基于神经网络参考模型自适应控制在数控机床中的应用研究

1、2010年11月文章编号：10026673（2010）0616503机电产品开发与创新DevelopmentInnovationofMachineryElectricalProductsVol23,No6·数控机床世界Nov,2010·基于神经网络参考模型自适应控制在数控机床中的应用研究张建国（漳州职业技术学院电子工程系，福建漳州363000）摘要：提出一种采用神经网络参考模型自适应控制在数控机床伺服系统的应用方案，实现数控机床伺服系统的自适应控制，使系统具有更强的鲁棒性和容错性。使数控机床实现了快速、精密的位置控制。仿真结果表明，该系统具有较好的鲁棒性和抗干扰性及跟踪性能

2、。关键词：神经网络；参考模型自适应；数控机床；位置伺服中图分类号：TP393.09文献标识码：ABasedonNeuralNetworkReferenceModelAdaptiveControlinNumerically-controlledMachineToolServer'sAppliedResearchZHANGJian-Guo(ZhangzhouProfessionalTechnologyInstituteElectronEngineeringDepartment，ZhangzhouFujian363000，China）Abstract:Proposedthatonekindu

3、sestheneuralnetworkreferencemodeladaptivecontrolinthenumerically-controlledmachinetoolserver'sapplicationplan,realizesthenumerically-controlledmachinetoolserver'sadaptivecontrol,enablesthesystemtohaveastrongerro-bustnessandthefaulttolerance.Causedthenumerically-controlledmachinetooltorealize

4、fast,theprecisepositioncontrol.Thesimulationresultindicatedthatthissystemhasthegoodrobustnessandtheanti-jammingandthetrackperformance.Keywords:neuralnetwork；thereferencemodelisauto-adapted；numerically-controlledmachinetool；positionservo0引言近十几年来,神经网络在控制领域中的研究已取得了很大进展。神经网络能够通过自身的学习过程了解系统的结构、参数、不确定性和非线

5、性性，并给出系统所需的控制规律，由神经网络构成的控制器具有良好的调节能力和很强的鲁棒性。神经网络应用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进行的。由于神经网络的以上特性使采用神经网络的控制系统具有更强的适应性和鲁棒性。通常神经网络在控制系统中充当系统的模型、构成系统的控制结构，直接用作控制器，或在控制系统中起优化计算的作用。BP网络是目前应用最为广泛的一种神经网络模型。可将BP网络用于模型参考自适应控收稿日期：20100906作者简介：张建国（1963-），男，大学本科，漳州职业技术学院电子工程系副主任、副教授。专业领域是电子技术、自动化技术及计算机应用的教学和科研。制中，克服

6、传统模型参考自适应控制算法的不足。模型参考自适应系统是一类重要的自适应控制系统。它的特点是不需要进行性能指标的变换，实现容易，自适应速度快，在许多领域得到了应用。文中的参考模型实际上就是一个理想的控制系统。在参考自适应控制系统中，有关自适应律的设计方法种类繁多，主要是围绕稳定性、容易实现这两个方面来进行。笔者是将神经网络和传统的控制规律结合起来，用BP网络实现自适应律。自适应律实质上实现的是一种由误差向量到前置控制器参数向量的非线性映射，而具有隐含层的BP网络能够逼近任意复杂的非线性函数。仿真结果表明，这种方法有一定的效果。1数控机床神经网络自适应控制数控机床闭环控制系统带有一个位置和速度反馈

7、环，由于反馈环的存在，系统可以检测到实际位置和速度与指定值之间的误差，通过调整，使机床的运动按指定的数据进行，对于外界条件的变化所引起的扰动，或系统参数的改变，系统能够进行相应的补偿，但是，这165·数控机床世界·种补偿是很有限的，当外界扰动很大或系统参数变化激烈时，一般的反馈系统就不能正常工作，此时必须采用自适应控制。一典型的模型参考自适应控制系统如图1所示。参考模型Vin自适应控制r前置控制器V觶e提供了一个自适被控对像应反馈环，它不反馈控制器是测量直接控制变量（位置和速自适应控制器度），而是测量过神应经控网制络器自机适构程变量，即测量图1模型参考（神经网络）自适应控制

8、对系统最终切削系统性能有影响的工作状态和系统参量变化的信息，如零件-刀具间隙、材料特性变化、刀具变形等。这些数据经自适应控制器的处理，用来调整系统的参数或改变加工特性，使系统始终保持所要求的工作能力。因此自适应系统可以“适应”外界条件和系统参量的大范围变化，使系统发挥最好的工作效能。自适应控制的特点是在不能预知的随机变化过程中，针对给出的运行指标（评价函数）连续地监测系统的运行状态，并以闭环方式自动校正系统的可调参数，使系统达到最佳状态。模型参考自适应系统是一类重要的自适应控制系统。它的特点是不需要进行性能指标的变换，实现容易，自适应速度快，在许多领域得到了应用。把模型参考自适应系统应用于数控

9、机床自适应控制，如图2所要求输出实际输出示，使系统的模型输入同时加到主反馈链上和自适应控制器系统扰动模型上，模型输入输出的输出设置为控制元件控制系统所要求的最佳图2模型参考自适应控制系统响应，如果在实际的和要求的变量间存在差异，则在比较器中产生误差信号，通过自适应控制器，以预定的方式起作用，调整控制元件，力图达到最佳控制。由于神经器网络具有强鲁棒性、容错性、并行处理和自学习等特点，在解决非线性和不确定系统控制方面具有很大潜力。神经网络应用于数控机床伺服系统统设计主要是针对系统的非线性、不确定性和复杂性进行的。由于神经网络的以上特性使采用神经网络的控制系统具有更强的适应性和鲁棒性。通常神经网络在

