负载感测系统之节能实验

1、6.1 负载感测系统之节能实验: 本实验的目的，在实现负在载感测系统的节能控制，希望负载感测控制器能跟随负载端压力变化，及时调整变量泵的供给压力。如图所示，给予负载感测阀(Load-sensing valve) 定电压0.3伏特讯号，使得负载感测缸(Load-sensing cylinder) 往前直进。将所量测到的负载感测泵的供给压力(Ps) 以及负载感测缸的负载端压力(Pa) 回授回负载传感器(Load-sensing controller)。负载感测控制器会根据Ps与Pa间的相对关系，调整负载感测泵的斜盘角度，以改变供给压力(Ps)。目的是希望负载感测泵的供给压力(Pa)能随着负载感测缸

2、的负载端压力(Pa) 的变化而调整，使着两者间的差值(Pd) 保持一预设的常数，亦即希望 Ps-Pa=constant。图则为负载感测控制器在Simulink 下的型态，此模糊滑动平面控制器的输出值为比例阀阀轴每次移动的相对移动量，所以需要一积分器或迭加器每一次的相对移动量累积起来。其所选取的滑动平面是=3e+e。本实验采用控制软件是以Mat lab/Simulink 搭配 dSPACE 之ControlDesk 所建立及时控制(Real time control) 介绍，图为此节能控制实验的窗口操作接口。本实验扫描频率取200Hz，油温变化约3040度之间，最大供给压力设为160bar 左右

3、，所预设的目标压差为30bar。第一次实验(图)时，在主缸前进行程时不加入外界干扰力。一开始因为负载感测阀突然瞬间变动，使得负载感测缸的负载力(Pa)急速累积，此时压差仍为不可控，到约0.9秒时，负载端压力(Pa)到某一平衡位置后，压差的控制才有明显的效果。约过1.4秒后，变量泵供给压力(Ps)与负载端压力(Pa)的差值，可维持在30bar 左右的差值，达到负载感测控制器设计的目的。第二次实验(图) 时，在主缸前进行程约3到5秒之间，对负载感测缸加入一外界干扰力约20bar。当负载端遇到外界干扰使得负载端压力(Pa)急速激增时，负载感测控制器也随时偶时调整负载感测泵的供给压力(Ps)。因此两者

4、间的压差(Pd) 仍然可以维持定值30bar左右。此实验证实了此负载感测控制器的强健性。电液负载感测实验机台与控制系统介绍:液电系统实验机台如图2.0所示，本机台为一相当复杂系统，主要包括二个闭回路伺服控制系统:电液负载感测系统(Electro-hydraulic load-sensing system) 及阀控液压缸系统(Hydraulic valve controlled system)。其主要实验目的，是在整合阀控液压系统的伺服控制（包括轨迹速度、以及速度控制）以及电液负载感测系统的节能控制。2.1电液负载感测系统: 电液负载感测系统包括有负载感测泵(Load-system pump)、

5、电动马达、导压(Pilot) 动力单元; 负载感测伺服机构、泄载阀等组成。本系统主要功能是决定阀控液压系统的供给压力。当阀控液系统作伺服运动时，其负载端压力会变动，故将负载端压力回授至控制器，控制器会根据需求调整电动比例阀控制差动式液压缸，藉以改变负载感测泵之斜般盘角度，提供不同的供给压力，以达成节省能量的目的(图)。在此负载感测泵为一可变排量柱塞泵，其作用原理如图所示，当(a)斜盘角度在中间时，因柱塞行程在中等位置，可得到中等排量。(b)斜盘角度在零时，柱塞行程为零，故无输出排量。(c)斜盘角度在最大时，因柱塞行程最大，故可得到最大排量。模糊控制理论模糊集合 在传统的明确集合(Crisp S

6、et)中，对于描述不同集合间的关系是二元的，也就是”有关系”或”无关系”、”0”或”1”。而模糊集合与之最大的差异是在于将描述集合间关的方式，推广成多元值的，将集合间的关系以程度化方式表达。 举个简单的例子来说，假设我们定义体重超过70公斤的是过胖，则根据传统集合的观念，便是非此即彼，不是胖就是瘦两种表示。(如下表)姓名体重(公斤)过胖(x)小明711小华680小英500小亚320 “过胖”明确集合的函数特性 从上表我们可以发现，单是0与1并不能完整表现所有人对于过胖特性的关系。很明显的，将小华的体重68公斤与小亚的体重32公斤，同时归属于非过胖集合”0”时，而只乙小华多3公斤的小明却归属于过

7、胖集合”1”，如此的表达方式并不能客观、公正的呈现现实情况。 下表则是使用模糊集合表达每个人对于过胖的归属度，在此归属函数是使用成比例的方式归属。此种表达法比明确集合更能代表实际情况。 下表的”过胖”模糊集合可写成:过胖(x)=1/小明+0.9147/小华+0.7042/小英+0.4286/小亚姓名体重(公斤)过胖(x)小明711小华680.9147小英500.7042小亚320.4286 “过胖”模糊集合的函数特性模糊系统 模糊集合自从1965年由Zedeh教授提出后，现今已经用在相当广泛的领域，例如在控制系统(Control system)、图形识别(Pattern recognition

8、)、决策分析(Decision analysis)及时序信号处理等方面上。尤其在控制系统上，近年来有相当多的学者在这方面投注心力。 传统的控制器设计上，必须先对整个系统进行了解、分析，也就是根据系统特性推导出精确的微分方程式或差分方程式表系统的数学模型，描述受控系统。然而在实际复杂系统上，往往很难以参数鉴定(System identification)的方式对受控制系统建模(Modeling)，再加上受控系统中本来就存在的不确定性(如:干扰)，使得传统设计法增加相当的难度。而使用模糊系统的优点是:一、不需要精密的数学模型。二、以人类的专家的知识结合至控制器的设计流程上。三、增加对受控系统的强健

