控制规则自调整（共6篇）
控制规则自调整 篇1
0 引言
传统PI控制,是直线感应电动机矢量控制中通常采用的一种经典控制方法。但直线电动机运行时某些参数会发生变化,而PI控制器不能及时调整自身的控制参数来适应这种变化,无法满足高性能的调速要求,表现出较差的自适应性与鲁棒性。模糊控制具有许多优良的控制性能[1],特别是模糊控制不依赖于控制对象的数学模型,可以兼顾系统的动态与静态性能要求,表现出很强的适应能力与鲁棒性[2]。因此本文提出了采用模糊控制技术构造自调整模糊控制器,以改善直线感应电机矢量控制性能,仿真结果表明,自调整模糊控制器的自适应性与鲁棒性较强,可以大大改善直线感应电动机的运行性能。
1 传统PI控制器直线电动机控制
在异步电动机矢量控制系统中,传统PI控制器常用于直线电机次级磁链与速度调节。常规PI控制规律为:
式(1)中:u(k)为传统PI控制器输出,y(k)、r(k)分别为被控系统实际输出和期望输出,e(k)为系统的偏差信号,Kp、Kl分别为传统PI控制器的比例、积分增益,K为采样时刻。
通过调整控制参数,传统PI控制器能够实现精度要求不高的异步电动机矢量控制,但不能满足高性能的调速要求,因为它是一种基于对象模型已知、参数不变基础上的线性控制,而且对于控制参数的整定,主要凭经验,一经整定基本不变,很难获得参数的全局性最优值,表现出较差的白适应性与鲁棒性。
2 自调整模糊速度控制器的设计
传统的PI控制器并不能使系统获得强鲁棒性和强抗干扰能力,需要继续开发新型的控制器来提高控制系统的鲁棒性。把模糊控制引入矢量控制系统有助于解决这些问题[3]。带有非线性行为和模糊推理的模糊控制在电机控制领域是一种非常有效的控制方式,并已得到了广泛的应用[4]。在常规或复合的模糊控制器中,量化因子K1、K2和比例因子K3是固定的,而它们的大小对模糊控制器性能的影响很大,显然选取一组定值不能满足系统动、静态两方面的要求。为此采用参数自调整模糊控制方式,所设计的模糊控制器采用量化因子、比例因子和模糊控制规则可调整的自调整模糊控制技术。自调整模糊速度控制器的总体结构如图1所示。
2.1 量化因子和比例因子自调整设计
量化因子和比例因子等参数调整的作用是根据误差和误差变化率,在线调整K1、K2、K3,使系统的动态特性、稳态性能更好地相互兼顾。对于本系统来说,调整规律是:当E、EC较大时,控制系统主要是要减小误差,加快动态过程,而E、EC不是主要矛盾,应取较大控制量,所以可缩小K1和K2,增大K3。当E、EC较小时,系统将接近稳定值,此时应该提高E和EC的分辨率,放大K1和K2,这相当于缩小了模糊控制器的死区,同时减小K3,使控制量的阶跃变化小,最终达到稳态误差小的要求。由以上分析可见,K1、K2的变化倍数和K3的变化倍数可以取成互为倒数[6]。
变化倍数用调整系数N来实现。调整因子N亦采用二维结构的模糊控制器。该辅助模糊控制器的输入信号仍为误差e和误差变化率ec,输出为比例因子的调整系数N。其中模糊变量E、EC划分为论域[-6,6]上的7个语言变量{NB,NM,NS,ZE,PS,PM,PB},而N定义在论域[0,4]上的7个语言变量{ZE,VS,S,MS,MB,B,VB}。为了增强系统的鲁棒型,该模糊控制器选对称、均匀分布、全交迭的三角形隶属函数。每次运行时,以最初设定的K1、K2对E和EC量化,由E和EC查询调整系数N的取值表,得出相应的调整系数N,使K1=K1*N、K2=K2*N、K3=K3*N,然后用修改后的K1、K2、K3进行新的量化和控制。该系统电机速度给定V*定为3m/s时,K1=20/3,K2=50/3,K3=1/4。
2.2 模糊规则可调整因子设计
对于一个常规的二维控制系统而言,在控制过程的初始阶段,系统的误差往往较大,控制系统的主要目的是消除误差,这时希望误差值在控制规则中的加权系数应大一些;反之,当控制过程趋向稳定阶段,系统误差已经较小,控制系统的主要任务是减小超调,使系统尽快稳定,这就要求在控制规则中,把误差变化率值的加权系数增大。因此,对于复杂过程的控制系统,在控制过程的各个阶段,对误差、误差变化率的权重应当有不同的要求。误差E、误差变化率EC和控制量U的论域等级划分相同:E=EC=U={-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},对于给定的输入E*,规则因子α的自调整公式为:
式中:αH和αL分别为规则因子的上、下限。
然后计算调整后的E、EC:E=αE*、EC=(2-α)EC*。这种自调整模糊控制器符合系统控制过程在不同误差值阶段要求有不同数值的特点,并且兼有自寻优的性质。本控制器取αH=1.3,αL=0.7。
3 仿真及结果分析
仿真模型运用MATLAB软件的Simulink[7,8]工具箱搭建,主要由速度控制器、电磁推力和速度观测器、电流控制器和直线感应电机模型4部分组成。直线感应电动机参数如下:(型号xy1809B-4.5CU2)次级电感L2=0.03mH;初级电感L1=2.7H;互感Lm=0.034mH;次级电阻R2=0.05Ω;初级电阻R1=0.05Ω;极距τ=4.5cm;极对数p=2;电机长度188mm×95mm;启动推力F=8N;额定气隙g=2mm;频率f=50Hz;同步速度Vs=4.5m/s。质量m=20Kg,采样周期Ts=20µs。自动控制系统的动态性能指标包括对给定输入信号的跟随性能指标和对扰动输入信号的抗干扰性能指标。本文将通过计算机仿真,将模糊控制与PI控制进行比较。
3.1 对给定信号的跟随性能
为了研究对给定输入信号的跟随性能,给定输入信号分别为单位阶跃信号、方波信号、斜坡信号、正弦信号。仿真结果如图2所示。
在给定输入信号的跟随方面,自调整模糊控制能够使系统对恒值输入的稳态跟踪差为零。对非恒值输入,如正弦信号也能较好的跟踪。动态跟随性能指标中,无超调,调节时间短,上升时间比PI控制短。
3.2 对扰动信号的抗干扰性能
输入信号为单位阶跃信号,0.5S给扰动输入信号为0.16N方波信号,0.7S去掉扰动信号,仿真曲线如图3所示:
在抗干扰信号方面,从仿真曲线可以得知,0.5S给扰动输入信号为0.16N方波信号,自调整模糊控制偏离稳态值不到0.01,而传统的PI控制几乎不具有抗干扰能力,明显自调整模糊控制比传统PI控制具有较强的抗干扰能力。模糊控制与PI控制性能指标比较见表1。
从以上表格可以看出,采用自调整模糊控制器直线感应电机控制系统的控制性能比采用PI控制有了较大幅度的提高,特别是动态性能方面各项控制指标有了成倍的性能提升。主要原因是直线感应电机在动态运行时其结构参数发生着变化,电机的数学模型也会不断发生改变。这样,不依赖于被控对象的精确数学模型的自调整模糊控制相比基于被控对象的精确数学模型的PI控制,具有较大的优越性。
4 结论
1)在给定输入信号的跟随方面:模糊控制能够使系统对恒值输入的稳态跟踪误差为零。动态跟随性能指标中,无超调、调节时间短。跟随性能比PI控制好。
2)在扰动输入信号的抗干扰方面:对扰动输入信号的稳态抗干扰误差,当扰动信号为方波信号时PI控制的稳态抗干扰误差为零。模糊控制对有界扰动保持抗干扰性能不变,即对不确定性扰动具有鲁棒性。
摘要：针对直线感应电机矢量控制系统因电机参数变化和负载波动等因素而性能变差的问题,提出了一种参数自调整模糊控制方法。该方法根据直线电机速度误差E和误差变化率EC的大小来自动修正速度模糊控制器的量化因子和比例因子,同时改变了E和EC作用的权重。应用MATLAB软件设计基于自调整模糊控制器的直线感应电机矢量控制系统仿真模型并进行仿真研究。仿真结果说明,这种参数自调整模糊控制方法能使直线电机控制系统的动态和稳态性能都得到提高,而且具有较强的鲁棒性。
关键词：自调整模糊控制,规则可调整因子,矢量控制,鲁棒性
参考文献
[1]王立新.模糊系统与模糊控制[M].北京,清华大学出版社:2003.
