液压泵 恒流问题

迄今为止，国内外有2种实现泵恒流量调节的方法：一种是在泵的主油路上设置一流量敏感装置，将流量信号转换为压差、位移、力或电压信号，再将其与给定信号比较实现流量反馈调节，达到泵恒流量输出；另一种是采用泄漏电补偿方法，通过检测泵的负载压力、油温等参数由补偿数学模型间接辨识出泵的实际输出流量误差，并对泵的给定信号进行电补偿修正，以达到使泵的输出流量恒定。这2种方法均能较为满意地实现泵恒流量控制。但是，前者因在主油路上直接检测负载流量，不可避免地带来了附加的节流功率损失；后者由于须先通过实验确定补偿数学模型中的变量系数，建模工作变得繁琐。同时由于模型是近似线性的，因而精度也受到一定影响。

  液压泵流量调节系统因受流量—压力特性、滞环特性、死区特性以及粘温特性、质量惯性等的影响，是典型的非线性和时变系统〔1〕。运用传统的经典控制方法控制液压泵流量调节系统，难以获得满意的控制效果，特别是在工程应用中，当工况发生较大变化使调节系统参数发生较大变化时，会使系统的控制性能明显下降，甚至不能满足工程要求〔2〕。

  笔者在分析液压泵恒流量调节方式和特点的基础上，提出一种采用神经网络辨识负载流量原理实现液压泵恒流量调节的新方法。结合此方法，提出一种基于模糊神经网络的智能学习控制方法，并将其应用于电液比例恒流量调节轴向柱塞泵的控制。

1 基于负载流量神经网络模型的液压恒流泵原理

  液压泵输出的负载流量实际上是由泵的排量、负载压力、流体介质粘度、泵轴转速等变量决定的复杂的非线性多元函数，很难用精确的数学模型表示。神经网络因其自身的结构特点，具有逼近任何非线性函数的能力、对复杂不确定系统自学习能力和高度的并行运算能力〔3〕。因此，可以利用神经网络的特性建立负载流量的神经网络模型并将此模型作为负载流量辨识器引入液压泵流量调节系统中，通过检测各变量间接辨识出泵的实际输出流量，再将其与给定信号比较，实现流量反馈调节，达到恒流量输出。其原理见图1。

  这里，用做负载流量辨识器的神经网络须经学习训练得到。我们采用3层前馈神经网络。由于流体介质粘度主要受温度和压力影响，且泵轴转速变化对负载流量影响相对较小，所以我们从工程应用角度出发，选取泵的负载压力、排量、液体温度作为网络的输入，泵的负载流量作为网络的输出，并采取归一化处理。隐层和输出层的激励函数取为Sigmoid函数

式中，neti为第i个神经元的输入；θi为阈值。训练网络的指标函数定义为

式中，Yp为第p个学习样本；Op为相应的网络实际输出；n为训练样本数。采用最速下降法调整输入层和隐层、隐层和输出层之间的权重、使E达到最小，即第k次迭代的权重修正为

式中，l=1,2；β为学习率，β∈(0,1)；α为惯性系数。通过调整、以及θi，可实现对负载流量的建模估计。

  从现场采集来的数据通常都会存在各种干扰噪声，为了最大限度地避免这些噪声对网络建模的干扰，我们在利用神经网络学习建模时，采用了一种分组训练检验的方法，即将获得的样本数据分成两组，一组数据用来训练网络，而另一组数据用来评价网络的映射学习结果。网络误差的评估公式定义为

式中，m为测试样本数；Yj为第j个测试样本；Oj为相应的网络实际输出。实验证明该方法对提高建模精度是有效的。

  由于负载流量与各变量的非线性函数关系可以通过调整神经网络的权重和阈值得到，因此避免了采用最小二乘多项式拟合方法建立流量补偿数学模型时，必须由实验确定各自变量系数所带来的麻烦。而且，这种基于负载流量神经网络模型的恒流泵也避免了传统的恒流泵因在主油路上直接检测负载流量所带来的附加的节流功率损失。从理论上讲，以零功率损失实现了液压泵的恒流量调节。

