全液压矫直机电液伺服协同控制研究.pdf

２０１４ 年 １２ 月 第 ４２ 卷 第 ２３ 期 机床与液压 ＭＡＣＨＩＮＥ ＴＯＯＬ ＆ ＨＹＤＲＡＵＬＩＣＳ Ｄｅｃ􀆱 ２０１４ Ｖｏｌ􀆱 ４２ Ｎｏ􀆱 ２３ ＤＯＩ１０．３９６９／ ｊ􀆱 ｉｓｓｎ􀆱 １００１－３８８１􀆱 ２０１４􀆱 ２３􀆱 ０１２ 收稿日期 ２０１３－１０－２６ 基金项目 国家 ９７３ 重点基础研究计划基金资助项目 （２０１１ＣＢ６１２２０４）； 国家青年科学基金资助项目 （５１２０５２６９）； 博士基 金 （２０１３２００９） 作者简介 朱士伟 （１９８８）， 男， 硕士研究生， 研究方向为控制理论与应用及重型装备过程自动化。 Ｅ－ｍａｉｌ ｌｙｚｓｗ８２０＠ １６３􀆱 ｃｏｍ。 全液压矫直机电液伺服协同控制研究 朱士伟， 李宏杰， 黄庆学， 张伟 （太原科技大学， 重型机械教育部工程研究中心， 山西太原 ０３００２４） 摘要 以中厚板全液压矫直机为控制对象， 重点研究了 ４ 个 ＡＧＣ 液压缸在不同工况下的协同作业性能。 建立了液压滚 切剪电液伺服系统的数学模型； 针对全液压矫直机四回路电液伺服协同控制系统的非线性、 时变、 易受负载扰动等特点， 选择模糊神经网络控制算法， 提出了基于模糊神经网络控制器与偏差耦合控制结构相结合的四回路电液伺服协同控制方 案， 完成了 ４ 个 ＡＧＣ 控制回路之间的存在系统耦合误差动态补偿； 现场实验表明， 该控制算法稳定性能高， 收敛速度快； 使用该方案之后， 控制系统具有很好的协同控制精度， 能够较好地实现全液压矫直机 ４ 个 ＡＧＣ 液压缸协同跟踪控制。 关键词 全液压矫直机； 偏差耦合控制； 模糊神经网络； 协同控制 中图分类号 ＴＧ３３３􀆱 ２３ 文献标识码 Ａ 文章编号 １００１－３８８１ （２０１４） ２３－０４６－５ Ｒｅｓｅａｒｃｈ ｏｆ Ｅｌｅｃｔｒｏ⁃ｈｙｄｒａｕｌｉｃ Ｓｅｒｖｏ ｏｆ Ｃｏｏｐｅｒａｔｉｖｅ Ｃｏｎｔｒｏｌ ｆｏｒ Ｆｕｌｌ Ｈｙｄｒａｕｌｉｃ Ｓｔｒａｉｇｈｔｅｎｉｎｇ Ｍａｃｈｉｎｅ ＺＨＵ Ｓｈｉｗｅｉ， ＬＩ Ｈｏｎｇｊｉｅ， ＨＵＡＮＧ Ｑｉｎｇｘｕｅ， ＺＨＡＮＧ Ｗｅｉ （Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｈｅａｖｙ Ｍａｃｈｉｎｅｒｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ ｔｈｅ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ， Ｔａｉｙｕａｎ Ｓｈａｎｘｉ ０３００２４， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ａｃｃｏｒｄｉｎｇ ｔｏ ｆｕｌｌ ｈｙｄｒａｕｌｉｃ ｓｔｒａｉｇｈｔｅｎｉｎｇ ｍａｃｈｉｎｅ ｏｆ ｔｈｉｃｋ ｐｌａｔｅ ｔｏ ｃｏｎｔｒｏｌ ｔｈｅ ｏｂｊｅｃｔ， ｒｅｓｅａｒｃｈ ｉｓ ｆｏｃｕｓｅｄ ｏｎ ｔｈｅ ｆｏｕｒ ａｕｔｏｍａｔｉｃ ｇａｉｎ ｃｏｎｔｒｏｌ （ＡＧＣ） ｈｙｄｒａｕｌｉｃ ｃｙｌｉｎｄｅｒｓ ｉｎ ｔｈｅ ｃｏｌｌａｂｏｒａｔｉｖｅ ｐｅｒｆｏｒｍａｎｃｅ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎｓ． Ｔｈｅ ｍａｔｈｅｍａｔｉ⁃ ｃａｌ ｍｏｄｅｌ ｏｆ ｅｌｅｃｔｒｏ⁃ｈｙｄｒａｕｌｉｃ ｓｅｒｖｏ ｓｙｓｔｅｍ ｆｏｒ ａ ｈｙｄｒａｕｌｉｃ ｒｏｌｌ ｃｕｔｔｉｎｇ ｓｈｅａｒｓ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ． Ａｉｍｅｄ ａｔ ｔｈｅ ｆｕｌｌ ｈｙｄｒａｕｌｉｃ ｓｔｒａｉｇｈｔｅｎｉｎｇ ｍａｃｈｉｎｅ ｏｆ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｏｆ ｎｏｎｌｉｎｅａｒ， ｔｉｍｅ ｖａｒｙｉｎｇ， ｌｏａｄ ｅａｓｙ ｄｉｓｔｕｒｂａｎｃｅ ａｎｄ ｏｔｈｅｒ ｖｕｌｎｅｒａｂｌｅ ｆｅａｔｕｒｅｓ， ｂｙ ｓｅｌｅｃｔｉｎｇ ｔｈｅ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌｌｅｒｓ ａｌｇｏｒｉｔｈｍ， ａ ｓｔｒａｔｅｇｙ ｏｆ ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ｆｏｒ ｔｈｅ ｆｏｕｒ ｅｌｅｃｔｒｏ⁃ｈｙｄｒａｕｌｉｃ ｓｅｒｖｏ ｉｓ ｐｒｏｐｏｓｅｄ， ｗｈｉｃｈ ｗａｓ ｂａｓｅｄ ｏｎ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌ ａｎｄ ａｄｊａｃｅｎｔ ｃｏｕｐｌｉｎｇ ｃｏｎｔｒｏｌ． Ｔｈｅ ｅｘｉｓｔｅｎｃｅ ｂｅｔｗｅｅｎ ｆｏｕｒ ＡＧＣ ｃｏｎｔｒｏｌ ｌｏｏｐｓ ｏｆ ｓｙｓｔｅｍ ｄｙｎａｍｉｃ ｃｏｕｐｌｉｎｇ ｅｒｒｏｒ ｃｏｍｐｅｎｓａｔｉｏｎ ｗａｓ ｃｏｍｐｌｅｔｅｄ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｏｎ ｓｉｔｅ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｃｏｎｔｒｏｌ ａｌｇｏｒｉｔｈｍ ｈａｓ ｇｏｏｄ ｓｔａｂｉｌｉ⁃ ｔｙ ｂｅｈａｖｉｏｕｒ ａｎｄ ａ ｑｕｉｃｋ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ． Ａｆｔｅｒ ｕｓｅｄ ｔｈｅ ｓｔｒａｔｅｇｙ， ｔｈｅ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｈａｓ ｖｅｒｙ ｇｏｏｄ ａｃｃｕｒａｃｙ ｏｆ ｃｏｏｒｄｉｎａｔｅｄ ｃｏｎｔｒｏｌ， ａｎｄ ｃａｎ ｗｅｌｌ ｒｅａｌｉｚｅ ｔｈｅ ｃｏｏｒｄｉｎａｔｅｄ ｔｒａｃｋｉｎｇ ｃｏｎｔｒｏｌ ｏｆ ｆｏｕｒ ＡＧＣ ｃｙｌｉｎｄｅｒ ｏｆ ｔｈｅ ｆｕｌｌ ｈｙｄｒａｕｌｉｃ ｓｔｒａｉｇｈｔｅｎｉｎｇ ｍａｃｈｉｎｅ． Ｋｅｙｗｏｒｄｓ Ｆｕｌｌ ｈｙｄｒａｕｌｉｃ ｓｔｒａｉｇｈｔｅｎｉｎｇ ｍａｃｈｉｎｅ； Ａｄｊａｃｅｎｔ ｃｏｕｐｌｉｎｇ ｃｏｎｔｒｏｌ； Ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； Ｃｏｏｐｅｒａｔｉｖｅ ｃｏｎｔｒｏｌ ０ 前言 所研究的电液伺服系统为具有四自由度耦合特点 的多变量控制系统， ４ 个电液伺服控制回路， 完成分 为入口侧同步的前后倾斜、 左右两侧的液压缸同步的 左右倾斜及四缸同步动作。 电液伺服控制系统是一个 典型的高频非线性、 欠阻尼的控制系统， 在设计存在 耦合作用的多回路的协同控制来实现协同控制的精度 时面临实际的难度［１］。 文中采用偏差耦合控制结构［２］， 研究多回路电液 伺服协同控制。 不改变各单回路位移控制闭环的情 况， 把单回路的跟踪误差作为各回路的耦合误差补偿 值来减小耦合误差。 系统采用模糊神经网络设计耦合 误差补偿器［３］， 该算法不依赖被控对象精确数学模 型， 具有良好的模糊推理能力和网络参数自适应学习 能力， 及无限逼近任意非线性函数的特点。 依据控制 理论， 设计耦合误差补偿器的控制方案提高协同精度 的本质是将系统的耦合误差开环控制改进成闭环控 制［４］。 １ 系统分析与建模 １􀆱 １ 中厚板全液压矫直机 全液压矫直机是一种新型、 高精度的现代化冶金 设备， 在冶金行业中具有十分重要的地位［５］。 中厚板 轧制过程和后期的冷却时间中会出现瓢曲和波浪的不 足， 矫直机对于实现中厚板的平直度和消除引起中厚 板不足的残余应力有实际的生产效果， 就需要在线进 行板材的矫直。 如 图 １ 所 示， 为 已 获 得 国 家 发 明 专 利 （ＺＡ２００９１００７３６５５􀆱 ０） 的新型结构的全液压矫直机结 构图。 图 １ 全液压矫直机结构图 １􀆱 ２ 系统数学模型的建立 全液压矫直机整个液压压下过程中， ４ 个 ＡＧＣ 液压缸的受力基本相同， 因此只分析其中一个阀控缸 系统。 如图 ２ 所示， 为矫直机阀控缸系统原理图。 图 ２ 阀控缸原理图 图 ２ 是矫直机阀控缸系统原理图。 该系统是四通 对称阀控制非对称缸的模型。 图中 ｑ１是阀进入缸无杆腔的流量； ｑ２是有杆 腔的流量； ｐ１是无杆腔的压力； ｐ２是有杆腔的压 力； ｐｓ是系统压力； Ｂｖ是等效阻尼系数； ｙ 是缸柱 塞的行程； ｍ 是运动物体总质量； Ｋｖ是等效弹簧刚 度。 １􀆱 ２􀆱 １ 液压缸的负载与力方程 运用牛顿第二定律计算出 ｍ ｙ ．． ＝ ｐ １Ａｈ － Ｄ Ｌｙ － Ｆ Ｉ （１） 其中 Ａｈ为柱塞有效作用面积； ＤＬ为黏阻系数； ＦＩ 为活塞杆上的力。 