9、性(Robusteness)及适应性。 在进行模糊控制时，受控的行为是以一组模糊规则来加以描述，而这些模糊规则使用的是语意式的模糊信息，而不是数学方程式，因此可以将人类的专家经验转换为模糊控制规则，减低了设计控制器的复杂度。 简单地说，模糊控制是类似人类经验法则的if-then形式，来表达模糊性的思考和决策过程。对于复杂的系统或是难以用明确的数学模式来表达的系统，以直觉及经验为基础的模糊控制，亦可获得极佳的控制效果。模糊系统的架构: 一般模糊系统包括三个部分(1)模糊化机构(Fuzzifier)、(2)模糊规则库(Fuzzy rule base)、(3)模糊推论引擎(Fuzzy inferen

10、ce engine)、(4)解模糊化机构(Defuzzifier)。图所示为模糊控制系统的基本架构。当系统藉由传感器(Sensor)将明确(Crisp)的外界数据输入，藉由模糊化机构将之转化为适当的模糊信息;模糊推论引擎则是整个模糊控制系统的核心，它根据所得到的模糊信息以及在模糊规则库中预先存放解决问题所需的知识及规则，仿真人类思考决策的模式，解决所有问题，最后去模糊化机构则将模糊推论引擎所推论出的模糊信息，转化为外界所能接受的明确信息。 模糊控制系统的基本架构模糊化机构(Fuzzifier) 模糊化机构势将明确的外界信息转换为适当的语意式模糊信息，可将之视为一种映射，由一明确的空间映射到另一

11、模糊的空间。由于模糊控制理论基础在于模糊理论，所以需要使用模糊化机构将输入数据作前置处理。 模糊化的目的即为将系统量到的明确值转换为语意上相对的模糊标签，其步骤有三:量测控制器输入变量的明确值。将(1)之值正规化依模糊论域分割之隶属函数，找到相对应的模糊标签与隶属度。 模糊化示意图其中E:误差EC:误差变化量GE:误差增益值GEC:误差变化量增益值模糊规则库(Fuzzy rule base) 模糊规则库是由一组以If-Then形式的模糊规则所组成，以这种表达方式表达系统输入与输出的关系。故，可将多输入多输出的系统分解成数个多输入输出的系统，其主要形式有:语意式模糊规则(linguistic f

12、uzzy rule)模糊规则Rj: If X1 is Aj1 and and Xp is Ajp Then y is Bj其中 Aj1与Bj是语意式模糊变量函数式模糊规则 模糊规则Rj: If X1 is Aj1 and and Xp is AjpThen y is fj(X1,X2,.，Xp)Tsukamoto模糊规则此种模糊规则与第一种规则差异性不多，主要差别在于此规则推论后，得到的会是一个明确的值。模糊规则库中所存放的控制规则主要来自于:依据系统的响应推导出控制规则:最简单的方法便是输入一个最基本的步阶(Unit Step)响应，将其输出讯号的响应与输入的误差、误差变化量讯号作讨论、比较

13、，观察其特性，再以If-Then形式表示其控制规则。参考专家的知识或操作者的经验，将其归纳、整理:可参照、询问专家从事相关研究所得的知识，或是现场操作员长时间累积出的操作经验，将之整编成If-Then此种语意式的型态，得到规则库。根据推导出的系统模型作研究所得:将实际系统的数学模型推导出，可帮助设计者更了解系统参数。一般将推导出的模型于相关仿真软件下(如:Simulink)仿真，可以将加速对实际系统的掌握，增快效率。自我学习修正:单靠经验; 直觉所归纳出的控制规则库，在实际运用时常常会出现规则库不合需求或是不足的情况。于是近年来，有相当多的新技术来从事规则库的们我学习、改良，如类神经网络学习、

14、基因算法。在此论文中，便是以自组织模糊控制器对规则库作修正。模糊推论引擎(Fuzzy inference engine) 模糊推论引擎是整个模糊系统的核心部分，根据规则库中设定的控制条件，将件部、后件部所构成的模糊关系与输入变量的集合作运算，很到所需的输出变量，藉以仿真人类思考解决控制问。以下便是模糊推论的示意图。模糊推论引擎示意图 举个例来说，对于最简单的单一规则、单一变量，其运算过程可表示如下: 输入条件 : X is A 规则库 : If X is A,then y is B- 结论 : Y is B单一规则、单一变量的推论过程 将单变量、单规则推广成多变量、多规则的通式，可得下列运算过

15、程: 输入 :X is A and Y is B 模糊规则R1:If X is A1 and Y is B1 ,then Z is C1 Else 模糊规则R2:If X is A2 and Y is B2 ,then Z is C2 Else 模糊规则Rj:If X is A2 and Y is B2 ,then Z is C2 Else-结论 : Z is C其中Else可解释为联集，因此:推论的过程图 多规则、多变量的推论过程解模糊化机构(Defuzzifier) 将模糊推论所得到的结论，经过解模糊化机构运算后，转换为明确的数值。由于模糊规则所采取的后鉴部会有所不同，经过模糊推论后所得到的结论，有的是以模糊集合表达(如语意式模糊规则)，而有的是明确数值来表达(如函数式模糊规则)。以下分别解释:当推论后得到的是模糊集合: 令模糊集合C为为模糊规则经过模