模糊神经网络PID控制器原理本文所设计的模糊神经网络PID控制器原理如图2所示.图2模糊神经网络PID控制器原理图Fig.2 The schematic of the fuzzy neural network controller该控制器由传统PID控制器和模糊神经网络两部分组成.传统的PID控制器可以直接对被控对象的位置环进行控制,其PID控制参数Kp,Kd,Ki可进行实时整定.模糊神经网络控制器部分以位置误差e和误差变化率ec作为输入变量,其中ec(k)=e(k)-e(k-1),输出控制量为u(k).模糊神经网络是将神经网络的自学习能力应用于模糊算法中,使得模糊算法的各步骤如模糊化变量、模糊推理及清晰化变量融于神经网络的各层[7].通过神经网络的学习能力修正网络权值,最后输出最优PID控制器的控制参数Kp,Kd,Ki.2.2模糊神经网络PID结构本文所设计的基于BP网络的模糊神经网络是一种多层前馈神经网络,各层分别为输入层、隐层、输出层,前层结点与后层节点通过权值连接[8].BP网络的特点是输入信号自输入层向输出层正向传播,如果输出结果达到期望值,则算法停止,否则以期望输出和实际输出的差作为误差信号进行反向传播,通过调整各层神经元结点的权值和阈值,使得误差信号最小化,从而达到控制目标的目的[9].根据上述BP网络的结构与原理,本文设计的模糊神经网络分为5层,分别为输入层、模糊化层、模糊规则层、归一化层、清晰化层,如图3所示.图3模糊神经网络结构示意图Fig.3 The block

参考文献

引证文献

问答

我要提问