原文
数量:5 (2)整合传统的积分器和Fuzzy-Neural-Based PD-Type控制器一个天文天线跟踪系统设计与参数变化和伺服滞后效应
收到:5月3日,2017;接受:2017年5月15日;发表:2017年5月26日,
引用:林JM,林CH。整合传统的积分器和Fuzzy-Neural-Based PD-Type控制器一个天文天线跟踪系统设计与参数变化和伺服滞后效应。J phy阿斯特朗领域。2017;5 (2):113。
文摘
首先,天文的跟踪和稳定回路天线跟踪系统设计根据带宽和相位容限等需求。然而,性能会退化如果附加回路增益降低或伺服滞后效应的放大。因此,pid模糊神经控制的应用。但是,计算与343规则是非常大的。本文提出两种方法来解决这个问题。首先,提出了一种新的优化方法通过应用不同的神经网络训练算法,如梯度下降法(GD),按比例缩小的共轭梯度(SCG)和Levenberg-Marquardt (LM)优化方法应用或者在迭代的每一步确定神经控制器的最优参数。其次,应用混合控制器通过整合传统的积分器和fuzzy-neural-based PD-type控制器,这样不仅计算时间可以减少,但在稳态误差可以等于零。请注意,该方法获得的系统性能好但磁滞效应不仅对参数变化的系统。因此它是更健壮。
关键字
天线跟踪系统;模糊神经控制器;PID控制器;参数变化;磁滞效应
介绍
为了锁定的小信号提供进一步的外太空,天文天线跟踪系统的性能应该提高尽管干扰(1- - - - - -3),因此有必要提高天线跟踪反应,指向精度和稳定的态度。传统的PI(比例和集成)补偿器的控制系统应用于移动锁定卫星天线4]。这种控制系统设计方法可分为两个步骤:首先,使用天线控制系统中PID补偿器以满足带宽和相位容限的要求。其次,分析时间和频率响应获得天线控制系统的关键参数。指出该方法的性能会更好在正常情况下,如果系统的参数变化和磁滞效应存在,然后表演将会变得更糟。因此,模糊控制器应用于解决它通过使用智能fuzzy-neural-based PID控制器(5]。然而,计算时间会变得非常大。
来低的计算时间,一些神经网络训练算法,即梯度下降法(GD),按比例缩小的共轭梯度(SCG)和Levenberg-Marquardt (LM)方法应用或者在迭代步骤。此外,稳态误差为零,本文提出一种混合控制器集成传统积分器和fuzzy-neural-based PD-type控制器的控制系统的设计。注意,前面的问题可以解决。本文的内容如下:一个天文天线跟踪系统的引入是第一部分。传统PI-based设计是紧随其后。第三节介绍了评估使用传统的PI-based控制器。提出的方法和改进分析给出了部分4和5,分别。最后一部分是结论。
传统天文天线控制系统设计
天线控制系统的详细框图所示图。1(6- - - - - -10]。很难获得的关键参数分析。因此一般简化模型天线控制系统中所示图。2应用于加快设计、跟踪回路的建模为一个简单的获得,并稳定循环被纯粹的集成(图。2),或者π补偿器(图2 b。)。跟踪回路时间常数(T)是在实践中设置为0.1秒。那么时间和频域分析是采取首先获得天线控制系统的关键参数。
控制器与纯积分器
首先,一个纯积分器是应用于稳定循环。trial-error-method积分器增益(K1)稳定循环设置为25日50,75年和100年分别。从图。3波德的阴谋,K1和较大的阶段利润增加饱和K1 = 100的90度。所以提高是有限的11]。
与PI控制器补偿器
下一个是应用π补偿器。我和P的收益补偿器指定K0、K1分别。如果T = 0.1和K1 = 100,图。3显示了通过改变K0,伯德图K0 = 5阶段利润更大。图。4显示了不同阶段保证金是不敏感K1 (T = 0.1和K0 = 5),但更大的K1的稳态误差更小。试错阶段后利润为例132°和133°K0 = 5, K1 = 50, T = 0.1和K0 = 5, K1 = 25日分别T = 0.2。请注意,前者是更快的T = 0.1。
性能分析与PI-based控制器设计
图。5显示了天线控制系统的框图,仿真方法应用于检查性能。输入视线角度设置为三角波(振幅= 1弧度和周期= 5秒)所示图6。。输入和输出之间的误差响应框架角度通过使用先前PI-based控制器与反弹效应(H = 0.1)所示图。7,注意天线跟踪误差是0.05弧度,还指出,性能很好。
