仿人智能

仿人智能（共7篇）

仿人智能 篇1

1 引 言

电加热器在工业过程和实验室里有着非常广泛地应用,加热器的温度控制在生产和实验中都具有重要意义,但常规控制方法很难获得理想的控制效果,其原因主要是:加热器温度是具有较强非线性特性的对象,无法获得精确的机理模型,而用单一的线性模型近似降低了模型准确性,影响控制品质;温度的滞后特性往往导致控制决策的失误,出现响应缓慢、超调过大,甚至“飞温”现象。

近年来仿人智能理论在实际生产中的应用日趋广泛,尤其在电加热器温度控制中也得到了较好的应用,仿人智能控制的思想就是模拟人的控制行为功能,最大限度利用系统动态过程所提供的特征信息,及时调整控制器结构或参数,使控制更有效。常丹华[1]等人将智能控制方式与0.618优化理论相结合,靠智能化快速自寻优搜索,实现系统的调节和控制过程,避免了复杂的整定过程,但控制精度低,整定时间长。柏建国[2]提出了全压-制动比例-比例加变速积分的控制模式,并应用于电加热器温度控制中,控制效果有较大改进,但未完整指出控制切换的量化方法,根据经验选取的控制器参数不当,会导致控制品质恶化。仿人智能理论将控制分为暂态响应和稳态调节两阶段,利用开环控制来满足暂态响应的快速性,同时利用反馈控制来满足稳态调节的平稳无差要求,一定程度上克服了常规控制方法稳定性与快速性的矛盾,但控制器中很多参数都由以往实验数据或经验获得,控制器通用性较差;同时控制器的设计通常针对单一模型设计参数,这对于温度一类具有非线性特性较强的对象来说,很难获得理想的控制效果[3]。

本文针对上述问题,以“全压-制动-稳态”为控制器框架,辨识几种典型工况下的加热器模型组成多模型集,在不同控制阶段根据对象特性进行模型的切换或加权,再结合仿人智能理论设计控制器参数,增强控制器的通用性,旨在提高电加热器温度的控制品质。加热器主要注重于升温与恒温过程,对于降温过程本文暂不讨论。

2 加热器温度模型集获取

炉温的非线性特性表现在:炉温系统的控制量为电压,而电压的变化具有跃变性:如输出电压信号可从0 V跃变为最大负荷10 V,也可从当前电压跃变至0电压值,有明显可跳变性,由于非线性特性的影响,在增加或减少不同幅度的电压信号时,炉温的动态特性有较大差异;实验室加热器装置依靠电热升温,而降温时无任何主动措施,只依靠自然冷却,升温与降温机理的差异导致了模型的差异,在增加和减少相同幅度电压信号时,炉温的动态特性也有较大差异,存在正向升温和反向降温两种模型。

根据以上分析进行如下阶跃响应实验:在室温时,将电压信号由0 V增加到10 V(市压210 V),直至炉温平稳,获得全压升温响应曲线;再将电压信号由10 V降至0 V,直至炉温恢复到室温状态,获得全压降温响应曲线。同理在室温时将电压信号由0 V增加到1 V(市压66.4 V),平稳后降至0 V,获得小幅升温和小幅降温曲线。利用MATLAB辨识工具箱对模型进行辨识,得到传递函数如表1所示。由此将复杂的炉温非线性模型转化为全压升温、全压降温、小幅升温和小幅降温四种典型工况下的线性模型组成的模型集。由表1可知,当电压值上升和下降相同时,温度动态特性的差异主要表现在时间常数上,而静态增益基本相同;当电压上升或下降不同幅值时,则时间常数和静态增益都有较大差异,这也验证了温度的非线性特性。

3 控制器总体设计

仿人智能控制器的设计一般以“暂态响应-稳态调节”为基本框架,陈正[4]改进了仿人智能过程,将控制分为“继电器控制-比例-变速积分-微调”四个阶段,对大容量管式和箱式电阻炉的温度控制取得了较好的控制效果,但响应曲线仍有较大超调和振荡,其原因主要是没有考虑温度滞后特性带来的影响,在继电器控制作用一段时间后,即使将电压降至0 V,炉温仍会快速上升,而此时切换至下一控制作用,势必导致响应的振荡和超调;各控制阶段电压信号输出差异较大,因此相应的对象模型不同,采用单一模型设计控制器参数降低了控制精度。

针对以上不足,在暂态响应阶段采用全压、零制动两种模式:初始阶段将电压升至最大值,待加热到一定温度后将电压调零,利用惯性使温度继续上升;稳态控制阶段分为两区间:温度与稳态值较为接近时兼顾系统的稳定性和快速性,采用变速积分方法;当温度非常接近稳态值时,主要考虑系统稳定性,引入微分作用,采用常规PID控制[5],如图1所示。

4 暂态响应阶段切换控制

根据上节控制器设计方法,在暂态响应阶段采取“全压-制动”方法,若加速控制与制动控制的切换点选择得当,则系统的暂态响应性能达到最优且对稳态控制不会产生影响[6],以下说明切换点的估算方法。

加热器近似模型undefined与一阶惯性环节undefined的区别只在于响应向后推迟了时间τ,在响应初期全压上升,相当于施加一个控制信号为umax的开环阶跃作用,此时对象模型应为+10 V阶跃时所对应的辨识模型Gm+,可以求得在任一时间t对应的温度应为:

undefined

若无滞后,则响应值为:

θ2(t)=umaxK(1-e-t/T) (2)

如图2所示,假设初始阶段采用全压模式升温至大于τ的时刻t0切换为零制动模式,由于系统的滞后特性使响应延后时间τ,即在零制动模式下响应可持续至时刻t0+τ,温度值达到θ1(t0+τ),由式(1)、式(2)可得:

θ1(t0+τ)=θ2(t0) (3)

θ1(t0)=umaxK(1-eτ/T)+θ2(t0)eτ/T (4)

