论文部分内容阅读
【摘要】采用经典的PID控制方法的伺服控制系统，在转动惯量变化后的控制效果不佳，必需通过重新整定控制参数，才可以达到到满意的控制效果；在建立含有转动惯量因素的控制对象模型，对伺服系统受转动惯量变化的影响进行分析；设计基于dsPIC30F6010A电机专用数字控制器的伺服系统，采用单神经元自适应PID控制算法，借助于Matlab分别对经典PID控制和单神经元自适应PID控制算法进行仿真。与经典PID控制仿真结果进行对比，可确认单神经元PID控制算法可以有效解决系统转动惯量的变化带来的控制问题，能够实现对转动惯量变化的控制对象进行有效可靠的控制。
【关键词】转动惯量；单神经元；自适应
伺服控制系统的转动惯量变化是易爆物品搬运设备控制中的一个难题，搬运设备的机械臂所要搬运的易爆品在重量上有明显差异，导致系统的转动惯量在一定的范围内变化。实际调试过程中，我们往往针对某一种负载下的转动惯量进行调试得到满足系统性能指标的一组参数值；但当货物种类变化后，转动惯量随之发生变化后控制效果往往会不佳，甚至会失稳。通常的解决办法就是再次整定参数，显然，这是不允许的。单纯的使用经典PID控制方式已经无法适应转动惯量变化的环境，故我们需要找出一种简单、易实现的控制策略来满足我们的要求。
單神经元控制做为当前主流的智能控制技术之一，它不需要知道系统的精确数学模型就能够解决传统方式无法解决的复杂的、不确的、非线性的控制问题。由于在硬件或软件方面易于实现，得到了广泛的应用。
本文的控制算法采用改进的单神经元自适应PID控制，该算法的权系数在线修正是参考实际经验制定，而不再完全根据神经网络学习原理。改进后的学习规则在抑制超调量方面以及缩短调节时间方面有更好的效果。
硬件方面采用Microchip公司的16位高性能电机专用数字信号控制器（DSC）dsPIC30F6010A，该控制器集成了单片机的控制功能和DSP的快速计算的功能，在提供足够的性能外，其性价比是DSP和嵌入式系统无法可比的。
1、伺服控制器设计
1.1系统总体设计
控制系统可以分为上位机和驱动器两大部分，它们在物理上是相互独立的，在控制逻辑上是相互关联的。整个控制系统由上位机、操控台、伺服控制器、传感器、电动缸、闭锁机构、电源等部分组成，如图1所示。
2、控制器硬件设计
2.1系统时
dsPIC30F6010A具有内部PLL电路，可以使8MHz的外部时钟始终通过PLL倍频电路实现内部8倍频。使用8M低频晶振可以避免外部干扰时钟，同时也避免高频时钟干扰其他电路。
2.2功率器件选择
伺服控制器的主电路的设计主要考虑功率和使用寿命两方面的因素，参考现代主流伺服控制器的结构，以及1KW到6KW伺服控制器的器件使用情况。为了电磁兼容的需求，在设计伺服控制器时将控制线路与功率器件分舱布置，在控制器的PWM输出线路上串接PWM信号增强电路，延长传输距离。
电机驱动器件采用三菱公司的PM75RSA060；PWM信号隔离光耦电路采用安捷伦公司的IPM专用光耦，其极短的寄生时间为IPM应用中的高速开关的死区时间确保了安全，是三菱IPM的首选器件。
IPM不仅把功率开关器件和驱动电路集成在一起。而且还内集成过电压，过电流和过热等故障检测电路，并可将检测信号送到CPU。它由高速低功耗的管芯和优化的门极驱动电路以及快速保护电路构成。即使发生负载事故或使用不当，也可以保证IPM自身不受损坏。
2.3控制器结构
本伺服系统采用转速环、电流环以及位置环三闭环控制结构，其中电流环和速度环采用PI控制，位置环采用单神经元自适应PID控制。该控制策略不仅具有在动态过程中抑制电枢电流的超调的作用，还具有转速无静差、系统动态抗扰性能强的作用。
