CN116860028A - 一种超高精度气动力伺服***及其控制参数智能优化方法 - Google Patents
一种超高精度气动力伺服***及其控制参数智能优化方法 Download PDFInfo
- Publication number
- CN116860028A CN116860028A CN202310998837.9A CN202310998837A CN116860028A CN 116860028 A CN116860028 A CN 116860028A CN 202310998837 A CN202310998837 A CN 202310998837A CN 116860028 A CN116860028 A CN 116860028A
- Authority
- CN
- China
- Prior art keywords
- air
- cavity
- fuzzy
- control
- electromagnetic valve
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims description 32
- 238000007667 floating Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 4
- 230000009326 social learning Effects 0.000 claims description 3
- KZVPFSJPLBOVLO-UHFFFAOYSA-N trimethyl(2-methylprop-1-enoxy)silane Chemical compound CC(C)=CO[Si](C)(C)C KZVPFSJPLBOVLO-UHFFFAOYSA-N 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005188 flotation Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D16/00—Control of fluid pressure
- G05D16/20—Control of fluid pressure characterised by the use of electric means
- G05D16/2006—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means
- G05D16/2013—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means using throttling means as controlling means
- G05D16/2026—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means using throttling means as controlling means with a plurality of throttling means
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种超高精度气动力伺服***及其控制参数智能优化方法,所述气动力伺服***主要由一个双作用气浮无摩擦气缸和一个压力控制***组成;采用所述气浮无摩擦气缸能够去除摩擦对输出力控制精度的影响;所述压力控制***由基于新型改进粒子群算法优化的模糊PI控制器实现对压力的超高精度控制;所述新型改进粒子群算法融合了高斯变异策略和模糊控制理论;利用新型改进粒子群算法得到优化的模糊PI控制参数并基于该参数执行气浮无摩擦气缸腔体的超高精度压力控制,可实现该***超高精度的力输出;本发明所提出的气动力伺服***能够应用在对力控制精度要求很高的场合,扩大了气动力伺服***的应用范围。