然而,如果伺服滞后效应变得更大,即。H = 0.5。输入和输出之间的误差响应框架角度所示图8。。注意平衡角的最大跟踪误差是0.055弧度。此外,如果天线的指向误差较大,然后跟踪回路增益T通常会减少到2(即。T = 0.5),而不是最初的10(即。T = 0.1),输入和输出之间的误差响应框架角度所示图9。。注意最大的天线跟踪误差成为大0.08弧度正周期,系统超调与稳定会变得更糟的是,因为有一些积极的周期振荡的输出响应。因此每个人都应该找到一些方法来解决这个问题,提出了以下部分。
新的优化方法
人工神经网络(ann)已被广泛应用于各领域克服参数变化和非线性效应的问题。摘要利用bp神经网络训练安是最有效的方法模型(10]。根据给定的已知数量的输入向量和相应的输出向量,摘要可用于训练网络,以满足需求。在培训期间,摘要的过程反复调整权重的连接网络使用梯度下降方法,所以它可以减少网络的实际输出向量之间的区别和所需的输出向量。然后摘要模型能产生所需的输出向量,类似于实际的输出向量。然而,摘要一般收敛慢,容易将陷入局部最小值。为了避免这些缺点,提出了各种训练算法加快培训。共轭梯度算法是最受欢迎的迭代方法求解大型线性系统的方程(12- - - - - -15]。Levenburg-Marquardt (LM)方法在反向传播训练过程中最有效的收敛,因为它可以被认为是两种方法的结合:与稳定的最陡下降法,但收敛速度慢,相反特色和高斯牛顿法(16]。提高优化算法的有效性,减少计算时间,本文应用一种新方法在文献[17)使用不同的神经网络训练算法,如梯度下降法(GD),按比例缩小的共轭梯度和Levenberg-Marquardt优化方法或者在每一步迭代确定神经控制器。
pid神经网络控制器的设计
解决伺服系统的参数变化和非线性磁滞效应,首先pid神经控制器适用于所示的系统设计图10。。神经控制器的结构有三个输入,一个隐藏层和一个输出所示图11。
神经控制器的参数(使用343 PID规则)以及输入和输出之间的误差响应框架角度和T = 0.1和H = 0.1被列入表1所示,图。12,分别。注意,性能很好。此外,输入和输出之间的误差响应框架角度与T = 0.1 H = 0.5和T = 0.5 H = 0.5所示图13。和图14。,分别。注意天线跟踪性能和稳定的神经控制器参数变化和伺服滞后效应还好没有任何使用比例积分控制器退化所产生的影响。但更大的计算时间成本。
输入层到隐层权重因素 | ||
---|---|---|
1日(W1, j) | 2日(W2, j) | 3日(W3, j) |
-0.91183446184803996 | -0.90355622940791869 | -70.063584680030743 |
5.9581297643237347 e-16 | 2.0654426525074784 e-16 | 2.2652173343473186 e-12 |
-1.9311644631618981 e-05 | 9.9787706716650761 e-05 | 19.508925356309685 |
输入层到隐层的偏见(B1, B2, B3)。 | ||
3.7519331092422048 | -3.7417988623462288 | -79.225868706475424 |
隐层到输出层权重因素(W3, j) | ||
-2369.6108227308468 | -2372.5859762426826 | 0.0069870443542015929 |
隐层到输出层的偏见(B4) | ||
-2.9113180719768073 |
表1:Weightingfactors和biasesof神经网络PID规则(343)结合GD, LM和SCG算法。
提出了混合动力控制器
在本节中混合控制器所示图15。提出了通过整合传统的积分器和fuzzy-neural-based PD-type控制器,这不仅是计算时间可以减少,但稳态误差可以保持为零。混合动力控制器的参数(使用49 PID规则)中列出表2。输入和输出之间的误差响应框架角跟踪回路的时间常数和磁滞参数与组合(T = 0.1, H = 0.1), (T = 0.1, H = 0.5),和(T = 0.5, H = 0.5)所示图16。- - - - - -图18。,分别。注意天线跟踪性能的混合控制器参数变化和滞后效应下几乎完全相同的神经控制器与PID 343规则没有任何使用比例积分控制器退化所产生的影响,但计算时间减少七分之一,因为只有49规则应用而不是343年。
输入层到隐层权重因素 | ||
---|---|---|
1日(W1, j) | 2日(W2, j) | 3日(W3, j) |
-4.0962239606370847 | -0.89579132561445596 | -4.091888358671202 |