2.4伺服控制系统的数学模型
建立系统的模型是进行系统分析和设计中重要的一步，在本文中将电机的转子和负载看成一个整体，并且将负载折算到电机转子；加入功率放大器、电流调节器、速度调节器、位置调节器；同时加入电流环、速度环和位置环调节器的反馈系数和惯性环节，得到最后控制系统的结构如图2所示。
图2中，a、b和c分别是电流环、速度环和位置环的反馈系数； 、和分别是电流环、速度环和位置环的惯性环节；Toi、Ton和Top分别是电流环、速度环和位置环的反馈延时；Ts是逆变器延时；Ks是逆变器放大倍数；J是系统总的转动惯量，B是系统总的粘性阻尼系数；i为传动机构的减速比。
2.5伺服控制的传递函数
电流环和速度环在工程上通常选择PI调节器作为ACR和ASR。在电流环中的反电势Ce是速度环输出量对电流环的交叉反馈量，由于电流环的调节过程比速度环的变化过程要快很多，可以近似认为在电流环调节过程中Ce不变，可以忽略其影响。在忽略负载的扰动TL，不考虑位置环的反馈系数和惯性环节，以及机械传动减速比1/is，则可以将问题简化并得到位置环的控制对象——速度环的闭环传递函数：
带入各参数得：
式中J=0.0023～0.01。
3、单神经元自适应PID控制算法
单神经元具有自学习和自适应能力，而且结构简单，易于计算；传统的PID控制器结构简单，参数整定与工程指标联系密切。将这两者有机的结合起来，就形成了单神经元自适应PID控制器，从而可在一定程度上克服常规PID控制器不易实现在线实时参数调整。
3.1单神经元PID控制器原理
图3中转换器的输入为Rk和反馈量n，转换器输出为神经元学习控制所需要的状态量xl，x2，x3。其中：
神经元的状态变换器的输出设为： z（k）为性能指标，K为神经元比例系数，K>0。
式中，为的加权系数。单神经元自适应PID控制器正是通过对加权系数的调整来实现自适应、自学习的功能。加权系数与神经元的输入、输出和输出偏差三者的相关函数有关。加权系数调整的规则是构成控制算法的关键，采用不同的规则，就会构成不同的算法，常用的学习规则有：无监督Hebb学习规则、有监督的Delta学习规则、有监督的Hebb学习规则。
3.2单神经元自适应PID控制
单神经元自适应控制器的关键是通过加权系数的调整来实现自适应功能，权系数的调整可以按照上述中三个学习规则来实现，此处以有监督的Hebb学习规则为例，相应的控制算法及学习算法为：
分别为积分、比例、微分的学习速率，K为神经元的比例系数，且。对积分I、比例P和微分D分别采用了不同的学习速率 以便对不同的权系数分别进行调整。
3.3改进的单神经元自适应PID控制
单神经元自适应控制有许多改进方法，考虑到实用性以及可操作性，可将单神经元自适应PID控制算法中的加权系数学习修正部分进行修改，即将监督的Hebb学习规则中的改为，改进后的算法如下所示：
采用上述改进后，权系数的在线修正不再完全根据神经网络的学习原理，而是参考实际经验制定的。
4、系统仿真
本文的仿真的平台为Matlab R2011b，控制对象为：
系统总转动惯量J选取0.0023、0.0062、0.01、0.013四个值。在下文中以这四个值为例进行仿真研究。
4.1 经典PID控制仿真
首先以J=0.0023；J=0.0062；J=0.01、J=0.013（超载）四个转动惯量为例进行仿真与分析。GC（S）分别带入J后，伺服系统的PID控制参数为：Kp=0.13，Ki=0.004，Kd=0.003。仿真结果如图4。
