劉曉琳， 李 卓， 陳立東

(中國民航大學(xué)電子信息與自動化學(xué)院，天津 300300)

飛機(jī)圍繞縱軸、橫軸、立軸旋轉(zhuǎn)都要由相應(yīng)的舵機(jī)分別驅(qū)動副翼、升降舵和方向舵來實現(xiàn)傾斜、俯仰和航向控制。舵機(jī)是飛行控制系統(tǒng)的重要組成部分，也是飛機(jī)的執(zhí)行機(jī)構(gòu)，其控制性能優(yōu)劣直接影響飛機(jī)的飛行品質(zhì)[1]。舵機(jī)在真實飛行過程中會受到各種空氣力載荷的影響，且載荷大小隨飛行高度、速度、姿態(tài)及氣流等因素的改變而發(fā)生變化。在實驗室條件下，通常使用電液負(fù)載模擬器模擬舵機(jī)在飛行過程中所受到的各種力載荷的變化情況，驗證舵機(jī)在不同飛行狀態(tài)下的工作性能，進(jìn)行靜態(tài)、動態(tài)技術(shù)指標(biāo)的檢查和測試，從而將傳統(tǒng)的自破壞性全實物仿真試驗轉(zhuǎn)化為實驗室條件下的預(yù)測性研究[2]。

雖然電液負(fù)載模擬器在很大程度上改進(jìn)了舵機(jī)的測試方式，具有可控性、無破壞性的優(yōu)點。但是對于被動式力伺服控制系統(tǒng)來說，由于電液負(fù)載模擬器的輸入伺服指令與承載對象舵機(jī)的運動相關(guān)，所以由舵機(jī)的主動運動產(chǎn)生的外部擾動即多余力[3]，將會嚴(yán)重影響伺服控制系統(tǒng)的加載精度及動態(tài)性能。鑒于此，針對飛機(jī)舵機(jī)電液負(fù)載模擬器存在的多余力干擾的問題，結(jié)合系統(tǒng)工作原理與結(jié)構(gòu)特點，重建控制器結(jié)構(gòu)功能及控制策略，從而實現(xiàn)舵機(jī)在實際工作過程中所受力載荷的真實模擬能力，滿足電液負(fù)載模擬器對穩(wěn)定特性、加載精度、響應(yīng)速度、跟蹤能力等技術(shù)指標(biāo)的要求[4]。

1 電液負(fù)載模擬器數(shù)學(xué)模型建立

1.1 系統(tǒng)結(jié)構(gòu)及工作原理

電液負(fù)載模擬器由舵機(jī)子系統(tǒng)、加載子系統(tǒng)、連接機(jī)構(gòu)三部分構(gòu)成，其結(jié)構(gòu)框圖如圖1所示。其中，舵機(jī)子系統(tǒng)由舵機(jī)伺服閥、舵機(jī)液壓缸和位移傳感器等組成，加載子系統(tǒng)由控制器、加載伺服閥、加載液壓缸和力傳感器等組成。舵機(jī)子系統(tǒng)根據(jù)控制計算機(jī)發(fā)出的位移指令信號，經(jīng)由舵機(jī)伺服閥驅(qū)動產(chǎn)生主動運動。加載子系統(tǒng)控制器設(shè)置加載梯度，然后與位移傳感器反饋的舵機(jī)實際位置信號相乘，計算出舵機(jī)在該條件下實際所受的力載荷值，經(jīng)由連接機(jī)構(gòu)加載到舵機(jī)上[5]，從而完成電液負(fù)載模擬器力載荷的加載工作。

圖1 電液負(fù)載模擬器結(jié)構(gòu)框圖

電液負(fù)載模擬器的加載子系統(tǒng)通過金屬-橡膠緩沖彈簧與舵機(jī)子系統(tǒng)相連接。由于舵機(jī)本身的主動運動迫使加載液壓缸兩腔產(chǎn)生強迫流量，從而使加載子系統(tǒng)產(chǎn)生多余力，導(dǎo)致實際加載力跟蹤指令力的效果不佳，進(jìn)而影響負(fù)載模擬器的加載性能。因此，電液負(fù)載模擬器是一個復(fù)雜的被動式力伺服控制系統(tǒng)。

