一种电液伺服系统智能自学习PID控制方法技术方案

本发明专利技术涉及电液伺服系统控制技术领域，具体公开了一种电液伺服系统智能自学习PID控制方法，包括以下步骤：(1)建立电液伺服系统的状态空间方程；(2)将所述状态空间方程用一般非线性离散时间系统的形式表示；(3)将一般非线性离散时间系统转化为改进的动态线性化数据模型；(4)设计梯度估计算法、时间差分估计算法以及参数更新律，设计电液伺服系统智能自学习PID控制方法。本发明专利技术是一种数据驱动的控制方法，针对具有参数时变和外负载扰动未知的非线性非仿射电液伺服系统能够实现精确跟踪。

【技术实现步骤摘要】
一种电液伺服系统智能自学习PID控制方法
本专利技术专利属于智能控制
，具体的说，涉及一种电液伺服系统智能自学习PID控制方法。
技术介绍
电液伺服控制是流体传动与控制专业的核心技术，具有功率比重大、响应快及抗负载刚性强等突出优点，在航空航天、交通运输、智能机器人等领域都得到了广泛应用。随着精密工业与国防领域的不断发展，对电液伺服系统的控制精度提出了更高的要求，这使得基于线性理论的经典控制不能满足系统高精度的条件。由于在实际工程应用中，电液伺服系统的负载质量、液压弹性模量、以及伺服阀流量增益等都会随系统运行而变化，并且外负载扰动、泄漏、摩擦阻尼等参数未知，以上原因导致电液伺服系统存在参数不确定性和不确定性非线性问题。对于大部分依赖被控系统精确模型的控制方法，当模型参数发生变化时会导致建模误差、跟踪性能差，以及收敛性难以保证等问题。如自适应鲁棒控制(ARC)、自适应积分鲁棒控制、自适应反步控制和滑模控制等。因此，设计一种所需系统模型信息少，抗干扰能力强且适合电液伺服系统实际应用的控制方法具有重要意义。PID算法以其结构简单、运行可靠、性能稳定等优点是实际工程中最常用的控制器。基于保守性假设的经典PID控制在电液伺服系统中的应用是线性控制器的设计，该方法在非线性非仿射的电液伺服系统中存在跟踪滞后，收敛性差的问题。随着智能控制算法的兴起和发展，广大研究学者积极探索将PID控制与智能算法相结合来处理实际过程中遇到的强非线性、强干扰问题。现在iPID控制算法已在液压、电力、机械等领域得到了广泛应用。但是，由于iPID的采样频率过高，在很多实际应用中难以实现。侯忠生教授提出的基于数据驱动控制的无模型自适应控制可以仅利用受控系统在线或者离线I/O数据进行控制器设计，该方法为难以建立系统精确模型的非线性系统提供了一种新的思路。但是，当系统外部负载扰动所造成的不确定性和非线性太强时，会造成伪偏导数的动态特性难以估计。参考文献(Model-freeadaptivePIDcontrolfornonlineardiscrete-timesystems，MFA-PID)提出了一种智能自学习PID控制方法，结合了MFAC与iPID两种控制方法的优点，将只适用于非线性连续时间系统的iPID控制算法扩展到了非线性非仿射离散系统，并且解决了无模型自适应控制算法过度线性化造成的模型信息缺失问题。基于以上分析，本专利技术设计了一种电液伺服系统智能自学习PID控制方法。首先将非线性非仿射的电液伺服系统动态线性化为线性仿射的形式；然后，采用梯度估计法和时间差分法分别对时变参数和不确定非线性项进行估计；另外，通过iPID控制引入附加误差信息对无模型自适应控制过度线性化造成的信息丢失进行补偿，最后，设计参数更新律，设计电液伺服系统智能自学习PID控制方法。仿真结果验证了该方法应用于电液伺服系统的有效性，且跟踪性能优越。该方法结构简单，针对模型不确定性程度高、非线性程度大的电液伺服系统有很好的工程实践意义。
技术实现思路
本专利技术专利针对电液伺服系统存在的参数不确定以及外负载扰动问题，设计了电液伺服系统智能自学习PID控制算法，控制目标是给定期望的输出轨迹yd(k)，k∈{0,1,...,N,N∈Z+}，找到合适的控制信号输入u，使电液伺服系统的跟踪误差e(k+1)＝yd(k+1)-y(k+1)在k趋于无穷时收敛至零。为解决上述技术问题，本专利技术专利采用下述技术方案予以实现，一种电液伺服系统智能自学习PID控制方法，包括以下步骤：(1)建立电液伺服系统的状态空间方程；(2)将所述状态空间方程用一般非线性离散时间系统的形式表示；(3)将一般非线性离散时间系统转化为改进的动态线性化数据模型；(4)设计梯度估计算法、时间差分估计算法以及参数更新律，设计电液伺服系统智能自学习PID控制方法。(1)所述的电液伺服系统状态空间方程为：式中，其中，x1为液压缸活塞杆位移；x2液压缸活塞杆速度；x3为液压缸活塞的加速度；u为控制信号输入；y为系统控制信号输出；d包含系统未建模动态和外负载扰动；F为系统外负载力；Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，kd为负载弹性刚度；kv为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度。(2)将所述电液伺服系统的状态空间方程转化为非线性离散时间系统：y(k+1)＝f(y(k),y(k-1),y(k-2),u(k),d(k))；其中，k∈{0,1,...,N,N∈Z+}为采样时间，f(…)是未知非线性标量函数。(3)给定改进的动态线性化数据模型需要满足的两个假设：假设1：除有限时刻点外，f(…)关于u、d的偏导数是连续且存在的。假设2：除有限时刻点外，非线性数据模型满足广义Lipschitz条件，即对任意k1≠k2，k1,k2＞0和u(k1)≠u(k2)有：|y(k+1)-y(k)|≤p1|u(k)-u(k-1)|+p2|d(k)-d(k-1)|；式中，p1＞0、p2＞0为常数。则可得，对于任意时刻k，当|Δu(k)|≠0时，一定存在时变参数θ(k)，使得非线性数据模型能够转化为以下等价的动态线性化数据模型：Δy(k+1)＝θ(k)Δu(k)+ξ(k)；其中，Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)，ξ(k)为非线性不确定项，|ξ(k)|＜p3，p3为正常数，||θ(k)||≤bθ，bθ为正常数。(4)设计梯度估计算法、时间差分估计算法以及参数更新律，设计电液伺服系统智能自学习PID控制方法，具体步骤为；(41)梯度估计算法为：并给出重置算法为：当如果或者|Δu(k-1)|≤ε或sig其中，η∈(0,1]、μ＞0为权重因子。(42)时间差分估计算法为(43)参数更新律为：其中，ρ∈(0,1]为步长因子，λ＞0为权重因子，k∈{0,1,...,N,N∈Z+}，kp,ki,kd分别为PID的比例系数、积分系数、微分系数。进一步的，步骤(2)的具体内容为：取采样周期为h，并采用前向差分法，可得如下差分公式：y(k)＝x1(k)；将上式整理为离散时间非线性系统：y(k+1)＝b1y(k)+b2y(k-1)+b3y(k-2)+b4u(k)+b5d(k)；其中，b1＝a3h+3,b2＝a2h2-2a3h-3,b3＝a1h3-a2h2+a3h+1,b4＝a4g(xv)h3,b5＝h3。并将离散时间非线性系统整理为如下形式：y(k+本文档来自技高网...

