研究方法

氣動馬達為本論文的受控平台，而論文裡會使用已經被提出的控制方法和提 出的控制方法個別做實驗，並對實驗結果優劣做比較。而控制方法可粗略分為與 無模型控制法及與基於模型控制法，無模型控制法如類神經(Neural Network, NN)、

模糊控制(Fuzzy)；基於模型控制法如滑動控制(Sliding Mode Control, SMC)、適應 性動態滑動模式控制(Adaptive Dynamic Sliding Mode Control, ADSMC)。

類神經近年來常被使用於控制系統設計，而類神經控制為其中一種智慧型控 制方法，它不需要數學模型即有能力有效的去近似、估計非線性系統[5]。根據類 神經網路的架構可分為前饋式類神經網路和遞迴式類神經網路，通常前饋式類神 經網路的權重更新不需要類神經內部的資訊，函數的近似和訓練類神經的資料庫 有較大的關聯；遞迴式類神經網路因為有內部的遞迴迴圈，可以把系統的動態反 應資訊收集回來。類神經網路透過自己的演算處理時變輸入或時變輸出問題的能 力是特別讓人感興趣的。遞迴式類神經網路為動態映射且不確定項存在時亦有很 好的控制表現，在實際的應用上如平台中無法預測的變數參數、沒建模的平台、

非線性的動態及外部的干擾等情況都能發揮其功效。通常在遞迴式類神經網路隱 藏層裡的每個神經元都會選用相同的激發函數，大部分都是選用 S 形函數 (Sigmoid function)或徑向基底函數(Radial basis function)，但對於隱藏層所有神經 元選擇相同激發函數的方法並沒有被證實可以獲得最好或對性能是最佳的選擇，

只要謹慎地設計並選擇激發函數就能顯著地提升類神經的搜索空間[5]。在隱藏層 的各個神經元使用不同的激發函數的構想在以下論文被實現[5-9]。而 PIDNN 就 是本論文利用類神經網路學習的特色來改善傳統 PID 參數固定的缺點，藉由學習 的能力，不斷將參數調整成最適合當下的環境。

模糊邏輯系統的研究已經有五十年的歷史，現在更進一步廣泛應用於控制領

5

域。Takagi-Sugeno (T-S)模糊邏輯控制器被提出可以穩定勞倫茲渾沌系統[10]。許 多自適性和非自適性控制演算法的設計皆基於 T-S 模糊模型用於控制非線性系統 及主動式懸掛系統[11-14]。在論文[14]，提出了自適性滑動模式控制透過 T-S 模 糊方式實現控制非線性主動懸掛式車輛系統。接著，為了改善基於模糊邏輯控制 系統的學習能力，各種的模糊類神經網路(FNN)陸續被提出來[15-20]。模糊類神 經同時擁有對不確定資訊模糊描述的能力及類神經網路不斷學習的能力。此外，

模糊類神經不需要數學模型並且有能力近似非線性及不確定系統[15-16]，所以許 多研究開始使用模糊類神經網路去描述複雜的平台及建立進階的控制器[17-19]。

而在論文[21]使用到了三角函數為基底的函數連結模糊類神經(Functional Link Fuzzy Neural Network, FLFNN)，一般基底都是選用高斯函數或其他有正交關係之 函數，但由於三角函數相對於高斯函數有更高的代表性並且正弦函數、餘弦函數 在計算上所耗的時間相對短。

滑動模式控制系統(SMC)最著名的優點是系統進行軌跡追尋時對參數的變動 和外部擾動不敏感且可停留在滑動平面上[22-24]。在滑動模式控制中，狀態必須 在有限時間內到達滑動平面並且停留在同一個平面上。滑動平面的移動與不確定 項無關，所以這是一種具強健性的控制方法。控制系統狀態於這些邊界上滑動稱 為滑動模式控制[25-26]，包含邊界的幾何軌跡則稱為滑動平面。滑動模式控制中，

除了要讓狀態達到滑動平面，另一個很重要的目標是讓狀態停留在滑動平面上。

一旦狀態離開了滑動平面，控制器會快速地切換再把狀態拉回至滑動平面上，所 以目標是要找出狀態迴授法則使系統穩定。然而，滑動模式裡的切換動作是在兩 個不同的結構中切換，這導致了無可避免的顫動現象，也因此成為滑動模式控制 系統的主要缺點。最常用來改善此顫動現象的做法是減小切換方程式中的增益值，

但增益值若減小可能會造成無法消除不確定項，這會使得滑動模式控制系統的顯 著優點強健性變差。另一個方法是將切換函數用飽和函數取代，雖然可以有效地

6

消除顫動現象，但邊界層的厚度選擇會導致追蹤誤差的最大邊界不確定現象產生。

為了解決顫動現象和控制精準度問題，互補式滑動模式控制(Complementary Sliding mode Control, CSMC)被提出來[27-28]。藉由加入互補式的邊畫誤差轉換，

可以有效地把使用飽和函數的模糊滑動控制系統之追蹤誤差降為一半[27]，還能 改善追蹤誤差到達滑動平面過程產生的暫態響應。而在本論文，使用了動態滑動 模式控制(Dynamic Sliding mode Control, DSMC)，主要是為了解決切換函數所造 成的顫動現象，藉由設計第二滑動平面的積分效果來消除跳動的現象。

控制方法類神經、模糊控制及滑動控制皆有個別優缺點，因此為了得到更好 的控制效能會將不同種類控制器結合以達到截長補短功效。在本論文中的實驗結 果即可發現每結合一種控制概念的控制器，其控制性能是優於原始的。PIDNN 是 將傳統控制方法 PID 與智慧型控制方法 NN 結合的例子，利用了類神經的學習特 性彌補 PID 參數固定之缺點，改善其控制效能。PIDFNN 是將不同的控制想法結 合的例子，利用模糊理論清楚描述狀態的特性，使得類神經的調整過程更為明確。

ADSMC 則是回歸氣動馬達系統的特性，利用流體力學等相關理論，導出符合系 統特性之動態方程式，藉由此動態方程式設計出滑動控制器。由於控制器是完全 根據其特性所設計，控制效能理論會是最優，但控制器裡許多與系統相關之參數 有量測上誤差及系統時變性影響，利用 PIDFNN 估測某些參數，以彌補滑動控制 之缺點，達到接近理想之滑動控制最佳效能。

7

圖 1.1 氣動馬達系統設計與控制實作架構圖

氣動馬達系統設計 與控制實作

文獻探討、理論分析、

模型建立與控制器設計

撰寫控制器(程式)

氣動馬達平台實驗

完成 數據分析

結果與討論

結論

Yes

No

8