式(1)～式(4)说明,系统在全压模式下响应至t0时刻时切换至零制动模式,滞后特性使温度继续上升至θ1(t0+τ),若θ1(t0+τ)为暂态与稳态的温度切换点,则由式(4)可以求得全压模式与零制动模式的温度切换点θ1(t0)。

如图3所示,温度设定值为200 ℃,运用本文方法,可设暂态与稳态切换点θ1(t0+τ)为180 ℃,代入式(7)、式(8)得,全压与制动切换点温度θ1(t0)约为60 ℃,曲线1、2、3分别为切换点温度50、60、70 ℃时的响应曲线;采用文献[4]控制策略所得响应曲线为曲线4。

由图3可知,曲线1、2、3调节时间都在60 min以内,超调均小于设定值10%,当切换点按本文估算方法取60 ℃时,控制效果最佳,在20 min时即达到平稳,超调仅为1%;而文献[4]方法忽略了全压升温产生的惯性而直接切换至下一控制作用,因此响应曲线4出现了较大超调和振荡。

5 稳态多模型加权控制

任何控制都是由暂态到稳态的过程,在控制中系统由暂态过渡到稳态是通过切换实现的,两阶段控制策略并无内在联系,若切换点控制信号初值沿用上一时刻暂态阶段控制器输出值会造成控制品质恶化。这就需要确定切换点处初值,设在切换点控制器初值为up,可取up为切换温度点的稳态值。

undefined

多模型控制方法的实质是一种“分解-合成”思想:将复杂非线性对象分解成若干简单的线性对象组成模型集,通过某种调度或者切换机制来协调和统一所有的局部模型和控制器,在升温暂态响应阶段采用全压升温模式,相应模型切换至大幅升温形式;在稳态控制阶段温度一般存在频繁波动且幅度较小,因此可认为对象的模型与小幅升温、小幅降温两种工况接近,可采用以下切换和加权策略。

(1)切换策略。依据模型自身特性通过偏差变化率undefined的符号来判断对象模型:

undefined

当偏差变化率小于0时,系统对应的模型为升温模型,控制器参数为G+对应值;当偏差变化率大于0时,系统对应的模型为降温模型,控制器参数为G-对应值。

(2)加权策略。设在k时刻控制器实际输出为u(k),实时测得的温度值为y(k),u(k)作用于G+、G-所得的模型参考输出值分别为:

undefined

若k+1时刻G+、G-对应PID控制器控制量分别为u+(k+1),u-(k+1),则k+1时刻的实际控制量为:

undefinedundefined

记,

undefined

为模型偏差修正系数,则:

u(k+1)=αu+(k+1)+(1-α)u-(k+1) (9)

由上述分析还可得:

undefined

即切换控制策略,可见加权是切换的一般形式,加入多模型方法后的控制器框图如图4所示。

如图5所示,温度设定值为200 ℃,曲线1～4分别为只采用小幅降温模型、模型切换、控制输出加权和只采用小幅升温模型的控制响应曲线。

比较分析可知:曲线1响应超调最大,曲线4响应速度最慢,在20 min后都出现震荡;曲线2、3有较好的控制品质,曲线3响应平稳,超调几乎为0,因此多模型方法可以获得更好的控制品质,采用加权策略得到的控制器输出比切换策略的控制精度更高。

6 结 论

针对实验室加热器升温过程,在仿人智能控制中加入多模型方法提高了模型精度,在暂态响应阶段采用“全压-零制动”模式使响应速度达到最优,同时又避免了控制作用对稳态阶段的影响,利用辨识所得模型参数确定全压与制动切换点的方法提高了控制器的精度和通用性,稳态控制阶段引入加权方法降低了对象非线性对控制效果的影响,控制品质有了很大提高。

参考文献

[1]常丹华,王新生,王兴英.一种大功率电炉的智能控制[J].工业仪表与自动化装置,1994,(3):34-35.

[2]柏建国.人工智能与控制决策[J].自动化与仪器仪表,1996,65(3):7-8.

[3]李祖枢,涂亚庆.仿人智能控制[M].北京:国防工业出版社,2003:98.

[4]陈正.一种专家智能炉温控制器[J].自动化与仪表,2002,2(16):2-3.

[5]李科.温控系统的智能PID控制算法研究[D].武汉:华中科技大学,2006:35.

[6]Adaptive and Optimal Control of a Non-linear Process Using In-telligent Controllers[J].Applied Soft Computing,2009,9:182-183.

仿人智能 篇2

关键词：倒立摆,自摆起及稳定控制,模糊仿人智能控制,仿真

在控制理论发展的过程中,某一理论的正确性及实际应用中的可行性不仅需要仿真来验证,也需要一个按其理论设计的控制器去控制一个典型对象来验证,倒立摆就是这样一个常用的被控对象。

对于倒立摆系统而言,自摆起倒立平衡问题的研究更加具有挑战性。要解决这个问题,就要设计一个控制器,使它能够将倒立摆的摆杆从竖直向下的自然状态摆动到竖直向上的位置,并在尽可能短的时间内使摆杆稳定至平衡位置附近。目前国内外针对此问题的研究已经很多,许多学者都从不同角度提出了解决方法。

仿人智能控制具有良好的响应速度,能妥善地解决控制过程中的稳定性和准确性、快速性之间的矛盾,但是由于频繁的模态切换易受外界的干扰,而模糊控制器由于对误差和误差变化率的模糊化,具有良好的抗随机干扰能力[1,2]。因此,把仿人智能控制与模糊控制相结合,应用于倒立摆系统的自摆起倒立平衡的控制中,保证了倒立摆系统的自摆起倒立平衡过程的快速性,提高了倒立摆系统在模态切换中的抗干扰性,取得了令人满意的效果。

1倒立摆系统的数学模型

一级倒立摆系统是由滑动小车、摆杆、导轨和驱动电机组成。在忽略了空气阻力和各种摩擦之后,系统可以抽象成由小车和匀质杆组成,如图1所示。

通过对系统的力学与运动学分析,建立系统的数学模型

$\{\begin{array}{l}({\rm M}+m)\ddot{x}+ml(\ddot{\theta }\cos \theta -\dot{\theta }{}^2\sin \theta )=u\\ ml\ddot{x}\text{c}\text{o}\text{s}\theta +ml\ddot{\theta }=mg\text{s}\text{i}\text{n}\theta \end{array}(1)$

