液压执行器的小波神经网络PID在线控制方法及系统技术方案

本发明专利技术提出一种液压执行器的小波神经网络PID在线控制方法及系统，利用PID控制模块对液压执行器模块的输入流量进行闭环控制，利用小波神经网络对PID控制模块参数进行优化，对控制器参数进行实时在线整定；输出流量信号在传入反馈传感器的同时进行信号转换并传入信号处理器，并通过终端设备在线直观展示流量变化。本发明专利技术可弥补传统方法存在的不足，降低控制时间，提高控制效率，减少并消除因控制迟滞造成的故障发生。同时，将系统的输出连接入终端设备，可直观清晰的表现出系统流量的变化。

【技术实现步骤摘要】
液压执行器的小波神经网络PID在线控制方法及系统
本专利技术属于液压执行器状态监测与控制领域，尤其涉及一种液压执行器的小波神经网络PID在线控制方法及系统。
技术介绍
近年来，液压执行器的应用较为广泛。与此同时，液压执行器出现故障的概率也随之增大。阀控液压执行器是最为常见的一种执行器，主要包括伺服阀、液压缸、液压站、油管等。但其核心部件伺服阀结构相对复杂，控制过程难度较大。阀控液压控制系统主要包括液压执行器、控制器及反馈传感器，在传统PID控制中，对控制器的参数设置具有一定的难度，控制时间过长，造成故障多发。因此，对于液压执行器控制方法的优化尤为重要。常规液压系统中，阀控液压执行器的流量与伺服阀阀口压差具有非线性的性质。在现场流量控制的过程中，若无法有效控制伺服阀，则会出现压力失调或流量控制迟滞现象，造成整个控制系统严重故障。国内外学者对此进行了研究，提出了对阀口、阀芯开关进行补偿的方法，但这在实际工程中并不适用。系统的起闭、流速的快慢、负载的设置都对补偿带来很大的难度。传统PID控制在设置控制器参数时，面临耗时较长、精度较差和参数不易灵活改变等问题。神经网络的自学习能力可以很好的弥补上述诸多缺陷，神经网络与传统PID控制相互结合可以提高控制性能，降低控制时长。目前神经网络PID控制尚未广泛应用于液压控制系统。
技术实现思路
为解决上述技术问题，一方面，本专利技术提出了一种液压执行器的小波神经网络PID控制在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。进一步，液压执行器包括液压缸及伺服阀。具体地，小波神经网络结构包括输入层、隐含层及输出层，所述隐含层输出计算公式为：Tj＝λ[(wajXin-kj)+(wajXout-kj)+(wajXess-kj)]式中，Tj为隐含层第j层的输出值，单位为m3/s；Xin，Xout，Xess为控制器的初始输入，单位为m3/s；waj为隐含层第j层的权值；kj为隐含层第j层的平移因子；λ为网络伸缩系数。所述输出层输出计算公式为：Yi＝μ(wbiTin+wbiTout+wbiTess)式中，Yi为输出层第i层的输出值，单位为m3/s；wbi为输出层第i层的权值；Tin，Tout，Tess为隐含层的输出，m3/s；μ为经验参数，可由网络层数对应得到；输出层的最终输出为YP、YI、YD。具体地，利用小波神经网络优化PID控制器参数具体为对PID控制器的比例系数、积分系数、微分系数进行网络自学习训练。进一步，小波神经网络的学习速率为0.01-0.1。具体地，输出层的输出YP、YI、YD分别对应PID控制器参数的比例系数、积分系数和微分系数，所述PID控制方程为：Uk＝kpe(k)+bkie(k)+ckde2(k)式中，Uk为控制器输出，m3/s；kp为比例系数；ki为积分系数；kd为微分系数；中间变量e(k)为流量误差值，m3/s；b，c为选择常数，取值范围为0-1。具体地，隐含层函数为小波基函数，在信号前向传递的同时将误差反向传播。具体地，利用小波神经网络对PID控制器参数进行优化时采用梯度修正法不断修正小波神经网络参数。进一步，液压执行器的输入和输出流量通过流量界面直观展示。另一方面，本专利技术提出了一种液压执行器的小波神经网络PID在线控制方法的控制系统，包括液压执行器模块、PID控制器模块、小波神经网络优化参数模块、反馈传感器模块、信号处理模块、终端设备；所述PID控制模块为PID控制器，其用于跟踪误差进行液压执行器模块的流量调节控制；所述小波神经网络优化参数模块通过小波神经网络对所述PID控制器的比例系数、微分系数、积分系数进行实时在线优化；所述反馈传感器模块用于采集控制系统的数据闭环反馈控制的效果，并进行数据传输存储；所述信息处理模块接收所述反馈传感器采集的数据并进行数据处理；所述终端设备将所述信号处理模块处理的数据进行直观展示。本专利技术的一种液压执行器的小波神经网络PID在线控制方法及系统相比于传统PID控制具有更优的控制效果，可适用于燃气轮机液压执行器的流量状态监测与优化，PID控制神经网络的自学习能力可以提高控制器参数精度，有效缩短控制时间，提高控制效率，减少并消除因控制迟滞造成的故障。同时，将控制系统的输出连接至终端设备，能够更加直观清晰的表现出流量变化。附图说明图1是本专利技术中使用的小波神经网络结构原理图；图2是本专利技术的一种液压执行器的小波神经网络PID在线控制方法的流程图；图3本专利技术的一种液压执行器的小波神经网络PID在线控制系统结构图；图4是本专利技术的一种液压执行器的小波神经网络PID在线控制系统的终端设备流量记录器界面图；图5是本专利技术的一种液压执行器的小波神经网络PID在线控制方法的控制效果图。具体实施方式下面结合附图，对实施例作详细说明。本专利技术是对燃气轮机的液压执行器流量进行控制，燃气轮机液压执行器机械结构为阀控液压执行器，主要包括伺服阀、液压缸、液压站、油管等。在本专利技术的方法中，控制目标主要针对液压缸及伺服阀。液压缸流量计算公式为：式中，Q为液压缸输出流量，单位为m3/s；d1为活塞直径，单位为m；d2为活塞杆直径，单位为m；ΔV为活塞的相对速度，单位为m/s；ε为经验误差值，单位为m3/s。伺服阀阀口流量计算公式为：式中，q为伺服阀阀口流量，单位为m3/s；b为经验系数；X为阀芯运动位移，单位为m；ΔP为阀芯的相对压力，单位为Mpa；ρ为流体密度，单位为kg/m3。针对传统的PID控制器对流量控制的不足，本专利技术利用小波神经网络对PID控制器的输出参数进行优化，形成可自动调节PID对应参数的小波神经网络PID控制器。PID控制方程为：Uk＝kpe(k)+bkie(k)+ckde2(k)(3)式中，Uk为控制器输出，单位为m3/s；kp为比例系数；ki为积分系数；kd为微分系数；中间变量e(k)为流量误差值，单位为m3/s；b，c为选择常数，取值范围为0-1。利用小波神经网络对PID控制器优化主要在于对PID控制器三个参数，即比例系数、积分系数、微分系数进行网络自学习训练。本专利技术中的小波神经网络结构分为输入层、隐含层和输出层三层，如图1所示。网络初始输入分别为流量输入值Xin、流量期望输出值Xout及偏差变化量Xess；输出层最终的三个输出YP、YI、YD分别对应PID控制器参数的比例系数kp、积分系数ki及微分系数kd；权值为wa，wb。小波神经网络的学习速率η，学习率越小，网络学习越精细。本专利技术中的学习率取值在0.01-0.1之间。选择隐含层函数为小波基函数，在信号前向传递的同时可将误差反向传播本文档来自技高网...

