液压现状

怕怕

液压伺服控制系统研究现状的分析*
关键词： 液压传动、系统、智能控制

        流体传动技术主要包括利用流体(液体和气体)压力和流体动能进行能量传递的液压气动和液力传动技术。机床、工程机械、汽车、矿山机械等需要完成自动化生产工序,如不用流体传动的方式是难以实现的。随着传感技术、数字开环及闭环控制系统的出现,液压传动已经发展成今天的电液传动技术,基础元件的动态特性和精度取得了极大的改进。如阀、变量泵、传感器和使用高效的数字集成电路,使闭环控制在动态特性和静态精度上显示出极大优势。20世纪50年代左右,以反馈控制为主体的基于经典控制理论的电液伺服系统得到快速发展,为工程控制提供了精度高、响应快、大功率的技术手段。20世纪70年代末期,可靠、价廉、节能、易维护并具有相当的高精度和动态响应特点为标志的电液比例控制技术迅速崛起。20世纪80年代以来,电磁比例元件的设计原理进一步完善,采用了多种形式的内反馈、动态反馈及电校正等手段,使流体控制阀的精度、响应、稳定性都得到了大幅度提高,稳态滞环数值已减小到3%左右,工作频宽可达25Hz。近年来,计算机的飞速发展带来了控制领域的革命,出现了采用高速开关阀和步进电机拖动的数字式元件和以此为基础的脉宽调制( PWM)型电液控制系统和数字增量控制( IDC)型电液控制系统，这些新的控制系统从抗干扰性和适应复杂环境的能力以及控制方式、控制策略等方面，与传统的电液控制系统有着显著不同,可以称之为近代电液伺服控制[1]。
        伺服系统也叫随动系统，是控制系统的一种。在这种系统中，输出量(机械位移、速度或力)能够自动地、快速而准确地复现输入量地变化规律。同时还起到信号的功率放大作用，因此也是一个功率放大装置。由液压拖动装置作为动力所构成的伺服系统叫液压伺服系统。它是一个控制能源输出的装置，在其中输入量与输出量之间自动而连续地保持一定的符合一致的关系，并且用这两个之差来控制能源的输出。
        液压伺服系统由以下最基本的部分组成:即偏差检测器、转换放大装置(包括能源)、执行机构和控制对象。液压伺服系统同其它类型的系统相比，具有如下的优点:
        液压元件的功率－重量比和力矩－惯量比大，传递的力矩和功率很大。因此可以组成体积小、重量轻、加速能力强和快速动作的伺服系统，来控制大功率和大负荷。
        液压执行元件响应速度快，在伺服控制中采用校正装置可以使回路增益提高、频带加宽。液压执行机构传动平稳、抗干扰能力强，调速范围广，特别低速运行状态下的控制工作性能好。
        正是由于液压伺服系统有上述优点，随着自动控制理论的发展和各行各业自动化程度越来越高，液压伺服系统在国防、冶金工业、航空航天业和机器人中也得到越来越广泛的应用。液压伺服控制的研究显得更加重要。随着航空航天技术的发展的要求，希望有高精度高响应的液压伺服系统。伴随着工业技术发展，在军工产品上首先发展起来的液压控制技术逐步推广到各个工业生产部门。目前，大多数飞机的控制与操作系统都采用液压系统，在导弹方面、地面武器、民用工业也都大量应用了液压控制。随着自动控制理论的发展和各行各业自动化程度越来越高，液压伺服系统也应用得越来越广泛。在各类液压伺服系统中应用最广泛的是电液压伺服系统。这是由于电液压伺服系统综合了电气和液压这两方面的特长，具有控制精度高、响应快、输出功率大、信号处理灵活和易于实现各种参量的反馈等优点。[2]
液压伺服控制的特点及要求
        液压伺服控制系统需考虑环境和任务的复杂，存在较大的参数变化和外负载的干扰;非线性的影响，特别是阀控动力机构流量非线性的影响;工作的频宽大及静、动态精度的要求高。针对液压伺服系统的特点，因此其控制应需要满足以下要求:
        应尽量满足系统的静、动精度要求，严格的优化设计使系统做到快速而无超调;