10、控制系统中充当系统的模型、构成系统的控制结构，直接用作166控制器，或在控制系统中起优化计算的作用。将神经网络和模型参考自适应控制规律结合起来，用BP神经网络实现自适应律。自适应律实质上实现的是一种由误差向量到前置控制器参数向量的非线性映射，而具有隐含层的单神经元能够逼近任意复杂的非线性函数。数控机床的运动控制可用实时计算机控制系统来实现，要求实现对目标设定值迅速、精确地跟踪。为了达到较高的控制品质(鲁棒性、稳定性、自动扰动补偿、高跟踪精度)，采用了神经网络参考模型自适应控制方案，来实现数控机床的自适应控制。2BP神经网络结构及算法如图2所示为模型参考神经网络自适应控制系统结构。其中，神经网络

11、自适应控制器为是含有个输入层、一个隐层和一个输出层的BP网络。BP网络拓扑结构如图3所示。BP神经网络（误差反向传播BackPropagation），是一种有隐含层的多层前馈网络，如果把具有M个输入节点和L个输出节点的BP神经网络看成是从M维欧氏空间到L维欧氏空间的非线性映射，则对于具有一定非线性因数的工业过程被控对象，采用BP网络来描述，不失为一种好的选择。在BP神经网络中的神经元多采用S型函数作为活化函数，利用其连续可导性，便于引入最小二乘（LeastMeanSquaresLMS）学习算法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正连接强度（加权系数），以期使误差均方

12、值最小。BP神经网络的学习过程可分为前向网络计算和反向误差传播连接加权系数修正两个部分，这两个部分是相继连续反复进行的，直至误差满足要求。不论学习过程是否已经结束，只要在网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通过每一层时要根据当时的连接加权系数和节点的活化函数与阈值进行相应计算，所得的输出再继续向下一层传输。这个前向网络计算过程，既是网络学习过程的一部分，也是将来网络的工作模式。在学习过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，则转入反向传播，将误差隐含层1沿着原来的X1jk连接通路回输输入出送，作为修层X2层改加权系数XM的依据，目ML标是使误差q减小。图

13、3BP网络示意图·数控机床世界·ym（y）ym（y）11（a）kr=V（1,0.01）时传统方法跟踪曲线3系统仿真仿真实验系统结构如图4所示。其中，R（S）为单位阶跃输入，Kr是受环境和干扰影响的唯一未知漂移增益，符号已知，假定为正。为了补偿对象的增益漂移，系统设置了一个可调增益参数Kr并假定Kr为服从正态分布的白噪声。仿真结果：当Kr=N（1，0.01）时，两系统的跟踪曲线如图5（a），（b）；当Kr=N（1，0.03）时，两系统的跟踪曲线如图5（c），（d）；当Kr的方差继续增大时，两系统均难以稳定（图中：表示参考模型响应Ym；表示被控对象响应Y）。由图5可知，在系统其

14、它部分结构相同的条件下，自适应律为神经网络的模型参考神经网络自适应控制系统具有更好的跟踪特性、稳定性和抗干扰性。这主要是1S+1R（s）KrK1S+1YmE（s）Ytt（b）kr=V（1,0.01）时采用神经网络自适应律的跟踪曲线ym（y）1ym（y）1（c）kr=V（1,0.03）时传统方法跟踪曲线tt（d）kr=V（1,0.03）时采用神经网络自适应律的跟踪曲线图5仿真结果4结论从仿真结果表明:神经网络参考模型自适应控制运用于数控机床伺服系统的控制，提高了控制性能，实现快速跟踪和精确定位。并且使数控机床实现自适应控制，获得了较高的控制品质（鲁棒性、稳定性、自动扰动补偿、高跟踪精度）等，所以

15、有着十分广阔的应用前景。参考文献：1谭永红.基于BP神经网络的自适应控制J.北京:控制理论与应用,1999，11.神经网络自适应控制器2冯勇,等.现代计算机数控系统M.北京:机械工业出版社,1999.3何玉彬.神经网络控制技术及其应用M.北京:科学出版社,2000.4靳蕃.神经网络与神经计算机M.成都:西南交通大学出版社,l9915杨德.基于神经网络的模型参考自适应控制J.北京:电子科技,2005,5.6张建国.神经网络在气动机械手控制器中的应用J.广州:机电工程技术,2008,8.图4仿真买验系统图因为：传统模型参考自适应控制系统的自适应律一般均含有积分环节，容易引起系统不稳定；而神经网络具

16、有很强的鲁棒性和容错性。7张建国.预测控制在数控机床伺服系统中的应用研究J.北京:制造技术与机床,2009,4.（上接第180页）才建立良好的发展空间。重视引进人员的新思路，新意识及工作热情，积极配合建立健全科研环境，协调组织科研团队，从政策导向和财力支持上给予适当倾斜，鼓励其带动本校原有教师及青年教师，从而较快建立起科研团队，提高科研水平。其次，还要重视本校原有教师及青年教师的培养。以培养应用型人才为导向，为其建立广泛的科研实践条件，通过加强青年教师的社会实践活动，提高他们的实践能力；广泛开展产学研，使教师有更多机会参与到科学实践中去，使他们在实践中成长，在实践中提高。要以政策上和资金上多方面支持、鼓励教师申请和参与横向和纵向科研课题，使科研和生产力实现转化并相互促进。只有教师真正的融入到科研实践中去，才能真正培养出更好的应用型人才。3结束语应用型本科院