[2]诸静.模糊控制原理与应用[M].北京,机械工业出版社:2005.
[3]孙巨禄,苏鹏声,李永东.自调整模糊控制器在异步电机矢量控制系统中的应用[J].清华大学学报(自然科学版).2002,42(9):1151-1153.
[4]杨影,陶生桂,吴志红,刘友梅.磁浮列车直线感应电机控制的仿真研究[J].同济大学学报(自然科学版)[J],2006(2):244-248.
[5]施俊,等.基于单神经元PI调节的直线感应电动机矢量控制系统仿真与试验[J].电工技术学报.2003(4):94-98.
[6]Atencia J,Martinez.Control strategies for position of linearinduction motor:tests and discussion[J].Electric Machinesand Drives Conference,2003:1651～1655.
[7]黄永安,等.MATLAB7.0/Simulink6.0建模仿真开发与高级工程应用[M].北京:清华大学出版社,2005.
[8]薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用[M].北京:清华大学出版,2002.4.
控制规则自调整 篇2
但是模糊控制方法稳态精度较差, 波动性较大, 为了改善模糊控制效果, 本文采用参数自调整模糊控制的方法, 提高汽车空调模糊控制的控制效果。
一、汽车空调模糊控制的实现
将温度设定值与车内温度的差值及其变化率作为汽车空调模糊控制系统的输入控制量, 得到的输出控制量为鼓风机转速、混合风门开度、压缩机的启停和热水阀的开关。为了简化模糊控制器的设计, 根据模糊控制系统的分解原理, 二输入四输出的模糊控制系统可以分解为四个二输入单输出的模糊控制器。因此汽车空调模糊控制系统可分解为空调鼓风机模糊控制器、混合风门模糊控制器、压缩机启停模糊控制器和热水阀开关模糊控制器。汽车空调模糊控制原理图见图1。
二、模糊控制器参数自调整方案
根据模糊控制代数模型对典型的二输入单输出模糊控制器进行分析, 有:
式中:u为控制器的控制作用因子;ku为比例因子;f为非线性函数;e为偏差;ec为偏差变化率;ke和kec分别为偏差和偏差变化率的量化因子。本文利用模糊控制的方法, 对模糊控制器的量化因子进行在线调整, 其数学模型如下:
式中:α为调整因子, 其他符号定义同公式 (1) 。通过对调整因子α的在线调整实现对比例因子的调整, 从而优化模糊控制效果, 原理图见图2。
对于一个经典的二输入单输出模糊控制器, 量化因子ke和kec分别相当于模糊控制的比例作用和微分作用, 比例因子ku则相当于总的放大倍数。由实验数据和理论分析可以总结出量化因子和比例因子与系统性能的影响如下:
(1) ke对系统性能的影响
1) 越大, 系统调节惰性越小, 上升速率越快;
2) ke过大, 系统上升速率过大, 产生的超调大, 使调节时间增长, 严重时还会产生振荡乃至系统不稳定;
3) ke过小, 系统上升速率过小, 系统调节惰性变大, 同时也影响系统的稳态性能, 使稳态精度降低。
(2) kec对系统性能的影响
1) kec越大, 对系统状态变化的抑制能力增大, 增加了系统的稳定性;
2) kec过大, 系统输出上升速率过小, 系统的过渡过程时间变长;
3) kec过小, 输出上升速率增大, 可能导致系统输出产生过大超调和振荡。
(3) ku对系统性能的影构
1) ku增大, 相当于系统总的放大倍数增大, 系统响应速度加快;
2) ku过大, 会导致系统输出上升速率过大, 从而产生过大超调乃至振荡和发散;
3) ku过小, 系统的前向增益很小, 系统输出上升速率较小, 快速性变差, 稳态精度变差。
由上述分析可知, 要保证一定的系统稳态精度, ke应该足够大。根据实际对象允许的最大稳态误差, 按一定比例先取定ke然后由上述量化因子和比例因子对系统性能的影响关系, 可建立如下的参数调整规则:
(1) 当系统发散时, 则根据系统的发散程度以较大的幅度减小ku;
(2) 当系统振荡时, 则根据振荡的程度以适当程度减小ku;
(3) 当系统存在稳态误差时, 则根据稳态误差的程度以适当的幅度增大ku同时以较小的幅度增大kec;
(4) 当系统过渡过程较长时, 则根据过渡过程时间以较小的幅度减小kec;
(5) 当超调过大时, 则根据超调的大小以适当的幅度增加kec。
三、调整参数模糊控制器的设计
根据上述模糊控制器参数调整的原则, 针对汽车空调模糊控制系统, 本文采用单输入单输出的模糊控制器对传统的模糊控制器的参数进行在线调整。将温度偏差作为控制输入量, 输出控制量调整因子α按照式 (2) 对量化因子ke和kec进行调整。
温度偏差E的模糊论域取为[-5, 5], 模糊子集取为:
{负大 (NB) , 负小 (NS) , 零 (Z) , 正小 (PS) , 正大 (PB) }
隶属函数采用三角形隶属函数, 其曲线如图3所示:
输出控制量α的模糊论域为[0, 1]。当温度偏差较大时, 为了迅速减小偏差, 需要加大ke的权重, 因而就要求取较大的α;当温度偏差较小时, 为了减小温度的波动, 需要加大kec的权重, 选取较小的α;当温度偏差变化中等时, 为了防止温度变化过快而超过设定值, 应该选取中等大小的α, 所以其模糊子集取为:
{正小 (PS) , 正中 (PM) , 正大 (PB) }
隶属函数选择三角函数, 表达式如下:
隶属函数选择三角函数, 其曲线见图4。
通过上述分析, 可得到如下的模糊控制规则:
(1) if E is NB thenαis PB, 权重为1;
(2) if E is NS thenαis PM, 权重为1;
(3) if E is Z thenαPS, 权重为1;
(4) if E is PS thenαis PM, 权重为1;
(5) if E is PB thenαis PB, 权重为1;
四、汽车空调参数自调整模糊控制仿真分析
汽车空调模糊控制系统仿真由模糊控制机构仿真模块和执行机构仿真模块两部分组成, 把它们在Simulink中连接起来就可以得到所需的整个系统的仿真模型, 见图5。
根据模糊控制器参数调整原则和参数调整模糊控制器, 对传统的汽车空调模糊控制系统进行改进, 见图6。
将改进后的汽车空调模糊控制器与执行机构连接起来进行仿真, 仿真环境参数的设定如下:
(1) 夏天环境的仿真参数
当汽车处于夏天环境时, 车外温度较高, 假设为35℃, 空调开启前车内的温度也为35℃。车内乘客数目为2, 太阳辐射强度为0.2kJ/m2。我国的推荐车内设定温度值为25℃。
(2) 冬天环境的仿真参数
当汽车处于冬天环境时, 车外温度较低, 取为0℃, 空调开启前车内的温度也设为0℃。车内乘客数目为2, 太阳辐射强度取为0, 车内设定温度为18℃。
(3) 春秋环境的仿真参数
当汽车处于春秋两季时, 车外温度可取为25℃, 空调开启前车内温度也设为25℃。车内乘客数目设为2, 太阳辐射强度取为0.1kJ/m2, 车内设定温度为20℃。