        控制系统要有较强的鲁棒性;
        控制策略应具有较强的智能;
        控制律、控制算法应该力求简单可行、实时性强。
        系统应有较高的效率。
        液压伺服系统的经典控制理论，是采用基于工作点附近的增量线性化模型来对系统进行分析与综合，设计过程主要在频域中进行，控制器的形式主要为迟后、超前网络和PID控制等。目前液压伺服系统的经典控制理论已经基本成熟。对于一些频宽不太高、参数变化和外界干扰不大的液压伺服系统，采用经典方法进行设计已经能够满足工程需要。近年来，随着机械工作精度、响应速度和自动化程度的提高，对液压控制技术提出了越来越高的要求、液压控制技术也从传统的机械、操纵应用场合开始向航空航天和车辆与工程机械等领域扩展。在这种情况下，采用经典液压控制技术难以满足应用场合提出的对控制系统的要求。由此产生了新的液压伺服系统控制技术。
液压伺服系统控制技术的发展
        液压伺服系统控制是一门新兴的科学技术，直到20世纪50年代至60年代以后才逐渐发展起来。电液伺服控制技术最先产生于美国的 MIT，在第一次世界大战前，液压伺服控制曾用于海军舰艇中作为操舵设备，之后逐渐应用到飞机上。作为控制领域的一个重要研究对象，电液伺服系统的设计理论和方法一直受到控制学科的指导和启发，经历了从线性到非线性智能控制的发展历程。
        自从20世纪50年代麻省理工学院开始研究电液伺服系统的控制至以后的几十年中，电液伺服控制系统设计基本上是采用基于工作点附近的增量线性化模型对系统进行综合与分析。PID控制也因其控制律简单和易于理解受到工程界的普遍欢迎。然而，随着人们对控制品质要求的不断提高，电液伺服系统中PID控制的地位发生了动摇。这主要是由电液伺服系统的特性所决定的。首先，电液伺服系统是一个严重不确定非线性系统，环境和任务复杂，普遍存在参数变化、外干扰和交叉耦合干扰;其次，电液伺服系统对频带和跟踪精度都有很高的要求。如航空航天领域的系统频宽可达100Hz，已接近甚至超过液压动力机构的固有频率;另外，在高精度快速跟踪条件下，电液伺服系统中的非线性作用已不容忽视。因此，可以说电液伺服系统是一类典型的未知不确定非线性系统。这类系统扰动大、工作范围宽、时变参量多、难以精确建模。这些特点对系统的稳定性、动态特性和精度都将产生严重的影响，特别是控制精度受负载特性的影响而难以预测。例如，在材料试验机上，一般的动态加载多采用PID方式，对不同的试件，必须更改不同的PID参数，尤其是在材料变形的塑性区域，PID控制更加难以满足人们日益精细的控制要求。
        20世纪70年代末至80年代初，计算机技术的发展为电子技术和液压技术的结合奠定了基础。随后计算机控制在电液伺服系统中得到应用，使复杂控制策略的实现成为可能。自适应控制的引入在一定程度上提高了系统的鲁棒性和控制精度，并在解决许多工程问题上 发挥了积极的作用。但在大扰动或系统存在严重不确定性时，自适应算法将趋向复杂，造成实现上的困难。此外，它对非线性因素的处理能力也不尽人意。
        近年来，控制学科的发展推动了电液伺服系统智能控制的研究。对非对称的油缸系统，国内早期在WE试验机上有过研究;国外也进行了非对称油缸系统建模和Robust控制的研究，如使用双函数边界法，将阀口流量、缸体运动的非线性用线性不确定方程来描述，将非线性问题转化为参数摄动问题进行处理。此外，模糊控制、神经网络控制等非线性控制技术也都在电液伺服系统中取得了一席用武之地。尤其是在模糊控制方面，经过多年的研究与实践，已由最初的技术应用研究，逐步形成了系统化的模糊控制设计理论和方法，并在电液伺服系统中取得成功的应用[3]。
