1.1 前言
近年來國內產業技術朝向微小化及精密化的方向發展，對於控制精度的要求也相對 的提高。所以在傳統的油壓控制系統已不能滿足工業需求；因此，能達到更精確控制的 電氣－液壓伺服控制(Electro-Hydraulic Servo Control)已在自動化領域佔有重要地位。在 一般的工業機械應用中，凡是需要大功率、響應快、震動小、動作滑順、精確反應的控 制系統，電氣－液壓伺服系統是最佳的選擇；例如：萬能材料試驗機、運輸機械、精密 壓床、元件測試機等；所以，電氣－液壓系統之應用與設計技術就成為系統工程師不可 獲缺的知識。但是，由於電氣－液壓伺服系統具有非線性特性，如伺服閥對負載的非線 性特性、比例線圈的遲滯現象、零點飄移及閥軸的內漏等，所以實際的電氣－液壓伺服 系統為一高度非線性的時變系統；由於非線性系統之數學模式較為複雜且不易分析，所 以，在控制理論上，常以線性化系統表示之。如魏榮輝和洪至謙[1,2]以Moog公司30型 流量控制伺服閥作模擬分析，利用MATLAB/Simulink軟體繪出流量控制伺服閥系統數學 方塊圖，並進行各項動態模擬分析，結果顯示與實際參數值有相同的結果。而後提出以 伺服閥控制射出成型機之射出速度為主，在Matlab/Simulink分析環境下，探討射出速度 伺服控制器的頻寬特性，並加以分析。
控制系統的時域響應，在以往有相當多的研究致力於如何減少選擇最佳PID 控制器 參數所花的時間，在現有的調整技術之中，以Ziegler-Nichols 調整法[3]最為著名，且在 相當多的實際應用中表現相當優異，但是調整PID 控制器參數過程中，實驗次數過多為 其主要缺點。因此，以用較少的實驗做出較好的控制器設定便是一門學問。
統計實驗計劃法(Statistical Design of Experiment,DOE)[4,5]，意指規劃實驗的過程可 以蒐集到合宜的資料，經過統計方法的分析可得到正確、客觀的結論。傳統的實驗設計 策略就是實務界最常用的一次一因子法，此種方法是在進行一次實驗時，只改變一個因 子的水準，而將其他因子都固定在同一水準上，以觀察該因子在實驗範圍內對反應變數
的影響，雖然此方法可以輕易的觀察各因子反應變數之間的關係，但主要缺點就是未能 考慮介於因子間任何可能的交互作用，為其美中不足之處。為了改善上述的缺點，於是 有全因子設計(Full Factorial Design)的出現，此種實驗設計方法，研究所有因子水準排列 組合，可以了解所有因子的主效應(Main Effect)及所有交互作用的影響。至今已經廣泛 的利用在各種工程設計，以及各種領域。
本文針對電氣－液壓伺服控制系統，做定位及追蹤控制性能的研究。建構系統之轉 移函數及方塊圖，再以Matlab/Simulink 進行電腦模擬，其中以比例－積分－微分三個控 制參數，利用實驗計畫法(DOE)進行控制因子之參數設計。研究中以 PID 控制器、模糊 PID 控制器、類神經網路控制器進行分析與比較，並應用變異數分析(Analysis of Variance, ANOVA)探討影響系統行為的重要因子，最後進行實驗確認預測的結果。
1.2 文獻探討
電氣－液壓伺服控制系統的應用產品，已經有許多廠商及研究者開發完成。關於電 氣－液壓伺服控制系統的研究報告甚多，因此相關之文獻相當廣泛。例如：
1. 近年國內學術上對電氣－液壓伺服控制系統也有一些的研究：
(1) 許朝勝[6]及葉國安[7]運用了模糊理論及類神經模糊控制法則，以控制液壓缸之 位置，並比較兩種控制器之效果，發現類神經模糊控制對於系統不確定性有良 好的適應能力，且在穩態誤差上較傳統PID 控制器為佳；此類控制法則不需數 學模式，只需根據觀察上的語言性法則進行推論。類神經網路雖故可自行學習，
但在收尋資料點時，需要龐大記憶體，且未必一次就可以完成，需要多次的收 集資料，才能有完美的響應。
