CN107463096B - 一种具有云控制器编程功能的计算机控制实验*** - Google Patents
一种具有云控制器编程功能的计算机控制实验*** Download PDFInfo
- Publication number
- CN107463096B CN107463096B CN201710669246.1A CN201710669246A CN107463096B CN 107463096 B CN107463096 B CN 107463096B CN 201710669246 A CN201710669246 A CN 201710669246A CN 107463096 B CN107463096 B CN 107463096B
- Authority
- CN
- China
- Prior art keywords
- user
- control
- module
- algorithm
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000002474 experimental method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 159
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 44
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种具有云控制器编程功能的计算机控制实验***,包括云服务端、用户端、监控端、实际被控***;所述云服务端搭建有控制算法库、数据库、模型辨识库、优化算法库和服务器管理模块;所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;所述监控端搭建有用户信息管理监控模块、监控端通讯模块;所述实际被控***搭建有执行模块、检测模块、通信模块、被控对象。实现用户通过计算机网络进行云控制实验,同时教师可以实现对使用者的实验过程进行实时监控。更为重要的是将控制算法、辨识算法以及优化算法置于“云”中,利用云计算的优势可以快速进行各种复杂算法的运算,降低对硬件设备要求,减少成本。
Description
技术领域
本发明属于控制实验技术领域,具体涉及一种具有云控制器编程功能的计算机控制实验***。
背景技术
在控制理论的实验教学中,仿真与实验占据重要的地位。目前实验***主要以分布式控制***DCS作为控制器,或者以各类单片机作为控制器,其中前者控制器软硬件资源丰富、功能齐全,后者可用资源较少,需要自行开发设计。但是两者为控制器的实验***均无法摆脱场所和时间的限制,学生需在规定时间内到指定场所进行实验;受到设备资源限制,导致无法满足大规模同时实验;受***本身资源限制,先进复杂的控制算法很难编译运行。针对这些问题,本发明提出了一种云控制的思想,将控制算法置于云端,利用云的分布式高速计算能力,形成控制、辨识、优化的一体化设计与实现,较好解决了传统控制实验***的问题。这种控制***目前尚未见到报道。
发明内容
针对现有技术的不足,本发明提出一种具有云控制器编程功能的计算机控制实验***。
本发明采用的技术方案是:
一种具有云控制器编程功能的计算机控制实验***,包括云服务端、用户端、监控端、实际被控***;
所述云服务端搭建有控制算法库、数据库、模型辨识库、优化算法库和服务器管理模块;
所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;
所述监控端搭建有用户信息管理监控模块、监控端通讯模块;
所述实际被控***搭建有执行模块、检测模块、通信模块、被控对象。
所述云服务端搭建有控制算法库、数据库、模型辨识库、优化算法库和服务器管理模块;
所述控制算法库,用于存储由用户端上传的被控对象的各种控制算法。
所述数据库,用于存储用户的基本信息、实验设备传输的被控量、经算法计算得到控制量,用户的基本信息包括用户的购买的实验时间、消费时间和密保问题;
所述模型辨识库,用于辨识实际被控对象的数学模型;根据数据库中的控制量,以及经实际被控***传至用户端,然后由用户端上传至数据库的被控对象输出量,采用分布式算法UMDA优化算法进行参数辨识,建立被控对象模型;
所述优化算法库,利用模型辨识库得到的被控对象模型,结合控制算法库中的控制算法,采用UMDA算法得到用户设计的控制器优化参数,将其传输至控制算法库中更新对应的算法参数;
所述服务器管理模块,用于在多个用户端访问时,开启线程为每一个用户端分配一个对应的被控对象控制算法,在用户端退出操作时,取消其对应线程,使对应的设备处于空闲状态;管理用户的添加和删除,管理用户的数据信息的存储和删除;管理用户的连接被控对象的控制算法的添加和删除,管理用户的连接对象的模型辨识以及控制器参数的优化。
所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;
所述参数设定模块,用于获取当前实际被控***的串口号、选择实验类型、设定输入量;
所述用户端通讯模块,采用应用层Http技术与云服务端和管理监控端进行通讯,将根据控制算法得到的控制量实时传输至被控对象驱动模块,并采集到被控量实时传输至云服务端的数据库;
所述控制算法上传模块,用于将用户编写的控制算法代码文件上传至云服务端控制算法库,根据实际被控***传输的输出量采用用户编写的控制算法进行计算,得到控制量,将该控制量传输至云服务端数据库中,用户端获取到控制量后对被控对象进行实时控制;
