近代控制策略在近代电气液压伺服控制的应用概况

与经典控制理论相应而发展起来的控制策略,是以PID控制为代表的。近代控制理论和智能控制理论仍然吸取了PID控制的一些基本思想。PID控制基于系统误差的现实因素(P)、过去因素(I)和未来因素(D)进行线性组合来确定控制量,具有结构简单、易于实现等特点,至今在液压伺服控制系统中仍有广泛的应用。

传统的PID采用线性定常组合方案,难于协调快速性和稳态性之间的矛盾;在具有参数变化和外干扰的情况下，其鲁棒性也不够好。随着对系统性能要求的不断提高,传统的PID控制往往不能满足要求。在这种情况下,吸取自适应控制和智能控制的基本思想并利用计算机技术的优势,对传统的PID控制进行改造形成自适应PID、模糊PID,智能积分PID和非线性PID等,使其适应新的要求。

2  自适应控制(AC)

在设计控制系统时,不完全知道系统的参数或结构,要求一边估计未知参数，一边修正控制作用,这就是自适应控制问题。AC可分为两大类:一类以自校正控制(STC)为代表,另一类以模型参考自适应控制(MRAC)为代表。STC由于在线辨识系统参数需要实时计算,时间长，一般适用于具有慢时变的对象调节;而对具有参数突变(如试验机伺服系统存在刚度突变)和突加外负载干扰的电液伺服系统往往不能满足要求,因此，液压伺服采用的AC大多为MRAC 或其变型。

AC的不足之处是对被控对象的数学模型(阶次和相对阶)仍有严格的要求,此外诸如持续激励、慢时变,严格正实和波波夫不等式等条件也制约了AC具有更强的鲁棒性。恰当吸取其他控制策略的长处,研究限制条件少、算法简便和鲁棒法强的AC律是近年来发展的方向。另外随着采样频率的提高,如何避免离散化中最小相位问题也是值得研究的难点。

3  鲁棒控制

在实际问题中,系统的模型可能包含不确定因素,但又希望这时控制系统仍有良好的性能,这就是鲁棒控制问题。近年来出现了H∞设计方法,要求频率响应函数的H∞模的上确界极小。这种方法成功地应用了经典函数论和算子理论。在H模约束下,已成功解决了多变量定常系统的镇定补偿问题。H∞方法既保留了状态空间方法在计算上的优点,又有频率法的直观性;加上H∞控制器的全部设计工作可由MATLAB语言实现,所以对工程技术人员很有吸引力。但当系统发生不是小振动时,H∞下的优化是否能保持次优性还不清楚。

在鲁棒控制领域中还有一类有影响的工作,就是判断系数在一定范围内变化的多项式的稳定性和严格正实性(SPR),已给出各种不同情况下的充分必要条件,例如棱边定理,但结果还很有限。这类研究工作属于系统簇动力学的范畴,至今仍是一个难题。

4  非连续系统控制

非连续系统控制主要指Bang-Bang控制、变结构控制、PWM(PulseWidthModulation)、PCM(PulseCode Modulation,脉冲编码控制)及模糊控制等。将模糊控制放在这里是考虑到模糊控制存在着模糊分档,有多级继电器特性,实际是不连续控制;而模糊控制中的模糊量与精确量之间的转换是根据专家的经验,因此模糊控制也属智能控制内容,故放在1.4.5节叙述。

非连续系统控制实际上是通过简单的开关控制元件组成简单的机械执行部分,利用计算机的"思维"能力"软件伺服"来弥补开关控制的不足,达到负载控制并满足系统性能要求。从这个意义上讲,在很多情况下可以用开关阀来代替伺服阀。下面简单说明一下这些控制策略的应用情况。

(1)Bang-Bang'控制

Bang-Bang控制属时间最优控制问题,到目前为止要给出最优性的充分条件是非常困难的,通常都是利用庞特里亚金原理给出最优的必要条件,并根据必要条件求得最优控制。简单的低阶系统最优控制可以通过分析得到解析表达式,但是对二阶带阻尼的振荡系统就很难得到开关线的解析表达式。对于一般的单变量系统及多变量系统,最优控制问题通常采用数值解法。一种方法是直接求解状态和协态方程,从而得到最优控制。当然两点边值问题的求解并不是件易事,通常用寻优等方法求得开关时间.因此,所得最优控制是开关控制。另一种求解时间最优控制的方法是,采用快速模型预测控制技术，采用这种方法有可能求得一类线性和非线性单变量系统的闭环反馈控制。对于具体的控制问题有些研究人员还采用物理分析与数值寻优求解相结合的方法,求解时间最优控制问题。

