基于模糊RBF神经网络的柴油机电液调速系统研究.doc

基于模糊RBF神经网络的柴油机电液调速系统研究

摘要：采用模糊RBF神经网络对柴油机油门执行器位置进行控制，介绍了电液调速执行器的动态特性，设计了电液调速控制回路，本文将一种基于模糊RBF神经网络的PID控制器应用于柴油机调速控制当中，详细说明了模糊RBF神经网络控制器的设计过程，它结合了传统PID以及神经网络和模糊控制的优点，可以在线调整得到一组最优的PID控制参数。仿真结果表明该系统比传统模糊控制的响应速度快、超调小，且适应性强，具有推广价值。
关键词：模糊控制 RBF神经网络 柴油机 电液调速

The Research on RBF Fuzzy Neural Network of Electro-hydraulic Speed Governor System for Diesel Engine

Abstract: Serve-control of accelerator position for an electro-hydraulic speed governor of automotive diesel engine was studied base on RBF Fuzzy Neural Network control theory,The accelerator position for an electro-hydraulic speed governor of automotive diesel engine are introduced and its control loop are designed,at last. This article presents a controller which is based on Fuzzy Neural Networks and PID control in accelerator position for an electro-hydraulic speed governor.the design process of the RBF Fuzzy Neural Network control are introduced in detail. This controller which combines the advantages of the Fuzzy control and Neutral Networks control Can get the best PID parameters by self-adjustment on line． The simulation study proves that this control system has a better adaptability and can improve the control effect greatly
Key words：fuzzy control; RBF Fuzzy Neural Network; diesel engine; electro-hydraulic speed governor;

概述
为使车用柴油机满足日益严格的排放法规和要求更高的燃油经济性及动力性，需要实时优化柴油机的运转参数和进行控制，传统的机械式调速系统难以达到要求。
柴油机的速度特性中，扭矩曲线较平坦，扭矩适应性系数小，克服短期增加的外界阻力的能力差，即发动机无法稳定工作，一旦遇到阻力突然增加，转速便快速下降甚至熄火，而当外界阻力突然减小时，发动机转速又迅速增加，乃至“飞车”。具体的说，内燃机工作时，如内燃机的输出扭矩与外界的阻力矩(负荷)相等时，工作才能稳定。如阻力矩超过内燃机的扭矩时，转速将降低；反之则升高。为使工作机械稳定地工作就必须随着阻力地变化相应调节供油量，使发动机的扭矩与外界负荷相适应。由图1柴油机的速度特性可以看出，柴油机的扭矩曲线比较平坦。在柴油机运转时，如油量调节杆固定在某一位置，柴油机的扭矩就按速度特性变化，而外界负荷是经常变化的。如推土机在干湿不同、软硬不一的土壤中作业时，阻力矩就有明显的变化(见图1中的曲线)。如阻力矩有较小的变化()，将引起转速较大的变化()，柴油机的工作是不稳定的。如果要人为的控制供油量来适应外界负荷的变化，这不仅使司机疲劳，而且也难以保持转速的稳定。
调速器就是实现上述目的的自动调节装置。当外界负荷变化时，它能随着负荷的变化自动调节供油量，使柴油机的稳定转速在一定的转速范围内。

图1 柴油机速度特性

另一方面，本文采用基于模糊RBF神经网络整定的PID控制策略。模糊控制与神经网络控制是近年来发展速度较快的控制方法，这两种方法都不依赖与控制对象的精确数学模型，且具有良好的控制效果和抗干扰性。但模糊系统的模糊规则和隶属函数等设计参数只能依靠经验来选择，很难自动设计和调整，因而缺乏自学习性与适应性。而神经网络控制虽然具有较强的适应和学习功能，但不具备处理不确定信息的功能。模糊神经网络控制结合了模糊控制与神经网络控制的优点，用神经网络来构造模糊系统，即利用神经网络的学习方法，根据输入输出样本来自动设计和调整模糊系统的设计参数，这种控制器不仅可以在线调整PID的kp，ki，kd 参数，而且可以通过自学习能力找到一组最优的控制器参数。

