何文清　麥云飛

摘 要：基于汽車疲勞試驗機平臺對轉向機液壓伺服系統(tǒng)進行研究，針對試驗機運行過程中出現的控制精度不高、系統(tǒng)不穩(wěn)定問題，設計了電液位置伺服系統(tǒng)。首先建立系統(tǒng)數學模型，推導相應的傳遞函數。接著利用Simulink軟件對系統(tǒng)進行穩(wěn)定分析，利用典型的PID參數整定策略對系統(tǒng)進行優(yōu)化處理。最后采用神經元網絡自學習算法，在simulink中設計單神經元PID自學習系統(tǒng)，對位置伺服系統(tǒng)進行參數優(yōu)化整定。研究結果表明：采用單神經PID整定的電液位置伺服系統(tǒng)超調量比典型PID整定策略減少了90%以上，整定時間也縮短了一半以上。系統(tǒng)穩(wěn)定性更強、精度更高，具有更好的魯棒性。

關鍵詞：電液位置伺服系統(tǒng);Simulink軟件;單神經元PID整定

DOI：10. 11907/rjdk. 191622

中圖分類號：TP319 ? 文獻標識碼：A??????????????? 文章編號：1672-7800（2020）003-0177-05

Electro-hydraulic Position Servo System Based on Neural Network PID Tuning

HE Wen-qing，MAI Yun-fei

（School of Mechanical Engineering， University of Shanghai for Science and Technology， Shanghai 200093，China）

Abstract： This paper mainly studies the hydraulic servo system of steering gear based on the automobile fatigue testing machine of an enterprise as a platform. During the operation of the test machine， the control accuracy is not high and the system is unstable. According to the design requirements， the electro-hydraulic position servo system is designed at first. Then the stability of the system is analyzed by Simulink software， and the system is optimized by typical PID parameter tuning strategy. Finally， a single neuron PID self-learning system is designed in Simulink by using the self-learning algorithm of neuron network to optimize the parameters of the position servo system. The results show that the overshoot of electro-hydraulic position servo system tuned by single nerve PID is reduced by more than 90% and the setting time is shortened by more than half compared with the typical PID tuning strategy. The system has stronger stability， higher accuracy and stronger robustness.

Key Words： electro-hydraulic position servo system; Simulink software; single neuron PID tuning

0 引言

電動助力轉向機電一體化試驗臺[1-2]是用于模擬汽車轉向時所受地面摩擦等負載的模擬加載平臺，可對汽車電動助力轉向設備進行性能分析。電液位置伺服系統(tǒng)[3-4]是試驗臺控制器的重要組成部分，具有輸出功率大、響應速度快、精度高等特點。由于液壓伺服系統(tǒng)在運行過程中會出現物理參數（溫度、尺寸、壓力等）改變，或者受到外界干擾，導致無法達到理想的控制要求，因此學者們使用不同方法優(yōu)化電液位置伺服系統(tǒng)。李輝[5]指出在系統(tǒng)中使用PID控制器可以達到較好的效果;孔令剛[6]把復合PID控制器應用到電液伺服系統(tǒng)中，同樣取得了不錯的效果;裴雨霞[7]利用模糊控制理論與PID控制器相結合的方法來對電液位置伺服系統(tǒng)進行優(yōu)化，此方法相比傳統(tǒng)PID方法整定能力更強，整定時間更短;車江鴿[8]也使用模糊控制理論優(yōu)化系統(tǒng)參數;馬淑可[9]指出可把遺傳算法與PID控制相結合完成系統(tǒng)參數優(yōu)化;侯艷艷等[10]把遺傳算法運用到電液伺服系統(tǒng)仿真中。神經元網絡算法作為新的控制策略可以通過自學習、趨勢逼近等特點，有效解決復雜的非線性模型問題。王敬志、劉偉、劉迪、張學燕等[11-14]都對神經元網絡PID控制技術進行了研究。本文將神經元網絡算法結合PID控制器運用到電液位置伺服系統(tǒng)進行智能控制。為了使仿真模型搭建簡便，采用基于單神經元網絡PID整定方法對電液伺服位置系統(tǒng)進行研究。通過與經典PID控制策略比較，發(fā)現單神經元PID整定控制精度高，整定時間短。相比模糊控制和遺傳算法控制方法，單神經元網絡PID整定可以作為很好的替代，并且使用范圍更廣，接受程度更高。

