魏全增等

摘 要： 针对炮控系统电动负载模拟器存在的摩擦、间隙、弹性形变、对象参数时变和位置扰动等复杂非线性，传统的控制方法难以得到良好的动静态性能指标。结合电动负载模拟器系统组成和工作原理，建立了加载数学模型，利用炮控系统位置控制信号进行前馈补偿，设计了RBF神经网络控制器，并采用改进遗传算法对控制器的权值、节点和中心矢量等参数进行优化。实验结果表明：该控制策略能够有效抑制多余力矩，保证了系统静、动态加载时的控制精度和稳定性。

关键词： 电动负载模拟器； RBF神经网络； 遗传算法； 多余力矩

中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2015）21?0113?05

Control of electric?driven load simulator based on genetic

optimization RBF neural network

WEI Quanzeng， CHEN Jilin， GAO Qiang， WANG Chao

（School of Mechanical Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： For the complex nonlinearities of friction， clearance， elastic deformation， time?varying performance of the target parameters and position disturbance are existed in electric?driven load simulator of the gun control system， the conventional control method can′t achieve the good static and dynamic performance indexes. In combination with the system composition and working principle of the electric?driven load simulator， the loading mathematical model was established. The RBF neural network controller （RBFNNC） was designed by using the position control signal of the gun control system to conduct with feedforward compensation. The parameters of the controller′s weight， nodes and center vector are optimized by the improved genetic algorithm. The experimental results show that this control strategy can restrain the extra torque effectively， and ensure the control precision and stability when the system is loading in static or dynamic state.

Keywords： electric?driven load simulator； RBF neural network； genetic algorithm； extra torque

0 引 言

由于炮控系统的工作状态非常复杂，实际工作过程中会受到各种干扰力矩的影响，为保证炮控系统的高效工作，一般利用半实物仿真实验平台（负载模拟器）对其实际所受负载进行模拟[1]。电动负载模拟器凭借控制性能良好、动态响应快、可靠性高、易维护等优点，得到了广泛应用。由于电动负载模拟器是通过机械装置与被加载装置连接实现对力矩加载，因此被加载装置自身的运动会影响模拟负载的力矩加载，再加上系统本身存在摩擦、间隙以及弹性变形等非线性因素，由此产生的这种干扰力矩就被称作多余力矩。

目前，在多余力矩的抑制方面，大致可分为两类[2]。第一类为基于结构的控制方法，文献[3]提出了安装低刚度缓冲弹簧杆的方法，降低了连接刚度和系统谐振，减小了干扰力矩，但影响了系统的快速响应性。文献[4]提出同步马达的方法，有效地抑制了扰动力矩，但对转动惯量大的被加载系统同样难以实现快速精确控制；第二类为基于补偿的控制方法，文献[5]提出了模糊自适应PID加载系统控制方案，文献[6]利用结构不变性原理将位置速度等信号扰动进行前馈补偿，实现消除多余力矩的目的，但前馈补偿会含有微分环节使系统的抗噪声能力变差。文献[7]采用离线构建、在线调试策略，对控制算法进行简化，每一时刻采用数据只能调整局部隐节点的参数，不会影响到其他部分隐节点的参数。

本文提出了一种改进遗传算法优化的RBF神经网络控制器（Improved Genetic Algorithms?RBF Neural Network Controller，IGA?RBFNNC），并利用炮控系统位置控制信号直接进行补偿。改进遗传算法采用实数编码方式，提出了最优个体保留策略，克服了传统遗传算法收敛速度慢、易陷入早熟等缺点，实现了对RBF神经网络控制器参数的权值、节点和中心矢量等参数的优化。

1 电动负载模拟器工作原理及系统模型

1.1 电动负载模拟器工作原理

该电动负载模拟器结构如图1所示。电动负载模拟器是典型的被动式力矩伺服控制系统，采用调速性能好、转动惯量小、过载能力强的交流永磁同步电机（PMSM）驱动。

图1 电动负载模拟器结构图

1.2 交流永磁同步电机模型

为简化分析，理想状态下交流永磁同步电机在[d?q]坐标系上的微分方程描述为[8]：

由式（5）可知：输出力矩由两部分组成，后一部分主要是由被加载对象的角速度、角加速度、角加速度变化率的扰动引起的，具有明显的微分特性，这就是所谓的多余力矩。

2 控制器设计

多余力矩的存在会影响加载电机对给定载荷曲线的跟踪精度，为了消除多余力矩的影响，本文采用对炮控系统位置控制信号直接前馈补偿，针对电动负载模拟器存在的摩擦、间隙、对象参数时变等非线性特点设计了RBF神经网络控制器，并采用改进的遗传算法对控制器参数寻优，其结构如图3所示。

由结构不变性原理可得：

图3中虚线框为RBF神经网络控制器，其由输入层、隐含层和输出层组成。它是一种局部逼近网络，已证明它能以任意精度逼近任意连续函数，训练速度快，对每个训练样本只需对少量的权值和阀值进行修正，因此广泛应用于实时控制系统中。