为建立倒立摆的状态方程,将系统模型作如下变换

$\{\begin{array}{l}\ddot{\theta }=\frac{g\text{s}\text{i}\text{n}\theta +\cos \theta (-u-ml\dot{\theta }{}^2\sin \theta )}{l\left(\frac{4}{3}-\frac{m\text{c}\text{o}\text{s}{}^2\theta }{{\rm M}+m}\right)}\\ \ddot{x}=\frac{u+ml(\dot{\theta }{}^2\sin \theta -\ddot{\theta }\cos \theta )}{{\rm M}+m}\end{array}(2)$

式(2)中,u为加在小车上的控制作用,θ为摆与垂线的夹角(以竖直向下为0°,竖直向上为180°),$\dot{\theta }$为摆的旋转角速度,$\ddot{\theta }$为摆的旋转角加速度,$\dot{x}$为小车水平方向速度,$\ddot{x}$为小车水平方向加速度[3,4]。φ是摆杆自起摆至竖直位置所摆动的角度范围,φ=π-Q。

2一级倒立摆系统模糊仿人智能控制器的设计

一级倒立摆系统是典型的单输入多输出的非线性多变量系统,系统内各变量间存在着很强的耦合作用,且这种耦合作用将随系统的运动而不断变化。考虑实际的可能情况,本文将一级倒立摆系统的自摆起倒立平衡分为两个阶段:自摆起控制阶段和稳定控制阶段。

2.1 自摆起控制阶段

自摆起是倒立摆从一个稳定的平衡状态在程序外力的作用下转移到另外一个平衡状态。在这个过程中,要求摆起快速,但又不能过于超调。仿人智能控制具有开、闭环控制相结合以及定性决策与定量控制相结合的多模态控制的特点,

为此本阶段以仿人智能控制为主。摆起阶段的控制规则如下:

if$e\dot{e}>0$且$\dot{e}>w{}_0$then u=U

if$e\dot{e}<0$且$\dot{e}>w{}_0$then u=-(U+b)

if$\dot{e}<w{}_0$then u=0

其中,e表示摆角偏差,$\dot{e}$表示摆角的变化速度。U为一正作用,b为一正常数。w0表示偏角变化速度的阈值。给小车施加控制作用u,称为激振起摆。在激振起摆的过程中,控制作用不断地增加单摆的摆动动能来达到起摆的目的。当控制误差趋于增加时,仿人智能控制器发出强烈的控制作用,抑制误差的增加;而当误差有回零趋势或开始下降时,由于摆杆左右摆动时间不均,再加上惯性、摩擦等因素的影响,小车左右运动的幅度会不一样,进而导致小车在摆动过程中逐渐移向一侧,以至于发生撞墙,所以采用不对称的控制作用。同时,为防止摆杆速度过大,使摆杆到达倒立点时速度为零,不产生过调,可在适当的时刻令u=0,以避免起摆过量。

2.2 稳定控制阶段

设偏差e=π-θ,e0为偏差阈值,当e≥e0时为自摆起控制阶段,而当摆杆距离目标倒立点的偏差e<e0时,系统进入稳摆阶段。为了提高系统的抗干扰能力,此阶段以模糊控制为主。

倒立摆的稳定控制不仅要考虑到摆杆的倒立和平衡,而且还要使小车稳定在期望的位置。本文把小车的位置和速度作为输入量,组成一个位置模糊控制器,把模糊控制器的输出看作摆杆的一个虚拟角度,乘以一定的虚拟系数后与摆杆的实际角度一起作为角度模糊控制器的输入量[5],其结构示意图如图2所示。

位置模糊控制器和角度模糊控制器都是两输入单输出模糊控制器。位置模糊控制器是以小车位移误差e1和小车速度误差$\dot{e}$1为输入,以u1为输出量。角度模糊控制器是以摆角偏差e和偏差变化率$\dot{e}$为该模糊控制器的输入,u为控制输出量。变量的论域都取[-3,3],均采用七级分割,表示为[NB,NM,NS,ZO,PS,PM,PB]。

为了实现模糊系统的反模糊化,本文选择重心法,它是取模糊隶属度函数曲线与横坐标围成面积的中心为模糊推理最终输出值。

2.3 切换控制

切换控制器用来完成仿人智能控制器和模糊控制器之间的切换。一旦摆杆到达了合适的位置并具有适当的角速度,即当e<w0就应该切换到稳定控制器。稳定控制器有效的范围大概在正上方位置的±20°附近(以摆杆竖直向上为0°),在此范围内模糊控制器对倒立摆的控制作用是有效的。设定阈值为20°,仿人智能控制器具有在线特征辨识功能,会通过模式识别当前的角度来确定系统当前处于什么样的特征状态,决定是接受起摆控制器的控制还是稳摆控制器的控制。如果当前摆杆角度距离正上方大于或等于20°,接受起摆控制器的控制,需要通过几次摆动积蓄一定能量,摆杆摆动的幅度越来越大,直至当前角度小于20°,切换至稳定控制器的控制,使摆杆稳定在倒立平衡位置附近,完成自摆起稳定控制。切换控制仿真实现时可由switch开关来完成,为了避免可能出现的小车的剧烈摆动或摆杆的抖振现象,可以在20°左右取一个区间[15°,30°],在这个区间内的控制器的输出量取全值的80%,当摆杆偏角大于30°或小于15°时,输出量恢复全值。这种切换式的结合方式,可以保证无扰切换,实现平滑过渡。

3 仿真及分析

根据以上讨论过的一级倒立摆系统的状态方程和输出方程,在Matlab环境下利用Simulink仿真工具构造一级倒立摆对象的非线性模型,运用文中介绍的模糊仿人智能控制方法来建立控制器的模型,测试控制效果。仿真曲线如图3所示。

