比例積分微分型模糊類神經網路氣動馬達速度控制系統

第四章基於比例積分微分型模糊類神經網路之氣動馬達速度控制系統

4.3 比例積分微分型模糊類神經網路氣動馬達速度控制系統

由於氣動馬達系統具有高度非線性、時變的控制特性，傳統固定參數式的比例積分微分控制器無法達到精準地控制效果。因此，在本節提出了基於比例積分微分之模糊類神經網路控制器。首先，基於比例積分微分之模糊類神經網路會根據輸入的轉速追蹤誤差及誤差變化量決定電控閥門之閥門開度。接著就會決定輸入氣體線路的截面積 A_in()。同時 A_in() 會決定壓縮氣體的氣體流率 m_in。氣動馬達的輸入汽缸壓力 P_in 會隨著輸入氣體流率 m_in 變化而改變。最終，氣動馬達可以強健性的追蹤期望轉速。此外，有線上學習能力可以應付未知的不確定項及干擾，使轉速控制維持良好的性能。所提出的基於比例積分微分之模糊類神經網路控制器之氣動馬達控制方塊圖如圖 4.2 所示。

圖 4.2 利用基於比例積分微分之模糊類神經網路實作於氣動馬達之控制方塊

線上學習演算法

+ 

PID-based FNN

e

e

r d dt

 





   



w, , , m,

min

電控閥門高壓鋼瓶

氣動馬達壓縮氣體

... …

... …

...

fP ∑∑∑

1Z

1Z 



fIfD

∑∑∑

基於DSP 28335 之氣動馬達控制器動力

訊號 )

( A

mex



4.4 實驗結果

為了測試氣動馬達系統之控制強健性，在本節提出了週期性弦波控制指令來評估其控制效能。而控制目標為使轉子轉速追隨所設定的指令，使兩者的誤差降到最小甚至趨近於零。此外，為了更進一步測試所提出的演算法強健性，便分為兩種測試情況，包含了第一種的一般情況及第二種的加載變化情況。在第二種案例裡，加入了磁粉式離合器模擬外部負載，並將負載扭力設定為 5 N·m。此外，

為了公平比較控制器性能，採用了三種評估標竿，分別為最大轉速誤差 T 、平_M 均轉速誤差 T 及轉速誤差之標準差 _A T_S。

在兩種情況下，由圖 4.3(b) 與圖 4.4(b) 可發現 PID-based FNN 的性能表現在情況二較情況一差，由於加了負載會提高控制的難度；而在控制電壓方面可從兩張圖的(c) 發現，因為加了負載所需要的控制電壓相對提高，造成控制電壓波型相對粗、值相對大。

從量化的形能指標表格表 6.1 及表 6.2 可發現，結合了模糊規則的 PID-based FNN 的控制性能皆優於 PIDNN 及 PID。並且所有數值均有明顯的下降，改善的幅度可以從整理成長方圖的圖 6.1 及圖 6.2 得知。

圖 4.3 採用 PID-based FNN 控制器之氣動馬達系統實驗波型：(a)情況一之期望轉速追隨、(b)情況一之轉速誤差、(c)情況一之控制電壓

1200 1100 1000 900 800 700 600 500 400

100rpm

25rpm

0.5V 100

75 50 25 0 -25 -50

−75

− 100

4 3.5 3 2.5 2 1.5 1 0.5 0

10秒

轉速(rpm)

期望轉速

實際轉速

時間 (秒) (a)

追隨誤差(rpm)

時間 (秒) (b)

時間 (秒) (c)

控制電壓(V)

圖 4.4 採用 PID-based FNN 控制器之氣動馬達系統實驗波型：(a)情況二之期望轉速追隨、(b)情況二之轉速誤差、(c)情況二之控制電壓