由图4中结果可知，在按照J=0.0023时整定好控制参数，此时系统无超调；在J=0.0062时，控制参数不变，此时响应出现超调，超调量为0.58%；在J=0.01时，控制参数不变，响应超调增大到3.31%。根据系统性能要求，J=0.0062时的超调量在允许范围内，而J=0.01时的超调量已超出允许范围。最后令J=0.013，让系统处于超载状态，响应超调则增大为5.9%。如果将状态的伺服控制器应用在实际设备中则会有可能造成机械结构碰撞而引起被搬运物品的损坏或爆炸。
如果以转动惯量J的最大值进行参数整定，当惯量减小到最小值时系统已经处于不稳定状态；如果以转动惯量J的中间值0.0062时进行参数整定，在转动惯量J为最小值时，调节时间增加了1倍，稳态误差增加增加9倍；在转动惯量超出最大值30%时会出现1.6%的超调量。显然这些结果都不符合要求。
4.2单神经元自适应PID控制仿真
在改进的单神经元自适应PID控制规则的仿真时，比例P、积分I、微分D的学习速率以及神经元比例系数分别设置为、、、K=0.17。伺服系统的仿真结果如图5。
由图5可看出在转动惯量J在分别取值0.0023、0.0062、0.01时的输出波形在0.032s后渐趋一致，并且都满足系统无超调的要求；在系统处于超载，即转动惯量J=0.013时，在0.05s后与前三者趋于一致，同样能够满足控制的要求。
4.3结论
对比经典PID控制和单神经元自适应PID控制算法的控制效果，可以看出经典PID控制对惯量变化的伺服系统的控制效果远差于单神经元控制的效果。单神经元自适应PID控制算不仅能够满足无超调的要求，而且在系统的动态性能方面也有所改善，尤其是在系統超载30%时也能满足要求。所以单神经元自适应PID控制算法能够解决系统转动惯量变化带来的问题，能够替代经典PID控制。
5、结束语
近年来在许多领域内得到了实际应用，进而本文尝试将单神经元自适应PID控制算法应用于工业控制中，设计了基于单神经元自适应PID控制的伺服控制器，并对单神元自适应PID控制算法进行了仿真和研究。仿真结果表明单神经元自适应算法简单、易实现，能够适应被控对象转动惯量变化的环境，在系统的动态性能方面也能够得到改善。
【关键词】转动惯量；单神经元；自适应
伺服控制系统的转动惯量变化是易爆物品搬运设备控制中的一个难题，搬运设备的机械臂所要搬运的易爆品在重量上有明显差异，导致系统的转动惯量在一定的范围内变化。实际调试过程中，我们往往针对某一种负载下的转动惯量进行调试得到满足系统性能指标的一组参数值；但当货物种类变化后，转动惯量随之发生变化后控制效果往往会不佳，甚至会失稳。通常的解决办法就是再次整定参数，显然，这是不允许的。单纯的使用经典PID控制方式已经无法适应转动惯量变化的环境，故我们需要找出一种简单、易实现的控制策略来满足我们的要求。
單神经元控制做为当前主流的智能控制技术之一，它不需要知道系统的精确数学模型就能够解决传统方式无法解决的复杂的、不确的、非线性的控制问题。由于在硬件或软件方面易于实现，得到了广泛的应用。
本文的控制算法采用改进的单神经元自适应PID控制，该算法的权系数在线修正是参考实际经验制定，而不再完全根据神经网络学习原理。改进后的学习规则在抑制超调量方面以及缩短调节时间方面有更好的效果。
硬件方面采用Microchip公司的16位高性能电机专用数字信号控制器（DSC）dsPIC30F6010A，该控制器集成了单片机的控制功能和DSP的快速计算的功能，在提供足够的性能外，其性价比是DSP和嵌入式系统无法可比的。
1、伺服控制器设计
1.1系统总体设计
