基于BP—RBF神经网络的飞机舵机电液伺服加载系统研究

刘志伟

摘 要：飞机舵机电液伺服加载系统中存在多余力的干扰会影响系统加载的精确度，因此，为加载系统建模，建立整个电液伺服加载系统的非线性模型。在BP神经网络的PID控制器基础上加入了RBF神经网络，构成复合控制器，通过RBF神经网络的辨识，神经网络PID控制器控制精度高、效果好，参数实现了自整定，提高了非线性系统的控制精度，同时，也提高了加载精度，有效抑制了多余力。

关键词：飞机舵机电液伺服加载系统；多余力；BP神经网络；RBF神经网络

中图分类号：TP391.9 文献标识码：A DOI：10.15913/j.cnki.kjycx.2017.09.018

舵机是飞机飞行控制系统中的关键组成部件。飞机是通过驱动舵机来改变各种飞行器的运行方向和速度，并控制其在空中姿态，以完成各种动作的。所以说，舵机的性能直接决定了飞行器的运行特性。飞机舵机电液伺服系统是在半实物仿真实验的条件下较为精确地模拟出飞机舵机在运动过程中所受到的真实载荷，为随动系统的研制和改进提供准确的数据。这对加快研究周期，提高可靠性有重大意义。在实际工作中，可以利用结构补偿的方式来减小电液伺服系统中的多余力；从控制方法上讲，可以利用CMAC神经网络来抑制电液伺服系统中的多余力。本文建立电液伺服加载系统的非线性数学模型，并且采用BP神经网络和RBF神经网络组成的PID复合控制器来控制系统。仿真结果显示，非线性数学模型具有良好的跟踪精度，在复合控制器下，系统的响应精度和稳定性都有较大的提升。这证明，系统可以有效抑制加载系统产生的多余力。

1 电液伺服加载系统数学模型的建立

飞机舵机电液伺服系统主要由电液伺服阀、液压缸、传感器、缓冲弹簧和飞机舵机组成。因此，根据研究目的的需要，适当简化系统构造，只建立关键部件的数学模型。图1为所得到系统结构简图，左边是施力系统，右边是承载对象。

伺服阀的流量非线性化方程为：

（1）

液压缸流量式由推动液压缸活塞运动所需流量、总泄漏流量和总压缩流量3部分组成的，其连续性方程为：

（2）

实际的力平衡方程为：

（3）

（4）

对于电液伺服阀的性能，有静态和动态两方面的要求，这些性能一般均在规定的技术规范下通过实验得到。

为了简化电液伺服阀的传递函数，一般会采用二阶振荡环节形式的传递函数表示。对于常用的流量型电液伺服阀，其传递函数可表示为：

（5）

2 BP神经网络和RBF神经网络的基本原理

误差反向传播算法（Back Propagation Arithmetic），是利用最小二乘法的思想，利用梯度搜索技术，将系统的实际输出值与期望输出值之间的误差求均方，并让其最小。BP神经网络输入信息分别经过输入层、隐含层和输出层，每一层的神经元只会控制下一层的状态。当输出层的期望输出不符合时，则反向传播，通过更改每一层神经元的连接权值和闭值，令误差函数向负梯度方向下降，最终实现实际输出值与期望输出值之间的误差最小。径向基函数（RBF-Radial Basic Function）神经网络具有单隐层的三层前馈网络，是一种局部逼近的神经网络。这种网络的特点是，它对于输入空间的某个局部区域只有少数几个连接权影响网络的输出，从而使得局部逼近网络具有学习速度快的优点。

3 基于RBF辨识的BP的PID控制器设计

为了确保加载系统能够快速高精度地输出加载力，必须采取相应的控制策略来抑制多余力。为了让PID控制器取得较好的控制效果，本文利用BP神经网络对其进行参数整定，实现3个参数kp、ki、kd的动态自整定功能。RBF神经网络用来辨识被控对象的信息，然后将其运用到系统中，提高系统的控制效果。经过RBF对PID控制器的优化整定之后，可以提高系统的控制精度。基于RBFNN辨识的BPNN的PID控制器控制算法是：①确定BP网络的结构，即确定输入节点数M和隐含层节