根据四季不同的温度环境进行仿真分析, 得到不同环境下的与传统模糊控制的对比仿真曲线如图7所示。从对比仿真曲线可以看出, 参数自调整模糊控制器过渡时间与传统模糊控制器相比稍有延长, 这是采用调整因子加权, 使ke减小的结果, 对于车厢环境来说这段延长是可接受的。当系统进入稳态后, 参数自调整模糊控制器的温度波动较小, 稳态精度有了明显的改善, 这是当温度偏差较小的时候采用了较小的加权因子, 从而减小了ke, 增大了kec的结果。综上, 参数自调整模糊控制系统的控制效果与传统模糊控制器相比有了较大的改善。
五、结论
控制规则自调整 篇3
1 影响分离器压力控制的因素
1.1 羰基合成反应工艺
图1为羰基合成反应工艺流程图。稀烃(液体)由进料泵以一定流速经预热器泵入反应器1,合成气经调节阀降压后以一定压力(6.4MPa)送入反应器1,催化剂由循环泵以一定流速也泵入反应器1。在反应器中,稀烃与合成气和钴膦催化剂混合,在串联的三个管式反应器内发生羰基合成反应(高压6.4MPa),总停留时间约6小时,生成脂肪醇,反应罐内介质为气液混合物,过量的合成气经气液分离后以一定流速直接放空。反应后的生成物为一种气液混合物,需要进行两次分离才能得到产品:第一次分离为气体与液体的分离(在0.5±0.1MPa低压条件下进行)反应后多余的合成气通过管道放空,分离后的液体是催化剂与产品的混合物;第二次分离主要是催化剂与产品(液态)的混合物在真空状态下通过蒸馏的方式进行分离。
1.2 影响气液分离器压力的因素
反应器3出口的压力为6.4MPa,介质为气液混合物,同时气体中还含有大量H2、CO等易燃易爆有害性气体,而分离器只能在低压(0.5±0.1MPa)状态下工作。如此高的压差、介质又是气液混合物,大大增加了控制的难度。在国内目前还没有专门生产的纯机械结构的压力恒压控制阀,由美国进口的调压阀也仅对气体或纯液体有效,而对气液混合物却无能为力。分离器中介质的压力可认为是一典型的一阶惯性环节,但稀烃进料量的波动引起的压力变化、合成气压力的波动、催化剂进料量的波动引起的压力变化以及相邻反应罐压力的波动均会导致分离器压力的波动。一旦失控,将造成低压管线的崩裂,甚至人身伤害和爆炸事故。因此分离器压力恒压控制是羰基合成反应各环节中最为关键的一个环节。
若采用智能电磁调节阀作为压差调节器,则由于介质流体的快速特性及调节阀的机械惯性,很难实现高压差下的低压恒压控制。经过对生产工艺、调节阀特性及流体特性的分析,拟采用两级减压、中间加缓冲罐的控制方案,即缓冲罐压力、分离器压力各由一个控制器与电磁调节阀进行控制。在诸多压力波动因素中,由稀烃进料量波动引起的压力△P较小,可通过采用恒速电机拖动进料泵控制流速;合成气压力波动引起的压力波动△P可通过提高气体压力调节器的控制精度削弱;催化剂进料量的波动引起的压力波动△P可通过控制电机速度加以控制;然而相邻缓冲罐压力只受本罐控制器的控制,其压力的波动(即△P)规律或趋势却无法预测。作为分离器的控制器只能根据检测的实时压力值与给定压力的差值及趋势得出由控制算法决定的输出,从而对电磁调节阀开度进行相应的控制,而对于相邻缓冲罐由串级耦合引起的压力扰动却无法实现及时、有效的控制,待扰动到来对被控压力产生影响,使被控压力偏离给定值时,再由本罐控制器进行有效调节又需要经过一定的滞后时间,这早已造成气液分离器压力的偏差,从而使压力精度达不到工艺要求,正是这种控制回路间的关联即单向串级耦合,造成了压力的较大偏差与失控。
2 在线自调整智能模糊控制系统的设计
对于羰基合成反应中由于单向串级耦合引起的压力偏差,常规的解决方法一般采用前馈控制或解耦控制。前馈控制的原理是:当扰动出现时,通过前馈控制器直接对扰动进行补偿,而不是等扰动对被控对象产生影响使被控对象偏离给定值后,再去进行补偿。但前馈控制使用的条件是:扰动量必须是可测的。而气液分离器的控制器却无法感知相邻缓冲罐的压力变化也无相应的控制算法来解决这种扰动;解耦控制的原理是:通过专门的解耦装置使各控制器只对各自相应的被控对象施加作用,从而消除回路间的相互影响,借助于计算机控制系统,利用专门的控制算式来消除彼此间的有害关联,使它们成为彼此间独立的控制回路[2]。但解耦控制着重于解决变量间的相互关联问题,而对于羰基合成反应中的单向串级耦合并不完全适用。为此,本研究根据羰基合成反应工艺的特殊性,基于解耦控制的基本思想,设计了一个在线自调整智能模糊控制系统。
2.1 系统硬件控制原理
系统硬件组成如图2所示。整个系统以工控机作为上位机,选用台湾研华工业控制计算机,其配置为:CPU:PⅣ/1.7G,内存256MB,硬盘40GB,17英寸液晶彩显;缓冲罐与气液分离器的压力控制器采用单片机构建的专家PID智能化压力仪表,压力调节则采用电磁调节阀实现。工控机与缓冲罐、气液分离器智能化仪表以及羰基合成反应中的所有过程参量控制仪表均通过RS485串行总线组建成一个分布式计算机控制系统。上位机应用国产工控组态软件(KingView)开发基于Windows操作平台的可视化操作指导友好界面,各工艺参数的控制及检测则采用国内智能化二次仪表完成DDC控制。上位机与智能二次仪表之间的控制与通信采用在组态王软件中添加该公司通信协议的方式实现。
2.2 在线自调整智能模糊控制器的设计
在线自调整智能模糊控制器的基本设计思想是:在上位机上进行设计,借鉴人工手动控制的丰富经验,仿制人工手动控制的基本原理,应用模糊控制思想设计一个软件控制器,依靠上位机KingView与缓冲罐、气液分离器智能控制器之间的串行通信功能,实时监测相邻缓冲罐压力及变化趋势,然后由模糊控制器做出控制决策,其输出可下传至气液分离器控制器E2PROM中,通过改变分离器控制器中的PID值,达到前馈控制或解耦控制的目的,从而消除或减小由相邻罐压力关联引起的压力误差。模糊控制器原理如图3所示。
2.2.1 模糊变量的确定
对于羰基合成反应系统,选气液分离器作为控制对象。模糊控制器采用双输入、双输出模糊控制器。输入语言变量为缓冲罐压力误差和误差变化率,输出语言变量为控制量。取缓冲罐压力给定值与实时值的差值e=rt-yt作为模糊控制器的一个输入变量,将缓冲罐的压力误差变化率de/dt作为第二个输入变量,而将气液分离器控制器的P值作为输出变量1,将气液分离器控制器的I值作为输出变量2。
2.2.2 精确量的模糊化
由于模糊控制器的输入语言变量值为精确量,而在模糊控制器内部参加运算的量为模糊量,故需将模糊控制器的输入端输入的精确量转换成模糊量。现将缓冲罐压力控制目标设定为2±0.2MPa,这里±0.2MPa为误差允许范围,也称误差的基本论域。气液分离器的压力控制目标设定为0.5±0.1MPa。误差、误差变化率和控制量的基本论域分别为[-e,e]、[]和[-u,u]。语言变量的值是基本论域上的某一确定值。将[-e,e]分成2n等份,便得到(2n+1)个分隔点,这些分隔点即为模糊集合论域元素。取n=3,误差相应模糊集合论域为X={-3,-2,-1,0,1 2,3},则误差e的量化因子ke=3/20。将e的基本论域分成正大(PB)、正中(PM)、正小(PS)、零(0)、负小(NS)、负中(NM)、负大(NB)。采用模糊统计法可得e的各模糊子集的隶属度表,如表1所示。其中,xi表示模糊集合论域元素;E表示误差e的某一模糊子集。