控制系统可以分为上位机和驱动器两大部分，它们在物理上是相互独立的，在控制逻辑上是相互关联的。整个控制系统由上位机、操控台、伺服控制器、传感器、电动缸、闭锁机构、电源等部分组成，如图1所示。
2、控制器硬件设计
2.1系统时
dsPIC30F6010A具有内部PLL电路，可以使8MHz的外部时钟始终通过PLL倍频电路实现内部8倍频。使用8M低频晶振可以避免外部干扰时钟，同时也避免高频时钟干扰其他电路。
2.2功率器件选择
伺服控制器的主电路的设计主要考虑功率和使用寿命两方面的因素，参考现代主流伺服控制器的结构，以及1KW到6KW伺服控制器的器件使用情况。为了电磁兼容的需求，在设计伺服控制器时将控制线路与功率器件分舱布置，在控制器的PWM输出线路上串接PWM信号增强电路，延长传输距离。
电机驱动器件采用三菱公司的PM75RSA060；PWM信号隔离光耦电路采用安捷伦公司的IPM专用光耦，其极短的寄生时间为IPM应用中的高速开关的死区时间确保了安全，是三菱IPM的首选器件。
IPM不仅把功率开关器件和驱动电路集成在一起。而且还内集成过电压，过电流和过热等故障检测电路，并可将检测信号送到CPU。它由高速低功耗的管芯和优化的门极驱动电路以及快速保护电路构成。即使发生负载事故或使用不当，也可以保证IPM自身不受损坏。
2.3控制器结构
本伺服系统采用转速环、电流环以及位置环三闭环控制结构，其中电流环和速度环采用PI控制，位置环采用单神经元自适应PID控制。该控制策略不仅具有在动态过程中抑制电枢电流的超调的作用，还具有转速无静差、系统动态抗扰性能强的作用。
2.4伺服控制系统的数学模型
建立系统的模型是进行系统分析和设计中重要的一步，在本文中将电机的转子和负载看成一个整体，并且将负载折算到电机转子；加入功率放大器、电流调节器、速度调节器、位置调节器；同时加入电流环、速度环和位置环调节器的反馈系数和惯性环节，得到最后控制系统的结构如图2所示。
图2中，a、b和c分别是电流环、速度环和位置环的反馈系数； 、和分别是电流环、速度环和位置环的惯性环节；Toi、Ton和Top分别是电流环、速度环和位置环的反馈延时；Ts是逆变器延时；Ks是逆变器放大倍数；J是系统总的转动惯量，B是系统总的粘性阻尼系数；i为传动机构的减速比。
2.5伺服控制的传递函数
电流环和速度环在工程上通常选择PI调节器作为ACR和ASR。在电流环中的反电势Ce是速度环输出量对电流环的交叉反馈量，由于电流环的调节过程比速度环的变化过程要快很多，可以近似认为在电流环调节过程中Ce不变，可以忽略其影响。在忽略负载的扰动TL，不考虑位置环的反馈系数和惯性环节，以及机械传动减速比1/is，则可以将问题简化并得到位置环的控制对象——速度环的闭环传递函数：
带入各参数得：
式中J=0.0023～0.01。
3、单神经元自适应PID控制算法
单神经元具有自学习和自适应能力，而且结构简单，易于计算；传统的PID控制器结构简单，参数整定与工程指标联系密切。将这两者有机的结合起来，就形成了单神经元自适应PID控制器，从而可在一定程度上克服常规PID控制器不易实现在线实时参数调整。
3.1单神经元PID控制器原理
图3中转换器的输入为Rk和反馈量n，转换器输出为神经元学习控制所需要的状态量xl，x2，x3。其中：
神经元的状态变换器的输出设为： z（k）为性能指标，K为神经元比例系数，K>0。
式中，为的加权系数。单神经元自适应PID控制器正是通过对加权系数的调整来实现自适应、自学习的功能。加权系数与神经元的输入、输出和输出偏差三者的相关函数有关。加权系数调整的规则是构成控制算法的关键，采用不同的规则，就会构成不同的算法，常用的学习规则有：无监督Hebb学习规则、有监督的Delta学习规则、有监督的Hebb学习规则。
