气动油压伺服系统的智能PID控制研究
导语：针对经典的基于对象精确模型的PID控制方法自适应性差，难以适应具有非线性、时变不确定性的被控对象，提出了一种基于RBF神经网络的、结构简单的PID自适应控制方法 摘 要：针对经典的基于对象精确模型的PID控制方法自适应性差，难以适应具有非线性、时变不确定性的被控对象，提出了一种基于RBF神经网络的、结构简单的PID自适应控制方法。将该智能PID控制应用于气动油压伺服系统中，实验结果表明：具有自学习和自适应能力的RBF网络PID控制方法，能够适应被控对象在较大范围内的变化，具有较强的鲁棒性，其控制品质明显优于常规PID控制方法，将其应用于气动油压伺服系统是可行的。 关键词：RBF神经网络; PID控制; 气动伺服系统; 燃油泵调节器 1.引言 气动系统具有成本低廉、节能、无污染和结构简单等优点，因此，气动系统已广泛地应用于各个邻域[1]。然而，由于空气的可压缩性高等因素的存在，导致了气动伺服系统的非线性强，这使得使用传统的线性控制理论与方法很难获得满意的动态响应性能和稳态精度。 在工业过程的控制中，PID控制具有直观、实现简单和鲁棒性强等优点获得了广泛的应用。PID控制是基于对象数学模型的方法，尤其适用于可建立精确数学模型的确定性控制系统,然而大量的工业过程往往具有非线性、时变不确定性等因素，难以建立其精确的数学模型;此外，常规PID中的参数通常都由人工整定，由于一次性整定得到的参数很难使控制效果处于最佳状态，这使得常规PID的控制效果和精度受到了限制;因此，研究人员一直寻求PID控制参数的自适应技术以适应复杂的工况和高指标的控制要求[2]-[5]，神经网络技术的发展使这成为可能。但是，由于一般的神经网络，如BP网路，存在收敛速度慢、运算量大、容易产生局部极小等问题[6]，很难适用于高性能指标的控制系统。然而，径向基函数（RBF）网络具有运算量小、收敛快、无局部极小等优点[6]，使得RBF神经网络在高性能指标控制系统中的应用成为可能。为此，将RBF神经网络模型与常规PID控制算法相结合，形成具有自适应能力的神经网络PID，通过其在气动油压伺服系统中的应用，结果表明：基于RBF神经网络PID控制的控制品质优于常规PID控制。 详情请点击下载：气动油压伺服系统的智能PID控制研究