1.2 系統(tǒng)數(shù)學(xué)模型

電液負(fù)載模擬器結(jié)構(gòu)復(fù)雜，一方面由于加載子系統(tǒng)油液溫度、液壓缸內(nèi)部摩擦以及緩沖彈簧的阻尼系數(shù)等非線性因素影響較多[6]，另一方面舵機(jī)子系統(tǒng)與加載子系統(tǒng)在工作過程中會產(chǎn)生多余力干擾，且各種干擾因素之間存在耦合[7]，理論上很難建立電液負(fù)載模擬器全部結(jié)構(gòu)的數(shù)學(xué)模型。因此，本文根據(jù)其工作原理及結(jié)構(gòu)特點，建立實際數(shù)學(xué)模型，為后續(xù)控制器設(shè)計及多余力抑制研究提供理論依據(jù)。

加載液壓缸是加載子系統(tǒng)重要的組成元件，其工作原理是根據(jù)加載伺服閥閥芯位移控制內(nèi)部液壓油流量變化，從而實現(xiàn)負(fù)載模擬器力載荷的加載工作[8]。加載液壓缸的數(shù)學(xué)模型主要由加載伺服閥線性化流量方程、加載液壓缸連續(xù)性方程及加載液壓缸與負(fù)載力平衡方程組成，經(jīng)線性化處理及拉普拉斯變換后得到：

Qf=KQxv-KcePf

(1)

式(1)中：Qf為輸出負(fù)載流量變化；KQ為伺服閥流量系數(shù)；xv為伺服閥閥芯位移；Kce為伺服閥流量壓力系數(shù)；Pf為液壓缸兩端產(chǎn)生的負(fù)載壓降。

(2)

式(2)中：At為液壓缸活塞有效作用面積；xt為活塞位移；Vt為液壓缸有效容積；Ey為等效容積彈性模量；Csl為液壓缸總泄露系數(shù)。

AtPf=mtxts2+Btxts+F

(3)

式(3)中：mt為活塞與負(fù)載的等效總質(zhì)量；Bt為活塞黏性阻尼系數(shù)；F為系統(tǒng)實際加載力。

考慮到加載子系統(tǒng)技術(shù)要求頻率為10 Hz，而加載伺服閥固有頻率一般高于70 Hz，因此可將加載伺服閥數(shù)學(xué)模型看作比例環(huán)節(jié)，經(jīng)簡化后得到傳遞函數(shù)為

(4)

式(4)中：ui為加載伺服閥輸入電壓即控制電壓；Ksv為加載伺服閥增益。

在電液負(fù)載模擬器結(jié)構(gòu)中設(shè)置金屬-橡膠緩沖彈簧，不但可以減小多余力干擾，而且其變剛度連接特性可實現(xiàn)力載荷的連續(xù)性加載。忽略緩沖彈簧本身質(zhì)量及彈性摩擦系數(shù)，得到加載子系統(tǒng)實際加載力信號，并將其轉(zhuǎn)換成一定比例的電壓信號為

F=Kt(xt-xy)

(5)

(6)

式中：Kt為緩沖彈簧連接剛度；xy為舵機(jī)子系統(tǒng)輸出位移；Kf為力傳感器增益。

根據(jù)式(1)～式(6)，得到電液負(fù)載模擬器數(shù)學(xué)模型，如圖2所示。

圖2 電液負(fù)載模擬器數(shù)學(xué)模型

2 電液負(fù)載模擬器復(fù)合控制器設(shè)計

從電液負(fù)載模擬器的工作原理及數(shù)學(xué)模型可以看出，它既是一個復(fù)雜的機(jī)電液復(fù)合控制系統(tǒng)，又是一個具有非線性、不確定性、參數(shù)時變的強耦合控制對象。其中，加載子系統(tǒng)指令力受舵機(jī)子系統(tǒng)主動運動的干擾，而舵機(jī)子系統(tǒng)在運行過程中一方面由計算機(jī)給定位移指令信號控制，另一方面受加載子系統(tǒng)實際加載力影響，從而使加載子系統(tǒng)與舵機(jī)子系統(tǒng)相互耦合，產(chǎn)生多余力干擾[9]，嚴(yán)重影響電液負(fù)載模擬器的跟蹤精度、響應(yīng)速度及穩(wěn)定性能。