把式 （１） 拉氏变换 （ｍｓ２ ＋ Ｄ Ｌｓ）Ｙ（ｓ） ＝ ｐ１（ｓ）Ａｈ － Ｆ Ｉ （２） １􀆱 ２􀆱 ２ 流量连续性方程 根据液压系统流体的特性， 装载阀块时， 应该取 和液压缸就近原则， 把阀块装载在缸的内壁， 能够得 到稳定的伺服系统动态特性。 在工况情况下， 油温、 体积和弹性模量的数值可看做是常数， 可得到简化后 的流量连续方程 ｑ１ ＝ Ａ ｈｙ ＋ Ｖｃ βｅｐ １ （３） 其中 βｅ 为油液有效体积弹性模量； Ｖｃ为缸及管道 的容腔容积。 由拉氏变换得 Ｑ（ｓ） ＝ ＡｈＹ（ｓ）ｓ ＋ Ｖｃ βｅｐ １（ｓ）ｓ （４） １􀆱 ２􀆱 ３ 液压阀环节特性 由生产现场工艺要求和元件性能， 选择伺服阀 （４ＷＲＴＥ３５⁃１０００Ｌ）， 该阀的额定参数 （ｐ ＝ １ ＭＰａ、 Ｑ＝１ ０００ Ｌ／ ｍｉｎ、 ω＝１５～３０ Ｈｚ） 用式 （５） 描述阀的 动态性能 Ｇｖ（ｓ） ＝ ＫｃＫｉｑ （Ｌｓ ＋ Ｒ）（ｍｖｓ２ ＋ Ｂ ｖｓ ＋ Ｋｖ） （５） 式中 Ｋｃ为阀电磁铁电导； Ｋｉｑ为阀电流增益； Ｌ 为 阀电磁线圈电感； ｍｖ为阀芯等效质量； Ｒ 为阀电磁 线圈电阻。 由给定阀参数， 该阀近似 １ 阶环节 Ｇｖ（ｓ） ＝ ＫｃＫｉｑ （Ｌｓ ＋ Ｒ） （６） 阀控缸系统的传递函数 Φ（ｓ） Φ（ｓ） ＝ Ｋｖ （Ｌｓ ＋ Ｒ）ｓ ｓ２ ω２ ｈ ＋ ２ζｈｓ ωｈ ＋ ６５ ８１ （７） 式中 ζｈ为液压阻尼比； ωｈ为液压固有频率。 ２ 控制策略及实现 耦合误差由各单回路的位移误差耦合而成的， 是 最终的协同精度指标［６］。 偏差耦合控制理论是某一单 回路的控制量实际值和其他单回路的控制量实际值分 别做差， 把偏差累加以作为该回路控制量设定值的补 偿量， 以补偿各单回路之间控制量。 在该研究中， 单 回路的耦合误差补偿信号的分配采用模糊神经网络控 制器。 如图 ３ 所示， 为偏差耦合协同控制系统结构图， 该结构图描述了四路电液伺服协同控制系统的工作原 理。 图中 Ｘｉ为位移设定值； Ｙｉ为位移反馈值； ｅｉ 为跟踪误差； Ｕｉ为位移控制器输出值； εｉｎ为耦合误 差； ΔＵｉ为耦合误差补偿器输出值。 在此 第 ｉ 路阀 控缸系统用 ｉ 表示， １≤ｉ≤ｎ， ｎ＝４。 ７４第 ２３ 期朱士伟 等 全液压矫直机电液伺服协同控制研究 图 ３ 偏差耦合协同控制系统结构图 文中基于偏差耦合控制结构， 以全液压矫直机作 为被控对象， 对四路电液伺服系统的协同控制性能进 行研究［７］。 为了实现控制四路位移控制， 提出四路位 移控制的偏差闭环控制方案， 即在位移控制的基础 上， 增加偏差闭环控制， 将经过偏差闭环调节后的位 移值对应的控制信号直接叠加在伺服阀控制信号上， 对闭环系统进行扰动补偿。 