(2)变结构控制

变结构控制VSC是一种根据系统状态偏离滑模的程度来变更控制器的结构(控制律或控侧器的会数)、从而使系统按照滑模规定的规律性运行的一种控制方法。VSC本质上也属一科自适应控制,滑模从某种意义上看属于参考模型。VSC同时还孕育了智能控制的基本思想、VSC系统与传统的控制系统相比,具有控制规律简单,可以协调动态和稳态性能间的矛盾的特点:特别是其滑动模态(SM)对系统参数变化和外部干扰具有完全不变性。VSC的缺点是系统存在抖动一非线性(切换滞后)引起的自振;但可以通过选择合适的滑态可达条件,使抖动影响减小到工程许可的范围内。

目前,液压伺服系统采用的VSC律和滑模可达条件大多针对连续系统导出,而工程实现大都由计算机完成。这是一种近似方法,系统存在较严重的抖动现象,并且难以用于采样周期较长的控制系统。近年来,基于离散控制系统VSC(DVSC)已有进展此外还出现了采用模糊控制和神经网络控制实现的离散变结构控制。

(3)PWM

在流体控制领域,脉宽调制(PWM)最先应用于液压伺服系统中,用来驱动伺服阀。一方面是为了减小伺服阀死区的影响,防止阀卡死;另一方面也是为了解除阀控流量特性的非线性。现在PMW技术在液压尤其是在气动技术上有更广泛的应用,小型导弹的舵机用得很多，因为它结构简单、可靠

从事于流体PWM的学者们从不同角度对PWM技术进行了研究。从以往研究的总体来看,采用线性模型并用常规控制方法,在一定的工作范围内,系统设计基本上可以表现出令人满意的性能;但在变负载情况下，将表现出可重复性差,设计与实际脱离较远的问题。

研究气动PWM比起研究液压PWM更多些。因气动中气体的压缩性等有更复杂的特性,更需要利用PWM来对其线性化。有些研究结论表明,气动和液压是可以互相借鉴的,特别是回路构成与工作原理方面。

(4) PCM

由于PWM有一定的缺点,如阀的振动会加速磨损,振动也会带来噪声,因此PWM要求高速开关阀,成本较高。有的学者试图以多个普通的开关阀组合起来作为转换元件,得到希!的输出特性,于是产生了PCM控制,即脉冲编码控制。PCM控制是把控制信号编为n位进制信号来控制n个开关阀的开启和闭合。这n个开关阀的有效开关面积之间的关系为:

S_0:S_1:S_2...S_n-1=2^0:2^1:2^2...2^n-1。

n个开关阀组合数2^n,即可获得2^n级不同的流通面积。PCM控制非常适合于与计算机结合。计算机按照设计的控制规律发出一组二进制编码,控制n个开关阀,得到不同的综合开口面积,从而输出不同流量推动作动筒运动。日本的中村等最先将PCM用于液压控制,HirohisaTanaka提出用软件克服开关阀开启和关闭不同造成的流量波动。国内的哈尔滨工业大学对PCM气动位置系统作了系统研究,如PID,模糊控制、自校正自适应等的PCM控制策略。

5  智能控制(AIC)

1971年,人工智能的创始人傅京孙(Fu.K.S)教授首先提出了智能控制概念,即智能控制是人工智能(AI)和自动控制(AC)的交互作用结果;进而Saridis提出了智能控制是人工智能、运筹学和自动控制三个学科交互作用的结果。随着模糊集理论的形成和发展以及神经网络在控制学科的不断渗透,文献又提出智能控制是人工智能(AI)(包括符号主义SM和神经网络NN)、运筹学(OR)、自动控制(AC)和模糊集(FUZZY)交互作用的结果。基于这些观点,多年来有关智能控制的研究主要侧重于下面几个方面:

1)专家控制;

2)神经网络控制;

3)模糊控制。

专家控制系统首先获取控制对象的至关重要的知识,形成知识库,然后利用该知识库,通过一定的推理方式解决控制对象的控制问题。它比较适合于解决规则的问题,但设计与实施专家控制系统目前尚存在以下困难:

1)知识获取困难,是专家控制系统的"瓶颈";

2)难以模拟形象思维,不能很好地处理不精确和模糊的推理;

