关键词：人工神经网络；人工神经网络；非线性自适应控制；液压传动

1  引言

由于液压装置可以提供较大的力、快速运动和速度逆转的高速反应，液压驱动装置在工业上应用广泛。低功率的电气输入信号被转换成电磁阀的控制信号，电磁阀控制一个高功率的液压驱动器。相比于普通电磁驱动器，这些系统的建模要复杂得多。由于液压油层流和紊流的通道的几何形状以及液压油摩擦的结果，导致液压系统的系统方程是高度非线性的。液压系统的参数，根据液压油的流速和压力以及油的粘度之间的关系变化会很大。因为一个正常使用的比例阀，其中包括一个较大的死区，尤其在非线性的控制系统中是非常明显的，因此，针对高度复杂的控制系统，在本文中提出如何处理液压系统中死区的问题。通常传统的方法，譬如对液压驱动装置的定位或局部放大器的调节，并不能达到预期的解决效果。为次，本方案提出，使用自适应控制技术。为了弥补使用近似线性系统的液压系统的参数变化，参考模型采用自适应控制器[1,2]。但是，产生大死区的4/3比例阀需要特别注意控制设计。死区控制系统的一些不良方面的影响：最常见的是控制精度的降低。它们也可能导致限制系统运行的周期或系统不稳定。

    对于非线性系统的控制，有着大量的控制方案，其中人工神经网络控制可以用于系统[3,4]的自我控制。这种方案针对不同种类的系统不需要先验证很多参数就可以很好地工作。但如果想要控制一个特定的系统，利用这些参数产生一个较小的人工神经网络，这个特定系统的相关参数也可获取，这是比较容易识别和学习的。

因此，假设比例阀可以被一个死区和液压系统的其余部分很好地近似使用线性模型表述，一个死区和一个线性系统的串联连接可以用来描述整个设备。已经提出了许多自适应控制方案来处理这种常见系统。例如，在[5,6]中描述的包含非线性系统和死区的系统控制方案。在针对输入或输出的非线性系统自适应控制方面一些先进的控制方法已经提出用来解决这些问题。由于本文使用一个标准的参考模型自适应控制系统(MRAC)，控制系统必须有一个稳定的逆函数。提出了一种消除未知死区对闭环控制系统的影响的方案，并讨论了它们的收敛性和鲁棒性。作者假设死区的输入和输出量。

与一个有输入死区的系统控制器的想法基本是非常类似的。因为死区和线性动力系统(Hammerstein模型)可以被描述为一个未知参数的线性系统，利用标准的递归最小二乘算法(RLS)可以用来估计这些参数。因此，一个控制器的线性系统的一部分可以被设计，用以补偿输入非线性参数，额外的逆运算函数必须定义。这些控制器的主要缺点是，它们只针对一个特定类型的静态非线性函数，并且必须是完全已知的。然而，在一般情况下，这些特性是不完全已知的，而且往往随时间缓慢变化。来:自[优E尔L论W文W网www.youerw.com +QQ752018766-

    在本文中，一个人工神经网络作用于近似的非线性函数比例阀。随着一个人工神经网络的引入，该控制器可以处理未知的非线性函数输入，改变其结构和线性参数化[13]。由于人工神经网络和非线性函数的组合自适应(NA)控制，此控制方案叫做ANNNA控制。本篇论文的具体重要组织结构如下：其中2节论述了设备的性质和基于线性二次微分方程的驱动单元物理模拟量。第3节中详述了ANNNA控制方案及其设计过程。第4节进行论述实验装置的硬件和软件实现和实时控制的结果。在第5节中得出最终结论。