Description
技术领域
本发明属于气动技术领域,具体涉及一种超高精度气动力伺服***及其控制参数智能优化方法。
背景技术
随着科技的发展,力伺服***在工业领域有着十分广泛的应用,当前高精度的力伺服***通常以电缸为执行器。在气动力伺服***中,普通气缸在运动时产生的复杂摩擦力使气动输出力控制精度不高。为了解决该问题,现有技术如文献《无摩擦气缸及高精度气动负载***研究》、《零重力环境模拟气动悬挂***的关键技术研究》、专利CN113700696B等提出了不同结构的新型气浮无摩擦气缸,该类气缸具有摩擦力极低的特点,理论上能够实现高精度的气动输出力控制。不过,这些气缸都是单作用气缸,只能实现单一的力输出。本发明拟采用专利申请号为201711223571.1的中国专利中公开的双作用气浮无摩擦气缸作为气动力伺服***的执行器,由于该气缸独立供气的工作方式,使气缸换向过程中无摩擦状态不受影响,从而高精度推力和拉力的交变输出成为可能。鉴于气浮无摩擦气缸的使用,那么气缸的输出力可等效为气缸腔内的压力控制。
模糊PI控制具有算法简单、控制高效和鲁棒性好等优点,故本发明拟采用模糊PI控制算法来实现压力的高精度控制。然而,在实际应用中,对于模糊PI控制器参数的选取往往采用试凑法,这导致在选择上出现较大的随机性,难以选出更精确的参数,使得控制精度不高。目前,简单的人工随机调参已经无法满足高精度控制甚至超高精度控制的需求,而群智能算法的高速发展给复杂的调参提供了一种智能方法,即通过多次迭代寻找到一组最优的参数,从而尽可能获得满意的控制效果。蚁群算法、遗传算法和粒子群算法是较为常见的群智能算法。其中,粒子群算法具有简单以实现、调节参数少等优点,在优化领域得到了广泛应用,可以解决模糊PI控制器参数选择问题。然而,传统粒子群算法不能有效平衡全局搜索和局部搜索、粒子陷入局部最优无法有效跳出等问题,这严重影响寻优效率和精度。
因此,如何提供一种超高精度气动力伺服***及其控制参数智能优化方法是本领域技术人员亟需解决的问题。
发明内容
本发明的发明目的是旨在打破气动执行***无法实现超高精度气动输出力控制的常规观念,为此,提供了一种超高精度气动力伺服***及其控制参数智能优化方法。
为了达到上述目的,本发明采用如下技术方案:
一种超高精度气动力伺服***,其特征在于,包括执行器模块、压力控制模块、气源模块和供气模块;所述执行器模块为双作用气浮无摩擦气缸;所述压力控制模块包括工控机、数据采集卡、三位五通电磁阀、二位三通电磁阀一、二位三通电磁阀二、高精度压力传感器一、高精度压力传感器二、小气罐一和小气罐二;所述供气模块包括减压阀一、减压阀二、小气罐三、小气罐四、空气干燥器和精密过滤器;所述气源模块包括气源、减压阀三和大气罐;
气源产生压缩空气经减压阀三作用输送至大气罐内,为各气动支路提供压缩空气;减压阀一、小气罐三、空气干燥器和精密过滤器组成支路一为气浮无摩擦气缸的空气轴承供气,减压阀二和小气罐四组成支路二为气浮无摩擦气缸的气浮活塞供气,从而使气浮无摩擦气缸正常工作;
三位五通电磁阀的上游接在大气罐上作为支路三;三位五通电磁阀的两个接口经二位三通电磁阀一和二位三通电磁阀二分别与小气罐一和小气罐二连接;小气罐一与气浮无摩擦气缸的的无杆腔构成被控容腔一,小气罐二与气浮无摩擦气缸的有杆腔构成被控容腔二;高精度压力传感器一和高精度压力传感器二分别将容腔一和容腔二内的压力信息通过数据采集卡反馈至工控机,工控机执行各自的模糊PI控制算法后经数据采集卡将电压信号输出给三位五通电磁阀。
进一步地,所述二位三通电磁阀一和二位三通电磁阀二的最大阀口开度大于或等于三位五通电磁阀的最大阀口开度。
进一步地,所述三位五通电磁阀与气浮无摩擦气缸腔体之间所有气管内径大于二位三通电磁阀一、二位三通电磁阀二和三位五通电磁阀的通径。