所述数据显示模块,用于根据被控对象的输出量和用户端设定的参考输入量,以及控制算法库计算得到的控制量,进行动态数据和曲线的显示。
所述监控端搭建有用户信息管理监控模块、监控端通讯模块;
所述用户信息管理监控模块,用于管理用户的基本信息,监控用户上传云服务端的算法,为用户分配权限;实时监视用户实验过程中产生的计算数据,将该用户的计算数据以图形显示;
所述监控端通讯模块,用于应用层Http技术与云服务端和用户端进行通讯,接收云服务端传回的输出量,控制量信息。
所述实际被控***搭建有执行模块、检测模块、通信模块、被控对象;
所述执行模块,用于执行从云服务端传回的控制量,去控制被控对象;
所述检测模块,用于检测被控对象的输出量,通过通信模块传输至用户计算机,进而传输到云服务端数据库中;
所述通信模块,用于连接用户计算机与被控对象,采用232串口通信技术传输被控对象输出量、接收被控量。
实验***的控制方法采用如下步骤:
步骤1:登录用户端,通过云服务端的数据库中存储的用户的基本信息判断该用户是否存在,若存在弹出成功登录的提示,否则请先注册账号再行登录;登录成功后用户端自动去判断当前是否有实际被控对象连入***,若成功连入则获取当前设备的串口号、通信速率信息,否则提示请先连入实际被控对象,然后强制下机;
步骤2:将当前用户信息以及连接设备的信息经用户端送至云端数据库保存;
步骤3:通过用户端的控制算法上传模块上传根据用户编写的控制算法生成的代码文件;
步骤4:接口板中检测模块将采集到的被控对象输出量经通信模块送至用户端,用户端送至云端数据库中;
步骤5:根据用户端送至云端数据库的输出量,在云端采用用户编写的控制算法进行计算,得到被控对象控制量;
步骤6:通过云服务端保存经过控制算法计算得到的被控对象的控制量;将控制量传回用户端,同时将从用户传来的输出量与经控制算法计算得到的被控对象的控制量传递到监控端;
步骤7:用户端接收到云服务端将控制量后,通过接口板232串口通信模块将控制量送至执行模块,执行模块驱动电机运转;然后用户端数据显示模块根据传回的控制量以及采集得到的输出量绘制相应的实时曲线;
步骤8:通过观察实时曲线,判定当前控制效果,如果实时曲线波动较大,首先点击用户端主界面“复位”按钮停止实验,点击“模型优化”调用云服务端的模型辨识库进行被控对象模型辨识,如果控制效果良好即曲线波动较小,转到步骤11;
步骤9:基于步骤8辨识得到的被控对象模型,以及用户上传的控制算法,调用优化算法库的UMDA优化算法,进行控制器参数优化;
步骤10:将优化得到控制器参数嵌入到用户编写的控制算法中,通过观察用户端绘制的实时曲线观察实验效果;
步骤11:判断停止标志,如果是则实验结束,否则返回步骤4。
在步骤8中调用云服务端的模型辨识库进行被控对象模型辨识采取如下步骤:
以直流电机一阶惯性模型为例,利用UMDA算法对模型参数K和T进行辨识,其中直流电机一阶惯性模型的表达式为:
步骤8.1:构建一阶惯性直流电机辨识模型如上式(2);
步骤8.1.1:在控制量为u的前提下测定N组电机的开环的转速输出,记为y0i(i=1…N);
步骤8.1.2:随机给定一组直流电机模型参数Km,Tm,带入模型中,在控制量为u的前提下计算出模型的N个输出yi(i=1…N);
步骤8.1.3:计算电机实测输出与理论输出的偏差平方和,如下式所示,构建模型辨识优化的目标函数;
步骤8.1.4:设定模型参数的阈值作为优化模型的约束条件,如下式所示;
步骤8.2:利用UMDA算法对步骤8.1中的优化问题进行求解;
步骤8.2.1:初始化算法参数:种群大小Popsize;截断选择Selectrate,最大迭代次数MaxIteration;
步骤8.2.2:初始化种群:在模型参数范围内随机初始化种群,所得初始种群为;
(Ki,Ti)(i=1,...,Popsize)
步骤8.2.3:计算适应值函数,将种群个体带入模型中计算出与实测数据同等多的模型输出值,并计算输出值与实测值的偏差平方和;
步骤8.2.4:选择优秀个体:将步骤8.2.3中的适应值进行排序,基于截断选择率选出适应值较低的N个个体;
步骤8.2.6:采样产生新种群:为新种群中个体的每一个变量随机分配概率,并代入相应的概率积分函数中反求新个体,并将其与前代个体构成新种群;其中概率积分函数为:
步骤8.2.7:终止条件:当迭代次数达到最大迭代次数时满足算法终止条件,停止算法,输出最优个体,即为模型辨识得到的参数;否则,转至步骤8.2.3继续进行迭代。
8、根据权利要求书1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
步骤9中调用优化算法库的UMDA优化算法进行控制器参数优化,具体步骤如下;
步骤9.1:构建PID参数优化的目标函数;
步骤9.1.1:设定PID算法的控制时间为K×Ts,其中K为控制次数,Ts为采样周期,且控制时间应大于***的过渡过程时间,并随机产生一组PID参数(Kpm,Kim,Kdm),基于电机模型,计算出在该参数控制下K次输出y(k)(k=1…K);
步骤9.1.2:计算步骤9.1.1中K次输出y(k)与设定值y0的平方和,并以该值作为优化的目标函数,如下式所示;
步骤9.1.3:设定PID参数的阈值作为优化模型的约束条件,如下式所示;
步骤9.2:利用UMDA对步骤9.1中的优化问题进行求解;
步骤9.2.1:在n个变量的阈值范围内随机产生n×m维初始种群Pop(0),其中m为种群大小;