从仿真曲线可以看出,小车经过7个来回的运动将倒立摆摆起,之后系统稳定在平衡位置附近,整个过程不超过9 s。即在9 s的时间内,摆杆由竖直向下位置摆动到竖直向上的位置,φ的弧度是0 rad→π rad。同时,摆杆摆起至离正上方0.27 rad(15.5°)附近由仿人智能控制器切换至模糊控制器,摆杆到达平衡位置附近时快速平稳而没有出现角度剧烈变化的现象。文献[6]中倒立摆系统在起摆过程中摆杆要经过8次往返摆动,到达稳摆控制区域大概需要12 s的时间。相比之下,本文的控制算法能够更加快速完成起摆及稳摆过程,有效地抑制了系统的抖振,改善了控制效果。

4 结论

运用模糊仿人智能控制对一级倒立摆系统进行自摆起倒立平衡控制,在自摆起阶段采用仿人智能控制,完成快速起摆的过程,平稳切换至稳定控制阶段后控制策略变换为模糊控制,将倒立摆稳定控制在平衡位置附近,实现了对倒立摆系统的自摆起倒立平衡控制。设计思路简单易行,具有较好的控制效果。

参考文献

[1]刘琛,周军.倒立摆变结构控制系统的设计与实验.科学技术与工程,2007;7:1351—1354

[2]苏玉刚,张邦礼.仿人智能模糊控制器及其仿真分析.重庆大学学报(自然科学版),2002;25(4):55—60

[3] Yi Jianqiang,Naoyoshi Yubazaki,Kaoru Hirota.Anewfuzzy controllerfor stabilization of parallel-type double inverted pendulum system.Fuzzy Sets and Systems,2002;126:105—119

[4]么健石,龙德,徐心和.基于动觉图式的平面倒立摆摆起控制.东北大学学报,2005;26(6):531—534

[5] Suriya Thongchet,Suwat Kuntanapreeda.A Fuzzy-neural bang-bangcontroller for satellite attitude control.The Journal of KMITNB,2001;11(4):11—17

仿人智能 篇3

随着工业控制技术的发展,P C机作为上位机在工业控制领域中己占据主导地位。Win CC(Windows Control Center)是由西门子推出的集监视、控制和数据采集等于一体的组态软件。能够对自动控制设备和生产过程进行有效的监视和控制。但是它的数据处理功能不够好,不容易实现复杂控制算法。而M A T L A B是一种用于科学工程计算的高级语言,由于它具有强大的数值处理能力和丰富的工其箱,使得它在许多学科领域中成为计算机辅助设计与分析、算法研究与应用开发的基本工其和首选平台。如果能将Win CC和MATLAB相结合,利用M A T L A B语言实现复杂控制算法,再使用Win CC实现数据采集功能和友好的人机界面,就有利于发挥W i n C C和M A T L A B各自的优势。

2 OPC技术及Win CC

OPC是OLE for Process Control的缩写,是基于Windows随工业自动化发展而兴起的一种新的数据交换技术[1]。

Win CC提供了对O P C技术的支持,通过O P C服务器,外部程序可以实现与Win CC控制系统的数据交互,实现产品开发过程的实时控制。W i n C C提供了三个OPC服务器:OPC—DA Server、OPC—HDAServer、OPC A&E Server.通过OPC—DA_Server,我们可以获取产品开发过程中的实时数据[4]。并实时改变产品开发过程中相关控制变量的值,完成对产品开发过程的有效控制。如图1所示。

3 Matlab与Win CC之间的数据交换

Matlab是Math Works提供的一个专用软件,它在数据回归分析、矩阵处理,数据校正,实时曲线绘制等众多方面都具有强大的功能。另一方面,在Matlab7.0及以上版本中,集成了O P C工具包,利用此工具包,Matlab可以实现与OPC服务器的连接,并读写OPC服务器中的相应变量的值[3]。基于此,我们利用Matlab中的0PC工具包来实现Madab与Win CC的0PC服务器的连接,这样Madab就可以存取产品开发过程中的实时变量值,对实时数据进行校正,并绘制产品开发过程中指定变量的实时趋势线,以便于操作人员随时了解产品开发过程中操作条件的变化。

利用MATLAB中的OPC工具箱构建Simulink模型,建立与Win CC6.0OPC服务器的连接。在Simulink模型文件中放置O P C工具箱中的O P C实时配置模块(OPC Config Real-Time)、OPC读模块(OPC Read)和OPC写模块(OPC Write)[2]。在OPC实时配置模块添加Win CC6.0的OPC服务器,在O P C读模块中添加数据项SP和PV,OPC写模块中添加数据项PV,这样便完成了Win CC6.0与MATLAB之间的数据链接。其中控制算法在M函数(MATLAB Function)中实现,误差初始化是通过时钟功能完成,从而在M函数中实现了误差的积分和微分,如图2所示。

4 控制算法的设计

4.1 仿人智能积分原理

不论具有纯滞后环节的生产过程转,还是没有纯滞后环节的生产过程参数的控制都需要有一个好的算法,作为P I D这种形式的算法虽然在广泛地应用在生产过程中,但它的这种结构存在先天不足,如何解决只能是结构上加以改变,保留、吸收好的“基因”,剔除原来不好的“基因”,使它成为功能齐全的先进算法。

众所周知,在控制系统中引进积分控制作用是减小系统稳定误差的重要途径。常规PID控制中的积分控制作用对误差的积分过程如图3(3)所示。这种积分作用在一定程度上模拟了人的记忆特性,它“记忆”了误差的存在及其变化的全部信息。依据这种积分作用产生的积分控制作用有以下缺点:其一,积分控制作用针对性不强,甚至有时不符合控制系统的客观需要;其二,由于这种积分作用只要误差存在就一直进行积分,在实际应用中导致“积分饱和”,会使系统的快速性下降;其三,这种积分控制的积分参数不易选择,而选择不当会导致系统出现振荡。