(2) Yun及Cho[8][9]、許毅然[10]應用模式參考型適應性控制(MRAC)法則，來設計 伺服閥控制油壓致動器系統；由於伺服油壓控制系統是高階的非線性系統，當 系統受到變動的負荷時，系統參數也會受到影響而有所改變。本研究提出對伺 服油壓控制系統參數的求法，而由模擬分析與實驗結果顯示本文所提出的方
法，可增進模擬分析的正確性。但系統受到變動的負荷不定，每一次變動負荷，
就要重新設計參數，此為研究中不足之地方。
(3) 陳秉州[11]應用傳統模糊控制器、灰預測模糊控制器對伺服系統控制性能作一 系列的評估，可有效的改善使用傳統控制器的控制性能，並且使用者可依據不 同的需求，選擇不同的系統控制目標，作為控制器的輸入變數，如壓力，位置 等。但此實驗次數過於繁多，且響應未達最佳化，此為不足之地方。
2. 國外學者對於控制器設計有許多研究：
(1) 控制系統的時域響應，在現有的調整技術之中，以 Ziegler-Nichols 調整法[3]最 為著名，且在相當多的實際應用中表現相當優異，但是調整PID 控制器參數過 程中，實驗次數過多為其主要缺點。Bevrani[12]等以自動增益控制為主，設計 一個強健的 PI 控制器，與 H∞電動輸出回應控制相比較，以反覆線矩陣不平等 運算法則的到一個最佳的性能表現。Chen 和 Hwang[13]以 PD 反覆的學習控制 氣動的X-Y 移動平台系統。實驗結果顯示在控制期間系統易受到外部的負荷干 擾，利用反覆的學習控制，可以拒絕干擾，並有效的追蹤軌跡。
(2) 模糊理論(Fuzzy)自 1965 年 Zadeh 教授[14]首次發表的模糊集合論文，至今已有 四十二年的歷史，爾後在1974 年 Mamdani 教授提出以 if-than 語意形式的推論 邏輯，這期間不斷有許多學者投入相關理論與應用的研究，使模糊理論的應用 迅速擴展至許多領域。模糊規則利用設計者(專家)本身所給予的知識或邏輯規 則去描述複雜的非線性系統，換言之，控制方法是建立在直覺和經驗上，就是 以專家經驗法則的控制方法。然而模糊理論用於控制上也有相當多的缺點，例 如：(1)專家經驗所架構的規則，是不易取得的。(2)使用精密度要求較高控制系 統時，模糊系統需要龐大的資料庫，但實際系統的硬體並非能滿足需求。
(3) 近年來，隨著科技的進步，具有自我學習能力的智慧型控制器興起，以此方法 解決專家經驗不足的問題；如Procyk 和 Mamdani[15]提出具有學習能力的自組 織控制器(Self-organizing fuzzy controller)。之後 Shao[16]及 Zhang[17]提出修正
意見，以及不同學習方式之自組織控制器提出[18]。Lee[19]也應用自調式適應 控制，對液壓系統作線上識別，並將液壓缸之位移及負荷回授，形成閉迴路之 閥控液壓系統，再配合適當的控制法則進行適應控制，自調適應控制器與極點 安置控制相較有較好的控制效果。模糊理論另一個問題，模糊資料庫的龐大，
有學者[20、21、22]以模糊滑動平面 S 取代傳統模糊資料以誤差 e 及誤差變量 為輸入規則，以改善此問題。Barai 和 Nonami[23]利用模糊預測與遺傳基因運 算法為控制法則，以設計最佳化，結果顯示，在電磁比例的控制活瓣劃分區域 有較好的追蹤性能。Yamamoto[24]等利用模糊控制器對氣壓伺服系統做適應性 控制。Huang 和 Chen[25]提出模糊規則線上學習能力增加補償近似值錯誤，利 用滑動模式控制，以改善控制性能。
(4) 類神經網路(Neural Netword,NN) 最先由 McCulloch 和 pitts 在 1943 年所提出 [26]，NN 有平行處理及自我學習能力之優點，而其學習的過程也是最佳化的 過程。因此許多研究將FLC 以 NN 的架構來實現，稱為 FNNC[27、28、29]。
FNNC 中最廣泛被採用的學習法則之一即是倒傳遞(BackpropagationAlgorithm , 簡BP)[30]。Shibata[31]等提出以一個伺服系統控制，利用 σ 修正方法來改善類 神經網路控制的學習能力，並消除外部干擾，調整出強健的參數控制。