基于自适应积分补偿神经网络模糊气压解耦控制

多支路气压系统中的各支路气压的变化不仅会影响其他支路气压的变化，还会影响总管气压的变化，导致各支路气箱中的气压与总管的气压产生了耦合震荡。针对气压控制系统中多支路气压的耦合震荡的问题，提出了自适应积分补偿神经网络模糊控制方法对气压控制系统进行解耦控制，采用自适应神经网络对模糊规则进行训练和学习，并引入了自整定积分控制器共同控制多路高速开关电磁阀，达到多路气压精准跟踪控制效果。试验平台采用AMESim搭建了64支路的气压控制系统仿真模型，并结合MATLAB/Simulink进行联合仿真分析。仿真实验结果表明，所提出的自适应积分补偿神经网络模糊控制算法对气压稳定控制效果提升明显，在气压控制系统中具有控制精度高、鲁棒性好、稳定性强等特点。

气动技术具有响应快、廉价、可靠、易保养等优点[1]，大量应用于工业生产中。例如在特定的气压环境下对某些物品进行保存， 或者是在特定的气压环境下对某些产品的性能进行检测等[2] [3]。

在仪器仪表行业，为提高气动仪表的检测精度，要求对气压的控制快速、精准、稳定[4]；同时为测试比较不同材料之间的性能差异， 需系统能控制多个管路的气压输出，这要求系统对总管的气压及最多64 支路的气压控制精准。然而由于空气的可压缩性、控制阀的非线性流量特性以及非线性摩擦力特性等因素的影响， 气压控制系统是一个强非线性系统[5]， 同时64 支路气压系统中的各支路气压的变化不仅会影响其他支路气压的变化，还会影响总管气压的变化，导致各支管气箱中的气压与总管的气压产生了耦合震荡，这给气压的精准控制增加了困难。

文献[6]针对电子比例阀的控制，提出了一种自适应控制算法，该方法对工作条件大范围变化时，能够准确的辨识出相应PID 参数进行准确控制，但该方法在接近目标气压值时，上升时间较长。文献[7]针对液压缸的控制设计了一种BP 神经学习算法——梯度下降法，但此算法全局寻优能力不佳，容易陷入局部极值。文献[8]针对气箱压力控制，提出了一种IPSO-BP-PID 控制算法，通过用粒子群算法优化BP神经网络的加权系数得到最优权值，并按BP 神经网络学习训练测试，得到最佳的PID 控制参数，该方法只停留在仿真阶段并未得到实际运用。

文献[9]针对容腔气压的控制， 提出了一种模糊PID 的控制算法， 解决了气压控制非线性造成PID 参数难以整定的问题，但在接近目标气压时过度过程时间长，未能克服高速开关电磁阀小信号死区时间特性带来的问题。

因此，在前人研究的基础上，本文针对气压控制系统的强非线性以及支管与总管之间的耦合特性， 使用AMESim 与Matlab 软件的系统建模及仿真分析等功能， 搭建了一套气压控制系统仿真模型， 对其气压控制系统的性能展开研究。本文提出了一种自适应积分补偿神经网络模糊控制算法，是由自适应积分控制器与自适应神经网络模糊推理系统(ANFIS)相结合而来。

实验结果表明该方法不仅抑制了支管与总管