基于模糊推理决策神经网络前馈补偿值的直流伺服电机位置跃变控制

针对由于传统PID串级控制结构的局限性以及欠训练神经网络前馈控制器输出的控制量的不确定性导致的直流伺服电机位置跃变控制动态性能欠佳的问题，提出了一种基于模糊推理决策神经网络前馈补偿值的控制方法。该方法包括三个控制子模块：基础控制模块、神经网络控制模块、以及模糊决策模块。基础控制模块为传统PID控制，保证控制初期整个系统的稳定以及为神经网络控制模块提供在线学习样本；神经网络控制模块通过在线学习被控对象的动态逆模型后对PID控制器进行前馈补偿；模糊决策模块根据电机位置的实时跟踪情况输出决策因子，用于自适应决策神经网络控制模块在欠训练时的前馈输出量，提升直流伺服电机位置跃变控制时的动态品质。仿真和实验结果表明：提出的方法在不牺牲稳态精度条件下，显著提升直流伺服电机位置控制的快速跟随性能，减少了控制系统的超调量和调节时间，具有较好的动静特性和较强的鲁棒性。

近年来，随着电力电子技术与控制算法的发展，电机的性能得到了大幅提升，在工业制造[1]、航空航天[2]、交通运输[3]等领域得到了广泛应用。直流伺服电机因其精度高、适应性好、易于控制等特点被广泛应用于需要精确控制角度的系统上[4]。

目前，PID 串级控制结构因其设计简单、调试方便、抗扰能力出色等特点在工业界被广泛应用在直流电机伺服系统中[5]，其一般为“位置环–速度环–电流环”的三环结构或是“位置环–速度环”的两环结构。在传统的位置环回路中一般只采用PID 控制，但由于串级控制结构每个反馈回路的连续计算以及伺服电机本身的非线性特性，传统的PID 串级控制很难通过参数的调整达到超调量与快速跟随性能的同时最佳[6]。为了提高位置回路的跟踪性能，目前在位置伺服系统中应用最广泛的是前馈 + 反馈的复合控制方法[7]。传统的前馈控制是一种依赖于系统精确数学模型以及操作人员先验知识的控制策略，而直流伺服电机本身具有非线性和电路结构参数易变化等特点使得传统前馈控制在实际的工业应用当中难以达到预期的效果[8]。

神经网络具有高度自学习和自适应能力，能够通过学习和训练来精确逼近非线性系统，并能适应系统参数的时变[9]，其控制方法简单，仅需被控制对象实时地输入输出数据便能实现控制，能有效提高控制系统的稳态精度。

文献[10]将循环神经网络前馈控制器与单神经元比例–积分–微分控制器相结合对压