鑒于此，在設(shè)計控制器時既要滿足系統(tǒng)性能指標(biāo)的要求，又要考慮控制策略的可行性和有效性，設(shè)計一種基于神經(jīng)網(wǎng)絡(luò)辨識器-控制器(neural network identifier and neural network controller, NNI-NNC)的復(fù)合控制器結(jié)構(gòu)，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識功能和自適應(yīng)實時控制策略，以提高電液負(fù)載模擬器的動態(tài)品質(zhì)。NNI-NNC復(fù)合控制器原理如圖3所示。

dm(n)為加載子系統(tǒng)指令力；Fm(n)為實際加載力；ym(n)為辨識模型輸出力；zm(n)為神經(jīng)網(wǎng)絡(luò)控制器輸出；em(n) 為指令力與模型輸出力的偏差

2.1 神經(jīng)網(wǎng)絡(luò)辨識器設(shè)計

基于電液負(fù)載模擬器的結(jié)構(gòu)復(fù)雜性和測試需要，在設(shè)計控制器之前，對理論數(shù)學(xué)模型進(jìn)行辨識是關(guān)鍵。由于反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度快、可以逼近任意非線性連續(xù)函數(shù)、并行處理復(fù)雜數(shù)據(jù)的特點，同時其動態(tài)調(diào)整結(jié)構(gòu)參數(shù)、在線辨識多變量系統(tǒng)的能力可以很好地解決非線性復(fù)雜系統(tǒng)模型參數(shù)辨識的問題[10]，因此采用BP神經(jīng)網(wǎng)絡(luò)辨識器建立電液負(fù)載模擬器神經(jīng)網(wǎng)絡(luò)辨識模型。

為了避免常規(guī)BP神經(jīng)網(wǎng)絡(luò)易出現(xiàn)陷入局部最小值的現(xiàn)象，在實際應(yīng)用中常引入學(xué)習(xí)步長η來改善網(wǎng)絡(luò)逼近非線性函數(shù)的學(xué)習(xí)速度[11]。網(wǎng)絡(luò)學(xué)習(xí)速度與系統(tǒng)穩(wěn)態(tài)性能產(chǎn)生關(guān)聯(lián)，若學(xué)習(xí)步長η過大，則網(wǎng)絡(luò)學(xué)習(xí)過程發(fā)生振蕩，導(dǎo)致系統(tǒng)穩(wěn)態(tài)性能變差；反之，若學(xué)習(xí)步長η過小，則網(wǎng)絡(luò)收斂速度減小，導(dǎo)致系統(tǒng)動態(tài)性能不佳。鑒于此，為了有效解決系統(tǒng)學(xué)習(xí)速度與穩(wěn)態(tài)性能之間的矛盾，對BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行改進(jìn)，通過引入“動量因子α”對網(wǎng)絡(luò)隱含層權(quán)值補償訓(xùn)練規(guī)則及網(wǎng)絡(luò)輸出層權(quán)值修正部分進(jìn)行在線整定，從而提高網(wǎng)絡(luò)模型辨識效果。

結(jié)構(gòu)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法工作流程如下。

選取學(xué)習(xí)樣本總數(shù)P，設(shè)定BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)目為1，設(shè)計網(wǎng)絡(luò)輸入層神經(jīng)元為i(i=1,2,…,M)，隱含層神經(jīng)元為j(j=1,2,…,L)，輸出層神經(jīng)元為k(k=1,2,…,N)。

設(shè)計網(wǎng)絡(luò)權(quán)值及閾值初值為[-0.5，0.5]的隨機(jī)數(shù)，計算網(wǎng)絡(luò)隱含層輸入函數(shù)netj，再以S函數(shù)為激活函數(shù)，得到隱含層神經(jīng)元輸出函數(shù)為

(7)

式(7)中：ωij為輸入層與隱含層之間的連接權(quán)值；θj為隱含層神經(jīng)元閾值。

同理可得網(wǎng)絡(luò)輸出層神經(jīng)元輸出函數(shù)為

(8)

定義期望輸出函數(shù)為Yk，則目標(biāo)函數(shù)為網(wǎng)絡(luò)全局誤差函數(shù)：

(9)

采用最速下降法，引入學(xué)習(xí)步長η反向計算網(wǎng)絡(luò)權(quán)值，即

(10)

為提高網(wǎng)絡(luò)收斂速度及穩(wěn)定性，在常規(guī)權(quán)值調(diào)整的基礎(chǔ)上，引入動量因子α，則優(yōu)化后網(wǎng)絡(luò)輸出層權(quán)值修正公式為

ωjk(n+1)=ωjk(n)+Δωjk+αk[ωjk(n)-

ωjk(n-1)]

(11)

同理可得網(wǎng)絡(luò)隱含層權(quán)值修正公式為

ωij(n+1)=ωij(n)+Δωij+αj[ωij(n)-

ωij(n-1)]