图1 基于负载流量神经网络模型的液压恒流泵原理

2 基于模糊神经网络的恒流泵智能学习控制

  根据液压泵流量调节系统具有时变和非线性的特点，结合上面提出的这种采用神经网络辨识负载流量原理实现液压泵恒流量调节的新方法，我们设计了基于模糊神经网络的恒流泵智能学习控制系统，其结构原理见图2。  控制器由模糊神经网络控制器和定增益线性控制器复合构成。模糊神经网络FNN控制器采取常用的二维输入一维输出结构。网络的Ⅰ层、Ⅱ层对应于模糊规则的前件，隶属函数取高斯基函数f()=exp〔-(xk-aik)2/〕(i=1,…，7，k=1,2)；Ⅲ层、Ⅳ层对应规则后件。网络的输入端分别对应流量理想设定和负载压力，这样会使模糊神经网络能在理想的流量轨迹附近学习，并能实现系统状态的动态补偿。定增益线性控制器作为系统反馈控制器可以避免神经网络控制初始误差，并提供神经网络学习信号，起控制器与学习机制双重作用。这里引入智能调节器的目的是对系统运行状态进行评价，根据偏差及其变化情况在线调整定增益线性控制器(PID控制器)的参数和学习算法中的学习因子。智能调节器由一系列产生式规则组成，它的建立基于如下几条规则：①若偏差及其变化很小，则比例、积分、微分作用减弱；②偏差为正时，若偏差较小，则比例、积分作用增强，微分作用减弱；③偏差为负时，若偏差较大，则积分、微分作用减弱；④若偏差增加，则学习因子减小，反之，则学习因子增大。其中，规则①比例、积分、微分作用减弱是为了保持控制提高控制精度；规则②比例、积分作用增强和微分作用减弱是为了减小静差提高控制精度；规则③减弱积分、微分作用是为了兼顾稳定性与调节精度；规则④是为了提高算法的稳定性和收敛速度。总结以上规则和分析，给出系统的控制算法如下：

调节器：

  if(｜e(t)｜＜e1∩｜c(t)｜＜c1)

  then(k1=α1,k2=β1,k3=γ1)

  if(e(t)＞0∩e(t)＜e2)

  then(k1=α2,k2=β2,k′3=γ2)

  if(e(t)＜0∩e(t)＜-e3)

  then(k1=α3,k2=β3,k3=γ3)

  if(e(t)c(t)＜0)

  then(ψ=λ1)

  if(e(t)c(t)＞0)

  then(ψ=λ2)

  else(k1=1,k2=1,k3=1,ψ=1)

  控制器：

  PID控制器

  u1(t)=u1(t-1)+k1kp(e(t)-e(t-1))+k2kie(t)+K3kd(e(t)-2e(t-1)-e(t-2))

  FNN控制器

  这里

  e(t)=Q(t)-Q(t)=Q(t)-�φ(p(t),q(t),T(t))

  控制率

     u(t)=u1(t)+u2(t) 

  权重调整

�  以上各式中，e(t)、c(t)分别为当前时刻的偏差和偏差变化率；�φ()为负载流量神经网络辨识器的输入输出映射函数；Q(t)、Q(t)、q(t)、p(t)和T(t)分别为流量理想设定、负载流量、变量泵排量、负载压力和油液温度；e1、e2、e3和c1为偏差和偏差变化率的阈值；kp、ki、kd分别为PID比例、积分、微分项系数；k1、k2、k3和ψ分别为PID参数和学习因子的动态修正因子；α1、β1、β3、γ1、γ2、γ3、λ2(均小于1)和α2、β2、α3、λ1(均大于1)为修正因子取值，这些参数均可现场调整。

图2 基于模糊神经网络的恒流泵智能学习控制系统

3 在电液比例恒流量调节轴向柱塞泵中的应用

  应用上面提出的智能学习控制算法，我们对所研制的电液比例恒流量轴向柱塞泵流量调节系统进行了大量的试验研究。在建立负载流量神经网络模型时，测取90个试验样本，其中40个样本组成训练样本组，另50个样本组成检验样本组。取30个隐层节点，学习率取06，惯性系数取01，经10 000次左右的迭代学习后，误差即可小于0001。FNN控制器先经在线学习训练后再关闭训练投入使用。图3和图4为采用流量压差反馈原理的恒流泵在PID控制下的正弦跟踪控制和变轨迹跟踪控制曲线。图5和图6为采用神经网络辨识负载流量原理的恒流泵在FNN与PID复合控制下的在线学习正弦跟踪控制和停止训练后的变轨迹跟踪控制试验曲线。以上各图中，曲线1为期望轨迹，曲线2为实际轨迹。从中可以看出，基于新调节原理和控制方法的恒流泵的控制精度和鲁棒性明显提高。

  图7和图8为采用新调节原理和控制方法的恒流泵的稳态负载特性和流量阶跃输入响应特性试验曲线，从中可看出，该泵具有良好的稳态特性和动态特性。

图3         图4

图5         图6

图7         图8

4 结论

  本文提出的采用神经网络辨识负载流量原理实现液压泵恒流量调节的新方法，不仅能够解决

直接检测负载流量方法带来功率损失的问题，也能够避免泄漏电补偿方法建模时的麻烦。这为液压泵实现恒流量调节提供了既经济又有效的工程实用方法。结合此方法提出的基于模糊神经网络的恒流泵智能学习控制方法，比传统的控制方法具有更优良的控制品质。