液压伺服系统的典型特征是低阻尼、时变性、非线性以及外干扰，很难得到系统的精确数学模型。运用传统的控制方法设计的控制器自适应能力和抗干扰性一般很差，不能获得满意的控制效果。在满足稳定性的前提下，使系统具有快速响应、控制精度高和鲁棒性好的控制性能，必须采用合适的控制策略。智能控制相对于经典、现代控制具有独特的性能，体现在:智能控制系统具有自适应、自学习、自组织的特点，而且具有很好的容错性、实时性、鲁棒性、多样性、适应性等特点。由此可见，电液伺服系统非线性智能控制研究的前景是十分广阔的。
智能控制在液压伺服系统中的应用现状
模糊控制
        模糊控制是在一定程度上模仿了人的控制，它不需要有准确的控制对象模型。因此它是一种智能控制的方法[4]。当今世界正面临着一场强劲的信息革命，而模糊理论的兴起正是这场革命的迫切需要。自从1965年美国 L.A.Zadeh 教授首先提出模糊集合和模糊控制的概念后，标志着模糊数学的建立。1974年英国教授E.H.Mamdani首先将模糊集合理论应用于锅炉和蒸气机的控制，此后许多国家都投入了大量的研究人员对模糊理论和模糊控制进行研究，并且产生了许多应用的例子。模糊控制得以广泛发展并在现实中得以成功应用，其根源在于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种系统的推理方法，因而能够解决许多复杂而无法建立精确的数学模型系统的控制问题，是处理推理系统和控制系统中不精确和不确定性的一种有效方法。模糊控制有其自己突出的优点:控制系统的设计不要求知道被控对象的精确数学模型，只需要提供现场操作人员的经验知识及操作数据;控制系统的鲁棒性好，适应于解决常规控制难以解决的非线性、时变及滞后问题;以语言变量代替常规的数字变量，易于构造形成专家的“知识”。
        但与常规控制理论相比，仍显得很不成熟。当已知系统模型时，已有比较成熟的常规控制理论和方法来分析和设计系统。但目前尚未建立起有效的方法来分析和设计模糊系统，它还主要依靠经验和试凑[4]。因此出现了许多常规控制理论和方法推广到模糊控制系统。在将模糊控制应用于液压伺服系统中人们也进行了的大量的工作，燕山大学刘坤结合具有典型非线性和时变特点的电液伺服系统，提出了一种模糊神经网络并行自学习鲁棒自适应跟踪控制结构。进一步又将其中的模糊神经网路结构改进为 T-S 型模糊RBF神经网络结构的控制方案。将模糊控制与遗传算法有机地结合起来，提出了一种基于遗传算法的模糊控制器优化方法，弥补了常规凭经验来确定隶属函数的粗糙方法。并将其应用于电液位置伺服系统，并进行了仿真。1998年Yongqian Zhao Sinh LeQuoc进行了电液压伺服系统模糊控制器的研究，仿真结果表明模糊控制可以解决电液压伺服系统的传统PID控制中不能解决的问题。如:液压伺服系统非线性、外界干扰大的等问题[28]。
模糊带修正因子的控制
        对于单输入或双输入的基本模糊控制器, 一般方法是: 首先离线编制模糊控制表, 然后将测量数据偏差或加上偏差的变化率, 乘以各自量化因子、转化为量化论域中的数值。进而通过查询模糊控制表, 得到量化论域中的控制量, 由其比例因子得到精确的控制量作用于被控对象。可见, 模糊控制表的编制是实现控制优劣的基础, 而模糊控制表依赖于测量数据的偏差或偏差及其变化率的各词集模糊子集的隶属度函数, 而每个隶属度函数本身的正确建立就是困难的。另外, 根据专家经验编制的模糊控制规则表在工程实践中也是一个难题。对于这些问题, 目前采取的一些方法主要是自动调整比例因子、量化因子或直接修改模糊关系矩阵。然而前者两个因子之间存在制约, 而后者计算量较大[8]。
        带修正因子的模糊控制是一种对误差和误差变化率的加权控制方案。传统的模糊控制规则仅考虑偏差及偏差变化率对控制量的影响，带修正因子的模糊控制引入复合变量，可使控制规则的结构更符合动、静态控制要求，并采用描述简单、带修正因子的增量算式:
U＝-＜αE＋(1－α)C＞
        式中:<>表示四舍五入的取整符号;α是可修正因子，为正数，且满足α∈[0，1]。
        一般情况下，α是非定常的，但根据过程控制的特点，调整α值从而实现改变控制的目的。修正因子的作用就是对增量算是的各项加权，体现了对各变量的注重程度[7]。孙建民根据路面-汽车系统的特点, 利用带修正因子的模糊控制算法, 而且利用LMS自适应模块调整模糊控制器的修正因子, 改善单一模糊控制算法对专家先期经验的依赖缺陷。针对简化的汽车模型, 以汽车操纵稳定性及行驶平顺性为控制目标, 进行了仿真计算及分析。又进一步在两自由度系统上进行了台架试验研究, 结果证明该算法对系统的振动控制具有较好的效果[8]。王培峰用在构造新的具有修正因子的模糊控制算法的基础上,进行了修正因子在线自学习算法研究及仿真实验，仿真表明带修整因子的模糊控制具有良好的自学习和收敛性[7]。
模糊自适应PID控制
        在工业控制过程中经常遇到大滞后、时变、非线性的复杂系统。其中有的参数未知或缓慢变化;有的存在滞后和随机干扰;有的无法获得精确的数学模型。自适应控制运用现代控制理论在线辨识对象特征参数，实时改变其控制策略，是控制系统品质指标保持在最佳范围内，但其控制效果的好坏取决于辨识模型的精确度，这对于复杂系统是非常困难的。因此，在工业生产过程中，大量采用的仍是PID算法，PID参数的整定方法很多，但大多数都以对象特性为基础。计算机的发展，人们利用人工智能的方法将操作人员的调度经验作为知识存在计算机中，根据现场情况的变化，计算机自动调整PID参数，这样就出现了智能PID控制器，这种控制器把古典的PID控制与先进的专家控制相结合，实现系统的最佳控制，它无需精确确定对象模型，只需将操作人员长期积累的经验知识用控制规则模型化，然后运用推理就可对PID参数实现最佳调整。
        由于操作者经验不易精确描述，控制过程中各种信号量以及评价指标不易定量表示，模糊理论是解决这一问题的一个有效途径，所以运用模糊数学的基本理论和方法，把规则的添加、操作用模糊集表示，并把这些模糊控制规则以及有关信息作为知识存入计算机知识库中，然后计算机根据控制系统的实际响应情况运用模糊推理，即可自动实现对PID参数的最佳调整，这就是模糊自适应PID控制。
        模糊自适应PID控制在常规PID调节器基础上，应用模糊集合理论建立参数Kp，KI和KD与误差绝对值│E│和误差变化率│EC│间的二元连续函数关系:
Kp＝f1(│E│,│EC│)
KI＝f2(│E│, │EC│)
KD＝f3(│E│, │EC│)
        根据不同的│E│和│EC│在线自整定Kp，KI，KD[11]。
        张春来从解决工程船舶直流电动机可控硅调速系统实际问题出发,运用模糊自适应PID 参数控制方法,完成了采用单片机控制的模糊自整定PID 参数控制器的设计,并进行了相关试验,证明此方法是可行性的[9]。周淼磊采用模糊自整定PID控制算法，经过实验验证取得了较好的效果。
模糊逻辑控制
        模糊逻辑控制是基于模糊推理和模仿人的思维方法，对难以建立数学模型的对象实施的一种控制，它是处理许多复杂而无法建立精确数学模型的系统控制问题的有效方法。模糊逻辑是由语言信息转化为控制策略的推理方法，模糊规则是定义在模糊集上的规则，常用“IF…THEN…”的形式，可用来表示专家的经验、知识等。模糊逻辑控制有以下主要特点:
        控制系统设计依据经验和操作数据，而不需要精确的数学模型;
        应用语言变量和模糊数学知识;
        能够处理复杂非线性系统，具有较强的鲁棒性。
自组织模糊控制