所述的一种超高精度气动力伺服***的控制参数智能优化方法,其特征在于,小气罐一与气浮无摩擦气缸的的无杆腔构成被控容腔一,小气罐二与气浮无摩擦气缸的有杆腔构成被控容腔二,高精度压力传感器一和高精度压力传感器二分别将容腔一和容腔二内的压力信息通过数据采集卡反馈至工控机,工控机执行各自的模糊PI控制算法后经数据采集卡将电压信号输出给三位五通电磁阀;其特征在于,模糊PI控制算法的控制参数由新型改进粒子群算法优化,步骤如下:
S1:构建模糊PI压力控制器,并确定待优化变量;
S2:通过试凑法确定待优化变量的搜索空间;
S3:确定优化过程中的目标函数;
S4:利用新型改进粒子群算法进行迭代优化;
S5:分别将容腔一和容腔二作为被控对象,并优化得到各自优化的模糊PI控制参数。
进一步地,所述步骤S3中目标函数的选择如下:在***阶跃响应上升阶段,将其设定为前T1秒,采用ITAE评价指标函数;在***进入稳态阶段,将其设定为T1~T2秒,采用ITSE评价指标函数,具体表达式为:
式中:f为目标函数;t为时间;e为压力控制误差。
进一步地,还包括,将惩罚函数融入到目标函数中,具体如下:当某一粒子经过T1秒后仍未完成***阶跃响应上升阶段,则停止本次控制并判处该粒子“死刑”,即赋予该粒子极差的适应度值;当三位五通电磁阀的输入电压三次达到0V或10V时,认定此时***发生振荡,则停止本次控制并判处该粒子“死刑”。
进一步地,所述步骤S4中的迭代优化过程如下:
S41:设置新型改进粒子群优化算法的基本参数并进行初始化;
S42:在搜索空间中随机初始化粒子位置和速度向量;
S43:计算每个粒子的适应度值;
S44:对比适应度值,得到个体历史最优粒子位置以及全局最优粒子位置;
S45:利用速度更新公式和新型位置更新公式更新粒子;
S46:检查每个粒子是否越界,若越界则保留更新前粒子的状态;
S47:若迭代次数达到最大迭代次数,则执行下一步骤,否则执行步骤S43;
S48:运行结束并输出优化的模糊PI控制参数。
所述步骤S45中的速度更新公式和新型位置更新公式如下:
式中:为第i个粒子经过t次迭代后的位置;/>为第i个粒子经过t次迭代后的个体历史最优位置;/>为整个群体经过t次迭代后的全局最优位置;/>为第i个粒子经过y次迭代后的速度;/>为第i个粒子经过(t+1)次迭代后的速度;w为惯性权重;c1和c2分别为个人学习因子和社会学习因子;r1、r2、r3和rα分别是[0,1]范围内的随机数;β为判定系数,由个体历史最优适应度的标准差决定,当该标准差大于1时取0.1否则取0.5;v和u是服从高斯分布的随机数;λimax(t)为/>和/>在所有维度中最大差异的权重,具体表达式如下:
式中:xik(t)是第i个粒子在第t次迭代时的第k维位置值;xgbk(t)是第t次迭代时的全局最佳位置的第k维值;λik(t)是第i个粒子在第y次迭代时的第k维差异权重;
所述改进粒子群更新公式中引入的服从高斯分布的随机数u和v的公式为:
式中:r4是[-1.5,1.5]范围内的随机数;r5是[0,1]范围内的随机数;σu和σv分别为高斯分布u和v的方差。
进一步地,所述新型位置更新公式中的参数w、c1、c2和σu是通过模糊控制***实现自适应的,具体如下:将迭代次数t及最大差异权重λimax(t)作为输入变量,并与对应量化因子Qt和Qλ相乘后输入至模糊***,经模糊处理再与比例因子Pw、Pc1、Pc2和Pσu相乘后输出增量Δw、Δc1、Δc2和Δσu,参数w、c1、c2和σu可通过下式得到
式中:w0、c10、c20和σu0为各参数初始值。
变量t、λimax(t)、Δw、Δc1、Δc2和Δσu的论域均设为[0,6],量化因子Qt和Qλ以及比例因子Pw、Pc1、Pc2和Pou分别设为6/tmax、6*rand,其中,rand为[0,1]范围内的随机数、(1/6)*rand、1/3、1/3和1/(6*rand),初始值w0、c10和c20分别设为0.3、0.5和0.5;而对于σu0,若t/tmax<rand,取cos(πt/tmax),其中,tmax为最大迭代次数,若t/tmax≥rand,其值取1E-15。