1、渤海大学自主知识产权

2、函数一致连续证明方法研究

3、二元常系数非齐次线性微分方程组特解的求法

4、对带有区间时滞的不确定系统的稳定性分析

5、高中数学教师评价指标体系的构建

6、与铁磁导体耦合的量子点中非线性热自旋效应

7、联合旋转噪声下单光子与两光子态的隐形传送

8、利用微波布拉格反射测量模拟点阵的晶格常数

9、逻辑函数表达式几种常用形式的转换方法

10、支持向量回归音频均衡器性能评价策略

11、γ-巯基丙基三甲氧基硅烷自组装膜的制备及其防腐蚀性能

12、掺杂柞蚕丝肽合成MCM-41介孔分子筛

13、超级电容器气胀现象的起因与控制

14、查找算法平均查找长度的计算方法

15、利用模糊神经网络方法建立CSCL分组模型 2 一类具有标准发生率SIR模型的稳定性分析及控制 宋燕;张宇;刘薇; 97-100+171　3 假设检验的原理及其应用 王志福;潘旭;金姝;田丰;王艳; 101-105　4 基于中值滤波去噪和小波融合的乳腺图像增强方法 温学兵;栾孟杰; 106-109+176　5 匹配渐进展开法求Navier-Stokes方程的渐进解 王笑岩;王石; 110-114　6 一类Kirchhoff型方程退化时的弱解存在性 姜静香; 115-120　7 基于T-S模糊模型的非线性系统的鲁棒H_∞滤波设计新方法 王艳杰;邓雪;苏亚坤;孙静; 121-125　8 RLC正弦交流电路电量的Multisim仿真测试 腾香; 126-130　9 带电黑洞在Dirac场扰动下的似正规模频率 王春艳;赵亚峰; 131-135+182　10 确定势下SO(2)暗物质宇宙模型场方程求解初探 齐晓华;魏益焕;佟慧;李杜; 136-139　11 芳胺取代嘧啶基薁类衍生物二阶NLO性质的DFT研究 赵岷;王璐;邓政义;黄醒; 140-145　12 精细化学品检验课程教学改革与实践 马占玲;顾佳丽;夏云生;鲁奇林; 146-149　13 二维超分子化合物[Cu(Dpq)(CO_3)]水热合成、晶体结构及荧光性质 曾凌; 150-153+219　14 1,2-二甲基-3-丁基咪唑硫酸氢盐离子液体的合成及其性质研究 杨杨;张鑫源;刘海超;吴止境;张庆国; 154-160　15 新型薁并[1,2-f]苯并[1,4]二氮卓类衍生物的合成与表征 于家懿;刘忠;董哲;崔庆涛;冯姗姗;杨菲菲;赵伟;王道林; 161-165　16 基于VB与Matlab的磁化曲线实验教学软件的开发 巫庆辉;庞艳伟; 166-171+95　17 顺序存储二叉树的遍历及其应用研究 马靖善;秦玉平; 172-176　18 内燃机示功图的曲线拟合修正研究 于靖博;段树林;吴伋;董丽娜; 177-182　19 网络购物中的多重委托代理与诚信激励机制研究 杨皎平;张恒俊;张野; 183-189　20 关系营销、感知价值与网络购物信任维系的实证分析 赵宏霞;单丽娟;刘岩峰; 190-196　21 基于模糊综合分析的港口物流绩效评价 张丽凤;占鹏飞; 197-202+242　22 基于CVaR与平均离差波动性限制的多阶段投资组合模型 王维;秦玉平;李春; 203-207　23 基于AT90S8535的炉温控制器设计 于桂君; 208-213　24 基于OWL本体的英语应用文体信息抽取技术 张野; 214-219　25 高等院校科技创新能力模糊聚类分析 王莉军; 220-224　26 改进alpha-matting算法及其在军事红外目标提取中的应用 崔兆华;高立群;马红宾;李洪军; 225-231+95　27 工人技能部分柔性的流水车间调度问题 郭艳东;伦淑娴; 232-236　28 健美 *** 运动中人体动作单线简图的制作方法 陈忠英;梁冰; 237-242　29 渤海大学大型仪器简介 243

模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器。

在控制领域中，所关心的是由模糊神经网络构成的模糊控制器。在这一章中．介绍模糊神经网络的基本结构、遗传算法、模糊神经网络的学习算法，以及模糊神经网络的应用