气动伺服系统的神经网络辨识.docx

气动伺服系统的神经网络辨识ronggang导语：本文采用神经网络对气动伺服系统的模型进展辨识。分析RBF神经网络辨识的原理及其与参估计法的区别。本文采用神经网络对气动伺服系统的模型进展辨识。分析RBF神经网络辨识的原理及其与参估计法的区别。针对实际系统设计了神经网络辩识模型。实验说明该方法建立的模型是正确的。关键词：神经网络辨识；气动伺服系统气体的可压缩性、低粘度、和热敏性负气动伺服系统的特性不易把握，归纳起来气动伺服系统有以下几个特点：I时变性：即系统参数不是定常的是随时间改变的而且在运动经过中，参数与位置有关。2热敏性：系统特性温度影响严重。3压敏性：系统特性受气源压力波动影响较大。4非线性：气体的大压缩性和执行机构的摩擦力使系统特性呈严重的非线性。这些特点负气动伺服控制系统的模型不易得到，给气动伺服系统的控制带来很多困难。被控系统的数学模型对系统的分析和控制非常重要。建立动态系统数学模型的方法有机理建模和实验建模。辨识建模方法有阶跃响应法、频率响应法、相关分析法和参数估计法。近年度来，神经网络研究所获得的进展为动态系统辨识提供了新方法，已有很多成功应用的报道。2神经网络辩识与参数估计法的区别从本质上讲，两者是一样的，都是利用输人输出信垮通过某种算法求得能反映系统特性的模型，都是采用拟台的方法。不同的是，神经网络比参数估计法更灵敏，能逼近任意非线性函数，反映任意非线性系统的特性。具有自学习和记忆才能；神经网络采用的是各种非线性函数，参数估计法仅采用多项式，因此，从某种意义上可以讲神经网络辨识是参数估计法的推广和改良。神经网络辨识的效果与所选用的区模型和权值的求算方法有关，在各种神经网络模型中，RBFRadialBasisFunction网络构造简单、学习收敛快，精度高，非常合适单输出系统的辨识建模。因此本文选择该模型来对开关阀控气动伺服系统进展辨识。3RBF网络模型RBF网络模型只有一个隐层，一个输出，每个隐节点都按RBF的规律输出，如图I所示。网络输出：4基于RBF网络的动态辨识原理任意SISO非线性系统可用式3描绘。用RBF网络辨识时，通常选取系统输入时刻前个值和输出f时刻前f个值作为RBF网络的输入向量。采用学习算法用样本对RBF网络进展训练，训练后的权值表征着被辨识系统的固有特征。训练时，指标函数：权值修正算法为：式中：N样本数；rRBF网络输出值；学习速率因子5基于RBF网络模型的开关阀控气动位置伺服系统辨识由机理分析建模可知，开关阀控气动位置伺服系统是三阶系统，因此设计图2所示的RBF神经网络模型来辨识此类系统。图中，隐节点个数目m取21；Cj分别按输人输出最大最小值之间等距取值。采取式4、5的算法求得各隐节点的权值。图3是采用同一控制器的实际系统输出和模型仿真输出，曲线1为实际输出，曲线2为模型仿真输出。从图可知两者根本吻合，这说明所建模型是正确的。本文用RBF神经网络理论对开关阀控气动位置伺服系统进展了辨识研究，得出几点结论：1RBF神经网络的隐节点个数不宜太少，否那么辨识模型与实际对象相差较大。2在实时采样训练样本时，要对样本进展予处理，以进步辨识结果的准确性，同时学习率因子对RBF网络的收敛性有很大影响。3用RBF神经网络对开关阀控气动位置伺服系统进展辨识建模是适宜的。参考文献1顾钟文工业系统建模杭州：浙江大学出版杜，19952徐耀玲等人工神经网络在系统辩识中的应用自动化学报，1991，171：91943日建国动态系统RBF网络建模方法及其应用西安：中国神经网络学术大会论文集1993104王宣银PCM气动系统的建模研究机床与液床，19975王宣银气压驱动机器人控制的研究浙江大学博士后研究工作报告1997110