点数Q，并给出各层加权系数的初值层 ，选定学习效率

η和惯性系数α，此时k=1.②确定RBF神经网络的输入节点及其输入数目n，隐含层数目L，并给出隐含层的中心矢量cj（0），基宽带参数初始值bj（0），权系数初始值wj（0），学习效率η1和惯性系数α1，此时k=1.③采样得到rin（k）和yout（k），计算k时刻的误差e（k）=rin（k）-yout（k）.④根据公式计算BP神经网络各层神经元的输入、输出，BP神经网络输出层的输出即为PID控制器的3个可调参数kp、ki、kd；计算PID控制器的输出u（k），并将u（k）送入飞机舵机电液加载系统和RBF辨识网络，产生控制对象的下步输出yout（k+1）.⑤根据公式计算RBF辨识网络各层神经元的输入、输出，辨识网络的输出为ymout（k+1）.⑥用改进的梯度下降法修正辨识网络输出权系数、隐含层节点中心矢量、隐含层节点几款参数。⑦进

行神经网络学习，在线调整加权系数 和 ，实现

PID控制参数的自适应调整。⑧置，返回到①。

4 仿真分析

BP神经网络的结构为4-5-3，RBF神经网络结构为3-6-1.本文分别在输入为1 Hz和10 Hz的情况下，将2种模型对应的输出曲线与理论输出曲线作对比。图2为2种情况下的输出结果曲线。当频率为1 Hz时，将非线性系统与线性系统的输出与理论的输出进行对比，发现在低频的情况下，系统具有很好的跟踪效果；当频率为10 Hz时，对比理论输出时发现，线性系统的输出與理论输出差别很大，而非线性系统输出的变化比线性系统稳定，对理论输出的跟踪比较理想。

为了验证复合控制器控制的非线性系统对多余力的抑制效果，将本文的控制系统与普通的电液伺服系统作比较，并且进行仿真。图3为2个系统的仿真结果曲线。

由曲线可以得到，在复合控制器作用下，系统多余力的最大值为1.5 N，而普通控制器产生的多余力最大值为15.5 N，利用公式可以得到复合控制器的多余力抑制达到了90%，满足系统指标要求。

5 总结

本文依托实际工程项目，研究了电液负载模拟器的先进控制方法。这不仅对高精度电液负载模拟器的研制有重要意义，还对电液伺服系统控制方法的发展有指导意义，对控制理论的发展起到推动作用。本文主要研究成果如下：①分析了电液伺服加载系统结构和系统各个关键部件的结构，建立了较为精确的非线性数学模型。通过仿真结果可以得到非线性系统在低频情况下与线性系统基本一致，但是，在高频的情况下对系统的跟踪更加精确。②采用BP神经网络和RBF神经网络，输入正弦信号时，RBF神经网络辨识神经网络PID控制器的误差很小，具有较高的控制精度。这证明了该算法的有效性。③本文将这些不确定因素加入到系统模型中，通过数学建模建立起系统的非线性模型，设计出系统的非线性控制器。仿真结果表明，在该控制器的作用下，系统具有良好的动态性能。

参考文献

[1]鄂昱村，陈楸，李毅.被动式电液伺服加载系统的多余力抑制[J].液压与气动，2014（5）：52-56.

[2]刘晓琳，袁昆.大载荷液压加载系统控制器设计与仿真[J].控制工程，2014，21（2）：210-218.

[3]邵俊鹏，李健英，王仲文，等.电液负载模拟器多余力抑制的结构补偿控制[J].电机与控制学报，2009，13（4）：586-591.

[4]刘晓琳，王春婷，袁昆.飞机舵机电液加载系统的多余力抑制方法研究[J].计算机测量与控制，2014，22（12）：4166-4169.

〔编辑：白洁〕