进一步地,利用基于新型改进粒子群算法优化得到的容腔一***模糊PI控制参数执行容腔一的超高精度压力控制,可实现气浮无摩擦气缸的超高精度推力输出;利用基于新型改进粒子群算法优化得到的容腔二***模糊PI控制参数执行容腔二的超高精度压力控制,可实现气浮无摩擦气缸的超高精度拉力输出。
进一步地,利用基于新型改进粒子群算法优化得到的容腔一***模糊PI控制参数和容腔二***模糊PI控制参数,交替执行容腔一和容腔二的超高精度压力控制,可实现气浮无摩擦气缸的超高精度推力和拉力的交变输出。
本发明提出的超高精度气动力伺服***及其控制参数智能优化方法,与现有技术相比,有以下有益效果:
1.本发明使用的气动执行器是一种独立供气的新型气浮无摩擦气缸,该气缸相比于普通气缸避免了摩擦力对力伺服控制精度的影响;此外,由于该气缸独立供气的工作方式,使气缸换向过程中无摩擦状态不受影响,相比于现有单作用的气浮无摩擦气缸,该气缸能够实现推力和拉力的交变输出。
2.本发明提出一种新型改进粒子群算法,弥补了传统粒子群算法无法有效平衡勘探和开发能力、无法有效跳出局部最优等不足之处;此外,本发明利用该算法实现气动力伺服***的模糊PI压力控制器参数寻优,这能够避免通过试凑法调参的随机性、主观性导致控制精度不高的问题,从而最终实现气浮无摩擦气缸的超高精度力控制。
3.本发明在进行基于新型改进粒子群算法的模糊PI压力控制参数优化中,分别对控制精度差和发生振荡的粒子建立相应的惩罚机制,这样一方面可有效缩减实验优化时间,另一方面在***振荡时能及时停止从而提高实验装置寿命。
附图说明
图1是本发明所述气动力伺服***原理图;
图2是本发明所述模糊PI压力控制器原理图;
图3是本发明所述新型改进粒子群算法的优化流程图;
图4是本发明实施例一中对多维单峰函数优化的收敛曲线图;
图5是本发明实施例一中对多维多峰函数优化的收敛曲线图;
图6是本发明实施例一中对模糊PI压力控制优化的收敛曲线图;
图7是本发明实施例一中的连续阶跃推力响应曲线图;
图8是本发明实施例一中的连续阶跃推力误差曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
参照图1,本发明所述超高精度气动力伺服***包括执行器模块、压力控制模块、气源模块和供气模块;所述执行器模块为专利申请号201711223571.1上公开的一种通用的双作用气浮无摩擦气缸10;所述压力控制模块包括工控机1、数据采集卡2、三位五通电磁阀3、二位三通电磁阀一4、二位三通电磁阀二7、高精度压力传感器一6、高精度压力传感器二9、小气罐一5和小气罐二8;所述供气模块包括减压阀一11、减压阀二15、小气罐三12、小气罐四16、空气干燥器13和精密过滤器14;所述气源模块包括气源17、减压阀三18和大气罐19。
气源17产生压缩空气经减压阀三18作用输送至大气罐19内,为各气动支路提供压缩空气;减压阀一11、小气罐三12、空气干燥器13和精密过滤器14组成支路一为气浮无摩擦气缸10的空气轴承供气,减压阀二15和小气罐四16组成支路二为气浮无摩擦气缸10的气浮活塞供气,从而使气浮无摩擦气缸10正常工作。
三位五通电磁阀3的上游接在大气罐19上作为支路三;三位五通电磁阀3的两个接口经二位三通电磁阀一4和二位三通电磁阀二7分别与小气罐一5和小气罐二8连接;所述二位三通电磁阀一4和二位三通电磁阀二7的最大阀口开度应大于或等于三位五通电磁阀3的最大阀口开度,这是为了不影响进气流量。小气罐一5与气浮无摩擦气缸10的的无杆腔构成被控容腔一,小气罐二8与气浮无摩擦气缸5的有杆腔构成被控容腔二;三位五通电磁阀3与气浮无摩擦气缸5腔体之间所有气管内径应大于二位三通电磁阀一4、二位三通电磁阀二7和三位五通电磁阀3的通径,且所有气管的长径比应尽可能小,从而减少沿程压力损失。高精度压力传感器一6和高精度压力传感器二9分别将容腔一和容腔二内的压力信息通过数据采集卡2反馈至工控机1,工控机1执行各自的模糊PI控制算法后经数据采集卡2将电压信号输出给三位五通电磁阀3。