设误差变化率e的基本论域为[-15,15]。取n=3,模糊集合论域为Y={-3,-2,1,0,1,2,3},则误差变化率的量化因子。将的基本论域分成5个等级:PB、PS、0、NS、NB。通过总结操作者的实践经验,可得描述的各模糊子集的隶属度表(这里从略)。
同理,控制量u1的基本论域可取[-60,60],取n=3,模糊集合论域为Z,={-3,-2,-1,0,1,2,3},则控制量u1的比例因子ku1=3/60=1/20,将u1的论域分成7个等级:PB、PM、PS、0、NS、NM、NB。控制量u2的基本论域可取[-30,30],取n=3,模糊集合论域为Z2={3,-2,-1,0,1,2,3},则控制量u2的比例因子ku2=3/30=1/10,将u2的论域分成7个等级:PB、PM、PS、0、NS、NM、NB。
2.2.3 模糊控制规则和模糊推理
根据专家经验和总结操作者的手动控制经验,对气液分离器控制器中的P值和I值采用if A and B then u1和if A and B then u2控制策略,进而实现对气液分离器压力的间接控制;再根据操作者的操作经验及现场调试数据总结出由35条模糊条件语句组成的一组控制规则,根据总的模糊关系和某一特定时刻的输入模糊集合,便可进行模糊推理,得到相应输出控制量的模糊集合[3]。为了使模糊控制器具有良好的实时性,采用离线计算法计算出如表2所示的模糊控制器查询表。其中yi为误差变化率的模糊集合论域元素。
2.2.4 模糊量的解模糊及控制软件设计
为使解模糊中获得更好的性能,本研究采取了静态性能较好的加权平均法。在计算机实现的模糊控制器中,查询表被看作是模糊控制器的实体。在一个控制周期内,只要将每个周期测得的ei和计算得到的分别乘以量化因子ke和,转换成模糊集合论域元素,通过查找查询表2,得到控制量论域元素,再乘以比例因子转换成精确控制量,从而在线改变气液分离器控制器的P参数值和I参数值,以实现对气液分离器压力的间接精确控制。
模糊控制器采用VI-SUAL BASIC语言进行开发。开发好的程序借助于Windows平台运行,然后与KingView进行有效链接,从而与羰基合成反应计算机控制系统构成一个有机的整体。
3 控制效果
将基于在线自调整的模糊控制器应用于羰基合成反应计算机控制系统中,实际上是将鲁棒性很强的模糊控制与具有消除静差功能的PID结合在一起的产物。应用于实际生产中后满足了生产工艺对气液分离器的参数要求,解决了困惑羰基合成模试评价装置实现计算机自动控制的瓶颈问题。图4为使用参数在线自调整技术的模糊控制器后的控制效果。
由图4可以看出,基于参数在线自调整技术的模糊控制系统将模糊控制、PID控制及纯滞后控制算法有机地结合起来,有效地解决了在高压差、介质为气液混合物的特殊条件下气液分离器的压力高精度控制问题,系统具有很强的鲁棒性、实时性及较高的控制精度。系统性能稳定、运行可靠,压力控制精度满足了生产工艺要求。这种方法特别适合于类似化工生产的过程控制。
摘要：针对羰基合成反应中气液分离器压力难以实现自动控制的问题,提出了一种基于模糊控制思想,构成参数在线自调整智能控制系统的设计方法。将该系统应用于气液分离器压力控制中,鲁棒性较好,满足了生产工艺对压力的控制要求。
关键词：模糊控制,在线自整定,气液混合物,高压差,恒压控制
参考文献
[1] 夏建全,包鹏.基于参数在线自调整的智能模糊控制系统研究.电气传动,2006,27(5) :47-48．
[2] 王勤.计算机控制技术.南京:东南大学出版社,2003:36-37,47-49．
控制规则自调整 篇4
关键词：舰载火箭炮,消摇摆,灰预测,步长自调整
0 引言
舰载火箭炮以舰船为射击平台, 舰船的摇摆会使火箭炮的射击线发生偏差, 由于火箭炮装置采用多管联装, 发射速度快, 一次齐射只需10~20s, 为确保射击精度和打击效果, 舰载火箭炮在瞄准时, 必须快速反向补偿舰船的摇摆, 调整发射装置高低和方向射角。同时随着发射火箭弹数的变化和发射装置位置的变化, 负载力矩和转动惯量也会相应地发生变化, 因此, 舰载火箭炮是一个典型的非线性时变系统。过去对于这种复杂系统的控制研究大都是根据系统实时的行为状态去调整下一步的控制行为, 因此控制总会存在一定程度的滞后[1]。灰色预测控制器[2]将系统中不确定部分及外界未知干扰的模型参数粗略地进行估计, 并给予一定的补偿, 体现出较强的适应能力, 在对部分参数未知系统或时变系统的控制中得到了成功应用。Hsu等[3]用GM (1, 1) 模型设计了一个自动调整的PID调节器, 预测系统输出, 消除了系统扰动。Zhang等[4]针对离散系统提出了灰色预测理论和数字PID混合控制器, 该控制器通过对系统参数变化的预测, 消除了系统不确定部分的影响。Li等[5]针对一能量稳定装置, 提出了一个优化设计的预测PID控制器, 该控制器通过优化PID参数和预测步长, 减少了系统输出的振荡, 增强了系统的稳定性。Lin等[6]提出的基于输入正弦信号比较的自动调节的灰色-神经PID控制器, 比基于RBF神经网络的控制器具有更加优良的速度跟踪能力。
为了解决单一预测步长的灰预测模糊控制算法难以同时满足舰载火箭炮系统对响应速度、超调和调整时间的要求的问题, 本文结合灰色系统理论和模糊控制理论, 在灰预测模糊控制算法中引入预测步长自调整机制, 动态地改变预测步长以改善控制效果, 仿真和实验结果证明了该方法对舰载火箭炮消摇摆稳定控制系统的有效性。
1 舰载火箭炮消摇摆的基本原理[7]
如图1所示, O0X0Y0Z0为惯性空间坐标系, OXYZ为舰船甲板上的活动坐标系。舰船在海浪中的摇摆运动可以分解为6个分量:相对于O0X0Y0Z0的坐标平移量ΔX0、ΔY0、ΔZ0;绕OXYZ上OX轴的转动, 即船的横摇;绕OY轴的转动, 即船的纵摇;以及绕火炮立轴OZ的转动。同时又可以将舰船的横摇和纵摇分解为绕火箭炮耳轴的转动及耳轴在垂直于甲板平面上的倾斜。在所有这些分量中, 对火箭炮射击精度影响最大的是绕耳轴及绕火炮立轴的摇摆分量。
海上由于风、浪、流等多种因素的作用, 舰船摇摆不规则, 需通过消摇摆稳定控制系统的及时补偿, 达到稳定射击线、提高射击精度的目的。固定参数PID控制器虽然结构简单, 易于实现, 但由于参数固定, 对于舰载火箭炮这种实时动态变化的非线性系统, 难以达到快速、超调小、精度高的要求。本文采用基于预测步长自调整的灰色预测模糊控制器, 通过对系统当前过程状态的模糊判决, 实现对灰预测步长的自适应调整, 从而实现对舰船摇摆的快速动态补偿, 确保火箭炮射击线的稳定和射击效果。
2 灰预测模糊控制
灰色预测基于对原始数据的处理和灰色模型的建立, 来发现和掌握系统发展的内在规律。预测需要的原始数据少, 而且具有较强的自适应性, 计算量小, 使用简单且速度快, 适用于复杂的动态过程, 能够满足对系统的实时控制。