步骤9.2.2:将初始种群带入适应值函数(目标函数)中计算适应值并按照适应值由低到高排序;
步骤9.2.3:计算截断选择的精英种群个体数ms,并取原种群适应值较高的ms个体组成精英种群Popmaster(0);
步骤9.2.4:计算精英种群的均值和标准差μi和σi(i=1…n);
步骤9.2.5:由μi和σi(i=1…n)构建n个一维高斯分布,并随机产生(m-ms)维概率矩阵,带入n个一维高斯分布函数中进行采样,获得n×(m-ms)维下一代部分种群Poppart(t+1);
步骤9.2.6:再将本代精英种群Popmaster(t)和采样出的下一代种群Poppart(t+1)进行组合得到下一代种群Pop(t+1);
步骤9.2.7:检查是否到达迭代终止条件,若到达则输出当代最优个体和最优适应值,其中最优个体即为优化后的PID参数,转到步骤10;若未达到则将Pop(t+1)返回步骤9.2.1进行迭代运算。
本发明优点:
本发明提出一种具有云控制器编程功能的计算机控制实验***,该***充分利用了云计算、云数据库、远程通讯等新技术的优势,可以实现用户通过计算机网络远程进行控制实验;同时教师可以实现对使用者的实验过程和各种实验数据的实时监控,达到实验过程实时监督指导的目的。更为重要的是将控制算法、辨识算法以及优化算法置于“云”中,利用云计算的优势可以快速进行各种复杂算法的运算,降低对硬件设备要求,减少成本;云控制器的重要优势为:不用为每个用户单独配置一个控制器,云服务器端会自动为每个用户开辟一个新线程;可以在线进行控制算法的优化,待优化完成后,自动进行控制参数的无扰切换。本***提供了一种基于网络的在线实验教学模式,不仅为其它各个学科的网络实验教学提供了一种范例,也为智能工业的云控制提供了一种思路;基于云计算和宽带网络的极高性能,具备了满足大规模用户同时在线实验的能力;提供多种控制算法库进行实验,便于用户更充分的理解实验案例同时提高相应的编程能力;用户端控制算法上传功能,可以进一步满足用户对于各类算法的研究。
附图说明
图1为本发明一种实施方式的具有云控制器编程功能的计算机控制实验***结构框图;
图2为本发明一种实施方式的云服务端算法运行流程图;
图3为本发明一种实施方式的用户端界面示意图;
图4为本发明一种实施方式的接口板结构框图;
图5为本发明一种实施方式的具有云控制器编程功能的计算机控制实验***用户流程图;
图6为本发明一种实施方式的模型辨识流程图;
图7为本发明一种实施方式的参数优化流程图;
图8为本发明一种实施方式的直流电机开环曲线显示实验图;
图9为本发明一种实施方式的直流电机闭环曲线显示实验图。
具体实施方式
下面结合附图1-9对本发明一种实施例做进一步说明。
一种具有云控制器编程功能的计算机控制实验***,如图1所示,包括云服务端、用户端、监控端、实际被控***。
所述云服务端搭建有控制算法库、数据库、服务器管理模块、模型辨识库、优化算法库。
所述控制算法库,用于存储由用户端上传的被控对象数学模型的标准控制算法;
所述数据库,用于存储用户的基本信息、用户端上传的被控对象的输出量、用户基于被控对象编写的控制算法进行计算的被控对象控制量。
本实施方式中,用户的基本信息包括:用户名、密码、用户的使用时间、购买时间、密保问题以及连入的被控对象信息。
本实施方式中,为了保证对所有用户的账号,使用情况以及计时收费情况的管理,需要在云服务端的数据库中为每个用户设计表单,表单的字段及解释如表1所示。
所述模型辨识库,用于辨识实际被控对象的数学模型;根据云端数据库中的控制量和被控对象输出量,采用UMDA优化算法进行参数辨识,建立被控对象模型。
所述优化算法库,用于利用模型辨识库得到的对象模型,采用UMDA算法得到控制器的优化参数,将其传输至控制算法单元中。
表1 用户表单
所述服务器管理模块,用于在多个用户端访问时,开启线程为每一个用户端分配一个对应的被控对象控制算法,在用户端退出操作时,取消其对应线程,使对应的设备处于空闲状态;管理用户的添加和删除,管理用户的数据信息的存储和删除;管理用户的链接被控对象的标准控制算法的添加和删除,管理用户的连接对象的模型辨识以及控制器参数的优化;
所述服务器管理模块,包括控制算法调度单元、控制算法单元、信息管理单元。
所述控制算法调度单元,用于在多个用户端访问时,开启线程为每一个用户端分配一个对应的被控对象控制算法,在用户端退出操作时,取消其对应线程。
所述控制算法单元,用于管理用户连接的被控对象数学的标准控制算法的执行。
所述信息管理单元,管理用户的添加和删除,管理用户的计算数据信息的存储和删除。
本实施方式中,实现过程采用MVC编程模型,即通过在云服务端编写“算法控制器”来实现控制算法与被控对象的相互调用,以及各个变量的存储与中转。控制算法运行过程如图2所示,其中yk指用户端在一个采样周期上传的输出量,u指控制算法输出的控制量。
所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;
所述参数设定模块,用于获取当前实际被控***的串口号、选择实验类型、设定输入量;
所述用户端通讯模块,采用应用层Http技术与云服务端和管理监控端进行通讯,将根据控制算法得到的控制量实时传输至被控对象驱动模块,并采集到被控量实时传输至云服务端的数据库;
本实施方式中,用户端在连接云服务端的网络选择方面有两种方式:局域网和广域网;并且可以相互切换。局域网仅适合小范围内用户使用,即每个用户端必须与云服务端处在同一个局域网内,可以应用在校园网等较大局域网范畴;广域网主要通过申请的域名与云服务端的IP地址进行绑定,并利用内网透传技术,即便云服务端IP地址变化,通过该域名仍可访问到云服务端。