        由于模糊控制需要大量的控制规则，而模糊规则的建立是一项费时且不易的工作，并且当被控对象的特征发生变化时固定的规则和模糊参数往往不能达到理想的控制效果。这种情况下，具有根据系统性能指标自动调整模糊规则和参数的自组织模糊控制应运而生。
        自组织模糊控制:模糊基函数之中心值的均匀分布和状态分布的可能范围之大，无疑是问题的关键所在。若能在控制的实际过程中，根据其实际的变化情况来决定模糊基函数之中心值的分布:状态变化剧烈则分布密度增加，状态变化平稳则分布稀疏，通过动态调整来达到模糊基函数之中心值的合理分布。这样既保证了一定的精度，又不致盲目地扩大模糊基函数的分布密度，从而达到自适应自组织地构造控制器的目的。首先确定模糊子集中心值分布的最大密度。接着按照系统设计要求，指定下面的误差方程的极点。
模糊变结构控制
        然而大多数自适应控制器的设计都是基于被控系统的线性模型,虽然这种方法能够克服系统参数的变化对系统带来的不利影响, 但是不能保证系统的大范围稳定性, 只能是局部稳定的, 在一些给定的初始条件下, 这种基于系统线性模型的自适应控制方法可能失去稳定性。而变结构控制作为一种普遍的综合方法, 以其所具有的对系统参数变化的强鲁棒性和能够大范围稳定的优点, 而被广泛应用于飞机控制、机器人控制、卫星姿态控制等领域。变结构控制可以通过实时地改变控制器的结构达到有效地控制具有参数时变和外部干扰的受控对象。
        系统结构(或称为模型)可发生变化的系统,叫变结构系统。其中有一类特殊的变结构系统, 其控制有切换, 而且在切换面上系统将会沿着固定的轨迹产生滑动运动。这类特殊的变结构系统, 叫滑动模态变结构系统。变结构控制也叫滑块控制。其基本思想是首先将从任一点出发的状态轨迹线通过控制作用拉到某一指定的直线，然后沿着此直线滑动到原点。
三维/多维模糊控制
        普通模糊控制的跟踪性能和定位精度不高的原因在于偏差e的档次分得太粗，因此出现了双维或多维模糊控制技术。普通模糊在模糊控制系统中其核心部分使模糊控制器，在模糊控制中有很重要的作用，其控制规则由计算机程序实现。在三维模糊控制中，一般选误差信号e、(误差的一阶导数)和(误差的二阶导数作为控制的信息输入量)。经过大量的研究和实验证明：控制器的维数越高，控制精度也越高[19]。但随着维数的增加，其控制规则随指数规律增加给控制器的实现带来了难度。因此也限制了多维模糊控制器的应用。双模糊控制（有两个输入量，基本选用受控变量和输入给定的偏差E和偏差变化EC），当误差绝对值大于某一误差设定值时，采用Bang-Bang控制；反之，小于误差设定值时，采用模糊控制。此控制策略由于减少了误差的论域，分档可小些。但误差值要要适当；选择小了，大范围内都是Bang-Bang控制，输出上升快，但超调可能大些；选大了，可以减少超调，但输出上升慢。误差设定指适当时，这种控制器具有结构简单、快速准确、超调小及对参数不敏感的特点。目前赵国华进行了多模式控制在液压电梯速度控制的应用的研究，根据液压电梯运行速度曲线设计了带修正因子的模糊控制器，并在此基础上引入Bang-Bang控制，形成了多模糊控制，以解决误差及其变化率的分档次数多少可能引起系统滞后的问题。经实验表明该控制器对系统参数变化不敏感，具有很强的鲁棒性和抑制随机干扰的能力[10]。
神经元网络控制
