新一代大射电望远镜(LT)主要由悬索-馈源舱粗调系统和与馈源舱固连的精调 Stewart 平台子系统组成[1,2]。并联悬索-馈源舱子系统提供较大的馈源舱扫描工作空间，实现馈源舱轨迹跟踪的粗调;精调 Stewart 平台子系统在粗调基础上实现高精度轨迹跟踪。尽管采用精调平台能实现轨迹的精调，但轨迹精调是建立在悬索粗调的基础上的。因此，悬索的粗调就成为馈源舱轨迹跟踪精度能否达到要求的重要因素。由于轻型索驱动系统采用钢缆传动，钢缆的弹性变形、钢缆与轴之间的摩擦、以及钢缆松弛等一系列问题，使悬索-馈源舱系统是一个非线性慢时变大滞后柔性系统。常规 PID 控制是迄今为止最通用的控制方法，大多数反馈回路用该方法或其较小的变形来控制，而常规 PID 控制器及其改进型又是在工业过程控制中最常见的控制器[3]，尤其适用于能建立精确数学模型的确定性控制系统;另外，常规 PID 控制器中的参数通常由人工整定，由于一次性整定得到的参数很难保证其控制效果始终处于最佳状态。因此，对于悬索-馈源舱这样一个非线性慢时变大滞后柔性系统，常规 PID 控制器很难保证控制精度。文[4]提出了带有学习功能的多变量自校正调节器，得到了较为理想的结果，但不足之处是线馈源运动第一圈的跟踪误差较大。近年来采用 BP 神经网络的控制方法已日益引起人们的重视。BP 网络具有逼近任意有界连续非线性函数的功能[5]，通过网络自身的学习，可以找到最优的 PID 参数。将 BP 网络与 PID 控制相结合，既能够发挥神经网络学习能力和解决非线性问题方面的特长，又能够充分利用 PID 控制的有效性。为满足悬索-馈源舱子系统的性能要求，笔者提出用参数BP 网络自整定 PID 控制器来实现馈源舱轨迹跟踪策略。数值仿真证明了该方案的可行性。

1 LT 悬索-馈源舱轨迹跟踪参数 BP 网络自整定 PID 控制器的设计

采用经典的控制理论设计常规 PID，在实际应用中对悬索-馈源舱这样一个非线性慢时变大滞后柔性系统，往往无法达到令人满意的效果。相比之下神经网络控制是一种基本上不依赖于模型的控制方法，它比较适用于那些具有不确定性或高度非线性的控制对象，并具有较强的适应和学习功能。因此，神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最优组合的PID 控制。LT 悬索-馈源舱轨迹跟踪参数 BP 网络自整定 PID 控制系统结构

控制器由经典的 PID 控制器和神经网络(NN)组成， 神经网络的输出对应于 PID 控制器的 3 个可调参数PK ，IK ，DK 。通过神经网络的学习、加权系数的调整，使神经网络输出对应于某种最优控制律下的 PID 控制器参数[6]。这里采用 3 层BP 网络，网络结构。为反映 PID 控制器 3 类信号的特性，BP 网络的结构选为 3-5-3，