本实施方式中,在用户注册方面用户在输入其用户名、密码后可以选择是否使用密码找回功能。如果选择密码找回功能则需设定密保邮箱与密保问题。在注册成功后***会提示扫描二维码下载缴费的APP进行缴费;
在用户登录方面,在用户缴费成功,用户输入正确用户名和密码后,云服务端会返回登陆成功信息,用户端跳转至主界面,如图3所示,主界面包含各类实验选择,选中表示当前要进行的实验。点击“退出”按钮,关闭主界面返回至登陆界面。该导航器还具有计时功能,计时单位为1分钟,并且将当前使用时间以及用户购买时间在导航器中显示。导航器每1分钟将已使用时间上传至云服务端,直至已使用时间超过购买时间,将强制下机同时字段7~12置0,并返回至登陆界面。
所述控制算法上传模块,用于将根据用户编写的控制算法代码文件上传至云服务端控制算法库,根据实际被控***传输的输出量采用用户编写的控制算法进行计算,得到控制量,将控制量传输至云服务端数据库中,用户端获取到控制量后对被控对象进行实时控制;
所述数据显示模块,用于根据被控对象的输入和输出量,并根据用户端设定的参考输入量,进行动态数据和曲线显示。
所述管理监控端搭建有用户信息管理监控模块、监控端通讯模块;所述用户信息管理监控模块,用于管理用户的基本信息,监控用户使用状态,为用户分配权限;实时监控用户使用的被控对象数学模型,实时监视用户实验过程中产生的计算数据,将该用户的计算数据以图形显示。
所述监控端通讯模块,用于采用应用层Http技术与云服务端和用户端进行通讯,接收云服务端传回的输出量,并传输至用户端。
如图4所示,实际被控***包括通信模块、执行模块、采集模块;通信模块采用232串口通信方式与用户端PC机相连,用于传递输出量和接收控制量;执行模块用于执行接收到的控制量,驱动实际被控对象。采集模块用于采集实际被控对象的输出量,然后通过通信模块传递到用户端。
本实施方式中,以被控对象为电机模型,控制算法为PID算法为例加以具体说明。
采用具有云控制器编程功能的计算机控制实验***进行控制的方法,如图5所示,包括以下步骤:
步骤1:登录用户端,通过云服务端的数据库中存储的用户的基本信息判断该用户是否存在,若存在弹出成功登录的提示,否则请先注册账号再行登录;登录成功后用户端自动去判断当前是否有实际被控对象连入***,若成功连入则获取当前设备的串口号、通信速率等信息,否则提示请先连入实际被控对象,然后强制下机。
步骤2:将当前用户信息以及连接设备的信息经用户端送至云端数据库保存;
步骤3:通过用户端的控制算法上传模块上传根据用户编写的控制算法生成的代码文件。
本实施方式中,允许用户使用JAVA编程语言在本地将控制算法编写后按照规定生成代码文件,放在用户端的特定路径下,即可实现上传云服务端;
本实施方式中,用户编写的控制算法:离散位置式PID算法的数学模型如式(1)所示:
其中,u(k)为k时刻的控制量,error(k)为k时刻的偏差,即设定值与实际值的差,ts为采样周期,kp为PID算法的比例系数,ki为PID算法的积分系数,kd为PID算法的微分系数。
实现过程为:首先通过构建URL以HTTP中POST方式将用户编写的算法上传至云服务端,经过监控端代码检测无误后,通过tomcat发布运行。然后将转速设定值,kp、ki、kd、ts等算法参数传入云服务端嵌入到编写的控制算法中,其次云服务端中的控制算法在接收到从用户端传来的输出量后设定控制量为0,上次输出为0,设定转速为用户端传输的设定值,采样周期为0.001s,最后启动算法运行。本实例中设置离散位置式PID算法的kp为0.5,ki为3.7,kd为0,进行实验。
步骤4:接口板中检测模块将采集到被控对象输出量经通信模块送至用户端,用户端送至云端数据库中。
步骤5:根据用户送至云端数据库的输出量,在云端采用用户编写的控制算法进行计算,得到被控对象控制量。
步骤6:通过云服务端保存经过控制算法计算得到的被控对象的控制量;将控制量传回用户端,同时将从用户传来的输出量与经控制算法计算得到的被控对象的控制量传递到监控端。
步骤7:用户端接收到云服务端将控制量后,通过接口板232串口通信模块将控制量送至执行模块,执行模块驱动电机运转;然后用户端数据显示模块根据传回的输出量绘制相应的实时曲线。
步骤8:通过观察实时曲线,判定当前控制效果,如果实时曲线波动较大,首先点击用户端主界面“复位”按钮停止实验,点击“模型优化”调用云服务端的模型辨识库进行被控对象模型辨识,执行步骤8.1-8.2;模型辨识流程图如图6所示。如果控制效果良好即曲线波动较小,转到步骤11。
以直流电机一阶惯性模型为例,利用UMDA算法对模型参数K和T进行辨识,其中直流电机一阶惯性模型的表达式为:
步骤8.1:构建一阶惯性直流电机辨识模型如上式(2)。
步骤8.1.1:在控制量为u的前提下测定N组电机的开环的转速输出,记为y0i(i=1…N);
步骤8.1.2:随机给定一组直流电机模型参数Km,Tm,带入模型中,在控制量为u的前提下计算出模型的N个输出yi(i=1…N);
步骤8.1.3:计算电机实测输出与理论输出的偏差平方和,如下式所示,构建模型辨识优化的目标函数;
步骤8.1.4:设定模型参数的阈值作为优化模型的约束条件,如下式所示
步骤8.2:利用UMDA算法对步骤8.1中的优化问题进行求解
步骤8.2.1:初始化算法参数:种群大小Popsize;截断选择Selectrate,最大迭代次数MaxIteration