2.1 GM (1, 1) 预测模型建模原理
在灰色系统理论中, GM (1, 1) 模型是根据关联度、生成数的灰导数以及灰微分等观点建立起来的微分方程, GM (1, 1) 的具体实现由以下几步组成:
(1) 原始数列采集:
式中, y (0) 为测量所得到的原始数列y (0) (1) , y (0) (2) , …, y (0) (n) 的累加生成数列, 其中n为数列长度, 一般取n≥4。
(2) 累加数列生成 (accumulated generating operation, AGO) , 其生成定义为
为保证AGO生成数列具有较强的单增特性, 引入指数映射将原始数列变换为非负数列:
(3) 连续紧邻均值生成序列:
(4) 建立GM (1, 1) 灰色预测微分方程:
式中, a、b分别为发展系数和灰色作用量, 为待辨识参数。
参数[a, b]采用最小二乘法辨识:
(5) 求得的GM (1, 1) 模型为
(6) 对式 (8) 外推得到生成数列的p步前项预测值为
(7) 由于式 (3) 的指数映射, 式 (10) 逆生成还原为
即
综上所述, GM预测器可以算子的形式表达为
2.2 集成灰预测模糊PID控制器设计
变步长灰色预测消摇摆稳定控制器由一个模糊PID控制器和一个步长预测的模糊灰色控制器组成, 如图2所示。
2.2.1 模糊PID控制器
标准PID控制器表达式为
式中, e (t) 为给定值与实际输出值的误差;kp为比例增益;ki为积分增益;kd为微分增益;
模糊PID控制器的输入为误差|e (t) |和误差变化|de (t) |, 范围为0~1, 其模糊语言变量均定义为{Z, S, M, B}, 即{零, 小, 中, 大}, 模糊控制器输出为PID控制器的3个参数Kp、Ki和Kd, 其模糊语言变量和输入变量定义相同。
PID控制器的系数由下式确定:
其中, Kp、Ki和Kd的范围分别是[Kp, min, Kp, max]、[Ki, min, Ki, max]和[Kd, min, Kd, max]。确定控制的规则是:当误差大或较大时, 选择控制量以尽快消除误差为主;当误差较小时, 选择控制量要注意限制超调, 以系统稳定为主。
推理规则:if e (t) is Eiand de (t) is CEjthen Kpis Kpij, Kiis Ki ij, Kdis Kdij。
设输出控制量u (t) (Kp、Ki和Kd) 的调节论域为Z=[p, q], 其基函数Uij的峰点为uij, 如图3所示。
据图3, 可得到一组偏差、偏差变化和对应控制量的点对:
根据式 (16) 数据, 可得近似的响应函数:
U:X×Y→Z, (x, y) →U (x, y) , 逼近真实响应函数u (x, y) , 即任给一组位置偏差、偏差变化输入 (x, y) , x∈X, y∈Y, 经过模糊控制器后, 得到一个确切的控制量u∈Z。
实现这一思想的方法很多, 在舰载火箭炮控制系统中, 我们采用简便易行的“逐元”插值法:首先固定x, 将u (x, y) 视为y的一元函数, 用一元分段线性插值方法得到插值函数Pyu (x, y) ;然后将函数Pyu (x, y) 对x再实施插值, 就可得插值函数PxPyu (x, y) 。综上可知, U (x, y) =Pyu (x, y) 就是所求的响应函数, 即
2.2.2 步长预测模糊灰色控制器
y (t) 为系统实际输出, y (t+p) 是t+p时刻的预测值。被控对象的输出y (t) 与其给定值r (t) 相比较, 得出误差e (t) , 经过一个微分环节能够得到误差的变化率de (t) , 把这两个量作为模糊控制器的输入来确定预测步长pfuzzy的大小。在确定了预测步长pfuzzy后, 由灰预测模型得到提前pfuzzy步的预测输出, 将预测得到的数据进行加权求和后输入主模糊控制器。
2.2.3 自调整预测步长
基于固定预测步长灰色控制器理论, 小的预测步长能加速系统的响应, 但会导致超调增大或振荡加剧;大的预测步长会减小系统的超调, 但会导致系统上升时间增加, 因此必须根据系统响应情况调整预测步长。对于阶跃响应, 在开始阶段, 通过灰色预测进行后向预测, 增大误差, 加大控制量, 减小上升时间;而在快接近目标值时, 通过灰色预测进行前向预测, 提前减小控制量, 达到减小超调的目的;当响应产生超调时, 加大灰色预测的前向预测步数, 使预测误差负向增大, 增加负向控制量, 达到抑制超调的效果。
设计模糊自调整预测步长控制器, 通过改变调整系数γ来调整预测步长, 其表达式为
式中, p (t-1) 为上一次的步长;pfuzzy为模糊预测控制器的输出步长。
式 (18) 中的γ是一个用来评价当前预测步长是否合适的系数, 采用一个模糊控制器来得到该系数, 控制器的输入为误差e (t) 和误差变化量de (t) , 输出为评价系数γ。
将预测步长p (t) 代入式 (10) , 可得到 (n+p) 时刻的预测输出为
3 消摇摆稳定系统结构及响应曲线
舰载火箭炮的目标位置由上位火控计算机传输给随动计算机, 火箭炮的实际位置由位置传感器采集并由模数转换器件转换为数字信号送入随动计算机, 比较目标位置和实际位置, 通过上述的分段智能模糊控制方法, 随动计算机输出控制信号给执行机构快速调整火箭炮到目标位置。由于负载力矩变化、转动惯量变化以及舰船本身的摇摆所引起的扰动均包括在位置环内, 因此控制器能够有效消除这些干扰。该舰载火箭炮的消摇摆稳定控制结构如图4所示。1000mil (360°=6000mil, 即1mil=0.06°) 阶跃输入下的误差曲线如图5所示, 可以看到经过2s左右的过渡过程, 系统即达到目标位置, 系统的稳态误差不超过0.5mil;速度为45°/s信号输入时, 系统稳态误差不超过1.5mil, 如图6所示。由此可见, 本文基于预测步长自调整技术设计的灰色预测模糊控制器性能完全满足舰载火箭炮系统的要求。
4 结束语
舰载火箭炮武器系统因舰载平台受到海上风、浪、流等多种因素的作用, 以及负载力矩和转动惯量变化的影响, 其舰载平台会随之产生纵横摇摆, 致使整个火箭炮系统呈现出非线性系统态势, 如采用常规控制器和控制方式, 难以保证达到要求的控制效果。本文采用基于预测步长自调整的灰预测模糊控制器, 通过对当前过程状态的模糊判决, 自适应调整灰预测步长, 从而实现了对舰船摇摆的动态快速补偿, 确保了火箭炮射击线的稳定和射击精度, 陆上及海上实弹射击结果也证明了这一点。
参考文献
[1]张媛, 邢宗义, 高强, 等.基于递阶遗传神经网络的某扫雷犁电液伺服系统建模研究[J].中国机械工程, 2010, 21 (1) :89-93.Zhang Yuan, Xing Zongyi, Gao Qiang, et al.Model-ing of Mine Sweeping Plough Using HierarchicalGenetic Neural Networks[J].China Mechanical En-gineering, 2010, 21 (1) :89-93.
