從第一臺數控機床誕生至今，數控機床的發展可謂日新月異。隨著科學技術和國民經濟的發展，對數控機床的要求也越來越高，要求數控機床具有高精度，高可靠性，作為數控機床的重要組成部分，由于伺服系統包含了眾多的電子電力器件，并應用反饋控制原理將它們有機地組織起來，因此在一定意義上，伺服系統的高性能和高可靠性決定了整臺數控機床的性能和可靠性。圍繞伺服系統動態與靜態性能的提高，近年來發展了多種伺服驅動技術。無論是從數控機床本體，還是從數控機床的控制系統的改進、控制策略的選擇都變得越來越嚴格，控制策略的融合，交叉，滲透也越來越多。

1、傳統的PID控制

　　PID控制（實際當中也有PI和PD控制）是根據系統的誤差，采用比例、積分、微分計算控制量的控制方法。PID控制器的出現已經將近80年的歷史，其結構簡單、穩定性好、工作可靠、調節方便，已經使其成為重要的控制技術之一。

　　PID控制器由比例單元（P）、積分單元（I）和微分單元（D）組成。其輸入e（t）與輸出u（t）的關系為

　　u（t）=kp[e（t）+1/TI∫e（t）dt+TD*de（t）/dt]式中積分的上下限分別是0和t，

　　因此它的傳遞函數為：G（s）=U（s）/E（s）=kp[1+1/（TI*s）+TD*s]

　　其中：kp比例系數；　　TI積分時間常數；　　TD微分時間常數

　　當我們不完全了解一個系統和被控對象，或不能通過有效的測量手段來獲得系統參數時，最適合采用PID控制技術。它用途廣泛、使用靈活，只需設定三個參數（Kp，Ti和Td）即可。控制方法比較簡單。

　　但是在交流伺服系統中，因為外界干擾較多，且目前對交流伺服系統的控制多需建立數學模型，而自整定要以模型為基礎，閉環工作時，要求在過程控制中插入測試信號。而加入測試信號則會引起擾動，所以基于數學模型的PID參數自整定在工業應用中不是太好。

　　而隨著控制策略的發展和越來越廣泛的應用，很多的科學家都提出可以將現代控制理論和智能控制策略引入數控機床的控制系統中。這些代表控制策略有神經網絡（尤以BP網絡應用最多），矢量控制，直接轉矩控制，滑模變結構控制，非線性控制，模糊控制等，而目前較為流行的是神經網絡和矢量控制，或是他們之間的融合和交叉，亦或是用遺傳算法等優化這些控制理論，以期達到更好的控制效果，加強系統的穩定性。本人主要介紹神經網絡。

2、神經網絡控制

　　2.1 生物神經元的結構

　　神經元，又稱神經組織，是構成神經系統結構和功能的基本單位，是大腦處理信息的基本單元，以細胞體為主體，由許多向周圍延伸的不規則樹枝狀纖維構成。它主要由細胞體（Cell body）、樹突（Dendrite）、軸突（Axon）和突觸（Synapse）組成。

　　2.2 人工神經元網絡

　　人工神經元網絡ANN，也簡稱為神經元網絡，是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。人工神經網絡具有非線性、非局限性、非常定性、非凸性四個基本特征，它是涉及神經科學、思維科學、人工智能、計算機科學等多個領域的交叉學科，具有自學習、聯想存儲、高速尋找優化解等功能，并在很多領域已得到了很好的應用，并與模糊邏輯、專家系統、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等融合，越來越多的應用到控制領域的各個方面，因為它為解決大復雜度問題提供了一種相對來說比較有效的簡單方法，對于數控系統這種較為復雜的控制系統，引入神經網絡的控制方法可以更好的增強數控系統的穩定性。

　　2.3 單神經元控制器在交流伺服系統中的應用

　　依據交流伺服系統的控制性能要求，可以設計出圖2所示的單神經元自適應PID控制器。

　　圖中轉換器的輸入反映被控過程及控制設定的狀態，r（k）為設定值，y（k）為輸出值，x1（k），x2（k），x3（k）為經轉換器轉換成的單神經元學習控制所需要的狀態量；wi（k）為對應于xi（k）的加權系數；K為神經元的比例系數，K>0。

　　2.4 BP神經網絡在交流伺服系統中的應用

　　BP（Back Propagation）神經網絡是20世紀80年代年由Rumelhart和McCelland為首的科學家提出的，是一種按誤差逆傳播算法訓練的多層前饋網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成的，是應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，不需要預先揭示描述的映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播不斷調整網絡權值和閾值，使網絡誤差平方和最小。

　　BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。輸入層神經元負責接收外部輸入信息，并傳遞到中間層每個神經元；中間一層為內部信息處理層，負責信息轉換，根據信息變化能力需求，中間層可以設計成單隱層或多隱層的結構，最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，這個過程一直到網絡輸出誤差降低到可以接受的水平，或者預先設定的學習次數為止。

　　BP網絡由于其具有逼近任意非線性函數的能力，而且結構和學習算法簡單明確，當與傳統的PID控制器相結合后可以直接對被控對象進行閉環控制，并且可以使k p、k i、k d三個參數在線整定；神經網絡也可以根據數控系統的運行狀態對PID控制器的三個可調參數k p、k i、k d通過神經網絡的自學習調整權系數，從而使其穩定狀態對應于某種最優控制基于BP神經網絡的PID控制器結構示意圖如圖3所示：

圖3 基于BP神經網絡的PID控制器結構示意圖

3、結語

　　本人針對常規PID控制器的不足，以神經網絡PID控制理論為基礎，設計了單神經元自適應PID控制器和基于BP神經網絡的PID控制器，為仿真做好了準備。

　　本文只是提出了BP神經網絡對在數控交流系統中的控制器的設計方法，并未對其進行仿真，故其性能還未可知，故需進一步對其性能進行仿真研究，以確定此控制器在實際應用中的效果。