由于实现控制任意回路位 移协同控制的信号取自闭环外， 所以不影响系统的闭 环特征方程式， 主要用于在不影响系统动态性能的前 提下提高了系统的稳态精度。 ２􀆱 １ 耦合误差计算实现 文中的阀控缸系统中各回路位移为 Ｙ１， Ｙ２， Ｙ３， ， Ｙｉ， ， Ｙｎ， 跟踪误差 ｅｉ在第 ｉ 回路可表达为 ｅｉ ＝ Ｘ ｉ － Ｙ ｉ （８） 由偏差耦合控制理论可知， 设定第 ｉ 路阀控缸系 统与系统中其他回路阀控缸系统耦合误差分别为 εｉ１εｉｉ－１， εｉｉ＋１，， εｉｎ。 则 εｉ１＝ （Ｘｉ － Ｘ １） － （Ｙｉ － Ｙ １ ） ＝ （Ｘｉ － Ｙ ｉ） － （Ｘ１ － Ｙ １） ＝ ｅｉ － ｅ １ εｉｉ－１＝ （Ｘｉ － Ｘ ｉ－１） － （Ｙｉ － Ｙ ｉ－１ ） ＝ （Ｘｉ － Ｙ ｉ） － （Ｘｉ－１ － Ｙ ｉ－１） εｉｉ＋１＝ （Ｘｉ － Ｘ ｉ＋１） － （Ｙｉ － Ｙ ｉ＋１ ） ＝ （Ｘｉ － Ｙ ｉ） － （Ｘｉ＋１ － Ｙ ｉ＋１） εｉｎ＝ （Ｘｉ － Ｘ ｎ） － （Ｙｉ － Ｙ ｎ ） ＝ （Ｘｉ － Ｙ ｉ） － （Ｘｎ － Ｙ ｎ） １ ≤ ｉ ≤ ｎ， ｎ ＝ ４（９） 当控制系统为 ｎ 路阀控缸系统时， 每路阀控缸系 统必须包括 １ 个跟踪误差控制器和 ｎ－１ 个耦合误差 补偿器， 共有 ｎ２个控制器。 为实现各回路位移保持 协同运动， 须保证各回路的跟踪误差和耦合误差稳定 收敛 ｌｉｍ ｔ→∞ ｅｉ（ｔ） ＝ ｌｉｍ ｔ→∞ ｅｉ［Ｘｉ（ｔ） － Ｙｉ（ｔ）］ ＝ ０ ｌｉｍ ｔ→∞ εｉｎ（ｔ） ＝ ｌｉｍ ｔ→∞ ［（Ｘｉ（ｔ） － Ｘｎ（ｔ）） － （Ｙｉ（ｔ） － Ｙｎ（ｔ））］ ＝ ｌｉｍ ｔ→∞ ［（Ｘｉ（ｔ） － Ｙｉ（ｔ）） － （Ｘｎ（ｔ） － Ｙｎ（ｔ））］ ＝ ０ １ ≤ ｉ ≤ ｎ， ｎ ＝ ４（１０） ２􀆱 ２ 耦合误差补偿器 由液压系统的特点， 考虑到模糊神经网络具有较 好的非线性逼近的特性和推理能力， 并且在参数学习 方面是该研究所要求的［８－９］， 采用模糊神经网络来实 现误差补偿信息。 如图 ４ 为 １＃阀控缸系统耦合误差 补偿器结构图。 图 ４ １＃阀控缸系统耦合误差补偿器结构图 为简化叙述只分析图 ４ 中的一个闭环， 设计了基 于模糊神经网络原理构成的耦合误差补偿器， 同时位 移控制器也是基于模糊神经网络理论而设计的。 模糊神经网络具有模糊逻辑控制和神经网络的共 同优点［１０］。 采用如图 ５ 所示的 ２ 输入 １ 输出的模糊 神经网络控制结构。 图 ５ 模糊神经网络控制器结构模型 ８４机床与液压第 ４２ 卷 各层之间的关系如下 第 １ 层是输入层 输入量的分量 ε、 Δε 作为各 节点的值。 该层的节点数 ２ 个。 Ｘ＝ ［ε， Δε］ Ｔ （１１） 第 ２ 层是模糊化层 该层确定各输入量的隶属 函数度。 设 μｋ Ａｉ为由输入 ｘｉ推出输入第 ｋ 条规则的 概率； ａｋ ｉ 为隶属函数的中心； σｋ ｉ 为隶属函数的宽 度。 