(12)

采用上述BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法對電液負(fù)載模擬器數(shù)學(xué)模型進(jìn)行辨識的工作過程描述如下：

首先，對數(shù)學(xué)模型進(jìn)行離散化處理，以獲取網(wǎng)絡(luò)輸入輸出神經(jīng)元。該離散化模型為

F(n+1)=f[F(n),F(n-1),F(n-2),ui(n),

ui(n-1),ui(n-2),xy(n),xy(n-1),xy(n-2)]

(13)

然后，確定網(wǎng)絡(luò)模型輸入層、隱含層、輸出層神經(jīng)元數(shù)目為4-7-1。其次，由于辨識模型的輸出力信號與加載子系統(tǒng)的實際加載力及控制電壓有關(guān)，為了確保辨識器在線調(diào)整結(jié)構(gòu)參數(shù)的準(zhǔn)確性，故選取ui(n)、ui(n-1)、F(n)及F(n-1)作為輸入神經(jīng)元，選取F(n)作為輸出神經(jīng)元。最后，設(shè)定網(wǎng)絡(luò)每組樣本訓(xùn)練次數(shù)R=300，動量因子α=0.4，學(xué)習(xí)步長η=0.7，容許誤差ε>0，再按照式(7)～式(13)優(yōu)化算法工作流程對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

神經(jīng)網(wǎng)絡(luò)辨識器訓(xùn)練結(jié)果如圖4所示。由圖4分析可知，隨著神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)深入與學(xué)習(xí)速度的加快，網(wǎng)絡(luò)辨識模型輸出曲線能夠近似逼近理論模型輸出曲線，而且目標(biāo)函數(shù)位于一定誤差帶之內(nèi)，滿足系統(tǒng)容許誤差的要求。結(jié)果表明，本文所提出的BP神經(jīng)網(wǎng)絡(luò)辨識器可以很好地反映電液負(fù)載模擬器的動態(tài)特性，準(zhǔn)確辨識非線性復(fù)雜系統(tǒng)的結(jié)構(gòu)模型。另外，對常規(guī)BP神經(jīng)網(wǎng)絡(luò)引入動量因子進(jìn)行優(yōu)化，可以有效提高網(wǎng)絡(luò)的學(xué)習(xí)速度和魯棒性。

圖4 神經(jīng)網(wǎng)絡(luò)辨識器訓(xùn)練結(jié)果

2.2神經(jīng)網(wǎng)絡(luò)控制器設(shè)計

從神經(jīng)網(wǎng)絡(luò)辨識器訓(xùn)練結(jié)果可以看出，雖然BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法可以很好地解決非線性復(fù)雜系統(tǒng)辨識問題，但是由于多余力干擾嚴(yán)重，導(dǎo)致加載力跟蹤效果不佳，將無法滿足電液負(fù)載模擬器的加載要求和測試需要，所以采用神經(jīng)網(wǎng)絡(luò)辨識器與神經(jīng)網(wǎng)絡(luò)控制器相結(jié)合的復(fù)合控制器來抑制多余力干擾。

Adaline網(wǎng)絡(luò)自學(xué)習(xí)過程是通過對多個輸入變量的線性加權(quán)求和，進(jìn)行系統(tǒng)參數(shù)的連續(xù)性自動調(diào)節(jié)，獲得具有良好逼近性能的單一輸出變量，從而實現(xiàn)系統(tǒng)自適應(yīng)控制，具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快、自適應(yīng)強的優(yōu)點[12]。因此以神經(jīng)網(wǎng)絡(luò)辨識模型為控制對象，采用Adaline網(wǎng)絡(luò)控制器監(jiān)督電液負(fù)載模擬器參數(shù)及多余力干擾的變化情況，實現(xiàn)系統(tǒng)自適應(yīng)魯棒控制。

設(shè)定加載子系統(tǒng)指令力為dm(n)，實際加載力為Fm(n)，辨識模型輸出力為ym(n)，神經(jīng)網(wǎng)絡(luò)控制器輸出為zm(n)，則

(14)

式(14)中：T為神經(jīng)元突觸個數(shù)；W(n)為Adaline網(wǎng)絡(luò)權(quán)值；m為當(dāng)前樣本組數(shù)。

采用梯度下降法實現(xiàn)網(wǎng)絡(luò)權(quán)值調(diào)整，選擇指令力與模型輸出力的偏差em(n)作為誤差信號，則誤差能量函數(shù)為