1 柴油机调速系统的动态特性
1.1 柴油机动态特性
根据现有柴油机辨识研究得到的成果，确定了柴油机模型的结构和阶次。柴油机可用一个简单的比例环节和一阶惯性环节描述，再考虑到柴油机扭矩脉冲响应延迟时间，其传递函数可表示如下：
G(s) =
T0—柴油机转速上升时间常数；β—柴油机的自调系数；τ0—柴油机扭矩脉冲延迟时间；
τ0—主要取决于柴油机的转速、气缸数及冲程数，可按下式估算：
对于车用6135型柴油机，额定转速在1800～2200RPM，油缸数为6，经计算，τ0不超过几十毫秒，与控制周期T相比要小的多，因此可以用一次式代替，即： =
经估算，柴油机传递函数可简化为：
G(s) =
1.2 执行机构动态特性
执行机构采用由高速开关阀控制的电液执行器，控制信号为脉宽调制方式。由于高速开关阀的开关动作很快，活塞和拉杆的质量又很轻，因此，这里的延迟可以忽略不计。所以由活塞和负载之间的力平衡条件可以得出阀控缸部分的传递函数为：
G(s) =
其中：ωn = ξn=
式中：A—无杆腔面积；—流量增益系数；Ci—油缸两腔间泄露系数；K—液压油体积弹性模量；V0—油缸控制腔初始容积；M—活塞及拉杆的总质量。
经估算得到执行机构的数学模型为：
G(s) =

2 柴油机调速回路设计

本系统中，调速器的控制结构选用转速、齿条位置双闭环结构，具体的控制回路如下图所示：
转速测量
柴油机

模糊控制器
神经自适应学习
喷油泵
执行器
油门
踏板位置
查MAP
经验计算
目标
齿条位置
_
+
齿条位置测量

图2 调速系统结构框图

电液调速器就其原理而言仍然属于油量调节控制系统。它是根据转速、油门踏板位置来调节喷油泵齿条位置，进而调节喷油量，从而实现转速的控制。本系统中，调速器的控制结构选用转速、齿条位置双闭环结构。之所以采用双闭环控制结构，是因为双闭环控制系统较之单闭环系统，可改善过程动态性能、提高系统控制质量、提高系统工作频率，并能迅速克服进入副回路的二次扰动、对负荷变化的适应性较强。
电液调速器利用转速传感器测出发动机的瞬时转速值，并将其与理想的转速范围作比较。一旦发现瞬时转速值超出或低于预定的转速范围，就将信号发送到电液调速系统的核心单位——单

开始

系统初始化

N
标志位=0? 等待

测量转速

A/D转换(油门)

Y
P16=1 n>=2250r/min?
P17=1
Y N

油门位置=0?

N
A/D转换(拉杆)

计算目标转速

计算偏差△n(k)

N
△n(k)>=30?

Y
计算目标齿条位置

模糊神经PID程序

调PWM程序

开T0中断

等待
图3 主程序流程图

片机中，由其计算出转速差值，并控制高速开关阀运作。通过对高速开关阀的控制来使活塞在液压缸内运动，从而使与活塞相连的齿条控制器与之一同运动，这样就可以达到调节油量从而调节转速的目的。关键问题在于，如何控制高速开关阀运作时间使齿条在转速已经被调节到理想转速范围内时停止运动，以防转速调节过甚。在这次设计中，我们采用了一个位移传感器，它时刻监测着齿条运动位移的大小，并将其反馈给单片机，由单片机比较齿条运动位移与预定运动位移，一旦到达预定运动位移，单片机发出信号给高速开关阀，高速开关阀停止工作，活塞带动齿条一起停止运动，转速稳定下来。其设计流程图如图3所示。

3 模糊RBF神经网络的结构

模糊RBF神经网络是由神经网络结构实现模糊控制的算法，其结构如图4所示。该网络由输入层、模糊化层、模糊推理层及输出层构成。网络输出为kp，ki，kd。

图4 RBF模糊神经网络结构

在此将模糊RBF神经网络中的信号传播和各层的功能表示如下：
第一层：输入层
输入层的各个节点直接与输入量的各个分量连接，将输入量传到下一层。对该层的每个节点i的输入输出表示为：
f1(i)=X=[x1, x2,…,xn]
第二层：模糊化层
采用高斯型函数作为隶属函数，cij和bij分别是第i个输入变量第j个模糊集合的隶属函数的均值和标准差。
f2(i,j)=exp
式中，i=l, 2，．．．, n；j=l, 2 ．．．，n。
第三层：模糊推理层
模糊推理层通过与模糊化层的连接来完成模糊规则的匹配，各个节点之间实现模糊运算，即通过各个节点的组合得到相应的点火强度。每个节点j的输出为该节点所有输入信号的乘积，即：
f3(i,j)=
式中，N=。
第四层：输出层
输出层输出f4为kp，ki，kd整定结果，该层由三个节点构成，即：
f4 (i)=w·f3=
式中，wij组成输出节点与第三层各节点的连接权矩阵i=1，2，3。
控制器为：