1 建模分析

如圖1所示，右下端的指令電位器發(fā)出信號指令，信號指令與實際缸體位置信號進行對比變?yōu)檎`差，誤差在放大器被放大，電液伺服閥接收被放大的誤差信號后進行信號轉換，將電信號轉換為液態(tài)流量信號發(fā)送給液壓缸，使之調整位置。傳感器不斷發(fā)送誤差信號，液壓缸也不斷改變位置，直到現有位置與預設位置信號相等，最后液壓缸停止改變位置。

根據圖2可知，系統(tǒng)中指令電位器發(fā)送指令（類似電腦），通過電位器對外發(fā)出信號指令，D/A 轉換器將實際位置信號變成電信號。信號收集設備是位移傳感器，此時傳感器將測得的位置信息轉化為可以比較的電信號，和電位器發(fā)出的信號進行比較，兩點信號的差值就是誤差信號。不斷發(fā)送和檢測的過程形成閉環(huán)系統(tǒng)，最后通過不斷改進位置達到理想的位置結果。

當系統(tǒng)執(zhí)行元件的固有頻率高于50Hz時，把伺服閥看成振蕩環(huán)節(jié)，一般情況下都是二階，其數學模型[16]表述為：

式中：[Kv]表示伺服閥增益，[ωv]表示固有頻率，[ξv]表示伺服閥阻尼比。

液壓缸油液的液壓能轉換成直線運動的機械能，不停做直線往返運動。液壓輸出是活塞桿位移量，其傳遞函數為：

式中：[Kq]表示液壓缸滑閥流量增益，[Ap]表示液壓缸活塞面積，[Kc]表示滑閥流量壓力系數，[ml]為負載質量。

放大器、傳感器傳遞函數在進行建模中看成是比例環(huán)節(jié)，傳遞函數分別為：

式中：Ka為伺服放大器比例增益，Kf為位移傳感器增益。

根據以上傳遞函數整理得到系統(tǒng)的開環(huán)傳遞函數為：

伺服放大器比例增益為 [Ka]=100 A/V，伺服閥增益為 [Kv]=1.96×10-3 m3/（A·s），位移反饋系數為[Kf]=1 V/m，液壓缸活塞面積為[Ap]=1.3×10-2 m2，液壓缸滑閥流量增益為[Kq]=2.01 m2/s，滑閥流量壓力系數為 [Kc]4.6×10-10 m5/（W·s），伺服閥固有頻率為[ωv]=100 Hz，阻尼系數為[ξv]=0.65。由 MATLAB/Simulink[5-6] 可建立系統(tǒng)閉環(huán)傳遞函數模型，如圖 3所示。

代入相應數據后，在simulink軟件中搭建閉環(huán)傳遞函數模型，利用anaylysis功能構建bode圖，以觀察該系統(tǒng)的穩(wěn)定性，如圖4所示。

根據圖4中的屬性可得到幅值裕度是11.2dB，相位裕度為[79.1°]。要求可知系統(tǒng)的幅值裕度需大于6dB，而相位裕度在[30°～70°]，從而可以看出此系統(tǒng)的相位裕度大，系統(tǒng)最終不能達到穩(wěn)態(tài)，所以必須進行改進使系統(tǒng)達到理想要求。

2 傳統(tǒng)PID控制策略

首先采用PID控制器單獨作用電液伺服位置系統(tǒng)實現優(yōu)化控制效果。

將一個比例環(huán)節(jié)（p）、一個積分環(huán)節(jié)（i）和一個微分環(huán)節(jié)（d）線性組合成調節(jié)控制量，實現對控制對象的調節(jié)。PID控制系統(tǒng)結構如圖5所示。