        神经元网络控制神经元控制是模拟人脑神经中枢系统智能活动的一种控制方式。它具有适应能力和学习能力,而不依赖输入与输出问题的数学模型。它比专家系统具有更好的容错能力。神经网络是一种可以训练的非线性动力学系统,它呈现非线性动力学系统的许多特性,如李雅普诺夫稳定性、平衡点、平衡吸引子,混沌现象等。它具有非线性映射能力、并行计算能力、自学习能力以及强鲁棒性等优点。由于神经网络是对人脑思维过程的抽象的模拟,即它能实现人脑的某些高级智力活动,因而神经网络控制能达到以往传统的智能控制所不能或难以达到的控制性能指标。神经智能控制系统和神经计算机的结合将使高级智能控制系统性能更优、更易于实现,使智能控制系统获得极大的发展。如对于多过程的系统,可以运用大规模并行网络进行控制;而对于系统突发性或意想不到的异常现象,则可以通过神经网络的联想、推测及记忆进行控制。所以它对较复杂的液压伺服系统的控制,有着很广的应用前景[35]。在控制领域中得到广泛的应用,尤其是非线性系统领域。神经网络在控制系统中所起的作用[12],可大致分为四大类:
        是在基于模型的各种控制结构中充当对象的模型;
        充当控制器;
        在控制系统中起优化计算作用;
        与其它智能控制如专家系统、模糊控制相结合为其提供非参数化对象模型、推理模型及故障诊断等。
        候远龙采用基于神经元网络模型控制对电液伺服系统进行控制，并取得了满意的效果[16]。张若青、裘丽华利用输出递归动态神经网络对液压伺服系统的伺服阀进行状态监控与故障诊断, 不增加硬件设备, 方法简单, 便于实际采用。仿真结果表明, 本文所采用的方法不仅能够诊断性能变化较大的堵塞型故障, 而且还能够诊断故障征兆较小的泄漏型故障, 诊断的泄漏量可达到伺服阀满偏电流的10％[19]。
神经网络自适应控制
        电液伺服系统一般是一个有着较强非线性的控制系统, 由于液压系统中的软参数较多, 呈现出时变特性。随着工作状态的变化和各种干扰的影响, 系统参数和结构都有可能发生变化,从而给控制系统的设计带来一定的困难。传统的控制器由于一些固有的缺陷,难于满足系统高性能指标的要求。自适应技术的发展对提高这类系统的控制精度和鲁棒性起到很大的作用，但是在大扰动作用下，或系统存在严重的不确定性时，自适应算法趋于复杂，并可能引起非线性系统的不稳定。从理论上讲，神经网络能实现任意的非线性映射，因此它具有很强的对复杂非线性系统进行建模和控制的能力。
        神经网络是一种高度的并行结构，从而使它具有了传统控制方法无法比拟的快速处理能力和容错能力。神经网络具有泛化功能。通过训练之后对于不是样本集合中的输入，它也可以给出合适的输出。即是说，它能处理那些未经训练过的数据，并可获得相应于这些数据的满意解。这意味着它能处理那些有噪声或不完全的数据。
        把神经网络与自适应系统结合起来，或者说是把神经网络的一系列优点与自适应控制的自动补偿能力有机地结合起来的基于神经网络的自适应控制器是一种较好的解决非线性系统(如:液压伺服系统)较好的方法。
        从控制角度而言, 神经网络自适应控制包括直接自适应控制和间接自适应控制。间接自适应控制通常由神经控制器和模型两部分组成,用一个神经网络模型对被控过程进行辨识, 并通过它来调整神经控制器。辨识模型和控制器的参数可在每个采样区间内同步调整; 也可根据系统回路时间的要求进行异步调整。间接自适应控制不依赖于系统的数学模型, 具有良好的适应性。但是, 由于目前对完全已知的非线性系统也还没有系统的方法来设计控制器, 因此这种方法要确定合适的控制量使系统的输出误差为零, 也非易事。另外, 控制系统在工作过程中, 需要事先或在线辨识被控对象的神经模型, 运算量大, 且由于没有采用系统的直接输出误差来调整控制参数, 影响了控制精度。对不可重复过程和时变动力学系统, 训练困难, 在实际工程控制中实用性不大。直接自适应控制是直接根据过程的输出信息来优化控制参数, 它不需要预先知道系统的动力学特性或在线辨识系统的模型, 这一点也正是传统的自适应控制所不能解决的。这种控制器是直接根据控制精度设计的, 不需经过事先训练, 也不依赖于对象的辨识模型, 具有较好的动态响应性能和稳态精度, 网络权值的调整是一随时间关系的自适应收敛过程。