基于神经元网络的数控机床进给伺服系统的研究

第26卷第1期2

004年2月沈　阳　工　业　大　学　学　报

JournalofShenyangUniversityofTechnology

Vol126No11

Feb.2004

文章编号:1000-1646(2004)01-0064-04

基于神经元网络的数控机床进给伺服系统的研究

陈　丽,吴　海,刘长有

(沈阳工业大学信息科学与工程学院,辽宁沈阳110023)

摘　要:利用神经元网络的逼近能力,采用一般训练与特别训练相结合的方法对神经元网络进行

训练,求得了机床伺服系统的前馈补偿控制器,弥补了系统的动态延迟.计算机仿真实验表明,采用这种前馈加反馈的监督控制方法,不仅可确保控制系统的稳定性和鲁棒性,而且可有效地提高系统的精度和自适应能力.关　键　词:神经元网络;特别训练;伺服系统;数控机床中图分类号:TP242　　　文献标识码:A

　　现代制造业的发展对数控机床伺服系统的控

制速度和精度提出了更高的要求.在工业过程控制中,PID控制是历史最悠久、生命力最强的控制方式.但在实际生产现场,制,PID.,[1].对此,已提出过多种自校正PID控制方法,但由于自适应控制是在被控对象为线性对象的前提下进行研究的,面对工业过程的非线性对象,仍存在许多不尽人意之处.

人工神经网络具有许多适用于自动控制的特点,如:能以任意精度逼近任意连续非线性函数;对复杂不确定性问题具有自适应和自学习能力;其信息处理的并行机制可以解决控制系统中大规模实时计算问题,而且并行机制中的冗余性可以使控制系统具有很强的容错能力等.另外,神经元网络控制器对被控对象模型的精度要求不高,且抗干扰能力强,可以克服系统中非线性的影响,从而提高系统的性能[2～4].对于高档数控机床来说,数控系统一般采用闭环控制结构,但机械系统中存在的间隙、摩擦等因素,使得系统具有非线性;在设计控制器时往往只能将其近似成线性系统[5～7].本文将传统的控制方法与神经元网络控制相结合,有助于提高工件的加工精度以及机械系统的鲁棒性.

神经元网络控制器,如图1出,器,.神经元网,在e(k)或u1(k)趋近于零,从而使神经元网络控制器逐渐在控制作用中占据主导地位,以便最终取消反馈控制器的作用.但是,这里的反馈控制器仍然存在,一旦系统出现干扰等,反馈控制器仍然可以重新起作用.因此,采用这种前馈加反馈的监督控制方法,不仅可确保控制系统的稳定性和鲁棒性,而且可有效地提高系统的精度和自适应能力

.

图1　前馈神经元网络控制系统结构图

Fig.1　Feedforwardneuralnetworkcontrolscheme

112　逆控制

在诸多控制方式中,逆控制是最常见最有效

的控制方法.逆控制就是利用系统的逆动力学构成控制器,并与系统组成伪单位环节,从而使系统输出保持在期望的轨迹上,达到输入是什么输出就是什么的完美境界,因此将其应用于伺服系统,正能满足输出精确复现输入的要求.

这里以SISO系统为例,考虑下面非线性动态系统A:u(k)→y(k+1),其差分方程为

y(k+1)=f[y(k),…,y(k-n+1),

u(k),…,u(k-m)]

(1)

1　神经元网络控制器

111　神经元网络控制系统的结构

在传统PID控制器的基础上,考虑增加一个

收稿日期:2002-11-18

作者简介:陈　丽(1969-),女,辽宁昌图人,助教,硕士.

式中　y(k+1),u(k)分别为系统的输出、输入;

第1页下一页