μｋ Ａｉ ＝ ｅｘｐ － （ｘｉ － ａ ｋ ｉ） ２ （σｋ ｉ） ２ （１２） 第 ３ 层是规则层 由积极运算神经元 ｇｋ和消极 运算神经元 ｈｋ为一条规则。 消极运算神经元 ｈｋ是把 输入信号映射到最坏的输出； 积极运算神经元是把输 入信号映射到最好的输出。 两运算神经元为 ｇｋ＝∏ ｎ ｉ ＝ １ μｋ Ａｉ（ｘｉ）， ｈ ｋ ＝ ∏ ｎ ｉ ＝ １ μｋ Ａｉ（ｘｉ） [] １ ｎ （１３） 第 ４ 层是补偿运算层 该层神经元 Ｑｋ是为了根 据最坏输出和最好输出规划出折中的方案来实现实际 的输出。 ＱＫ ＝ （ｕ ｋ）１－ｒ（νｋ）ｒ ＝ ∏μ ｋ Ａｉ（ｘｉ） [] １－ｒ＋ ｒ ｎ ， ０ ≤ｒ≤１ （１４） 第 ５ 层为反模糊化层 该层计算控制器的输出 ΔＵｉｎ。 反模糊化函数计算补偿运算层的模糊语言变量 得出输出值 ΔＵｉｎ， ｑｋ为输出隶属函数的中心。 输出 的隶属函数和反模糊函数 μＱＫ（ｙ） ＝ ｅｘｐ － （ｙ － ｑｋ） ２ （δｋ） ２ ， ΔＵｉｎ＝ ∑ ｍ ｋ ＝ １ ｑｋδｋＱｋ ∑ ｍ ｋ ＝ １ δｋＱｋ （１５） 自学习算法 文章采用梯度下降法。 利用负梯度 方向来决定每次迭代的新的搜索方向， 使得每次迭代 能使待优化的目标函数逐步减小。 ３ 实验结果分析 所有的实验均在重型机械教育部工程研究中心为 浙江某钢铁公司 ４ ３００ ｍｍ 中厚板生产线设计的 ３ ２００ ｔ 的全液压矫直机上完成。 根据矫直机的实际工艺要 求， 有 ３ 种动作状态 如图 ６ 所示为 ４ 个 ＡＧＣ 伺服液压缸简图。 要获 得理想的矫直效果， 需将全液压矫直机 ４ 个 ＡＧＣ 液 压缸工艺动作进行组合， 主要有 ３ 种 ＡＧＣ 液压缸动 作组合。 图 ６ ４ 个 ＡＧＣ 伺服液压缸简图 ３􀆱 １ 前后倾斜／ 左右倾斜动作状态 （１） 前后倾斜动作同步分为 １＃和 ４＃同步， ２＃ 和 ３＃同步， 即 Ｘ１ ＝Ｘ ４， Ｘ２ ＝Ｘ ３。 （２） 左右倾斜动作同步分为 １＃和 ２＃同步， ３＃ 和 ４＃同步， 即 Ｘ１ ＝Ｘ ２， Ｘ３ ＝Ｘ ４。 倾斜动作状态只给 出了左右倾斜动作的实验结果图例。 如图 ７ 所示为 ＡＧＣ 缸左右倾斜工艺下的跟随曲 线图。 其中， 图 ７ （ａ） 无偏差耦合控制， 图 ７ （ｂ） 偏差耦合控制。 图 ７ ＡＧＣ 缸左右倾斜工艺下的跟随曲线图 ３􀆱 ２ 整体动作状态 四缸整体压下动作 １＃、 ２＃、 ３＃和 ４＃同步， 即 Ｘ１ ＝Ｘ ２ ＝Ｘ ３ ＝Ｘ ４。 如图 ８ 所示为 ＡＧＣ 四缸同步跟随曲线。 其中， 图 ８ （ａ） 无偏差耦合控制， 图 ８ （ｂ） 相偏差合控 制。 文中实验分别采用无偏差耦合补偿和有偏差耦合 补偿两种不同的控制策略， 针对上述实例进行了实验 验证。 ９４第 ２３ 期朱士伟 等 全液压矫直机电液伺服协同控制研究 图 ８ ＡＧＣ 四缸同步跟随曲线 ４ 结束语 提出的耦合误差计算方法， 与基于模糊神经网络 和偏差耦合控制结构相结合的控制方案， 研究了对影 响系统协同性能的耦合误差的补偿， 可以有效地补偿 在中厚板矫直机动作中存在的位移协同误差， 提高中 厚板的矫直精度。 经过两种控制方案实验曲线的分析 比较， 得知相对于无偏差耦合控制的四路阀控缸系 统， 采用基于模糊神经网络算法的偏差耦合控制结构 时， 系统的控制特性表现在稳态性能高， 响应快， 抗 干扰性能增强， 实现了很好的控制效果， 验证了基于 模糊神经网络算法的偏差耦合控制结构， 在实际的四 路阀控缸协同控制系统中实现了良好的控制效果。 参考文献 ［１］ ＨＯＬＭＥＳ Ｄ Ｇ，ＬＩＰＯ Ｔ Ａ．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ａ Ｃｏｎｔｒｏｌｌｅｄ Ｒｅｃｔｉｆｉｅｒ ＵｓｉｎｇＡＣ⁃ＡＣ Ｍａｔｒｉｘ Ｃｏｎｖｅｒｔｅｒ Ｔｈｅｏｒｙ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．Ｐｏｗｅｒ Ｅｌｅｃｔｒｏｎ，１９９２，７（１）２４０－２５０． ［２］ ＳＨＩＨ Ｙ Ｔ，ＣＨＥＮ Ｃ Ｓ，ＬＥＥ Ａ Ｃ．Ａ Ｎｏｖｅｌ Ｃｒｏｓｓ⁃ｃｏｕｐｌｉｎｇ Ｃｏｎｔｒｏｌ Ｄｅｓｉｇｎ ｆｏｒ Ｂｉ⁃ａｘｉｓ Ｍｏｔｉｏｎ［Ｊ］．Ｉｎｔ Ｊ ｏｆ Ｍａｃｈｉｎｅ Ｔｏｏｌ ａｎｄ Ｍａｎｕｆａｃｔｕｒｅ，２００２，４２（１）１５３９－１５４８． ［３］ 肖本贤，郭福权，王群京，等．基于模糊神经网络的轮廓 误差附加补偿控制研究［Ｊ］．系统仿真学报，２００３，１５ （１２）１７３３－１７３６． ［４］ 张承慧，石庆升，程金，等．一种多电机同步传动模糊神 经网络控制器的设计［Ｊ］．控制与决策，２００７，２２（１）３０－ ３４． ［５］ 李宏杰，黄庆学，琚长江，等．全液压十一辊矫直机的多 嵌入式协同控制系统［Ｊ］．塑性工程学报，２０１３，２０（２） ７３－７７． ［６］ 邢宗义，张媛，侯远龙，等．电液伺服系统的建模方法研 究与应用［Ｊ］．系统仿真学报，２００９，２１（６）１７１９－１７２５． ［７］ 曹春平，王波，胥小勇，等．基于神经网络多电机偏差耦 合同步控制研究［Ｊ］．控制工程，２０１３，２０（３）４１５－４１８． ［８］ ＰＥＲＥＺ⁃ＰＩＮＡＬ，Ｆ Ｊ，ＣＡＬＤＥＲＯＮ Ｇ，ＡＲＡＵＪＯ⁃ＶＡＲＧＡＳ Ｉ． Ｒｅｌａｔｉｖｅ Ｃｏｕｐｌｉｎｇ Ｓｔｒａｔｅｇｙ［Ｃ］．ＩＥＭＤＣ’０３．ＩＥＥＥ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ，Ｅｌｅｃｔｒｉｃ Ｍａｃｈｉｎｅｓ ａｎｄ Ｄｒｉｖｅｓ Ｃｏｎｆｅｒｅｎｃｅ，２００３，２ １１６２－１１６６． ［９］ 黄镇海，王桂荣，刘芳璇．多通道液压伺服系统的同步设 计［Ｊ］．机床与液压，２０１２，４０（１１） ２９－３１． ［１０］ 顾德英，吴成赛，侯娇．