3.2单神经元自适应PID控制
单神经元自适应控制器的关键是通过加权系数的调整来实现自适应功能，权系数的调整可以按照上述中三个学习规则来实现，此处以有监督的Hebb学习规则为例，相应的控制算法及学习算法为：
分别为积分、比例、微分的学习速率，K为神经元的比例系数，且。对积分I、比例P和微分D分别采用了不同的学习速率 以便对不同的权系数分别进行调整。
3.3改进的单神经元自适应PID控制
单神经元自适应控制有许多改进方法，考虑到实用性以及可操作性，可将单神经元自适应PID控制算法中的加权系数学习修正部分进行修改，即将监督的Hebb学习规则中的改为，改进后的算法如下所示：
采用上述改进后，权系数的在线修正不再完全根据神经网络的学习原理，而是参考实际经验制定的。
4、系统仿真
本文的仿真的平台为Matlab R2011b，控制对象为：
系统总转动惯量J选取0.0023、0.0062、0.01、0.013四个值。在下文中以这四个值为例进行仿真研究。
4.1 经典PID控制仿真
首先以J=0.0023；J=0.0062；J=0.01、J=0.013（超载）四个转动惯量为例进行仿真与分析。GC（S）分别带入J后，伺服系统的PID控制参数为：Kp=0.13，Ki=0.004，Kd=0.003。仿真结果如图4。
由图4中结果可知，在按照J=0.0023时整定好控制参数，此时系统无超调；在J=0.0062时，控制参数不变，此时响应出现超调，超调量为0.58%；在J=0.01时，控制参数不变，响应超调增大到3.31%。根据系统性能要求，J=0.0062时的超调量在允许范围内，而J=0.01时的超调量已超出允许范围。最后令J=0.013，让系统处于超载状态，响应超调则增大为5.9%。如果将状态的伺服控制器应用在实际设备中则会有可能造成机械结构碰撞而引起被搬运物品的损坏或爆炸。
如果以转动惯量J的最大值进行参数整定，当惯量减小到最小值时系统已经处于不稳定状态；如果以转动惯量J的中间值0.0062时进行参数整定，在转动惯量J为最小值时，调节时间增加了1倍，稳态误差增加增加9倍；在转动惯量超出最大值30%时会出现1.6%的超调量。显然这些结果都不符合要求。
4.2单神经元自适应PID控制仿真
在改进的单神经元自适应PID控制规则的仿真时，比例P、积分I、微分D的学习速率以及神经元比例系数分别设置为、、、K=0.17。伺服系统的仿真结果如图5。
由图5可看出在转动惯量J在分别取值0.0023、0.0062、0.01时的输出波形在0.032s后渐趋一致，并且都满足系统无超调的要求；在系统处于超载，即转动惯量J=0.013时，在0.05s后与前三者趋于一致，同样能够满足控制的要求。
4.3结论
对比经典PID控制和单神经元自适应PID控制算法的控制效果，可以看出经典PID控制对惯量变化的伺服系统的控制效果远差于单神经元控制的效果。单神经元自适应PID控制算不仅能够满足无超调的要求，而且在系统的动态性能方面也有所改善，尤其是在系統超载30%时也能满足要求。所以单神经元自适应PID控制算法能够解决系统转动惯量变化带来的问题，能够替代经典PID控制。
5、结束语
近年来在许多领域内得到了实际应用，进而本文尝试将单神经元自适应PID控制算法应用于工业控制中，设计了基于单神经元自适应PID控制的伺服控制器，并对单神元自适应PID控制算法进行了仿真和研究。仿真结果表明单神经元自适应算法简单、易实现，能够适应被控对象转动惯量变化的环境，在系统的动态性能方面也能够得到改善。