双输入ADLINE神经网络结构原理图Fig.2构造液压伺服系统的校正控制器的基本思想。把设定信号超前相移90b，并把设定信号和经过相移的信号分别作为输入p1和p2，并乘以w1和w1后进行叠加作为神经网络输出a，然后再送给液压闭环控制系统，通常取偏移量b为0.同时，让液压闭环控制系统的输出也经过一个同构的神经网络，其输出为ac，a与ac之差即网络输出的误差e，根据该误差，利用LMS算法调整各权值，从而实现多系统的同步。这样就在输入信号和液压系统中间增加了一个用于校正的ADALINE单层神经网络，根据LMS算法定义用第k次迭代时的误差平方e2（k）代替均方误差，利用*速下降法<6>可以得到计算此网络权值的基本公式：W（k+1）=W（k）+2Ae（k）P（2）校正控制器的原理图Figstheory式中，A是学习系数，e（k）是k时刻的误差。

　　从中可以看到，只要液压闭环系统的输出和设定信号之间存在误差，经过同构的ADLINE神经网络后此误差就必然在网络误差e上体现出来。于是由式（2）计算下一个时刻的权值，实时地调整w1、w2，经过叠加后使神经网络输出a的幅值和相位发生变化，由于a是伺服系统的直接输入，从而影响到系统的输出并使其朝着减小误差的趋势变化，直到误差消失，权值也*终趋于稳定，并使输出量和设定信号达到了一致。

　　多路液压控制系统同时采用此控制策略，也就能够实现协调动作。

如果A取值较大，学习速度较快，但系统在学习过程中将产生超调（（c）），如果太大还可能发散，但如果取值过小则学习速度很慢，很长时间都不能达到一致。仿真还表明，这种控制策略虽然能够改善系统的响应特性，协调多路系统的动作，但设定信号的频率必须限制在液压伺服系统频宽范围内，一旦信号频率超过系统频宽，将导致算法失效。此外，算法对力伺服系统同样有效。

　　在实际应用中算法失效很可能造成硬件的破坏，因此在调整A时对系统必须加必要的保护，本系统采取的保护措施是对权值w1、w2加适当的限幅。

　　结论本文提出的控制策略通过改善液压系统的响应特性实现其协调同步，能够减小各液压系统之间的耦合带来的影响，且参数调整也比较方便，易于在工程上实现，因而在实际的多点动态加载试验中取得了良好的控制效果。除了用于协调同步，此方法还可以应用于液压振动平台响应品质的改善以及一些非液压的控制领域。

　　此外，由于学习系数的选取有一定难度，若选得不合适可能导致系统发散，因而算法的收敛性以及学习系数的自动调整等问题需要进一步研究。