恒压力调节泵神经网络专家智能协调控制系统该系统由控制器、专家智能协调器、学习机制、压力调节泵等组成。由专家控制器（EC）和神经网络控制器（NNC）一起形成知识共享和并行控制结构的复合控制器与被控泵形成闭环系统完成实时控制。专家智能协调器在线实时监测被控系统性能，依据系统性能在线调整控制器，从而有效地进行控制。学习机制根据系统控制误差和控制量提供训练神经网络的导师信号，实现NNC对EC记忆和自学习修正。系统首先启动基于知识的EC，它根据自己知识库中的规则和算法对系统进行控制，同时训练NNC使之通过学习和总结专家控制的执行过程，学习如何去完成同样的任务。在EC教会NNC后，NNC停止学习并承担起控制任务，而不再需要EC的再次干预，从而避免了大量的搜索和推理，改善了整个控制系统的实时性。同时由于神经网络的联想和泛化能力，也提高了系统的控制品质。

　　在上述控制结构的基础上，结合文献4，5，我们提出一种改进的基于FNN的专家智能协调控制系统结构，如所示，其中的模糊神经网络控制器（FN-NC）采取了常用的二维输入一维输出结构，如所示。负载流量辨识器在这里作为负载流量神经网络模型，实时辨识出泵输出的负载流量，并引入到FNNC，以实现系统运行状态的动态补偿。FNNC的另一输入端直接引入理想压力设定信号，使FNNC能在理想的压力轨迹附近学习，以提高FNNC实时控制性能。

　　由于知识库的控制规则和协调控制规则的规模小，推理机的搜索空间小，导致推理机简单，因而采用事件驱动型前向推理方法，不仅简单，而且其实时性反而比构造复杂的推理机制要好。因此，本文采用正向推理策略，将实时采样的特征信息{e（t）、c（t）、e1、e2、e3}事实与规则的前提进行匹配，成功即给出执行控制动作。

　　FNNC采用文献5提出的学习算法，FNN训练的误差定义为J=12<1e2（t）+2u2（t）>权重调整Wij（t+1）=Wij（t）+（1e（t）+2u（t））fi（p（t））fj（Q^（t））/ijfi（p（t））fj（Q^（t））其中，1、2为调整因子，可以现场调整。

　　实验研究应用所提出的基于FNN的专家智能协调控制算法，我们对所研制的电液比例轴向柱塞变量泵恒压力调节系统进行了大量的实验研究。系统组成如所示，它主要包括63CY14-1型基泵、变量油缸、先导阀、比例电磁铁、比例放大器、位移传感器、压力传感器、12位PCL711S转换板和PC586计算机。实验条件：油温455，控制过程学习率取06，控制采样周期定为20ms.

　　为控制器在线训练时的轨迹跟踪控制实验曲线，为控制器停止训练后的变轨迹跟踪控制实验曲线，曲线1为期望轨迹，曲线2为实际轨迹，曲线3为负载流量轨迹。以上实验结果表明，所提出的控制计算机电液比例变量泵恒压力调节系统算法具有很快的学习速度，控制器具有很好的回想和泛化能力。

　　和分别为控制器停止训练后，在负载流量阶跃干扰作用下的变轨迹跟踪控制和压力阶跃输入响应实验曲线。和0分别为仅在PID控制下，在负载流量阶跃干扰作用下的变轨迹跟踪控制和压力阶跃输入响应实验曲线。在和中，曲线1为期望轨迹，曲线2为实际轨迹，曲线3为负载流量轨迹。在和0中，曲线1为输出压力轨迹，曲线2为负载流量轨迹。

　　从以上实验结果看出，所提出的控制算法与传统的PID控制方法比，不仅能提高系统的跟随控制精度和缩短阶跃输入响应时间，也能使系统具有较强的抗干扰能力。