本文选用的RBF神经网络控制器中，[x=[x1，x2]T]为神经网络的输入向量；RBF神经网络的径向基向量为[h=[h1，h2，…，hm]T，]其中[hj（j=1，2，…，m）]为高斯基函数：

然而RBF控制器参数初值往往通过专家经验随机选取，这样使控制器性能受到影响。由于遗传算法具有多点并行操作机制寻找全局最优解，收敛速度快等优点，因此本文采用遗传算法来优化RBF神经网络控制器的参数。

3 控制器参数的遗传优化

遗传算法（Genetic Algorithm，GA）是一种源于生物遗传学和适者生存的自然规律的自适应启发式全局搜索算法。通过选择、交叉、变异等基本遗传运算操作对目标空间进行全局随机化搜索[10]。

传统遗传算法操作简单，但收敛速度慢且得不到全局最优解。因此，本文对传统的遗传算法进行了改进，采用实数编码方式，取理想输出与实际输出误差的平方和作为目标函数，提出了最优个体保留策略，保证了改进遗传算法能在全局范围内收敛。

3.1 参数编码

为提高精度，加快收敛速度，便于大空间搜索。本文使用实数编码方式对RBF神经网络控制器的三个参数进行编码，即用实数表示染色体的基因值，得到染色体序列如表1所示。

式中：[E（Xi）]为目标函数；[yi]是理想的输出值；[yi]为实际的输出值；[F（Xi）]为适应度函数。

3.3 遗传操作

3.3.1 选择

采用轮盘赌选择方法，即适应值比例选择方法，这是一种最常见的选择机制，个体的适应值越大，其被选中的概率就越高。假设种群大小为[n]的群体[P=X1，X2，…，Xn，]其中，个体[Xi∈P]的适应值为[F（Xi），]则其被选中的概率为：

3.3.3 变异

变异操作用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因的值。

为了避免陷入早熟同时维持种群的多样性，引入变异算子，变异概率同自然界生物一样，发生变异的概率很低，一般取0.000 1～0.1，这里变异概率[Pm]为0.05。

3.4 最优个体保留策略

最优个体保留策略将父代代中的最优个体挑选出来，并与子代中适应度最低的个体进行替换，即进行最佳保留机制操作，这样可以保证算法平稳且具有较快全局收敛性。

4 仿真实验结果及分析

为了验证本文所提控制方法的有效性，搭建了半实物仿真实验平台如图4所示。选取加载模型的各参数值如表2所示。

5 结 语

本文在研究电动负载模拟器基本结构和原理的基础上，建立了执行机构的数学模型，利用炮控系统位置控制信号进行前馈补偿，同时对传统遗传算法进行了改进，并对RBF神经网络控制器的参数寻优。实验结果表明，使用所设计的控制器满足动态性能指标，能够快速稳定跟踪给定信号，有效地消除了多余力矩，可应用到实际电动负载模拟器设计中。

参考文献

[1] 王力，钱林方，高强，等.基于灰预测模糊PID的随动系统负载模拟器力矩控制研究[J].兵工学报，2012，33（11）：1379?1386.

[2] 田巨，张科.电动负载模拟器的发展与现状[J].微特电机，2014，42（5）：70?74.

[3] 王鑫，冯冬竹.引入弹簧杆的电动负载模拟器实验研究[J].电机与控制学报，2012，16（9）：91?94.

[4] 苏东海，吴盛林，付兴武，等.利用基于同步补偿的角速度差值克服多余力矩[J].哈尔滨工业大学学报，2000，32（1）：78?81.

[5] 董文彬，肖利红.基于FUZZY?PID控制的变负载模拟技术的研究[J].航空航天，2010，28（2）：63?69.

[6] 吴金波，李绍安，李维嘉，等.电动负载模拟器的建模与混合校正策略[J].现代制造工程，2010（4）：13?17.

[7] 张建.基于RBF神经网络的电动负载模拟器控制策略研究[D].哈尔滨：哈尔滨工业大学，2006.

[8] 王超，吴晓亮.基于复合控制策略的电动负载模拟器研究[J].现代电子技术，2014，37（17）：90?93.

[9] 方强.被动式力矩伺服控制系统设计方法及应用研究[D].哈尔滨：哈尔滨工业大学，2006.

[10] 张明君，张化光.遗传算法优化的RBF神经网络控制器[J].电机与控制学报，2007，11（2）：183?187.

[11] 娄悦.伺服系统模拟加载系统的研究与设计[D].南京：南京理工大学，2007.

[12] 王宝忠，宋冬锋，刘卫法.基于Smith预估补偿与RBF神经网络的改进PID控制[J].现代电子技术，2011，34（5）：153?157.

[13] 张冬，王涛.基于RBF神经网络的超高压继电保护的算法研究[J].现代电子技术，2011，34（20）：196?199.