基于补偿模糊神经网络的 ＢＬＤ⁃ ＣＭ 伺服控制［Ｊ］．东北大学学报自然科学版，２０１３，３４ （１）１３－１６． （上接第 ４ 页） ４ 结束语 利用相关性分析， 找出与主轴热漂移关联性最大 的最优敏感测点， 极大地减少了温度测点的数量， 避 免了繁琐的测量过程。 通过基于模拟退火遗传算法优 化 ＢＰ 神经网络进行热误差建模， 根据测得的温度 值， 建立预测模型。 与传统单一的 ＢＰ 神经网络模型 进行比较， 文中建模的残差较小， 表明基于 ＧＳＡ 优 化的 ＢＰ 网络热误差模型的精度更高鲁棒性更强。 参考文献 ［１］ ＫＯＮＯ Ｄａｉｓｕｋｅ，ＭＡＴＳＵＢＡＲＡ Ａｔｓｕｓｈｉ，ＹＡＭＡＪＩ Ｉｗａｏ，ｅｔ ａｌ．Ｈｉｇｈ⁃ｐｒｅｃｉｓｉｏｎ Ｍａｃｈｉｎｉｎｇ ｂｙ Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｃｏｍｐｅｔｉ⁃ ｔｉｏｎ ｏｆ Ｍｏｔｉｏｎ Ｅｒｒｏｒ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｔｏｏｌｓ ａｎｄ Ｍａｎｕｆａｃｔｕｒｅｒ，２００８，４８（１０）１１０３－１１１０． ［２］ ＺＨＡＮＧ Ｙｉ，ＹＡＮＧ Ｊｉａｎｇｕｏ． Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｍａｃｈｉｎｅ Ｔｏｏｌ Ｔｈｅｒｍａｌ Ｅｒｒｏ Ｂａｓｅｄ ｏｎ Ｇｒｅｙ Ｍｏｄｅｌ Ｐｒｅｐｒｏｃｅｓｓｉｎｇ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１１，４７ （７）１３４－１３９． ［３］ 吕琼帅，王世卿．基于遗传模拟退火算法优化的 ＢＰ 神经 网络［Ｊ］．计算机与现代化，２０１１，２６（６）９１－９４． ［４］ 黄洪钟，赵正佳，姚新胜，等．遗传算法原理、实现及其在 机械工程中的应用研究与展望［Ｊ］．机械设计（设计理论 与方法），２０００（３）１－５． ［５］ 王慧琳，胡树根，王耘．基于模拟退火遗传算法优化的 ＢＰ 网络在质量预测中的应用［Ｊ］．轻工机械，２０１１，２９ （４）２６－３５． ［６］ 王秀山，杨建国，余永昌，等．双转台五轴数控机床热误 差建模、检测及补偿实验研究［Ｊ］．中国机械工程，２００９， ２０（４）４０５－４０８． ［７］ 张志勇，精通 ＭＡＴＬＡＢ６．５ 版［Ｍ］．北京北京航空航天 大学出版社，２００４． ［８］ 任小洪，徐卫东，刘立新，等．基于遗传算法优化 ＢＰ 神经 网络的数控机床热误差补偿［Ｊ］．制造业自动化，２０１１， ３３（５）４１－４３． ［９］ 刘月娥，何东健，李峥嵘．一种用于 ＢＰ 网络优化的并行 模拟退火遗传算法［Ｊ］． 计算机应用，２００６，２６（１） ２０４－２０６． ［１０］ 侯媛彬，杜京义，汪梅．神经网络［Ｍ］．西安西安电子 科技大学出版社，２００７． ０５机床与液压第 ４２ 卷