但由于被控对象的未知特性,BP 学习算法无法直接应用。黄镇海[15]对液压伺服系统进行离线辩识,然后用神经网络的逆模型抵消伺服阀非线性,再用一个离散变结构控制器对液压伺服系统的线性部分进行控制,充分利用了变结构控制抵抗被控对象参数摄动的特性，从而既减少由于在线辩识造成的时间上的浪费和消除了辨识过程中局部的不准确性,同时又能满足控制系统稳、准、快的要求。邵剑宁[17]研究了带钢轨机液压伺服系统的神经网络自适应控制系统。建立了这种控制方法的数学模型。采用MATIAB 软件进行了仿真研究。仿真结果很好地拟合了理论分析。Yuan Kang等进行了对液压伺服系统神经元网络自适应控制的研究，试验表明人工神经网络自适应控制具有较好的鲁棒性[33]。
模糊神经网络控制
        模糊控制的前提是被控过程中经验的存在。除此之外，人们还必须能够将这些经验用控制率、语言变量和隶属函数描述出来。然而，在很多控制问题中，人们只知道各种过程量之间的关系，而不能将这些关系描述出来。在这种情况下可考虑使用具有学习功能的人工神经网络来描述这种关系。然而，人工神经网络不具备处理模糊信息的能力，需要大量描述工程特性关系的数据信息。将模糊逻辑和神经网络结合在一起, 形成模糊神经网络, 通过神经网络实现模糊逻辑系统的结构和推理功能, 同时网络的权值也具有明确的模糊逻辑定义, 从而达到了以神经网络和模糊逻辑各自的优点弥补对方不足的目的。因此，将二者结合起来，使模糊控制具备学习功能，使人工神经网络具备处理模糊信息的功能，进行判断和决策，这正是模糊神经网络控制的基本出发点。
模糊控制和神经网络二者各自的优势在于: 模糊控制易于获得由语言表达的专家知识, 能有效地控制难以建立精确模型而凭经验可控制的系统, 而神经网络则由于其仿生特性更能有效利用系统本身的信息, 并能映射任意函数关系, 具有并行处理和自学习能力，容错能力也很强。在集成大系统中, 神经网络可用于处理低层感知数据, 模糊逻辑可用于描述高层的逻辑框架。神经网络和模糊系统均属无模型控制器和非线性动力学系统, 但神经网络适合于处理非结构化信息, 而模糊系统对处理结构化的知识更有效。二者的结合有效地推动了自学习模糊控制的发展[13]。模糊控制和神经元网络控制相结合可以弥补各自的缺点，比如使连接权的物理意义明确，可以利用初始的模糊模型给网络赋予初值，改善收敛速度和提高泛化能力等。
        模糊神经网络的控制大致可分为三类：第一类是直接利用神经网络的学习功能及映射能力, 去等效模糊系统中的各个模糊功能块, 第二类是在神经网络模型中引入模糊逻辑推理方法, 使其具有直接处理模糊信息的能力, 第三类是把模糊系统和神经网络集成在一个系统中, 以发挥各自的优势。将模糊神经网络自适应控制方法引入了快速角位置电液伺服系统, 并结合BP算法, 解决了模糊控制系统中的参数不能自动调整的问题, 实验表明该系统较一般的常规PID控制,具有更高的快速性和动、静态精度, 能够适应一般非线性时变参数系统的控制要求[14]。
基于Takagi-Sugeno模型的模糊神经网络
        模糊系统的Takagi-Sugeno模型设输入向量x＝[x1, x2,… xn]T，每一个分量x均为模糊语言变量。
并设:
，
m＝1，2，…，n，
        式中
是xj的第j个语言变量值，它是定义在论域Ui上的一个模糊集合。相应的隶属度函数为:
(i＝1，2，…，n，j＝1，2，…，mi)
        Takagi和Sugeno所提出的模糊规则后件是输入变量的线性组合，即Rj:如果x1是 and x2是
and xn是 ，则yj＝pj0＋pj1x1＋…＋pjnxn  
        若输入量采用单点模糊集合的模糊化方法，则对于给定的输入，可求得对于每条规则的适用度为:

模糊系统的输出量为每条规则的输出量的加权平均，即:

