NNC-PID控制器对电液位置控制系统的DSP实现

liyf

                    ???? 电液位置伺服控制系统的典型特征是非线性、不确定性、时变性、外界干扰和交叉耦合干扰等，系统精确的数学模型不易建立。因此，对电液系统的控制一直是一个复杂控制系统问题。
　　常规PID控制器具有结构简单、参数意义明确、控制的动态和静态特性优良等特点。人工神经网络(NNC)具有信息综合、学习记忆和自适应能力、逼近任意非线性函数的能力，可以处理那些难以用模型和规则描述的过程，但也存在局部最小点，不易达到最优控制。
　　将NNC与PID控制相结合组成智能控制器可以取得更好的控制效果，这里提出采用DSP实现NNC-PID控制器对电液位置系统进行智能控制，满足电液位置伺服对控制系统响应快和高精度的要求。
　　1 电液位置伺服系统构成
　　以喷漆机械手第一关节为对象，构造了研究实验装置，如图1所示。其中反馈器件采用精密导电塑料电位计。整个控制系统以DSP为核心、由喷漆机械手第一关节、位置传感器、12位A/D转换器和D/A转换器、信号调理电路和输出放大驱动电路以及上位机PC等组成，实现定位和伺服跟踪控制。




　　2.2 A/D转换电路
　　TMS320F2812的A/D转换器模块时钟可达25 MHz，转化精度为12位，可采集16个通道，0～3 V的电压模拟信号。多种触发方式：软件触发(DOC)、事件管理器A(EVA)、事件管理器B(EVB)。其转化数据与输入电压的关系为：数字量=4 095x(V输入-VADCLO)/3，其中VADCLO为各通道的基准电压。
　　在PCB布线时，信号引入端到TMS320F2812引脚的距离要尽量的短，同时各通道远离数字信号，并且大面积铺地。A/D转换器电路模块中J3接传感器，J19可接示波器等，可供其他仪器采集数据。
　　2.3 I/O及驱动设计
　　I/0板主要用来驱动各电磁阀，驱动电流可达数安培，电磁噪声较大，各继电器的开关会产生较强电磁干扰，开关的电流冲击及电压峰值较大，这会影响DSP的运行。因此与DSP主板分开布线制板。I/O板设计中采用74LS244作为驱动元件，TLP521作为光电隔离和继电器来驱动外负载。在PCB布线时，有大电流通过的导线适当加粗，该板可驱动8路(可扩展至16路)的电磁阀。
　　2.4 通信电路
　　USB通信电路设计中采用的ISPl581是Philips公司的通用串行总线接口器件，它完全符合USB2.0规范。支持USB2.0的自检工作模式和USBl.1的返回工作模式，直接与ATA/ATAPI外设相连，集成8 K字节的多结构FIF0存储器;高速的DMA接口：7个0UT端点和一个固定的控制IN/OUT端点。通过一个高速的通用并行接口，ISPl581为基于微控制器/微处理器的系统提供了高速的USB通信能力。使用已有的结构和参考的固件，不仅缩短了开发时间，还减少了开发风险和费用，是一种简捷、经济的USB外设解决方案。
　　将ISPl581映射到TMS320F2812的XINTF ZoneO空间，使用

。将MODEl引脚直接与+5 V连接，引脚ALE/AO接地。
　　2.5 外扩存储器电路
　　TMS320F2812将外部的存储空间映射为5个16位的区域，XINTF Zone0～XINTF Zone2、XINTF Zone 6和XINTF Zone7。其中XINTF ZoneO和XINTF Z0nel均为8 KB，并且共用片选信号

;XINTF Zone6为521 KB，XINTF Zone7为16 KB，共用片选信号

直接连接，TMS320F2812的

，从而实现了对IS61LV25616的读写控制。
　　3 神经网络NNC-PID控制器
　　神经网络是一个高度非线性的超大规模连续时间动力系统，具有大规模并行分布处理、高度的鲁棒性、自适应性和学习联想等能力，它能很好地自适环境变化，自学习修改过程参数，这些特性为神经网络应用到电液位置伺服系统控制中提供了巨大的潜力。
　　3.1 神经网络PID控制系统结构
　　神经网络PID控制系统结构如图3(a)所示。从控制系统框图中可以看出，神经网络PID控制包括两个控制子模块：NNI为被控对象模型辨识器，NNC为神经网络PID控制器。NNC-PID控制系统的工作原理是：首先获取实际被控对象的输入输出样本对，然后利用NNI对被控对象进行离线辨识，当辨识精度达到设定的要求时，通过实时调整NNC的权值系数，使系数具有自适应性，从而达到有效控制的目的。


。
　　网络隐层的输入输出为：





　　3.3 神经网络NNC-PID控制器(单神经元自适应NNC-PID控制器)
　　由于被控对象模型不确定、不确知，并且存在着外界随机扰动，为了达到较高的控制精度，在被控对象模型离线辨识的基础上，采用单神经元自适应NNC-PID控制器结构，如图4所示。




　　根据有监督的Hebb学习规则，权系数按式(12)～式(14)规律调整如下：




　　5 试验结果
　　对电液位置伺服机械手系统首先采用常规的PID控制，利用Ziegler-Nichols方法整定PID参数，即控制系统在纯比例控制下，调整比例增益，使系统达剜临界稳定，记录这时的增益ku和临界振荡周期Tu，即可确定PID的参数，即：kp=0.6Tu，kI=0.5Tu，kD=0.25Tu，最后确定比例、积分、微分系数分别为：kP=1.02，kI=0.024，kD=0.006，这时系数的位置阶跃跟踪响应如图6所示。在同等情况下，采用神经网络NNC-PID控制方法对电液位置伺服机械手系统进行控制，取NNC的初始权值为PID的调定值，即：v1(0)=1.02，V2(0)=0.024，V3(0)=0.00 6，为了保证迭代的稳定性，限制权值的迭代范围：0.1≤v(1)≤1.3，0.001≤v(2)≤0.06，0.001≤v(3)≤5，这时系统的位置跟踪响应曲线如图6所示。通过对比可以看出利用神经网络NNC-PID方法，由于具有学习能力，使系统很快收敛于位置稳态值，神经网络NNC-PID控制由于能够实时调整PID参数，使系统的控制性能得到提高，同时对参数时变表现出良好的鲁棒性，很好地解决了液压系统的非线性和参数时变问题。




　　需要注意的是，神经元比例系数K的选择对系统的控制性能影响最重要，过大或过小都将导致系统性能变差，甚至不能实现自寻优和自适应。而ηP、ηI、ηD对系统的性能影响体现在学习速度的快慢上。
　　6 结束语
　　通过分析电液位置伺服机械手运行调试的特点及其对控制器电路的要求，采用一种基于神经网络NNC-PID控制器的PC机+DSP的控制方案，对电液位置伺服PC机+DSP控制系统硬、软件进行设计，并详细分析了硬件各控制子系统的功能、特点及制版要求，说明了基于神经网络NNC-PID的控制器软件设计过程以及软件的编制和调试。经过实验室对比运行说明，基于神经网络NNC-PID控制器的电液位置伺服机械手PC机+DSP控制系统的控制效果良好，控制器工作可靠，并且参数调节方便。