[2]刘思峰, 党耀国, 方志耕, 等.灰色系统理论及其应用[M].5版.北京:科学出版社, 2010.
[3]Hsu C Y, Lin S J, Chien W L, et al.An Auto-tun-ing PID Regulator Using Grey Predictor[C]//IEEEInternational Conference of Cybernetics and Intelli-gent Systems.Bangkok, 2006:1-6.
[4]Zhang Y, Jiao Z.Study of Grey PID Control for Dis-crete System[C]//IEEE International Conference ofIntelligent Systems and Applications.Wuhan, 2009:1-4.
[5]Li C Y, Huang T L.Optimal Design of the GreyPrediction PID Controller for Power System Stabi-lizers by Evolutionary Programming[C]//IEEE In-ternational Conference on Networking Sensing&Control.Taipei, 2004, 2:1370-1375.
[6]Lin Shuenjeng, Tong Chiachang, Yang Nengkai.AnAuto-tuning Grey-neural PID Controller[C]//IEEE International Conference of Grey System andIntelligent Services.Nanjing, 2007:845-850.
控制规则自调整 篇5
传统的PID控制是工业过程中应用最广的控制策略之一,其算法简单、参数调节方便、鲁棒性好和可靠性高,适用于可精确建立数学模型的确定性线性系统。而电加热炉系统是一个典型的大滞后、大惯性、非线性的复杂被控对象,采用传统的PID控制不能克服系统的时滞性和时变性,无法满足系统高精度的控制要求。模糊控制是一种非线性控制,对被控对象数学模型的精确性要求不高,对系统参数的变化不敏感,具有较好的鲁棒性[1]。
为了更好地提高电加热炉系统的动态性能和稳态性能,本文提出了一种基于参数自调整的模糊控制方法,并将它应用于电加热炉系统。仿真结果表明,本文提出的方法比传统PID控制方法和常规模糊控制方法具有更好的控制效果。
1 电加热炉系统数学模型
电加热炉温度控制系统结构如图1所示,其工作原理:首先将由热电偶测量得到的电压信号滤波、放大,送至A/D转换模块,将模拟电压信号转换成数字量送入控制装置,在控制装置内计算出该电压信号对应的温度值,然后将它与设定的温度值进行比较,并用控制算法进行运算,运算结果通过控制晶闸管在控制周期内的触发角大小,即控制电加热炉的平均功率的大小来控制炉温温度。
通常采用阶跃响应实验法建立电加热炉系统的数学模型,确定系统由一阶惯性和纯滞后环节组成,其模型[2]为:
式(1)中,K为传递函数的静态增益,K=10;T为时间常数,T=60;τ为纯滞后时间,τ=80。
2 参数自调整模糊控制器
模糊控制是基于丰富操作经验总结出的、用自然语言表述控制策略,或通过大量实际操作数据归纳总结出的控制规则,用计算机实现的控制方法[3]。它与传统控制策略的最大区别在于不需要知道被控对象的数学模型。模糊控制的算法可概括为4个步骤:1)根据采样结果得到模糊控制器的输入变量;2)将输入变量的精确值模糊化;3)根据模糊输入变量及模糊控制规则计算,得到模糊控制量;4)将模糊控制量清晰化,得到精确量。
本文提出的参数自调整模糊控制器结构如图2所示,采用的模糊控制器为双输入单输出形式。模糊控制器的输入为给定温度与检测温度之偏差e和偏差变化率ec,输出为控制量u,温度偏差e和偏差变化率ec的量化因子分别为K1和K2,系统控制量u的比例因子为K3。
模糊控制器设计一般分为:精确量的模糊化、模糊推理、模糊决策。
2.1 精确量的模糊化
温度偏差e、偏差变化率ec和系统控制量u的基本论域经过“量化因子”模块和“比例因子”模块的变换后得到各自基本论域上的模糊论域E、EC和U:
选择温度偏差e和偏差变化率EC的模糊论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},系统控制量U的模糊论域为{0,1,2,3,4,5,6,7}。
语言变量E的模糊子集为{NB、NM、NS、ZE、PS、PM、PB}、EC和u的模糊子集均为{NB、NM、NS、ZE、PS、PM、PB},其中:NB:负大,NM:负中,NS:负小,NZ:负零,PZ:正零,ZE:零,PS:正小,PM:正中,PB:正大。两个输入模糊变量和输出模糊变量的隶属函数形状均为三角形,如图3所示。
2.2 模糊推理
模糊控制器的输入、输出量是通过模糊推理规则表联系在一起的,模糊规则的选取对模糊控制器的性能是至关重要的,而模糊规则的选取以偏差E和偏差变化率EC的大小为依据,当偏差E较大时,选取控制量以尽快消除偏差为主;当偏差E较小时,选取控制量使系统尽快趋于稳定,为减小超调,可适当加强偏差变化率在推理规则中的作用。模糊规则表如表1所示,制定了56条规则。表中结果为输入量E和EC经模糊推理得到输出量U,这些规则是根据对系统进行控制的实际操作经验和知识归纳总结出来的一系列模糊条件语句,这些语句的形式如下:
其中,i=1,…,56;Ai、Bi、Ci是偏差、偏差变化率和控制量论域上的模糊集。
量化因子和比例因子的变化对控制系统的动态特性和稳态特性均有较大的影响:K1过大会导致系统超调增大,调节时间加长,甚至使系统变得不稳定;K1过小使系统上升速率变慢,影响系统的稳态性能。K2过大使系统上升速率过慢;K2过小使系统超调过大,甚至使系统发生振荡。K3过大使系统超调较大乃至发生振荡或发散;K3过小使系统稳态精度变差。因此,K1、K2和K3调整的一般原则为:当偏差e或偏差变化率ec较大时,量化因子K1和K2取较小值,比例因子K3取较大值,这样能够保证系统的快速性和稳定性;当偏差e或偏差变化率ec较小时,量化因子K1和K2取较大值,比例因子K3取较小值,这样可避免系统产生超调,并使系统尽快进入稳态精度范围[4,5]。
为改善系统的动态特性,可在线修改量化因子K1、K2和比例因子K3。设K1、K2放大(或缩小)的倍数与K3缩小(或放大)的倍数相同,放大倍数的语言变量的模糊子集为{AB、AM、AS、ZO、CS、CM、CB},其中AB:高放,AM:中放,AS:低放,ZO:不变,CS:小缩,CM:中缩,CB:大缩。这些参数自调整的方法可以用一组修改规则来实现,修改规则如表2所示。
2.3 模糊决策
模糊控制算法给出的控制量(模糊量),还不能直接控制被控对象,实际输出需进行去模糊化处理,将其转换到被控对象所能接受的基本论域中去。这里采用了重心法进行模糊判决,比用最大隶属度法求得的控制量精度高。通过重心法解模糊可求出控制量u。
3 仿真研究
为验证算法的有效性,本系统采用MATLAB7.0的Simulink仿真模型进行仿真[6,7]。图4给出了采用传统PID控制、常规模糊控制和参数自调整模糊控制的仿真模型。
为了比较PID控制、模糊控制和参数自调整模糊控制的性能,图5给出了在这三种控制作用下的温度阶跃响应曲线,系统设定温度为800℃。由图可知,采用PID控制时,系统出现较大的超调;采用模糊控制时,系统无超调;采用自调整模糊控制时,系统无超调,响应速度快,调节时间短,具有更好的动态性能和稳态性能,有效减小了炉温的波动。
4 结束语
本文给出了基于参数自调整的模糊控制器的设计方法,并将其应用于电加热炉温度控制系统中。基于MATLAB的仿真研究表明,该方法的控制效果优于传统PID控制和常规模糊控制,使系统具有较快的响应速度、较小的超调量,适合应用于具有时滞、非线性、时变的控制系统。
参考文献
[1]诸静.模糊控制原理与应用[M].北京:机械工业出版社,2005.