3)存在推理的"组合爆炸"问题,尤其对复杂的实际问题。

神经网络控制(NNC)是模仿人类的感觉器官和脑细胞的工作原理而工作的。它由一些简单的带有门限逻辑单元按并行结构经过可调连接权连接而成。它可以同时接受大量信息,并且对它们进行处理,结果也是平行输出的一批信息。在系统中硬件是模仿神经细胞的网络,软件则是模仿神经细胞的工作方式,即每个神经元接受信号按"乘权值后相加",输出信号按"阈值"大小确定。这样做的优点是可以快速地处理复杂的事物,但是要求在处理某一事物之前对系统进行教学,以便使系统通过"学习"求出"权值"和"阈值"。教学内容来自专家的经验(有教师学习)或系统期望的动态行为(无教师学习)。学习算法研究十分引人注目。学习算法直接影响人工神经网络(ANN)学习的收敛速度和网络的稳定性,有教师的学习目前已有一些较实用并具有代表性的成果。NNC的工作方式目前主要有两大类:一类是离线学习网络参数(称为训练),控制时由网络回忆期望的控制信号;另一类是在线更新网络参数(此时为提高初始鲁棒性,常将NNC与常规反馈控制器复合)。学习的最终目标是使反馈控制器不起作用。前者适合于反复控制(如焊接机器人的轨迹控制和化工工艺控制等),后者适用于工作过程中给定的参数经常变化的对象的控制。

目前,关于NNC的研究大多停留在仿真或实验室阶段,NN学习算法的收敛性和NNC系统的稳定性还未从理论上全部解决。一个值得注意的方向是,将NNC和反馈控制复合,采用Lyapunov稳定性或Popov超稳定性理论来推导NN的参数(权值)更新律(学习律)。有文献将自适应线性连接模型神经元与DVSC相结合,实现了泵控马达速度伺服系统的离散变结构控制。

利用ANN不需要像专家系统那样构造庞大的知识库,而是通过一组样本对ANN的训练,即ANN的学习,自动建立系统输人输出的关系。建立网络这种输入输出因果关系的样本数据是容易获得的。它不需要像专家控制系统那样将知识符号化后用规则表示,解决了专家控制系统知识获取的难点。由于ANN并行分布处理,因而不存在推理中的"组合爆炸"现象;同时,ANN还可以根据其输出与实际情况的差值,按各训练过程相同的学习规则修改权值,即自行学习来适应外界环境的变化。

但是.ANN对专家控制系统决不是简单的代替,在很多情况下是将ANN置于专家控制系统中。专家控制系统处理基于规则的问题并提供用户接口和管理解释等功能。ANN接受专家系统的输入,通过学习和工作过程,取代专家系统的知识处理,即知识获取、表示与利用，其输出还可反馈给专家系统。当然,也可将专家系统置于神经网络中,ANN对输人数据进行预处理,其输出响应进人专家系统,专家系统从几个分离响应中选择最佳答案。

模糊控制(FC)和精确控制一样,是一种闭环控制系统。其不同之处只是前者在控制器中采用模糊量与模糊推理,模糊量与精确量之间的转换以及模糊推理的规则,则是由专家的经验予以确定;因而可以认为模糊控制是控制中的专家系统。模糊控制适用于被控参量无精确的表示方法和被控制对象各种参数之间无精确的相互关系的情况。在这种情况下,FC比精确控制优越。液压伺服系统正属此类情况,如影响系统动态品质的液压固有频率u和阻尼比以及流量增益K,等,它们的准确值与一些软参量有关,难于算准。

FC的主要不足之处是控制精度较差,所以大量的研究是对经典的FC进行适当的改造才能使其在液压控制领域获得广泛应用。它的主要原理通常是将系统的误差、变化率及其对应的输出列成表,然后运用一些符号组成一个具有"IFCONDITION,THENACTION"的推理链,属于产生系统,目前仍在广泛应用。

这里不妨对ANN与FC作个比较:ANN与FC都采用相连存储器来估计样本的函数与行为,它们都通过样本来训练,两者所构成的控制系统都能出色地模拟人的思维来完成信息处理;但模糊系统经ANN系统更易建立,因为它仅需要根据查表即可确定输出。模糊系统的运算也比较简单,一般的情况下仅包括两个矢量的比较和相加;而ANN方法则需要确定一个非线性动力系统,需要足够多的训练样本以及通过反复学习对这些训练样本进行编码,其计算操作也较FC复杂,包括两个矢量的相乘与相加,因此ANN学习速度较慢。这是它的严重不足。同样FC的不足是规则表格系根据人的经验总结,往往不易得到完整的经验,因而难以得到最优的控制效果。