給定輸入值[e（t）]和輸出值[y（t）]，定義系統(tǒng)誤差[e（t）]：

PID控制規(guī)律可表示為：

寫成傳遞函數形式：

經離散變換后的形式為：

增量表達式為：

式中：[u（t）]——控制器輸出量，[kp]——控制器的比例系數 ，[TI]——控制器積分時間常數 ，[TD]——控制器的微分時間常數，[KI=KPTI]，控制器積分系數，[KD=KPTD][a2+b2]，控制器微分系數，T——采樣周期，K——采樣序號。

比例環(huán)節(jié)可使系統(tǒng)快速完成響應，通過改變比例參數降低系統(tǒng)偏差。使用過大的比例參數會產生過大的超調量，系統(tǒng)變得不穩(wěn)定，因此選用合適的比例參數很重要。

積分環(huán)節(jié)可以消除靜態(tài)誤差。[TI]越大，靜態(tài)誤差消除時間越長，但能夠減少系統(tǒng)超調，使系統(tǒng)不容易產生振蕩;[TI]越小，消除靜態(tài)誤差時間越短，但容易造成系統(tǒng)振蕩。

微分環(huán)節(jié)的微小改變可以影響整個系統(tǒng)控制，減小由前兩種控制環(huán)節(jié)產生的超調量，最終達到提高系統(tǒng)穩(wěn)定性目的，但容易受到干擾信號影響。

根據3種控制環(huán)節(jié)性質，在得到被控制對象精確的數學模型后，通過選擇合適的PID參數，可以對被控系統(tǒng)實現精確控制。而某一種控制環(huán)節(jié)參數選擇不合適都會造成無法精確控制，所以PID控制策略即是如何選擇參數[Kp]、[KI] 、[KD]。表1顯示3種控制參數的變化對系統(tǒng)控制效果的影響。

系統(tǒng)調試過程中，通常需要花費大量的時間和精力尋找最優(yōu)[Kp]、[KI]、[KD]參數。經過大量參數調試，最終取得[Kp]、[KI]、[KD]的參數分別為2.013，0.056 0，-0.015 0。利用經典PID策略調試后的階躍圖與原階躍圖比較如圖6所示。

由圖6可知，經過經典PID參數整定后的系統(tǒng)穩(wěn)定性高、響應較快，且精度較高，但有0.27超調量，因此需采用深度學習解決控制問題。

3 基于s函數的單神經元PID控制方法

3.1 單神經元控制及其算法

利用單神經網絡學習方法[17-18]與常見的 PID 控制聯系在一起，可以有效處理一些比較棘手的參數整定以及學習過程中較難控制和捕捉的參數問題。傳統(tǒng)PID 連續(xù)控制規(guī)律如下：

增量式PID 控制方法如下：

單神經元網絡 PID 整定如圖7所示。

單神經元整定過程量由轉換器輸出，[u（k）]通過自適應學習形成，[yr]為預設值，[y（k）]為自適應學習量處理結果。經過轉換器后變?yōu)橄到y(tǒng)學習所需的過程量： [x1（k），x2（k），][x3（k）]，如下式所示。

式中：[Z（k）=yr（k）-y（k）]為系統(tǒng)遞進信號;[w1（k），][w2（k），][w3（k），]對應[x1（k），x2（k），x3（k）]的權值系數;K為神經元比例系數，K>0。