步骤8.2.2:初始化种群:在模型参数范围内随机初始化种群,所得初始种群为
(Ki,Ti)(i=1,...,Popsize)
步骤8.2.3:计算适应值函数,将种群个体带入模型中计算出与实测数据同等多的模型输出值,并计算输出值与实测值的偏差平方和
步骤8.2.4:选择优秀个体:将步骤8.2.3中的适应值进行排序,基于截断选择率选出适应值较低的N个个体;
步骤8.2.6:采样产生新种群:为新种群中个体的每一个变量随机分配概率,并代入相应的概率积分函数中反求新个体,并将其与前代个体构成新种群;
步骤8.2.7:终止条件:当迭代次数达到最大迭代次数时满足算法终止条件,停止算法,输出最优个体,即为模型辨识得到的参数。否则,转至步骤8.2.3继续进行迭代。
步骤9:基于步骤8辨识得到的被控对象模型,以及用户上传的控制算法,点击“参数优化”按钮,调用优化算法库的UMDA优化算法,进行控制器参数优化,具体见步骤9.1-9.2,优化算法流程图如图7所示。
步骤9.1:构建PID参数优化的目标函数:
步骤9.1.1:设定PID算法的控制时间为K×Ts,其中K为控制次数,Ts为采样周期,且控制时间应大于***的过渡过程时间,并随机产生一组PID参数(Kpm,Kim,Kdm),基于电机模型,计算出在该参数控制下K次输出y(k)(k=1…K)
步骤9.1.2:计算步骤9.1.1中K次输出与设定值y0的平方和,并以该值作为优化的目标函数,如下式所示
步骤9.1.3:设定PID参数的阈值作为优化模型的约束条件,如下式所示
步骤9.2:利用UMDA对步骤9.1中的优化问题进行求解
步骤9.2.1:在n个变量的阈值范围内随机产生n×m维初始种群Pop(0),其中m为种群大小。
步骤9.2.2:将初始种群带入适应值函数(目标函数)中计算适应值并按照适应值由低到高排序。
步骤9.2.3:计算截断选择的精英种群个体数ms,并取原种群适应值较高的ms个体组成精英种群Popmaster(0)
步骤9.2.4:计算精英种群的均值和标准差μi和σi(i=1…n)
步骤9.2.5:由μi和σi(i=1…n)构建n个一维高斯分布,并随机产生(m-ms)维概率矩阵,带入n个一维高斯分布函数中进行采样,获得n×(m-ms)维下一代部分种群Poppart(t+1)
步骤9.2.6:再将本代精英种群Popmaster(t)和采样出的下一代种群Poppart(t+1)进行组合得到下一代种群Pop(t+1)
步骤9.2.7:检查是否到达迭代终止条件,若到达则输出当代最优个体和最优适应值,其中最优个体即为优化后的PID参数,转到步骤10;若未达到则将Pop(t+1)返回步骤9.2.1进行迭代运算。
步骤10:将优化得到控制器参数嵌入到用户编写的控制算法中,通过观察用户端绘制的实时曲线观察实验效果。
步骤11:判断停止标志,如果是则实验结束,否则返回步骤4。
本实施方式中,电机模型开环曲线显示实验图如图8所示,电机模型闭环曲线显示实验图如图9所示。
Claims (7)
1.一种具有云控制器编程功能的计算机控制实验***,其特征在于:包括云服务端、用户端、监控端、实际被控***;
所述云服务端搭建有控制算法库、数据库、模型辨识库、优化算法库和服务器管理模块;
所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;
所述监控端搭建有用户信息管理监控模块、监控端通讯模块;
所述实际被控***搭建有执行模块、检测模块、通信模块、被控对象;
实验***的控制方法采用如下步骤:
步骤1:登录用户端,通过云服务端的数据库中存储的用户的基本信息判断该用户是否存在,若存在弹出成功登录的提示,否则请先注册账号再行登录;登录成功后用户端自动去判断当前是否有实际被控对象连入***,若成功连入则获取当前设备的串口号、通信速率信息,否则提示请先连入实际被控对象,然后强制下机;
步骤2:将当前用户信息以及连接设备的信息经用户端送至云端数据库保存;
步骤3:通过用户端的控制算法上传模块上传根据用户编写的控制算法生成的代码文件;
步骤4:接口板中检测模块将采集到的被控对象输出量经通信模块送至用户端,用户端送至云端数据库中;
步骤5:根据用户端送至云端数据库的输出量,在云端采用用户编写的控制算法进行计算,得到被控对象控制量;
步骤6:通过云服务端保存经过控制算法计算得到的被控对象的控制量;将控制量传回用户端,同时将从用户传来的输出量与经控制算法计算得到的被控对象的控制量传递到监控端;
步骤7:用户端接收到云服务端将控制量后,通过接口板232串口通信模块将控制量送至执行模块,执行模块驱动电机运转;然后用户端数据显示模块根据传回的控制量以及采集得到的输出量绘制相应的实时曲线;
步骤8:通过观察实时曲线,判定当前控制效果,如果实时曲线波动较大,首先点击用户端主界面“复位”按钮停止实验,点击“模型优化”调用云服务端的模型辨识库进行被控对象模型辨识,如果控制效果良好即曲线波动较小,转到步骤11;
步骤9:基于步骤8辨识得到的被控对象模型,以及用户上传的控制算法,调用优化算法库的UMDA优化算法,进行控制器参数优化;
步骤10:将优化得到控制器参数嵌入到用户编写的控制算法中,通过观察用户端绘制的实时曲线观察实验效果;
步骤11:判断停止标志,如果是则实验结束,否则返回步骤4。
2.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
所述云服务端搭建有控制算法库、数据库、模型辨识库、优化算法库和服务器管理模块;