【技术保护点】
1.一种电液伺服系统智能自学习PID控制方法，其特征在于，包括以下步骤：/n(1)建立电液伺服系统的状态空间方程；/n(2)将所述状态空间方程用一般非线性离散时间系统形式表示；/n(3)将一般非线性离散时间系统转化为改进的动态线性化数据模型；/n(4)设计梯度估计算法、时间差分估计算法以及参数更新律，设计电液伺服系统智能自学习PID控制方法。/n

【技术特征摘要】
1.一种电液伺服系统智能自学习PID控制方法，其特征在于，包括以下步骤：
(1)建立电液伺服系统的状态空间方程；
(2)将所述状态空间方程用一般非线性离散时间系统形式表示；
(3)将一般非线性离散时间系统转化为改进的动态线性化数据模型；
(4)设计梯度估计算法、时间差分估计算法以及参数更新律，设计电液伺服系统智能自学习PID控制方法。


2.根据权利要求1所述的一种电液伺服系统智能自学习PID控制方法，其特征在于，所述步骤(1)中电液伺服系统的状态空间方程为：



式中，
其中，x1为液压缸活塞杆位移；x2液压缸活塞杆速度；x3为液压缸活塞的加速度；u为系统控制信号输入；y为系统控制信号输出；d包含的系统外负载扰动及未建模动态；F为外负载力，Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，kd为负载弹性刚度；kv为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度。


3.根据权利要求2所述的一种电液伺服系统智能自学习PID控制方法，其特征在于，将所述电液伺服系统的状态空间方程转化为非线性离散时间系统：
y(k+1)＝f(y(k),y(k-1),y(k-2),u(k),d(k))；
其中，k∈{0,1,...,N,N∈Z+}为采样时间；f(…)是未知非线性标量函数。


4.根据权利要求3所述的一种电液伺服系统智能自...

【专利技术属性】
技术研发人员：姚文龙，亓冠华，池荣虎，邵巍，李博洋，岳耀宾，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37