其中，
kp= f4(1)，ki= f4 (2)，kd= f4 (3)
xc(1)=e(k)
xc(2)=e(k)- e(k-1)
xc(3)==e(k)-2 e(k-1)+ e(k-2)
采用增量式PID控制算法：

采用Delta学习规则来修正可调参数，定义目标函数为：

式中，rin(k)和your(k)分别表示网络的实际输出和理想输出，每一个迭代步骤k的控制误差为rin(k)-your(k)。网络权值的学习算法如下：

式中，wj为网络输出节点与上一层各节点的连结权，j=1，2，…N，为学习速率。
若考虑动量因子，则输出层的权值为：

式中，k为网络的迭代步骤，为学习动量因子。

4 控制算法的实现
采用模糊RBF神经网络PID控制器的具体步骤：
(1) 网络初始化设定网络结构，每层的网络初始权值，网络的基宽向量，网络节点的中心矢量，学习速率及动量因子；
①确定模糊RBF神经网络结构，即选定输入层节点的数目n，模糊化层和模糊推理层的数目m，并给出各层权系数的初始值和、学习率、惯性系数；
②确定RBF辨识网络的输入节点及数目n、隐含数目m，并给出隐层节点的中心矢量Ci(0)、基宽带、参数的初值bj(0)、权系数初值wj(0)、学习率、惯性系数；k=1：
(2) 采样得到y(k)、r(k)，计算e(k)；
(3) 根据公式计算模糊RBF神经网络各层神经元的输入、输出；计算PID控制器的输出u(k)；并将u(k)送入控制对象及RBF辨识网络，产生控制对象的下一步输出y (k+1)；
(4) 根据公式计算RBF辨识网络各层神经的输入、输出，辨识网络的输出；
(5) 用公式修正辨识网络输出权系数、隐层点中心矢量、隐层点基宽参数；
(6) 修正模糊RBF神经网络权系数；
(7) 令k=k+l，返回(1)。继续进行。

5 系统仿真
在仿真过程中，模糊RBF神经网络的输入信号为两个，即控制系统的误差信号及RBF网络的辨识信号，针对每个输入取5个模糊集进行模糊化，即n=2，N=5，模糊RBF神经网络结构取2-5-5-3的形式，网络学习参数取=0.20，d=0.02，网络的初始权值及隶属函数参数初值通过试验得到。RBF辨识网络的结构取为3-6-1，它的三个输入信号为：，yout(k)，yout(k-1)。RBF模糊神经网络控制的柴油机位置执行器的仿真图如下图5~图6所示。（仿真中取系统的输入信号为阶跃信号，且为了验证其鲁棒性，在第300个采样时间时控制器输出加0.1的干扰）

图5 阶跃响应

图6 PID整定过程

6 结论
本文设计的RBF模糊神经网络柴油机位置执行器控制系统，过渡时间明显减少，稳态偏差和超调量较传统PID方法有明显的改善，通过加干扰可以看出其鲁棒性很强。这种控制器不仅具有神经网络的自学习和自适应能力，同时具备模糊逻辑处理模糊信息的优点，因此具有良好的抗干扰能力和适应能力。同时这种控制器结构简单，易于实现，而且结果精度较高，因此具有广泛的应用领域和应用价值。

参考文献

[1] 吴云洁,刘金琨,刘强．基于模糊RBF网络的伺服转台鲁棒控制[J]．系统仿真学报．2002,14(9):1232～1234
[2] 刘金琨．先进PID控制MATLAB仿真(第2版)[M]．北京:电子工业出版社,2003：94～209
[3] 张弓,张永相,邱容等．电控汽油机怠速模糊RBF神经网络控制[J]．四川工业学院学报．2004,23(1):44～46

8