[2]文定都.基于模糊免疫PID的电加热炉温度控制系统[J].冶金自动化,2007,(6):43-46.
[3]石辛民,郝整清.模糊控制及其MATLAB仿真[M].北京:清华大学出版社,2008.
[4]汪书苹,赵争鸣.带修正因子模糊PID控制的PMSM交流伺服系统[J].清华大学学报(自然科学版),2007,47(1):9-12.
[5]张巍.参数自校正模糊_PI控制[J].化工自动化及仪表,2000,27(1):56-58.
[6]李祖欣.MATLAB在模糊控制系统设计和仿真的应用[J].系统仿真学报,2003,15(1):132-134.
控制规则自调整 篇6
张力控制器是光纤缠绕系统的最重要的部分,其对绕纤过程中的张力进行控制对于保证光纤环的光纤应力稳定最为关键[1]。由于光纤材料本身及光纤环性能的要求,缠绕过程中光纤张力应稳定在10 g左右,且误差精度要求在达到±3 g以内。光纤张力要求稳定值较小,而对控制精度的要求又较高,在光纤绕制过程中轻微扰动的产生就会导致光纤张力值发生较大振动,因此,这就要求张力控制器光纤张力发生变化时能够迅速地调整光纤放线速度以实现光纤张力的稳定。光纤绕制过程中既有卷绕过程,又有光纤绕制平台的平移过程,传统的纤维缠绕工业中使用的张力控制系统虽然控制方法简单易于实现,但由于其算法过于简单无法实现对不同工艺过程的控制要求。而现代一些基于模型的控制方法,由于其难于实施、系统的鲁棒性难以保证而不适合在实际张力控制过程中使用[2]。
本研究中设计一种自整定模糊PID张力控制器,该控制器结合了模糊控制灵活而鲁棒性强和PID控制精度高的优点[3],并应用于实际光纤环生产过程中,效果良好。
1 光线缠绕张力控制系统结构
光纤缠绕数控系统分为控制光纤缠绕卷绕的运动控制系统和控制光纤缠绕张力的张力控制系统两个部分,两个部分相互独立。其中张力控制系统结构如图1所示。
该系统包括张力控制器、张力传感器、编码器、放线伺服电机、伺服驱动器以及其他机械结构构成。收线电机以及其他平台电机由PMAC运动控制卡作为独立的运动控制系统进行控制。绕线过程中,光纤从放线盘中导出经由导向辊、舞蹈轮、张力传感器、编码器缠绕到收线环盘中。舞蹈轮向光纤施加一定压力,使得光纤张力能够保持在稳定值。光纤缠绕过程中由于收线速度或其他原因导致光纤张力发生变化,张力控制器通过张力传感器采集到张力变化并通过软件算法处理产生控制信号输出给电机驱动器以控制放线电机的转速达到控制张力的目的。
2 张力控制器硬件设计
张力控制器的硬件结构主要由张力传感器信号放大模块电路、A/D转换模块、串口通信模块以及电机驱动模块组成。系统结构如图2所示。
(1)微控制器模块。
张力控制器以Silicon Labs 公司的C8051F310单片机作为微处理器芯片,C8051F系列单片机采用CIP-51 微控制器内核并与MCS-51指令集完全兼容。该芯片内部集成了包括A/D转换器、UART、定时器等功能部件能够提供张力控制系统所需要大部分的模拟和数字外设。
(2)张力数据采集电路。
张力传感器采用施密特公司生产的RFS150(E)张力传感器。张力传感器的输出信号为毫伏信号,在模数转换之前需要采用信号调理电路将毫伏信号经滤波放大转换为0 V～2.5 V的电压信号。模拟信号调理电路采用以AD620仪表放大器为核心的放大电路加以辅助低通滤波电路组成。传感器信号经滤波放大后输出至A/D转换电路,C8051F310单片机内部集成的10位逐次逼近型AD转换器同时完成对模拟信号的A/D转换。
(3)电机转速控制电路。
该张力控制系统的送线电机选用Maxon公司的直流伺服电机Maxon227681,并选采用苏州均和公司配套伺服电机驱动器,电机驱动器采用PID控制算法完成对电机转速的闭环控制。单片机只需要通过发送不同频率的脉冲信号至电机驱动器就可以控制送线电机的转速。
(4)光纤长度测量模块。
在光纤绕制过程中,需要对收线盘中的光纤长度进行测量,图2中的编码器就是用于对光纤长度的测量过程。编码器采用光洋电子增量式旋转编码器TRD-MX,光纤环绕过程带动编码器旋转,编码器同时产生脉冲信号输出,编码器每旋转一周就会信号都会输出1 000个脉冲。C8051F310单片机内部包含可编程计数器/定时器阵列(PCA),PCA由一个专用的16位计数器/定时器和5个16位捕获/比较模块组成。每个捕捉/比较模块有其自己的I/O线(CEXn)。编码器的输出信号连接至捕获/比较模块的输入引脚,同时配置PCA工作在捕获方式对编码器脉冲信号进行捕获计数。本研究通过对编码器输出脉冲信号的计数并且已知编码器旋转轮的周长,即可以通过计算获得光纤的线长值。
(5)通信模块。
在光纤缠绕过程中,张力控制器还需要根据上位机命令设置周期性的将实时张力值、线长值传输给上位机。普通工业控制计算机大都带有串行接口,C8051F310单片机内部集成了UART通信模块,整个张力控制系统张力控制器与上位机之间的距离较近,因此张力控制器与上位机之间可直接采用串行通信方式进行通信。由于工控机串口为RS-232标准电平而单片机输出UART信号为CMOS电平,必须实现标准信号间的电平转换。MAX232是MAXIM公司推出的符合RS-232C通信接口标准的电平转换芯片,使用MAX232完成电平转换以实现微处理器与标准RS-232接口之间的通信。
3 控制器软件算法设计
传统的工业张力控制普遍采用PID算法,但由于在光纤绕制过程中既有卷绕过程,又有光纤绕制平台的平移过程,而且由于绕制光纤环的的半径不同,在相同转速下的收线速度也不相同。因此,在一定工况下整定的PID参数无法适应整个绕制过程。模糊PID张力控制器在PID算法的基础之上,通过计算当前系统张力误差和误差变化率,利用模糊规则进行模糊推理,查询模糊矩阵表进行PID中3个参数Ki,Kp,Kd的调整[2]。对于该系统,模糊语言规则和合成推理决定着控制器性能的好坏。但由于控制器设计完成之后,其语言规则和合成推理往往是确定的、不可调整的。对于光纤张力的控制过程,由于张力的要求稳定值很小,引起张力变化的扰动多种多样,这就要求模糊推理过程具有自调整功能,以使其对不同的扰动引起的张力变化均具有良好的控制效果[4]。常规的二维模糊控制器中输出量取决于输入量E(误差)和EC(误差变化率),按照下式[5]所示的控制规则,加权系数取为0.5,即:
式中:
上述二维模糊控制器一旦设计完成,其模糊规则也就被固定了,不能改变。如果在上式中引入可调整因子α如下式所示:
这样就可以通过调整α的值来调整E和EC对输出量的加权程度,从而调整了模糊规则。也就是说E论域和EC论域上的所有等级分别按照加权系数α和(1-α)来调整。对于常规的控制过程而言,控制过程的初始阶段系统误差较大,可以通过加大α的值来加大误差对于控制输出的贡献以尽快地消除误差。反之,控制过程后期,系统的误差减小,此时控制系统的控制目的就是减小系统的超调加快使系统稳定,这就要求在控制规则中增大误差变化率的权值。显然,单一的α值无法满足要求,因此,可以通过引入调整函数使得α的值按一定的规律变化以满足不同控制过程的要求。实际上调整函数反映的是调整因子与系统误差的关系,设误差E的设定论域为[-X,X],则调整函数可用下式表示[6]:
式中:N—反映的是误差对调整因子的影响程度,为了简化计算量这里取N=1。
即:
本研究采用这种方法产生控制规则,同时也体现了人脑推理过程的连续性、单值性等特点,可以克服单凭经验来选择控制规则的困难,并可避免在控制规则定义中出现的空档或跳变现象[7]。自调整模糊PID控制系统结构图如图3所示。
3.1 隶属函数的建立
张力误差E的变化范围一般为±20 g,取基本论域为[-20,20],误差变化EC的变化范围为±10 g,取基本论域为[-10,10],本研究将系统误差和误差变化定义为模糊集合上的论域{-5,-4,-3,-2,-1,0,1,2,3,4,5}。同样设定△Kp,△Ki,△Kd的模糊集合论域为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},本研究取隶属度函数为均三角型隶属度函数,为了增加系统的抗干扰能力和稳定性,特别地减小了输入变量模糊语言值NS、ZO和PS的作用范围。输人/输出变量的隶属函数和模糊语言值如图4所示。
3.2 建立模糊控制表
根据PID控制过程的经验,当误差E较大时应加大Kp,减小Ki、Kd以加快系统响应速度,防止出现较大超调;当误差一般大小时应使Kp适当减小,Ki、Kd取适中大小;当误差较小时应减小Ki的值适当增加Kp的值以增加系统反应速度,并防止系统产生振荡;当误差变化较大时应适当减小微分作用,当误差变化较小时适当增加微分作用[8]。针对以上规则本研究分别建立△Kp,△Ki,△Kd的模糊规则表,如表1～3所示。
Kp,△Ki,△Kd的模糊规则表建立后这里采用Mandani极小运算模糊推理法,对模糊控制规则进行推理运算,得到模糊关系;然后依据隶属度函数和模糊关系,采用合成推理法[9]推出控制器的模糊控制量,由于光纤张力很容易受到运行状态的干扰,应考虑隶属度低的变量对输出的影响,本研究利用下式进行加权平均计算,得出模糊控制查询表[10]:
在运行过程中控制系统实时监测当前张力误差值,并通过对结果的处理,查表运算完成对PID参数的调整,进而通过PID算法得到控制输出完成对张力的调整。其工作流程如图5所示。
4 实验结果及分析
该系统已在正常生产过程中正常运行,运行过程稳定,控制效果良好。为验证说明该控制系统在现场运行过程的有效性,本研究选取常规的PID控制在不同状态下运行与自调整模糊PID的运行状况进行比较。自调整模糊PID控制在收线转速为1 r/s时及加速到10 r/s时从上位机截取的张力监控曲线图如图6、图7所示。常规PID控制在收线转速为1 r/s时经过优化PID参数后得到的张力监控曲线图如图8所示,当转速提高到10 r/s得到张力监控曲线图如图9所示。
从图6～9中可以看出,常规PID控制虽然在一定状态下经过人工调整PID参数可以使系统达到稳定,控制张力误差在较小范围内,但是当系统运行环境变化时其控制性能出现了明显的恶化,系统出现了振荡,光纤张力值在剧烈抖动。而自调整模糊PID控制能够使稳态张力误差稳定在2 g以内,具有较强的适应性和鲁棒性,在系统运行环境发生变化的情况下其控制性能也无明显变化。
5 结束语
该系统利用单片机基于自调整模糊PID算法实现了对光纤缠绕过程的张力控制。实际生产过程表明该控制器具有较快的反应速度和动态精度,且有较强的鲁棒性,使得在绕制光纤时的光纤张力得到了精确、有效的控制,这对于改善环的品质以及提高光纤光纤产品的性能有重要意义,同时表明自调整模糊PID算法在其他小张力控制过程中具有较强的工程实用性。
参考文献
[1]ANDRE S,STEPHEN L.Development of an aut-mated fiberoptic winding machine for gyro-scope production[J].Robot-ics and computer Integrated Manufactuing,2001(17):223-231.
[2]王志明,龚振邦,袁晶,等.基于模糊PID位置控制的气伺服系统[J].机电工程,2009,26(10):93-95.
[3]HUNG J Y,WHITE H V.Presscision wining of fiber opticfilament[J].IEEE Transaction on Industrial Electronics,1992,39(3):258-267.
[4]董千里,史耀耀,周云端,等.基于模糊自整定PID的布带缠绕机张力控制算法的研究[J].现代制造工程,2006(12):103-105.
[5]陶永华,新型PID控制及其应用[M].北京:机械工业出版社,2006.
[6]张巍.在线自调整模糊PID控制器的设计[J].自动化仪表,2000,9(3):5-9.
[7]DRIANKOV D,HELLENDOORN H,REINFRANK M.AnIntroduction to Fuzzy Control[M].New York:SpringerVer-lag,2006.
[8]YUAN You-xin,YANG Jie,GAN Wei,et al.Rewinder’stension cont rol system based on fuzzy logic control algorithm[J].China Pulp&Paper,2006(25):212-234.
[9]赵庆海,贾中华.模糊自适应PID控制在张力控制中的应用[J].包装工程,2008,1(5):11-15.