3.2 有監(jiān)督的 Hebb 學習算法

神經網絡學習規(guī)則即為調節(jié)神經元之間連接權值的規(guī)則。本文選用有監(jiān)督的 Hebb 學習規(guī)則：

其中[ηi]是單神經元自適應學習的學習速率。

通過對上述公式整理，可以規(guī)范控制方法的收斂性與魯棒性：

3.3 S 函數編寫

在S函數模塊[19]中不能直接對單神經網絡控制進行模擬，因此采用 S 函數在MATLAB工作區(qū)域編寫 S 函數后放入S函數模塊進行運行完成自學習過程。在工作區(qū)域編寫關于S函數的程序代碼如下：

function[sys，x0，str，ts]=neuron2（t，x，u，flag）

switch flag，

case 0， [sys，x0，str，ts] = mdlInitializeSizes;

case 2， sys=mdlUpdate（t，x，u）;

case 3， sys = mdlOutputs（t，x，u）;

case {1，4，9}， sys = [];

otherwise ，error（[‘Unhandled flag = ，num2str（flag）]）;

end;

function [sys，x0，str，ts]=mdlInitializeSizes

sizes = simsizes;

sizes.NumContStates = 0;

sizes.NumDiscStates = 3;

sizes.NumOutputs = 4;

sizes.NumInputs = 4;

sizes.DirFeedthrough = 1;

sizes.NumSampleTimes = 1;

sys = simsizes（sizes）; x0 = [2.0120 0.0556 -0.128];

str = [];ts = [-1 0];

function sys = mdlUpdate（t，x，u）

sys（1） =x（1）+500*u（1）*u（4）*u（1）;

sys（2） =x（2）+500*u（1）*u（4）*u（2）;

sys（3） =x（3）+500*u（1）*u（4）*u（3）;

function sys = mdlOutputs（t，x，u）

xx= [u（1）-u（2） u（1） u（1）+u（3）-2*u（2）];

sys=[u（4）+0.1*xx*x/sum（abs（x））;x/sum（abs（x））];

單神經元網絡學習方法需要提前設置學習參數，將3個控制參數設置為（2.013，0.0560，-0.0150），設置的采樣時間為0.001s。根據神經元公式預設學習速率分別是[η1=500，η2=500，η3=500] 。搭建單神經元自適應模型如圖 8 所示。

4 研究不足與展望

本文提供了一種基于神經元網絡pid參數整定的電液伺服系統(tǒng)。根據多次實驗可以發(fā)現神經網絡算法處理信息的原理是依靠系統(tǒng)的復雜程度，調整內部節(jié)點之間相互連接的關系。神經網絡控制能夠充分逼近任意復雜的非線性系統(tǒng);能夠學習和適應嚴重不確定系統(tǒng)的動態(tài)特性;具有很強的魯棒性和容錯性;用并行分布處理方法，能夠快速地進行大量運算 。

然而神經網絡最嚴重的問題就是沒有能力來解釋自己的推理過程和推理依據;不能向用戶提出必要的詢問，因此當數據不充分時，神經網絡就無法工作;神經網絡將一切問題的特征變?yōu)閿底?，把一切推理變成數值計算，結果勢必會丟失信息。

本論文在得出控制算法獲得整定結果后無法解釋推理過程，只能通過數字圖像進行呈現，因此要求我們嘗試更多適合的智能算法來解決同等的問題。

針對電液伺服系統(tǒng)等非線性，精確度較低的系統(tǒng)，我們可以關注其他不過分依賴于模型的精確程度、適用于具有重復性運動系統(tǒng)的算法進行優(yōu)化，比如迭代學習算法等。希望在以后的學習和研究中可以利用類似方法來解決現實中的相關模型。

5 結語

通過分析，運用經典PID參數整定策略雖然可以得到初步的PID參數，然而控制效果不完美，超調量大，參數整定時間長。如圖9所示，利用S函數并搭建單神經元PID自適應的控制方法，可最終得到穩(wěn)定的控制參數。根據階躍響應，可顯示經典PID控制超調量為0.27，自適應方法的超調為0.02，減小了0.25的超調量，降低了92.5%左右。此外，經典PID策略往往調控時間很漫長，不能一開始就獲得整定參數，而單神經元網絡PID整定除了搭建系統(tǒng)和編輯S函數外，所用時間不多，可節(jié)省一半以上時間。研究發(fā)現，對于這種高階非線性控制系統(tǒng)可使用像單神經元網絡自適應的深度學習方法實現快速、有效的參數整定，從而提高系統(tǒng)控制性能[20-22]。

參考文獻：

[1]王海博，駱艷潔. EPS轉向機主動加載系統(tǒng)研究[J]. 電子科技，2017，11（30）：45-47

[2]左智飛. 電液伺服閥試驗臺的開發(fā)與研究[D]. 廣州：廣東工業(yè)大學，2014.