(15)

式(15)中：h為樣本總數(shù)。

確定Adaline網(wǎng)絡(luò)權(quán)值調(diào)整公式為

Wt(n+1)=Wt(n)+ΔWt(n)

(16)

(17)

式中：

[dmt(n)-Fmt(n)]f′[netk(n)]；

[dmt(n)-Fmt(n)]wij(n)wjk(n)f′[netk(n)]×

f′[netj(n)]

(18)

由此可得：

Wt(n+1)=ηem(n)wij(n)wjk(n)f′[netk(n)]×

f′[netj(n)][dmt(n)-Fmt(n)]+Wt(n)

(19)

本文中提出的神經(jīng)網(wǎng)絡(luò)控制器與傳統(tǒng)控制方案相比，具有以下兩個特色與創(chuàng)新之處。

(1)采用指令力與實際加載力之間的偏差作為網(wǎng)絡(luò)學(xué)習(xí)樣本的控制策略，可以有效補償多余力等非線性干擾帶來的控制誤差。另外，利用指令力與辨識模型輸出力之間的誤差信號和BP神經(jīng)網(wǎng)絡(luò)反向遞歸計算，能夠綜合確定網(wǎng)絡(luò)權(quán)值修正準(zhǔn)則。

(2)利用神經(jīng)網(wǎng)絡(luò)控制器對神經(jīng)網(wǎng)絡(luò)辨識器進(jìn)行監(jiān)督控制，可以實現(xiàn)控制參數(shù)在線整定，從而提高電液負(fù)載模擬器在線辨識的實時性及動態(tài)穩(wěn)定性。

3 系統(tǒng)仿真實驗與結(jié)果分析

利用MATLAB計算機(jī)仿真平臺，應(yīng)用不同加載梯度及系統(tǒng)運行頻率的指令信號來驗證電液負(fù)載模擬器NNI-NNC復(fù)合控制器的控制性能。根據(jù)飛機(jī)舵機(jī)工作頻率為1～20 Hz，加載梯度為1～30 N/mm，設(shè)置系統(tǒng)結(jié)構(gòu)參數(shù)為KQ=4.63 m2/s，Kce=6.7×10-11m5/N，At=0.015 m2，Vt=0.004 8 m3，Ey=4×108N/m2，mt=300 kg，Bt=0.000 1 N·s/m，Ksv=0.43 m/A，Kf=0.34 V/N，Kt=8×106N/m；網(wǎng)絡(luò)初始參數(shù)為R=300，α=0.4，η=0.7。

3.1 系統(tǒng)穩(wěn)定性及多余力抑制效果實驗

為了驗證NNI-NNC復(fù)合控制器對系統(tǒng)多余力的抑制效果，設(shè)置系統(tǒng)加載梯度為1 N/mm，指令力是幅值為0.7 mm、頻率為10 Hz的正弦信號，由此得到系統(tǒng)未采用補償方法加載和采用復(fù)合控制器加載時的多余力抑制效果曲線如圖5所示。

圖5 多余力抑制效果實驗曲線

由圖5分析可知，在系統(tǒng)未采用復(fù)合控制器時，多余力干擾嚴(yán)重，最大可達(dá)0.25 N，系統(tǒng)穩(wěn)定性較差。采用復(fù)合控制器后，系統(tǒng)多余力得到明顯抑制，最大可降至0.02 N，多余力消擾率可達(dá)92%，系統(tǒng)動態(tài)穩(wěn)定性好。由此可見，采用NNI-NNC復(fù)合控制器加載時的多余力抑制效果得到改善，并且在保證系統(tǒng)穩(wěn)定性的同時改善了電液負(fù)載模擬器的工作性能。

3.2 系統(tǒng)加載精度及跟蹤性能實驗

小梯度加載是指滿足系統(tǒng)技術(shù)指標(biāo)前提下的加載梯度的較小值，是衡量系統(tǒng)能否在極端條件下工作的關(guān)鍵指標(biāo)[13]。為了驗證小梯度加載時系統(tǒng)的加載精度及跟蹤性能，特利用不同加載梯度的正弦信號進(jìn)行激勵，由此得到系統(tǒng)在NNI-NNC復(fù)合控制器控制下的動態(tài)響應(yīng)曲線如圖6～圖8所示。其中，指令力是幅值為1 mm、頻率為5 Hz的正弦信號。