造成上述积分控制作用不佳的原因在于:这种积分控制作用没有很好地体现出有经验的操作人员的控制决策思想。在图3(3)的积分曲线区间(a,b)和(b,c)中,积分作用和有经验的操作人员的控制作用相反。此时系统出现了超调,正确的控制策略应该是使控制量在常值上加一个负量控制,以压低超调,尽快降低误差。但在此区间的积分控制作用却增加了一个正量控制,这是由于在(0,a)区间的积分结果很难被抵消而改变符号,故积分控制量仍保持为正。这样的结果导致系统超调不能迅速降低,从而延长了系统的过渡过程时间。

在上述积分曲线的(c,d)段,积分作用增加一个正量的控制有利减小回调。但在(d,e)区间积分作用继续增强,其结果势必造成系统再次出现超调,这时的积分作用对系统的有效控制帮了倒忙。

为了克服上述积分控制作用的缺点,采用如3-(4)中的积分曲线,即在(a,b)、(c,d)及(e,f)等区间上进行积分,这种积分能够为积分控制作用及时地提出正确的附加控制量,能有效地抵制系统误差的增加;而在(0,a)、(b,c)及(d,e)等区间上,停止积分作用,以利于系统借助于惯性向稳态过渡。此时系统并不处于失控状态,它还受到比例等控制作用的制约。

这种积分作用较好地模拟了人的记忆特性及仿人智能控制的策略,它有选择地“记忆”有用信息,而“遗忘”无用信息,所以可以很好地克服一般积分控制的缺点。它具有仿人智能的非线性积分特性,称这种积分为仿人智能积分。

4.2 PID参数的改进

由上一节分析我们知道,消除积分作用的不良影响,唯一的方法就是划分Ⅰ、Ⅱ、Ⅲ、Ⅳ区方法。

它是在Ⅰ、Ⅲ区使积分动作,Ⅱ、Ⅳ积分不动作,具体如图4。

于是增量形成的PID算式为

Ⅰ、Ⅲ区

从二式的比较可以发现后一式比前一式在Ⅱ、Ⅳ区要合理一些,取消了积分项,可以使输出更贴进实际,应用的效果更好。

仿人智能积分PID控制原理框图如图5

5 系统组成与设计

定义水箱的液位给定值与测量值差值E=S P-P V并作为控制器输入。液位定义为50厘米和25两种情况。过程控制器采用SIEMENS S7-300PLC,CPU为315-2PN/DP,信号模块SM321,SM322,SM334等。上位机Win CC6.0主要实现人机交互界面,是系统主控,功能包括:现场界面显示、控制数据的输入输出、历史趋势曲线绘制、实时趋势显示等。PLC与Win CC采用PROFIBUS-DP通讯方式,特点是高速、实时、长距离。其开发过程是:

(1)在Win CC6.0中建立一个工程,添加SIEMENS S7 PROTOCOL SITE.chn驱动程序,建立PROFIBUS-DP通讯方式与S7-300PLC连接。

(2)创建变量。根据需要在Win CC6.0建立内存变量和I/O变量,配置变量的类型和各种属性。温度过程定义为PV,温度给定定义为SP,电动调节阀的开度值定义为u(t)。

(3)制作图形画面。根据系统监控需要建立实时趋势记录曲线。

(4)利用MATLAB中的OPC工具箱构建Simulink模型,建立与Win CC6.0OPC服务器的连接。编写控制算法的M函数。

6 系统仿真

仿真结果

结果表明,仿人智能积分控制算法由于引进了智能积分控制,大大地提高了PID控制系统的稳态精度。同一般的PID控制器相比,仿人智能积分控制算法具有稳态精度高的优点。同常规PID控制相比,这种控制算法又具有响应速度快、超调小等优点。因此,这是一种实现智能控制的较好算法。

7 结束语

本文叙述了使用OPC技术实现组态软件Win CC6.0与M ATLAB的通信方法,通过二者之间的函数调用,在控制系统中方便地实现各类复杂控制算法,使MATLAB在实际控制中得以广泛应用,大大简化了控制系统中复杂控制算法的编制及运算过程。该方法具有编程简单、容易实现、运行效果能满足要求的优点。

参考文献

[1]苏妹,王忠民.OPC数据访问服务器的研究与实现[J].微计算机信息,2006,7:ll-13.

[2]赵红洲,潘西明.基于OPC协议的数据集成实现与应用[J].微计算机信息,2006,25:29-31.

[3]张志涌.精通MATLAB7[M].清华大学出版社.2006.6.

仿人智能 篇4

仿人机器人是近年来发展起来的综合学科.它集中了机械工程、电子工程、计算机工程、自动控制工程以及人工智能等多种学科的最新科研成果, 代表了机电一体化的最高成就, 是目前科技发展最活跃的领域之一[1]。

可变形是仿人机器人改变自身尺寸、高低和大小的一种重要能力[2]。由中国科学院沈阳自动化研究所信息服务与智能控制实验室研制的可变形仿人机器人SIAHMR-I上身躯干由分布在不同平面的微型电动推杆群组成, 在对上身躯干某一尺寸进行控制时, 所控制的电动推杆位置量与该尺寸存在非常严重的非线性关系, 而且与其他关节尺寸存在较严重的耦合关系, 本文选择较简单的BP神经网络, 不仅其训练简单和技术成熟, 而且实际实现时较为简单;由于人体躯干关节尺寸的不规则和随意性, 对某一关节尺寸进行运动规划分解时, 本文采用了基于专家经验的模糊控制策略可以解决该问题且在进行具体实际实施时较为容易, 对于仿人机器人的仿人尺寸变化国内目前没有此类研究, 因此本文所作的研究工作意义重大。