式中，


遗传算法
        遗传算法是基于自然选择和基因遗传学原理的搜索算法,简单的遗传算法由复制、交叉和变异算子组成。它们分别模拟生物界中自然选择和群体遗传过程中发生的繁殖、交配和突变现象。遗传算法是一种随机优化搜索算法,它是求解复杂系统优化问题的通用框架,不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,能够同时搜索解空间的许多点且能充分搜索，而快速全局收敛,对待优化的参数集合进行编码而不是参数本身;操作都是在字符串上进行,只需要评价函数,而不需要其它形式的信息[20]。
        遗传算法是模拟生物的进化现象,并采用自然进化机制来表现复杂现象的一种概率搜索方法. 从理论上和实践中都已证明,进化算法能够在复杂的空间内进行有效的搜索,并具有强的鲁棒性. 将模糊控制与遗传算法相互结合,能达到取长补短的作用。一方面，模糊控制能够表达非线性和模糊性的系统知识,另一方面,通过遗传算法所拥有的全局和局部的搜索能力,使控制系统具有了学习能力。它首先通过编码将问题参数转化为遗传空间的基因型结构, 并用随机方法在解空间内产生一组初始解,即初始群体,再按照自然选择的原理, 即群体中适应度越高的个体获得繁殖后代的机会也越大的原则, 使用遗传算法中定义的交叉、变异算子来模拟进化过程,使群体不断优化,最终找到问题的最优解.从利用遗传算法来进行模糊子集的划分, 对模糊子集的隶属度函数进行优化这个方面, 将遗传算法与模糊控制结合实现模糊控制的优化。
        国内对遗传算法进行了大量的研究，但就遗传算法应用模糊控制进行液压伺服系统控制的研究很少。顾峻、沈炯等[21]通过使用遗传算法来调整模糊子集的隶属度函数,对模糊控制进行优化,使控制系统具有了学习能力,并针对隶属度函数的特点，提出了一种改进的编码方式和交叉算子, 加快了收敛速度. 对汽温仿真研究结果表明,使用遗传算法对隶属度函数进行优化,可以使系统具有优良的控制性能。方良周、刘得方等使用遗传算法进行MX80 液压挖掘机反铲工作装置优化, 探讨了数学模型的建立方法; 同时为了提高运算效率, 对遗传算法进行了某些改进, 实例计算表明该算法效率较高[22]。代宝江、高艳明等针对液压集成块设计费时、费力、质量不易保证的难点, 将遗传算法与液压集成块设计知识相结合, 对集成块进行了自动优化设计。根据元件编码的特点及其物理意义, 分别设计了相应的交叉算子和变异算子。并通过一系列实验的测试, 得出适于液压集成块自动优化设计的若干参数组合[23]。采用一种改进的遗传算法，并且成功地应用于充液拉伸机地二自由度PID控制设计，突破了传统二自由度PID控制器关于参数0＜α,β,γ＜1的限制，仿真及实际工作结果均非常好，改进的遗传算法除了具有基本遗传算法的操作简单、适应广泛、鲁棒性好等优点外，还具有更快的收敛速度与更高的效率及全局收敛性[24]。杨逢瑜、荆琴等采用Elitist 式的遗传算法实现了在逐代进化中对模型对象进行全局优化的目的。并且所采用的基于遗传算法的高阶系统模型的降阶能够达到工程应用的要求,而且实现方法简单。有效地解决了液压伺服控制系统考虑结构柔度影响时,系统模型将变为二自由度或多自由度系统,系统的特征方程将变为5 阶或者更高，而难以解析成典型环节,无法按经典理论进行动态分析的问题。史冬琳、冯玉昌等设计了一种基于伪并行遗传算法的数值型模糊控制器,通过采用线性加权型适应度函数,把多目标优化问题转化成了单目标优化问题,同时采用实数编码方法,大大降低了遗传算法的计算复杂性,提高了遗传优化的效率。针对解耦后的磨煤机被控对象提出了两步优化的方法,从而有效解决了磨煤机系统难以控制，模糊控制器参数难以确定的问题。仿真结果表明,经过遗传优化的模糊控制器具有较强的鲁棒性并具有较好的控制效果