所述模糊PI压力控制参数由新型改进粒子群算法优化,步骤如下:
S1:参照图2,构建模糊PI压力控制器,并确定待优化变量,具体包括:
S11:以压力误差e和压力误差变化率ec为输入变量,以PI控制器参数的增量ΔKp和ΔKi为输出变量,并将变量的论域均设为[-3,3],模糊集均设为{NB,NM,NS,ZE,PS,PM,PB};
S12:将变量e和ec分别与量化因子Qe和Qec相乘后输入至模糊***,并采用三角形隶属度函数实现模糊化;
S13:参照表1和表2,建立模糊推理规则库,并采用Mamdani法进行模糊推理;
表1输出变量ΔKp的模糊规则
表2输出变量ΔKi的模糊规则
S14:采用面积中心法解模糊化,再与比例因子PKp和PKi相乘后输出ΔKp和ΔKi;
S15:根据式(1)更新参数Kp和Ki,以实现PI控制器参数的调整;
式中:Kp0和Ki0分别为Kp和Ki的初始值;
S16:确定以模糊PI控制器中的Kp0、Ki0、Qec、PKp和PKi为优化变量。
S2:通过试凑法确定待优化变量的搜索空间;
S3:确定优化过程中的目标函数,在***阶跃响应上升阶段(设定为前T1秒),采用ITAE评价指标函数;在***进入稳态阶段(设定为T1~T2秒),采用ITSE评价指标函数,具体表达式为:
此外,将惩罚函数融入到目标函数中,当某一粒子经过T1秒后仍未完成***阶跃响应上升阶段,则停止本次控制并判处该粒子“死刑”,即赋予该粒子极差的适应度值;当三位五通电磁阀的输入电压三次达到0V或10V时,认定此时***发生振荡,则停止本次控制并判处该粒子“死刑”。
S4:参照图3,利用新型改进粒子群算法进行迭代优化,具体包括:
S41:设置新型改进粒子群优化算法的基本参数并进行初始化;
S42:在搜索空间中随机初始化粒子位置和速度向量;
S43:计算每个粒子的适应度值;
S44:对比适应度值,得到个体历史最优粒子位置以及全局最优粒子位置;
S45:利用速度更新公式(3)和新型位置更新公式(4)更新粒子;
式中:为第i个粒子经过t次迭代后的位置;/>为第i个粒子经过t次迭代后的个体历史最优位置;/>为整个群体经过t次迭代后的全局最优位置;/>为第i个粒子经过t次迭代后的速度;/>为第i个粒子经过(t+1)次迭代后的速度;w为惯性权重;c1和c2分别为个人学习因子和社会学习因子;r1、r2、r3和rα分别是[0,1]范围内的随机数;β为判定系数,由个体历史最优适应度的标准差决定,当该标准差大于1时取0.1否则取0.5;v和u是服从高斯分布的随机数;λimax(t)为/>和/>在所有维度中最大差异的权重。在公式(4)中,根据个体最优位置设置的系数β是为了增加迭代后期使用所提出的新型位置更新公式的概率。进一步地,当粒子的最大差异权重小于rα时,认为这些粒子非常接近全局最优位置,那么引入服从高斯分布的随机数v可以有效地避免粒子陷入局部最优。此外,即使在早期迭代中使用了新的位置更新公式,u的设计也可以保证该算法更强的探索能力。λimax(t)的具体表达式如下:
式中:xik(t)是第i个粒子在第t次迭代时的第k维位置值;xgbk(t)是第t次迭代时的全局最佳位置的第k维值;λik(t)是第i个粒子在第t次迭代时的第k维差异权重。
所述改进粒子群更新公式中引入的服从高斯分布的随机数u和v的公式为:
式中:r4是[-1.5,1.5]范围内的随机数;r5是[0,1]范围内的随机数。
为了实现w、c1、c2和σu参数的自适应调整,将模糊理论融入新型改进粒子群优化算法中,具体包括:
S451:以迭代次数t及最大差异权重λimax(t)为输入变量,以参数增量Δw、Δc1、Δc2和Δσu为输出变量,并将变量论域均设为[0,6],模糊集均设为{NB,NM,NS,ZE,PS,PM,PB};