1 可变形仿人机器人SIAHMR-I末端执行机构

SIAHMR-I的上身躯干末端执行机构统一采用的是微型电动推杆系统。每个微型电动推杆由N20减速电机、减速机构、M4丝杆和位置电位计等组合而成, 实际的中央控制器采用Atmel公司的AVR mega16。通过Matlab/Simulink中的Sim Mechanics工具包将Solidworks机械模型图导入Simulink中进行建模仿真, 经过简化相关参数、线性化处理等[3]可得微型电动推杆的传递函数为:

对微电推杆的控制采用传统的PID控制器, 利用工程凑试法[4]对PID控制器参数进行凑试, 得当Kp=12, Ki=0.1, Kd=3.2时, 可以取得较好的控制效果, 微电推杆的控制阶跃响应曲线如图1所示。

在电推杆的实际控制中, 由于电位计输出电压信号和电推杆输出呈现较严重的非线性正比关系, 因此在实际的位置控制中采用通过控制电位计输出电压的方式来达到控制电推杆位置的效果。利用微型单片机实现控制算法时, 采用增量式数字PID算法较宜。

SIAHMR-I的微电推杆实际控制结构如图2所示。

2 BP神经网络设计

SIAHMR-I上身躯干末端执行机构由12对自制微型电动推杆分布在空间的三个不同方向通过中心固定机械轴从上到下固定到不同的平面上, 对称的一对微型电动推杆放置在同一个平面上, 被设计为一个CAN智能节点, 挂接在CAN总线上与PC机进行通信, 由PC机经过控制器运算后发送相应的位置指令至每一对微电推杆, 从而实现SIAHMR-I上身躯干各关节的尺寸变形。SIAHMR-I上身躯干机械结构图如图3所示。

在此以腰关节为例进行叙述, 没有特别说明下文中所提及的都是针对腰关节, 上身躯干的其他关节与腰关节类似。

虽然搭建腰关节的机械结构较为简单, 但是想通过传统的状态空间或是通过简单曲线拟合想找出腰关节的尺寸与组成腰关节的三对微电推杆位置量的关系过于复杂且不利于实际工程应用。经过分析, 在腰关节的尺寸与组成腰关节三对微电推杆位置量之间, 存在一个数学几何意义上的复杂的非线性函数关系, 神经网络优异的函数拟合能力使它成为对具体形式来知的函数进行模拟的最佳选择之一[5]。BP神经网络利用样本点输入输出的对应关系训练网络, 使其达到在容忍范围内良好的模拟效果, 从而可以利用该网络模拟事物的响应特性。理论上已经证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数[6]。

首先, 确定BP网络的结构。由于正常的人体腰围关节和每层的微型电动推杆具有对称性, 因此可以由3对电动推杆的不同对的3个来确定人体尺寸。网络的结构采用具有2个隐含层 (采用带有偏差的双曲正切S型激活函数) 和1个输出层 (采用线性激活函数) 的BP神经网络来进行拟合, 隐含层有3个输入L1、L2、L3和一个腰围关节尺寸参数输出C, 如图4所示。

其次, 采样得到样本输入和输出。经过在SIAHMR-I上进行运行测试, 选取样本输入输出测试数据如表1所示。

最后, 进行仿真训练。本文中选用的BP神经网络采用的是4-2-1的结构, 即两个隐含层, 第一个隐含层4个神经元, 第二个隐含层2个神经元, 一个输出层。在Matlab中进行训练, 训练的参数选择为:

1) 仿真步长:50

2) 学习速率:0.4

3) 训练代数:4000

4) 训练误差mec:1e-3

5) 仿真结果:

C=0.6638 0.6919 0.7373 0.8016 0.86170.8937。

为避免实验存在的偶然性, 经过多次仿真均得到了较好的函数拟合效果, 证明了方案的可行性。神经网络的编程实现就是一系列的加法和乘法运算, PC机实现神经网络运算的速度较快, 经过适当的处理效率很高。为正确反映人体腰关节特征, 本文在实际应用时对神经网络的输入端进行了不同程度的限幅, 相对提高了网络的速度和效率。

3 模糊控制器设计

对于SIAHMR-I上身躯干来讲, 最终输入的是与人体相关的关键尺寸如胸围、体宽和腰围等, 而不是直接输入各个微电推杆的位置量, 因此需要将SIAHMR-I的尺寸向三对微电推杆尺寸分解。由于此过程的建模相对过于复杂, 且实现难度过大, 同时又为了保证微型推杆变化可以真实、正确的表征人体, 因此选择采用模糊推理的方式进行匹配分解, 同时与神经网络形成闭环控制策略, 从而得到理想的控制效果。

3.1 定义隶属度函数

模糊控制器的输入量有两个, 即误差e和误差变化率ec;输出量有三个, 即前侧微电推杆位置量L1、两侧微电推杆位置量L2和后侧微电推杆位置量L3。

为了使运算速度快, 对输入变量采用最简单的三角形/梯形隶属度函数, 对输出变量采用单点的隶属度函数[7]。

系统的输入输出隶属度函数如图5所示。

3.2 模糊控制规则集

模糊控制设计的核心是总结工程设计人员的技术知识和实际操作经验, 建立合适的模糊规则集[8]。

通过一系列的实验发现:在SIAHMR-I腰关节尺寸变化时, 起主要作用的是L1 (前侧推杆) 和L2 (侧推杆) , L3 (后推杆) 仅仅起到一个辅助的作用。

对于正常的人体腰关节来说, 无论胖瘦, 就变化范围而言:L1>L2>L3。L1、L2、L3对于不同的腰关节尺寸而言变化趋势大致相同, 得到L1, L2, L3的3x5模糊控制规则集是一样的, 模糊论语不同, 如表2所示。

3.3 解模糊

由于输出隶属函数为单点, 解模糊运算非常简单[7], 有:

式中, win为各规则的激活强度, fin为输出隶属度函数中各单点值。

4 仿真分析

SIAHMR-I腰围关节尺寸的整体控制结构框图如图6所示。

在Matlab/Simulink中进行仿真整个腰围关节控制系统的响应曲线如图7所示。

可变形仿人机器人SIAHMR-I的初始腰围关节初始尺寸为0.65m, 最大尺寸为0.90m, 给定尺寸需要在这两者之间。从图中可以看出。控制响应曲线较好, 系统存在一定的静差, 是由模糊控制器本身存在的零点静差所导致, 在实际的变形过程中, 这种误差是可以容忍的, 证明了控制方案的正确性。

