摘要： 本文采用神經網絡對氣動伺服系統的模型進行辨識。分析RBF神經網絡辨識的原理及其與參估計法的區別。針對實際系統．設計了神經網絡辯識模型。實驗表明該方法建立的模型是正確的。 關鍵詞：神經網絡辨識；氣動伺服系統 引 言 氣體的可壓縮性、低粘度、和熱敏性使氣動伺服系統的特性不易掌握，歸納起來氣動伺服系統有以下幾個特點： （I）時變性：即系統參數不是定常的．是隨時間改變的而且在運動過程中，參數與位置有關。 （2）熱敏性：系統特性溫度影響嚴重。 （3）壓敏性：系統特性受氣源壓力波動影響較大。 （4）非線性：氣體的大壓縮性和執行機構的摩擦力使系統特性呈嚴重的非線性。 這些特點使氣動伺服控制系統的模型不易得到，給氣動伺服系統的控制帶來許多困難。被控系統的數學模型對系統的分析和控制非常重要。建立動態系統數學模型的方法有機理建模和實驗建模。辨識建模方法有階躍響應法、頻率響應法、相關分析法和參數估計法。近年來，神經網絡研究所取得的進展為動態系統辨識提供了新方法，已有許多成功應用的報道。 2 神經網絡辯識與參數估計法的區別 從本質上講，兩者是相同的，都是利用輸人輸出信垮通過某種算法求得能反映系統特性的模型，都是采用擬臺的方法。不同的是，神經網絡比參數估計法更靈活，能逼近任意非線性函數，反映任意非線性系統的特性。具有自學習和記憶能力；神經網絡采用的是各種非線性函數，參數估計法僅采用多項式，因此，從某種意義上可以說神經網絡辨識是參數估計法的推廣和改進。 神經網絡辨識的效果與所選用的區模型和權值的求算方法有關，在各種神經網絡模型中，RBF（RadialBasis Function）網絡結構簡單、學習收斂快，精度高，非常適合單輸出系統的辨識建模。因此本文選擇該模型來對開關閥控氣動伺服系統進行辨識。 3 RBF網絡模型 RBF網絡模型只有一個隱層，一個輸出，每個隱節點都按RBF的規律輸出，如圖I所示。網絡輸出： 4 基于RBF網絡的動態辨識原理 任意SISO非線性系統可用式（3）描述。 用RBF網絡辨識時，通常選取系統輸入 時刻前個值和輸出f時刻前f個值作為RBF網絡的輸入向量。采用學習算法用樣本對RBF網絡進行訓練，訓練后的權值表征著被辨識系統的固有特征。訓練時，指標函數： 權值修正算法為： 式中：N—— 樣本數； r — — RBF網絡輸出值； η —— 學習速率因子 5 基于RBF網絡模型的開關閥控氣動位置伺服系統辨識 由機理分析建模可知，開關閥控氣動位置伺服系統是三階系統，因此設計圖2所示的RBF神經網絡模型來辨識此類系統。 圖中，隱節點個數量m取21；Cj分別按輸人輸出最大最小值之間等距取值。采取式（4）、（5）的算法求得各隱節點的權值。 圖3是采用同一控制器的實際系統輸出和模型仿真輸出，曲線1為實際輸出，曲線2為模型仿真輸出。從圖可知兩者基本吻合，這表明所建模型是正確的。 6 結論 本文用RBF神經網絡理論對開關閥控氣動位置伺服系統進行了辨識研究，得出幾點結論： （1）RBF神經網絡的隱節點個數不宜太少，否則辨識模型與實際對象相差較大。 （2）在實時采樣訓練樣本時，要對樣本進行予處理，以提高辨識結果的準確性，同時學習率因子對RBF網絡的收斂性有很大影響。 （3）用RBF神經網絡對開關閥控氣動位置伺服系統進行辨識建模是合適的。 [參考文獻] [1]顧鐘文．工業系統建模．杭州：浙江大學出版杜，1995 [2]徐耀玲等．人工神經網絡在系統辯識中的應用．自動化學報，1991，17（1）：91—94 [3]日建國．動態系統RBF網絡建模方法及其應用．西安：中國神經網絡學術大會論文集．1993（10） [4]王宣銀．PCM氣動系統的建模研究．機床與液床，1997 [5]王宣銀．氣壓驅動機器人控制的研究浙江大學博士后研究工作報告．1997（11） 請點擊此處下載原文