[3]劉丹丹，駱艷潔. EPS疲勞試驗臺電液位置系統(tǒng)建模與分析[J]. 通信電源技術，2015，32（5）：87-89.

[4]肖旺，劉軍營，劉新釗，等. 基于AMESim的高速注塑機液壓伺服系統(tǒng)的仿真研究[J]. 機床與液壓， 2013（24）：197-201.

[5]李輝，史榮珍.? PID控制器參數整定與分析[J]. 電腦知識與技術，2019（15）：243-245.

[6]孔令剛，麥云飛. 復合PID算法應用于轉向器疲勞試驗臺[J]. 機械工程與自動化，2015，189（2）：183-184.

[7]裴雨霞. 電液伺服疲勞試驗機的設計與仿真[D]. 長春：長春理工大學，2014.

[8]車江鴿，駱艷潔. EPS試驗臺模糊PID控制器設計[J]. 制造業(yè)自動化，2012，33（12）：1-3.

[9]馬淑可，麥云飛. 基于遺傳神經網絡 PID 整定的電液位置伺服系統(tǒng)[J].? 農業(yè)裝備與車輛工程，2018（9）：67-70.

[10]侯艷艷，曹克強，胡良謀，等. 采用遺傳 PID 整定的電液伺服系統(tǒng)仿真研究[J].? 現代制造工程，2012（5）：74-77.

[11]王敬志，任開春，胡斌. 基于BP神經網絡整定的PID控制[J]. 工業(yè)控制計算機，2011，24（3）：72-73.

[12]劉偉. 基于蟻群優(yōu)化的神經網絡智能 PID 控制策略研究[D]. 秦皇島：燕山大學 ，2010.

[13]劉迪. 基于神經網絡的 PID 控制算法[D]. 哈爾濱：黑龍江大學，2008.

[14]張學燕，高培金，劉勇. BP 神經網絡 PID 控制器在工業(yè)控制系統(tǒng)中的研究與仿真[J]. 自動化技術與應用，2010，29（5）：9-12.

[16]MAI Y F，LIU S L，DING W J. Design and matlab simulation of a composite pid controller for EPS test-benches[C].? Appl.Mech.Mater Mechanical Structures and Smart Materials. Switerland： Trans Tech Publi- cations Ltd，2014（487）：635-638.

[17]楊敏. 電子萬能材料試驗機單神經元 PID 控制系統(tǒng)研究[D]. 揚州：揚州大學，2012.

[18]DONG W，QU D，DONG W. A PID neural network control strategy based on GA-BP algorithm[J]. Binggong Zidonghua/ Ordnance Industry Automation， 2011， 30（2）： 66-69.

[19]徐杭東，麥云飛. 基于神經網絡的液壓材料試驗機系統(tǒng)自適應 PID 控制研究[J]. 機電工程，2018（4）：375-379.

[20]魏躍斌，陳惠賢，張小奇. 基于先進PID控制的液壓同步系統(tǒng)研究[J]. 液壓氣動與密封，2016（1）：20-22.

[21]車高峰. 基于神經PID的網絡化控制系統(tǒng)的設計[J]. 電腦與電信，2012（4）：33-35.

[22]朱逢銳，林玉娥. 基于RBF 神經網絡的PID自校正控制研究[J]. 電腦知識與技術，2016，12（25）：155-157.

（責任編輯：杜能鋼）

收稿日期：2019-04-28

作者簡介：何文清（1994-），男，上海理工大學機械工程學院碩士研究生，研究方向為液壓伺服系統(tǒng);麥云飛（1962-），男，碩士，上海理工大學機械工程學院副教授、碩士生導師，研究方向為液壓伺服系統(tǒng)。