所述控制算法库,用于存储由用户端上传的被控对象的各种控制算法;
所述数据库,用于存储用户的基本信息、实验设备传输的被控量、经算法计算得到控制量,用户的基本信息包括用户的购买的实验时间、消费时间和密保问题;
所述模型辨识库,用于辨识实际被控对象的数学模型;根据数据库中的控制量,以及经实际被控***传至用户端,然后由用户端上传至数据库的被控对象输出量,采用分布式算法UMDA优化算法进行参数辨识,建立被控对象模型;
所述优化算法库,利用模型辨识库得到的被控对象模型,结合控制算法库中的控制算法,采用UMDA算法得到用户设计的控制器优化参数,将其传输至控制算法库中更新对应的算法参数;
所述服务器管理模块,用于在多个用户端访问时,开启线程为每一个用户端分配一个对应的被控对象控制算法,在用户端退出操作时,取消其对应线程,使对应的设备处于空闲状态;管理用户的添加和删除,管理用户的数据信息的存储和删除;管理用户的连接被控对象的控制算法的添加和删除,管理用户的连接对象的模型辨识以及控制器参数的优化。
3.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
所述用户端搭建有参数设定模块、用户端通讯模块、控制算法上传模块、数据显示模块;
所述参数设定模块,用于获取当前实际被控***的串口号、选择实验类型、设定输入量;
所述用户端通讯模块,采用应用层Http技术与云服务端和管理监控端进行通讯,将根据控制算法得到的控制量实时传输至被控对象驱动模块,并采集到被控量实时传输至云服务端的数据库;
所述控制算法上传模块,用于将用户编写的控制算法代码文件上传至云服务端控制算法库,根据实际被控***传输的输出量采用用户编写的控制算法进行计算,得到控制量,将该控制量传输至云服务端数据库中,用户端获取到控制量后对被控对象进行实时控制;
所述数据显示模块,用于根据被控对象的输出量和用户端设定的参考输入量,以及控制算法库计算得到的控制量,进行动态数据和曲线的显示。
4.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
所述监控端搭建有用户信息管理监控模块、监控端通讯模块;
所述用户信息管理监控模块,用于管理用户的基本信息,监控用户上传云服务端的算法,为用户分配权限;实时监视用户实验过程中产生的计算数据,将该用户的计算数据以图形显示;
所述监控端通讯模块,用于应用层Http技术与云服务端和用户端进行通讯,接收云服务端传回的输出量,控制量信息。
5.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
所述实际被控***搭建有执行模块、检测模块、通信模块、被控对象;
所述执行模块,用于执行从云服务端传回的控制量,去控制被控对象;
所述检测模块,用于检测被控对象的输出量,通过通信模块传输至用户计算机,进而传输到云服务端数据库中;
所述通信模块,用于连接用户计算机与被控对象,采用232串口通信技术传输被控对象输出量、接收被控量。
6.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
在步骤8中调用云服务端的模型辨识库进行被控对象模型辨识采取如下步骤:
以直流电机一阶惯性模型为例,利用UMDA算法对模型参数K和T进行辨识,其中直流电机一阶惯性模型的表达式为:
步骤8.1:构建一阶惯性直流电机辨识模型如上式(2);
步骤8.1.1:在控制量为u的前提下测定N组电机的开环的转速输出,记为y0i(i=1···N);
步骤8.1.2:随机给定一组直流电机模型参数Km,Tm,带入模型中,在控制量为u的前提下计算出模型的N个输出yi(i=1···N);
步骤8.1.3:计算电机实测输出与理论输出的偏差平方和,如下式所示,构建模型辨识优化的目标函数;
步骤8.1.4:设定模型参数的阈值作为优化模型的约束条件,如下式所示;
步骤8.2:利用UMDA算法对步骤8.1中的优化问题进行求解;
步骤8.2.1:初始化算法参数:种群大小Popsize;截断选择Selectrate,最大迭代次数MaxIteration;
步骤8.2.2:初始化种群:在模型参数范围内随机初始化种群,所得初始种群为;
(Ki,Ti)(i=1,...,Popsize)
步骤8.2.3:计算适应值函数,将种群个体带入模型中计算出与实测数据同等多的模型输出值,并计算输出值与实测值的偏差平方和;
步骤8.2.4:选择优秀个体:将步骤8.2.3中的适应值进行排序,基于截断选择率选出适应值较低的N个个体;
步骤8.2.6:采样产生新种群:为新种群中个体的每一个变量随机分配概率,并代入相应的概率积分函数中反求新个体,并将其与前代个体构成新种群;其中概率积分函数为:
步骤8.2.7:终止条件:当迭代次数达到最大迭代次数时满足算法终止条件,停止算法,输出最优个体,即为模型辨识得到的参数;否则,转至步骤8.2.3继续进行迭代。
7.根据权利要求1所述的一种具有云控制器编程功能的计算机控制实验***,其特征在于:
步骤9中调用优化算法库的UMDA优化算法进行控制器参数优化,具体步骤如下;
步骤9.1:构建PID参数优化的目标函数;
步骤9.1.1:设定PID算法的控制时间为K×Ts,其中K为控制次数,Ts为采样周期,且控制时间应大于***的过渡过程时间,并随机产生一组PID参数(Kpm,Kim,Kdm),基于电机模型,计算出在该参数控制下K次输出y(k)(k=1···K);
步骤9.1.2:计算步骤9.1.1中K次输出y(k)与设定值y0的平方和,并以该值作为优化的目标函数,如下式所示;