8.4457733479342184 e-18 | -1.8852006346050587 e-18 | -2.4538549107109119 e-17 |
输入层到隐层的偏见(B1, B2, B3)。 | ||
3.4098540264824488 | 9.2395096718480202 e-05 | -3.4099911932096685 |
隐层到输出层权重因素(W3, j) | ||
-4.6856262210421313 | -10.984045855394722 | -4.7079185132110783 |
隐层到输出层的偏见(B4) | ||
-0.021231599450224469 |
表。2:Weightingfactors和biasesof神经网络(49 P / ID规则)结合GD, LM和SCG算法。
结论
一个天文系统的天线控制系统设计使用PID方法根据带宽和相位保证金要求,首先。然而,性能会降低如果附加回路增益降低或伺服滞后效应放大。解决这些参数变化和伺服滞后效应,提出了一种pid模糊神经控制器来解决这个问题,但代价是控制器的计算时间与343年规则。减少计算时间,本文应用优化方法通过应用GD, SCG和LM优化方法,或者在每一步迭代确定pid模糊神经控制器。最后,为了使稳态误差为零,减少计算时间,提出了一种混合动力控制器通过整合传统的积分器和fuzzy-neural-based PD-type控制器的系统设计。结果表明,不仅正常情况下的表现也更好,但性能下降的影响在减少跟踪环路增益和伺服滞后效应可以减少。因此,提出系统更健壮。
确认
这项研究受到了美国国家科学委员会台湾,民国最多合同105 - 2622 - e - 216 - 005 - cc2,大多数104 - 2221 - e - 216 - 021,和103 - 2221 - 216 - 022 e。
引用
- Densmore AC, Jamnejad诉两WKa-band机械操纵NASA徒移动终端和移动天线。先进的通信技术进行卫星计划会议。美国国家航空航天局(NASA)。1992年华盛顿特区。
- Jamnejad V, Densmore AC。双频率WKa-band小反射器天线用于移动与美国国家航空航天局先进卫星通信技术实验。IEEE APSIURSI联合实习。信谊。无线电1992:1540消化。
- Densmore AC, Jamnejad诉一套卫星跟踪K - ka波段移动车辆天线系统。IEEE反式。车辆技术。1993;42:502-13。
- 曾HC,张志贤DW。船载卫星跟踪天线与模糊逻辑控制。IEEE航空航天和电子系统。1998;342:639-45。
- 张Y,赫恩通用电气,Sen。船track-keeping控制的神经网络方法。IEEE海洋工程杂志。1996;21:513-27。
- 刘张H, d .模糊建模和模糊控制。纽约。斯普林格出版社。2006年。
- Pheysey RL。AIM-9L。仿真参数。海军武器中心:中国湖。加利福尼亚州NWC.1975。
- Foy w·泰勒级数估计定位解决方案。IEEE航空航天和电子系统。AES-12。1976:187 - 93。
- Torrieri被动定位系统的统计理论。IEEE航空航天和电子系统。AES-20。1984:183 - 97。
- Rumelhart DE,辛顿通用电气,威廉姆斯RJ。学习back-propagating错误的陈述。大自然。1986;323:533 - 536。
- Chang PK,林JM。整合传统移动卫星天线跟踪系统和模糊控制器的设计。圆柱研讨会论文集在应用数学的进步,系统,通信和计算机选择论文从电路、系统和信号2008年,2008年6月1 - 3。马拉松的海滩。阿提卡。希腊。2008:102-8。
- Venkatachalan AR, Sohl我。一个聪明的模型选择和预测系统。《预测。1999;18:167 - 80。
- 范·罗延P,很多米,VanWyk由佛罗里达搭机参加示威d .时空处理CDMA移动通信。纽约。Kluwer.2000。
- Caffery j . TOA的几何位置的新方法。IEEE车辆技术研讨会论文集,2000年9月28。波士顿。马。美国。2000:1943-49。
- Møller MF。一个按比例缩小的共轭梯度算法快速监督学习。神经网络。1993;6:525-33。
- Hagan MT, Menhaj MB。训练前馈网络与马夸特算法。IEEE神经网络。1994;5:989 - 93。
- 林JM,林CH。小说智能神经指导法律通过使用multi-optimization算法。海洋科学与技术》杂志2016;24:1-14。