5 结束语

本文提出了一种基于神经网络、模糊控制和传统控制相结合的仿人变形机器人的控制方案。该方法避免了难以测量的变形机器人的圆周尺寸, 且不依赖系统精确模型。在正常的人体尺寸输入情况下, 取得了较好的控制效果, 相比较于传统和现代的控制方法, 基于神经网络和模糊控制的变形控制避免了开发周期长、调试困难等问题, 使整个仿人变形机器人能够可靠高速的运行, 证明了此种控制方案的可靠性。

摘要：针对可变形仿人机器人建模难, 本文提出了一种基于传统PID控制、通过神经网络进行函数拟合和利用模糊控制进行尺寸分解的可变形仿人机器人的尺寸变形控制策略。在Simulink/SimMechanics环境下, 调试末端执行机构PID控制器, 训练BP神经网络进行函数拟合和设计模糊控制器, 实现了对可变形机器人腰部关节的尺寸变形控制。通过实验证明了本文所提出的控制策略的正确性和可靠性, 为进一步的实际应用提供了可靠的理论依据。

关键词：PID,神经网络,模糊控制,仿人机器人

参考文献

[1]谢涛, 徐建峰, 张永学, 强文义.仿人机器人的研究历史、现状及展望[J].机器人, 200224 (4) :367-377.

[2]李允明.国外仿人机器人发展概况[J].机器人, 2005 27 (6) :561-571.

[3]阮毅, 陈伯时.电力拖动自动控制系统-运动控制系统[M].北京:机械工业出版社, 2009:25-33.

[4]WuYun feng, Zhu Ming, Fu Ke-chang.Feedforward and Feedback Control of an Inverted Pendulum[C].Advanced Materials Research Vols.328-3302011:2194-2197.

[5]邵良杉, 王军, 孙绍光.神经网络拟合函数方式的研究[C]管理科学与系统科学研究新进展.江苏省:河海大学出版社, 2005:924-931.

[6]丛爽.神经网络、模糊系统及其在运动控制中的应用[M].安徽:中国科学技术大学出版社, 2001:13-19.

[7]张乃尧.倒立摆的双闭环模糊控制[J].控制与决策, 1996 11 (1) :85-89.

仿人智能 篇5

这项题为“仿人机器人双臂/躯干运动规划研究”的研究成果发表于《中国科学信息科学》英文版2010年第8期上 (http://www.springerlink.com/content/u03538764146v806/) , 是由上海交通大学自动化系的邢登鹏博士和苏剑波教授完成的。

到目前为止, 已经有一些仿人机器人机型能够实现稳定的行走与跑步功能, 但是在大多数的研究中通常将手臂简化为配重, 而忽略了其对运动稳定性的补偿作用。由于手臂子系统的多自由度和非线性以及上、下肢的运动耦合等原因, 还没有相关研究规划仿人机器人模仿人类的上身运动, 尤其并没有就手臂强有力的摆动对系统稳定性的影响进行相关探讨。而观察人类的运动行为可知, 上身运动, 尤其是手臂的摆动, 能够加快整体的运动速度、提高系统的稳定性。由此可见上身的作用是非常明显的, 而仿人机器人如何生成类似人类的上身运动以及如何提高系统稳定性, 正是该文的研究内容。

该研究首先分析机器人运动过程中的地面作用力矩, 并将系统自转转矩分离出来作为补偿对象;分析了手臂摆动对整个机构运动的影响—合理的摆动能够大幅度补偿系统的自转转矩, 从而避免因地面摩擦力矩不够而引起的支撑脚打转现象;以ZMP点为参考点, 提出躯干自转和双臂摆动两种补偿策略, 用以补偿系统自转转矩, 进而提高双足运动的稳定性。该双臂摆动用以模仿人类行走和跑步的运动模式, 而采用躯干自转来模仿人类无臂时的快速运动状态。研究从能量消耗的角度对这两种规划方法进行了比较, 并对机器人手臂长度的优化设计提供了参考。研究者使用正在开发的仿人机器人模型对研究结果进行了仿真验证, 证明所提出的两种运动方式能够很好地补偿系统自转转矩, 提高系统的运动稳定性, 并能克服地面摩擦变化对机器人运动的干扰。

仿人机器人运动数据计算与分析 篇6

仿人机器人的运动规划是依据人类活动而进行的。因此, 研究人体运动姿态可以为仿人机器人运动规划提供依据。现在常用的人体步态数据获取方法有基于视频和图像的采集方法和采集物理信号的采集方法。基于视频和图像的采集方法主要是通过多摄像机来标定身体上预先设置好的点的位置, 或者是通过工作空间多个2 维图像来确定位置[1,2]。通过该方法获得的标记点的空间坐标参数, 需要通过计算与分析, 才能获得与仿人机器人进行运动匹配的关节数据[3]。

1 建立仿人机器人简化模型

文章选取仿人机器人腿部结构进行计算和分析, 根据仿人机器人的结构特点, 建立仿人机器人腿部简化模型, 如图1 所示。并建立局部坐标系T和空间坐标系S。

2 仿人机器人腿部关节角度计算

通过视频采集运动捕捉系统采集的腿部标记点的数据, 结合旋量理论中逆运动学方法, 可以求解出腿部各关节的角度信息。

在不考虑仿人机器人的踝关节运动情况下, 仿人机器人的每一条腿有3 个自由度, 分别是髋关节左右转动 θ1角度和前后转动角度 θ2, 膝关节前后转动角度 θ3。实验过程中, 选取人体髋关节点q1、膝关节点q2和踝关节点q3处作为标记点, 通过动作捕捉系统获取标记点的空间坐标。

根据旋量理论中正运动学方法知,

机器人运动学正解映射gst:Q→SE (3) 有以下形式:

式中:gst (θ) -当关节矢量 θ= (θ1, θ2, …, θn) 已知时, 此时坐标系T相对于坐标系S的相对位姿;gst (0) -当机器人处于参考位形时, 坐标系T相对于坐标系S之间的相对位姿[4]。

运动旋量公式:

运动旋量指数函数变换公式:

根据图1 所示的腿部简化模型, 选取腿部直立姿态为参考位形, 得到坐标系T相对于坐标系S的相对位姿:gst (0) , 选取腿部标记点q1、q2、q3, 髋关节和膝关节三个转动轴的矢量:ω1、ω2、ω3。根据运动旋量公式可求得三个转动关节对应的运动旋量为:ξ1、ξ2、ξ3。根据运动旋量指数函数变换公式可得:

根据视频采集动作捕捉系统所得的人体数据, 可以得到坐标系T相对于参考系S的期望位形gd=gst (θ) , 将上述公式带入公式 (1) , 利用Paden-Kahan子问题可以求解出腿部各关节的转角 θ1、θ2、θ3, 具体推导过程不再详细介绍。

3 结束语

文章通过对仿人机器人运动规划所需的关节角度数据的获取方法进行阐述, 详细介绍旋量理论中逆运动学在仿人机器人运动数据的获取中的应用, 为仿人机器人的运动数据获取提供参考。

摘要：仿人机器人动作设计所需的运动数据的获取, 多数采用通过视频采集运动捕捉系统获取人体运动的数据, 将所得数据与仿人机器人简化模型进行定向匹配, 利用旋量理论中逆运动学计算求解, 得到仿人机器人简化模型的关节转角运动数据, 为仿人机器人仿真分析和控制提供参数。

关键词：仿人机器人,简化模型,旋量理论,逆运动学

参考文献

[1]Eberhart HDA.Fundamental Studies of Human Locomotionand other Information Relating to Design of Artificial Limbs[D].Berkeley:University of California, Berkeley, 1947.

[3]张利格, 毕树生, 高金磊.仿人机器人复杂动作设计中人体运动数据提取及分析方法[J].自动化学报, 2010 (1) .

浅析仿人机器人专利发展状况 篇7

仿人机器人是集机械、电子、计算机、材料、传感器、控制技术、人工智能、仿生学等多门科学于一体的技术学科, 代表着一个国家的高科技发展水平, 是目前科技发展最活跃的领域之一, 同时也是未来智能产业的主要发展方向。因此, 仿人机器人的研制具有十分重大的价值和意义。

1国内外研究现状

自1969年Vukobratovic等人提出双足机器人稳定性判据理论ZMP以来, 近半个世纪国内外仿人机器人的样机设计取得了突破性的进展, 其中尤以日本、美国最为突出。国内仿人机器人起步较晚, 自1985年以来各高校取得了一定成果, 其中以哈尔滨工业大学、北京理工大学等最为典型。

2仿人机器人专利分析

2.1国内外专利申请分析

在专利申请方面, 国内外专利申请量差距较大, 截止到目前, 国内申请量约为100件, 国外申请量约为750件, 其中国外专利申请量中, 日本申请约占350件, 美国约占250件, 欧洲约占100件, 其他约占50件, 如图1所示。

由图1可以看出, 在产业应用方面, 即从专利申请量来看, 国内落后于美国、日本等发达国家将近10-20年。

2.2专利申请方向分析

仿人机器人是一种多关节复杂机器人, 从宏观来看主要沿着结构、控制两大分支方向发展。对此进行专利申请量分析, 结果表明结构方面申请量几乎是控制的两倍 (其中结构为63%, 控制为37%) , 说明结构的改进是仿人机器人研究的热点。这是因为控制理论方法后继乏力, 相反结构的变化空间较大, 且考虑到专利申请及专利保护的现实性, 作者认为未来仿人机器人的专利申请还是围绕着结构的进一步改进与优化进行。

通过对结构分支专利申请量进行分析, 结果如图2所示。可以看出, 各国结构方面的研究主要集中在手指部, 分析原因, 这主要是因为手指部是结构和控制最为复杂的执行部件, 其直接反应了机器人的执行能力。

由以上专利分析可以看出, 仿人机器人结构方面的研究比控制方面的研究更具潜力, 而在结构方面, 又以手指部结构的研究最为活跃。

2.3仿人机器人手指部技术方展路线

仿人机器人的多数功能主要通过手部操作来实现, 因而手指设计水平的高低直接体现出仿人机器人的水平。通过专利分析可以看出, 手指结构主要分四大类, 分别是:钢绳驱动手指 (A) 、弹簧驱动手指 (B) 、齿形驱动手指 (C) 、智能材料驱动 (D) (混合型驱动根据其主要驱动形式将其归并到前四项) , 各类型手指结构如图3所示。

进一步对手指结构的专利申请量分析, 2009年以前手指结构主要采用钢绳、弹簧驱动, 2009年以后多采用齿形结构驱动。这主要是因为手指结构复杂、空间有限, 而钢绳和弹簧设计比较简单且节省空间, 因此在整体尺寸较小的手指设计中, 首选钢绳、弹簧驱动, 然而上述驱动方式使得控制过程复杂, 精度较低, 因此随着先进加工技术的进步, 易于控制且精度较高的齿形结构被引入到仿人机器人手指中, 其也是今后手指结构的主要发展方向。

3结束语

文章简单回顾了仿人机器人发展历史以及现状, 并进一步分析了仿人机器人专利申请量、申请方向以及手指结构, 表明仿人机器人在结构方面具有较大的改进空间, 随着国家战略发展方向的改变以及工业4.0的提出, 文章对于我国机器人企业的研发方向以及专利布局具有一定指导意义。

参考文献

[1]谢涛, 等.仿人机器人的研究历史、现状及展望[J].机器人ROBOT, 2002, 24 (4) :368-374.

[2]田秀司.仿人机器人[M].管贻生译.北京:清华大学出版社, 2007.