摘要： 本文采用神經(jīng)網(wǎng)絡(luò)對氣動伺服系統(tǒng)的模型進行辨識。分析RBF神經(jīng)網(wǎng)絡(luò)辨識的原理及其與參估計法的區(qū)別。針對實際系統(tǒng)．設(shè)計了神經(jīng)網(wǎng)絡(luò)辯識模型。實驗表明該方法建立的模型是正確的。 關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)辨識；氣動伺服系統(tǒng) 引 言 氣體的可壓縮性、低粘度、和熱敏性使氣動伺服系統(tǒng)的特性不易掌握，歸納起來氣動伺服系統(tǒng)有以下幾個特點： （I）時變性：即系統(tǒng)參數(shù)不是定常的．是隨時間改變的而且在運動過程中，參數(shù)與位置有關(guān)。 （2）熱敏性：系統(tǒng)特性溫度影響嚴重。 （3）壓敏性：系統(tǒng)特性受氣源壓力波動影響較大。 （4）非線性：氣體的大壓縮性和執(zhí)行機構(gòu)的摩擦力使系統(tǒng)特性呈嚴重的非線性。 這些特點使氣動伺服控制系統(tǒng)的模型不易得到，給氣動伺服系統(tǒng)的控制帶來許多困難。被控系統(tǒng)的數(shù)學模型對系統(tǒng)的分析和控制非常重要。建立動態(tài)系統(tǒng)數(shù)學模型的方法有機理建模和實驗建模。辨識建模方法有階躍響應(yīng)法、頻率響應(yīng)法、相關(guān)分析法和參數(shù)估計法。近年來，神經(jīng)網(wǎng)絡(luò)研究所取得的進展為動態(tài)系統(tǒng)辨識提供了新方法，已有許多成功應(yīng)用的報道。 2 神經(jīng)網(wǎng)絡(luò)辯識與參數(shù)估計法的區(qū)別 從本質(zhì)上講，兩者是相同的，都是利用輸人輸出信垮通過某種算法求得能反映系統(tǒng)特性的模型，都是采用擬臺的方法。不同的是，神經(jīng)網(wǎng)絡(luò)比參數(shù)估計法更靈活，能逼近任意非線性函數(shù)，反映任意非線性系統(tǒng)的特性。具有自學習和記憶能力；神經(jīng)網(wǎng)絡(luò)采用的是各種非線性函數(shù)，參數(shù)估計法僅采用多項式，因此，從某種意義上可以說神經(jīng)網(wǎng)絡(luò)辨識是參數(shù)估計法的推廣和改進。 神經(jīng)網(wǎng)絡(luò)辨識的效果與所選用的區(qū)模型和權(quán)值的求算方法有關(guān)，在各種神經(jīng)網(wǎng)絡(luò)模型中，RBF（RadialBasis Function）網(wǎng)絡(luò)結(jié)構(gòu)簡單、學習收斂快，精度高，非常適合單輸出系統(tǒng)的辨識建模。因此本文選擇該模型來對開關(guān)閥控氣動伺服系統(tǒng)進行辨識。 3 RBF網(wǎng)絡(luò)模型 RBF網(wǎng)絡(luò)模型只有一個隱層，一個輸出，每個隱節(jié)點都按RBF的規(guī)律輸出，如圖I所示。網(wǎng)絡(luò)輸出： 4 基于RBF網(wǎng)絡(luò)的動態(tài)辨識原理 任意SISO非線性系統(tǒng)可用式（3）描述。 用RBF網(wǎng)絡(luò)辨識時，通常選取系統(tǒng)輸入 時刻前個值和輸出f時刻前f個值作為RBF網(wǎng)絡(luò)的輸入向量。采用學習算法用樣本對RBF網(wǎng)絡(luò)進行訓練，訓練后的權(quán)值表征著被辨識系統(tǒng)的固有特征。訓練時，指標函數(shù)： 權(quán)值修正算法為： 式中：N—— 樣本數(shù)； r — — RBF網(wǎng)絡(luò)輸出值； η —— 學習速率因子 5 基于RBF網(wǎng)絡(luò)模型的開關(guān)閥控氣動位置伺服系統(tǒng)辨識 由機理分析建?？芍_關(guān)閥控氣動位置伺服系統(tǒng)是三階系統(tǒng)，因此設(shè)計圖2所示的RBF神經(jīng)網(wǎng)絡(luò)模型來辨識此類系統(tǒng)。 圖中，隱節(jié)點個數(shù)量m取21；Cj分別按輸人輸出最大最小值之間等距取值。采取式（4）、（5）的算法求得各隱節(jié)點的權(quán)值。 圖3是采用同一控制器的實際系統(tǒng)輸出和模型仿真輸出，曲線1為實際輸出，曲線2為模型仿真輸出。從圖可知兩者基本吻合，這表明所建模型是正確的。 6 結(jié)論 本文用RBF神經(jīng)網(wǎng)絡(luò)理論對開關(guān)閥控氣動位置伺服系統(tǒng)進行了辨識研究，得出幾點結(jié)論： （1）RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點個數(shù)不宜太少，否則辨識模型與實際對象相差較大。 （2）在實時采樣訓練樣本時，要對樣本進行予處理，以提高辨識結(jié)果的準確性，同時學習率因子對RBF網(wǎng)絡(luò)的收斂性有很大影響。 （3）用RBF神經(jīng)網(wǎng)絡(luò)對開關(guān)閥控氣動位置伺服系統(tǒng)進行辨識建模是合適的。 [參考文獻] [1]顧鐘文．工業(yè)系統(tǒng)建模．杭州：浙江大學出版杜，1995 [2]徐耀玲等．人工神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辯識中的應(yīng)用．自動化學報，1991，17（1）：91—94 [3]日建國．動態(tài)系統(tǒng)RBF網(wǎng)絡(luò)建模方法及其應(yīng)用．西安：中國神經(jīng)網(wǎng)絡(luò)學術(shù)大會論文集．1993（10） [4]王宣銀．PCM氣動系統(tǒng)的建模研究．機床與液床，1997 [5]王宣銀．氣壓驅(qū)動機器人控制的研究浙江大學博士后研究工作報告．1997（11） 請點擊此處下載原文