S452:将变量t和λimax(t)分别与量化因子Qt和Qλ相乘后输入至模糊***,并采用三角形隶属度函数实现模糊化;
S453:参照表3至表6,建立模糊推理规则库,并进行模糊推理;
表3输出变量Δw的模糊规则
表4输出变量Δc1的模糊规则
表5输出变量Δc2的模糊规则
表6输出变量Δσu的模糊规则
S454:采用重心法解模糊化,再与比例因子Pw、Pc1、Pc2和Pσu相乘后输出Δw、Δc1、Δc2和Δσu;
S455:根据式(7)更新参数w、c1、c2和σu,以实现新型改进粒子群算法参数的调整;
式中:w0、c10、c20和σu0为各参数初始值。
具体地,量化因子Qt和Qλ以及比例因子Pw、Pc1、Pc2和Pσu分别设为6/tmax、6*rand(其中,rand为[0,1]范围内的随机数)、(1/6)*rand、1/3、1/3和1/(6*rand),初始值w0、c10和c20分别设为0.3、0.5和0.5;而对于σu0,若t/tmax<rand,取cos(πt/tmax)(其中,tmax为最大迭代次数),若t/tmax≥rand,其值取1E-15;其中,将随机数引入到模糊控制器的控制参数中是为了提高优化过程中粒子运动的多样性。对于初始值σu0,在寻优前半阶段,设为随迭代次数递减的函数,是为了使算法具有更强的勘探能力,能对远离全局最优的粒子有较高的容忍度;而在寻优后半阶段,初始值设为一个很小的值,是希望算法具有更强的开发能力。
针对提出的新型改进粒子群算法,选择了文献《Comparing inertia weights andconstriction factors in particle swarm optimization》(PSO-LDIW)、《Self-organizing hierarchical particle swarm optimizer with time-varyingacceleration coefficients》(HPSO-TVAC)、《Tracking and optimizing dynamicsystems with particle swarms》(PSO-RIW)、《A particle swarm optimizationalgorithm with random learning mechanism and Levy flight for optimization ofatomic clusters》(RPSOLF)和《HEPSO:high exploration particle swarmoptimization》(HEPSO)中的算法对下面两个函数进行对比验证。
多维单峰函数:变量范围为[-100,100],各算法最大迭代次数都设为2500,种群规模都设为50,种群维度设为30。各优化算法分别独立运行30次,并记录下30次优化结果的平均值、标准差、最优解及最差解。
算法优化结果参照表7和图4,可以发现所提出的新型改进粒子群算法寻得了函数最优解0,而其他几种算法都未能够寻得0,且新型改进粒子群算法具有很快的收敛速度。
表7对多维单峰函数的优化结果
多维多峰函数:变量范围为[-500,500],各算法最大迭代次数都设为2500,种群规模都设为50,种群维度设为30。各优化算法分别独立运行30次,并记录下30次优化结果的平均值、标准差、最优解及最差解。
算法优化结果参照表8和图5,可以发现所提出的新型改进粒子群算法相比于其他几种优化算法仍然具有最高的寻优精度以及最快的收敛速度。
表8对多维多峰函数的优化结果
S46:检查每个粒子是否越界,若越界则保留更新前粒子的状态;
S47:若迭代次数达到最大迭代次数,则执行下一步骤,否则执行步骤S43;
S48:运行结束并输出优化的模糊PI控制参数。
S5:分别将容腔一和容腔二作为被控对象,并优化得到各自优化的模糊PI控制参数。