【技术保护点】
1.一种液压执行器的小波神经网络PID在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。/n

【技术特征摘要】
1.一种液压执行器的小波神经网络PID在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。


2.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述液压执行器包括液压缸及伺服阀。


3.根据权利要求2所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述小波神经网络结构包括输入层、隐含层及输出层，所述隐含层输出计算公式为：
Tj＝λ[(wajXin-kj)+(wajXout-kj)+(wajXess-kj)]
式中，Tj为隐含层第j层的输出值，单位为m3/s；Xin，Xout，Xess为控制器的初始输入，单位为m3/s；waj为隐含层第j层的权值；kj为隐含层第j层的平移因子；λ为网络伸缩系数；
所述输出层输出计算公式为：
Yi＝μ(wbiTin+wbiTout+wbiTess)
式中，Yi为输出层第i层的输出值，单位为m3/s；wbi为输出层第i层的权值；Tin，Tout，Tess为隐含层的输出，m3/s；μ为经验参数，可由网络层数对应得到；所述输出层的最终输出为YP、YI、YD。


4.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述利用小波神经网络优化PID控制器参数具体为对PID控制器的比例系数、积分系数、微分系数进行网络自学习训练。


5.根据权利要求4所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述小波神经网络的学习速率为0.01-0.1。

<...

【专利技术属性】
技术研发人员：孙建平，章雅楠，王磊，张文广，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11