步骤9.1.3:设定PID参数的阈值作为优化模型的约束条件,如下式所示;
步骤9.2:利用UMDA对步骤9.1中的优化问题进行求解;
步骤9.2.1:在n个变量的阈值范围内随机产生n×m维初始种群Pop(0),其中m为种群大小;
步骤9.2.2:将初始种群带入适应值函数中计算适应值并按照适应值由低到高排序;
步骤9.2.3:计算截断选择的精英种群个体数ms,并取原种群适应值较高的ms个体组成精英种群Popmaster(0);
步骤9.2.4:计算精英种群的均值和标准差μi和σi(i=1···n);
步骤9.2.5:由μi和σi(i=1···n)构建n个一维高斯分布,并随机产生(m-ms)维概率矩阵,带入n个一维高斯分布函数中进行采样,获得n×(m-ms)维下一代部分种群Poppart(t+1);
步骤9.2.6:再将本代精英种群Popmaster(t)和采样出的下一代种群Poppart(t+1)进行组合得到下一代种群Pop(t+1);
步骤9.2.7:检查是否到达迭代终止条件,若到达则输出当代最优个体和最优适应值,其中最优个体即为优化后的PID参数,转到步骤10;若未达到则将Pop(t+1)返回步骤9.2.1进行迭代运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669246.1A CN107463096B (zh) | 2017-08-08 | 2017-08-08 | 一种具有云控制器编程功能的计算机控制实验*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669246.1A CN107463096B (zh) | 2017-08-08 | 2017-08-08 | 一种具有云控制器编程功能的计算机控制实验*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463096A CN107463096A (zh) | 2017-12-12 |
CN107463096B true CN107463096B (zh) | 2020-07-03 |
Family
ID=60547410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710669246.1A Expired - Fee Related CN107463096B (zh) | 2017-08-08 | 2017-08-08 | 一种具有云控制器编程功能的计算机控制实验*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463096B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992252B (zh) * | 2017-12-29 | 2022-12-16 | 中移物联网有限公司 | 一种基于物联网的数据分析方法、终端、装置及存储介质 |
CN108427270A (zh) * | 2018-03-26 | 2018-08-21 | 中电科芜湖通用航空产业技术研究院有限公司 | 动力***的全局最优pid参数整定***、方法及装置 |
CN109991876A (zh) * | 2019-03-29 | 2019-07-09 | 浙江大学 | 一种远程控制多模型调度的仿真平台 |
CN110780603B (zh) * | 2019-09-21 | 2023-01-10 | 苏州浪潮智能科技有限公司 | 一种服务器开关电源控制算法优化方法及*** |
CN117741514B (zh) * | 2024-02-21 | 2024-05-07 | 山东中船线缆股份有限公司 | 一种船用线缆的状态检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063818A (zh) * | 2010-08-12 | 2011-05-18 | 华东交通大学 | 一种服务于高校计算机与软件教学的实验云平台*** |
CN102789702A (zh) * | 2011-12-08 | 2012-11-21 | 南京奥派信息技术有限责任公司 | 基于云计算的网络实践教学平台 |
CN104683804A (zh) * | 2015-02-14 | 2015-06-03 | 北京航空航天大学 | 基于视频内容特征的参数自适应多维码率控制方法 |
CN106990720A (zh) * | 2017-05-19 | 2017-07-28 | 关守平 | 基于实时云计算模型的虚拟控制实验平台及控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090300423A1 (en) * | 2008-05-28 | 2009-12-03 | James Michael Ferris | Systems and methods for software test management in cloud-based network |
US8498957B2 (en) * | 2011-05-26 | 2013-07-30 | Alcetel Lucent | Optimal multi-factor evaluation in computing systems |