根據(jù)圖6～圖8實驗曲線的直觀描述，按照指令力與復(fù)合控制器加載力的幅差、相差指標(biāo)給出如表1所列的定量描述。

鑒于電液負(fù)載模擬器的工作性能指標(biāo)為幅差小于10%，相差小于10%。由圖6～圖8所示曲線及表1數(shù)據(jù)綜合分析可知，在小梯度加載條件下，系統(tǒng)雖然受到多余力等非線性因素干擾明顯，導(dǎo)致幅差、相差與一般加載條件相比有所增加，但是復(fù)合控制器加載力仍能在滿足系統(tǒng)工作指標(biāo)條件下有效模擬飛機(jī)舵機(jī)所受到的力載荷干擾。由此可見，采用NNI-NNC復(fù)合控制器可以提高電液負(fù)載模擬器在小梯度加載極端條件下的加載精度及跟蹤性能，為解決多余力干擾問題提供重要保障。

圖6 加載梯度為1 N/mm跟蹤曲線

圖7 加載梯度為2 N/mm跟蹤曲線

圖8 加載梯度為10 N/mm跟蹤曲線

表1 系統(tǒng)加載精度及跟蹤性能實驗結(jié)果

3.3 系統(tǒng)響應(yīng)速度及魯棒性實驗

為了比較NNI-NNC復(fù)合控制器與常規(guī)增量式比例積分微分(Proportion Integral Derivative，PID)控制器的響應(yīng)速度及魯棒性，設(shè)置系統(tǒng)加載梯度為1 N/mm，指令力為單位階躍信號，由此得到控制效果如圖9所示。其中，加載力1為常規(guī)PID控制器的階躍響應(yīng)曲線，加載力2為單獨采用神經(jīng)網(wǎng)絡(luò)控制器的階躍響應(yīng)曲線，加載力3為復(fù)合控制器的階躍響應(yīng)曲線。

圖9 系統(tǒng)響應(yīng)速度實驗曲線

由圖9分析可知，在常規(guī)PID控制器作用下，系統(tǒng)調(diào)節(jié)時間為2.8 s，超調(diào)量為25.4%，系統(tǒng)魯棒性較差；在神經(jīng)網(wǎng)絡(luò)控制器作用下，系統(tǒng)調(diào)節(jié)時間為2 s，超調(diào)量為6.8%，系統(tǒng)魯棒性得到明顯改善且產(chǎn)生較小振蕩。在復(fù)合控制器作用下，系統(tǒng)調(diào)節(jié)時間為1.25 s，超調(diào)量為1.5%，系統(tǒng)魯棒性顯著提高。由此可見，神經(jīng)網(wǎng)絡(luò)控制器較常規(guī)PID控制器對系統(tǒng)控制性能及控制結(jié)構(gòu)進(jìn)行了有效改進(jìn)，同時在此基礎(chǔ)上結(jié)合神經(jīng)網(wǎng)絡(luò)辨識器后的復(fù)合控制器所得到的辨識模型更為接近電液負(fù)載模擬器的工作性能，具有良好的過渡動態(tài)品質(zhì)。

4 結(jié)論

針對電液負(fù)載模擬器受多余力嚴(yán)重干擾的問題，設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)模型NNI-NNC的復(fù)合控制器結(jié)構(gòu)。主要完成了以下工作。

(1)采用結(jié)構(gòu)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)辨識器對系統(tǒng)理論數(shù)學(xué)模型進(jìn)行在線辨識，有效解決了負(fù)載模擬器參數(shù)時變、非線性因素干擾嚴(yán)重及常規(guī)網(wǎng)絡(luò)結(jié)構(gòu)缺陷的問題。

(2)采用算法改進(jìn)的Adaline神經(jīng)網(wǎng)絡(luò)控制器對系統(tǒng)控制策略進(jìn)行實時調(diào)整，自適應(yīng)修正系統(tǒng)結(jié)構(gòu)參數(shù)，并且結(jié)合神經(jīng)網(wǎng)絡(luò)辨識器與控制器的功能，提高系統(tǒng)的控制效果與控制品質(zhì)。

(3)通過計算機(jī)仿真實驗分析可知，本文所提出的NNI-NNC復(fù)合控制器可以有效改進(jìn)飛機(jī)舵機(jī)電液負(fù)載模擬器的工作性能，可明顯提高系統(tǒng)對多余力等非線性因素的抗干擾能力，在小梯度加載的極端條件下具有良好的加載效果，適用于實驗室條件下飛行控制系統(tǒng)地面仿真模擬實驗。