CN105917314B (zh) * | 2014-01-14 | 2019-10-29 | Sk科技有限公司 | 用于云流服务的应用错误检测方法及其设备和*** |
-
2017
- 2017-08-08 CN CN201710669246.1A patent/CN107463096B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063818A (zh) * | 2010-08-12 | 2011-05-18 | 华东交通大学 | 一种服务于高校计算机与软件教学的实验云平台*** |
CN102789702A (zh) * | 2011-12-08 | 2012-11-21 | 南京奥派信息技术有限责任公司 | 基于云计算的网络实践教学平台 |
CN104683804A (zh) * | 2015-02-14 | 2015-06-03 | 北京航空航天大学 | 基于视频内容特征的参数自适应多维码率控制方法 |
CN106990720A (zh) * | 2017-05-19 | 2017-07-28 | 关守平 | 基于实时云计算模型的虚拟控制实验平台及控制方法 |
Non-Patent Citations (1)
Title |
---|
远程开放式云端虚拟实验室建设初探;徐林 等;《教育教学论坛》;20141031(第43期);第254-256页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463096A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463096B (zh) | 一种具有云控制器编程功能的计算机控制实验*** | |
EP3413212A1 (en) | Random forest model training method, electronic apparatus and storage medium | |
CN109543992A (zh) | 智能巡检方法、装置、智能终端及服务器 | |
CN109478045A (zh) | 使用预测来控制目标*** | |
CN109661660A (zh) | 基于人工智能的内容推荐和调配的方法和*** | |
CN104299178A (zh) | 一种基于面部识别的网络教学方法及*** | |
CN107800787A (zh) | 一种分布式大数据实时交换共享的计算机网络*** | |
CN113221091A (zh) | 基于rpa及ai的账户信息处理方法、装置、设备及介质 | |
CN112256537A (zh) | 模型运行状态的展示方法、装置、计算机设备和存储介质 | |
CN106990720B (zh) | 基于实时云计算模型的虚拟控制实验平台及控制方法 | |
CN109951363A (zh) | 数据处理方法、装置及*** | |
CN107480432A (zh) | 一种基于云平台的负荷分解方法 | |
CN109670637A (zh) | 建筑能耗预测方法、存储介质、装置和*** | |
CN110535850A (zh) | 帐号登录的处理方法和装置、存储介质及电子装置 | |
CN113312177A (zh) | 一种基于联邦学习的无线边缘计算***、优化方法 | |
Zheng et al. | Enabling robust DRL-driven networking systems via teacher-student learning | |
Xiao | Machine learning in smart home energy monitoring system | |
KR20210149623A (ko) | Vr 기반의 실감형 스마트팜 연구 시스템 | |
CN109150981A (zh) | 区块链网络组网方法、装置、设备及计算机可读存储介质 | |
CN116722545A (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN116074403A (zh) | 一种多协议融合通信方法、装置及架构 | |
CN112884165B (zh) | 面向联邦机器学习的全流程服务迁移方法与*** | |
CN115601206A (zh) | 一种多端共享的教学资源管理方法及*** | |
CN114118530A (zh) | 一种基于多户电力消耗预测模型的预测方法及装置 | |
CN108415983B (zh) | 一种基于交互的智能问题解决方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Guan Shouping Inventor after: Li Donglin Inventor after: Zhao Yunqing Inventor after: Zhang Xinyu Inventor before: Guan Shouping Inventor before: Zhao Yunqing Inventor before: Li Donglin Inventor before: Zhang Xinyu |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200703 |
|
CF01 | Termination of patent right due to non-payment of annual fee |