当需要该气动力伺服***输出超高精度的推力时,工控机1经数据采集卡2控制二位三通电磁阀一4切换至打开状态,使三位五通电磁阀3与容腔一形成通路,同时保持二位三通电磁阀二7处于关闭状态,使容腔二与大气相通;那么,利用构建的容腔一***模糊PI控制器和基于新型改进粒子群算法优化得到的容腔一控制参数运算得到电压控制量,并经数据采集卡2输出给三位五通电磁阀3执行容腔一的超高精度压力控制,可实现超高精度气动推力输出。
当需要该气动力伺服***输出超高精度的拉力时,工控机1经数据采集卡2控制二位三通电磁阀二7切换至打开状态,使三位五通电磁阀3与容腔二形成通路,同时保持二位三通电磁阀一4处于关闭状态,使容腔一与大气相通;那么,利用构建的容腔二***模糊PI控制器和基于新型改进粒子群算法优化得到的容腔二控制参数运算得到电压控制量,并经数据采集卡2输出给三位五通电磁阀3执行容腔二的超高精度压力控制,可实现超高精度气动拉力输出。
针对本实施例将采用实验方法进行参数优化验证。
在本次实施例实验中,阶跃响应上升阶段为10秒,即T1为10秒;阶跃响应稳定阶段为20秒,即T2为30秒;压力传感器采用Keller公司型号为PAA-33X的压力传感器,三位五通电磁阀采用Festo公司型号为MPYE-5-1/8LF-010的比例方向阀。
设置新型改进粒子群优化算法的粒子数量及迭代次数为20,量化因子Qe的取值主要取决于控制***,设定为80000。其优化结果参照表9和图6。由图可知,所提出的新型改进粒子群优化算法在第九次迭代时寻得了模糊PI压力控制器的理论最优控制参数。将所得到优化后的参数圆整(或修整)后,并基于此组参数开展气动力伺服实验。
表9新型改进粒子群优化算法优化模糊PI控制器所得参数及圆整(或修整)后参数
实验中,气浮无摩擦气缸的空气轴承和气浮活塞分别由供气支路一和供气支路二提供压力为0.4MPa和0.2MPa的气体。此外,将气浮无摩擦气缸无杆腔内的压力乘以无杆腔有效作用面积就得到其输出的推力(在不考虑加工误差的情况下该有效面积为807.2665mm2)。对该气动力伺服***进行连续阶跃推力控制,控制器参数采用优化所得到并圆整后的参数,即表3所示。
参照图7和图8,可知,此时输出力伺服***的实际连续阶跃输出力响应曲线贴合目标曲线,在80N~240N的输出力变化范围内,***达到稳定时的稳态误差均小于0.023N(相当于***精度达到0.01%F.S.,因此所提出的气动力伺服***实现了超高精度的目标),因此本发明所提出的方法实现了气浮无摩擦气缸超高精度推力的控制目标。
实施例二:
本实施例与实施例一不同的是,利用基于新型改进粒子群算法优化得到的容腔一***模糊PI控制参数和容腔二***模糊PI控制参数,交替执行容腔一和容腔二的超高精度压力控制,可实现气浮无摩擦气缸的超高精度推力和拉力的交变输出。具体如下:工控机1首先经数据采集卡2控制二位三通电磁阀一4切换至打开状态使三位五通电磁阀3与容腔一形成通路,同时控制二位三通电磁阀二7切换至关闭状态以迅速排空容腔二内的气体,利用基于新型改进粒子群算法优化的容腔一***模糊PI控制器控制三位五通电磁阀3对容腔一进行一段时间的充气;而后,工控机1再经数据采集卡2控制二位三通电磁阀二7切换至打开状态使三位五通电磁阀3与容腔二形成通路,并控制二位三通电磁阀一4切换至关闭状态以迅速排空容腔一内的气体,利用基于新型改进粒子群算法优化的容腔二***模糊PI控制器控制三位五通电磁阀3对容腔二进行同等时间的充气;这样就执行了一个周期推力和拉力的交变输出,重复执行该周期动作即可输出连续的交变力。
Claims (10)
1.一种超高精度气动力伺服***,其特征在于,包括执行器模块、压力控制模块、气源模块和供气模块;所述执行器模块为双作用气浮无摩擦气缸10;所述压力控制模块包括工控机1、数据采集卡2、三位五通电磁阀3、二位三通电磁阀一4、二位三通电磁阀二7、高精度压力传感器一6、高精度压力传感器二9、小气罐一5和小气罐二8;所述供气模块包括减压阀一11、减压阀二15、小气罐三12、小气罐四16、空气干燥器13和精密过滤器14;所述气源模块包括气源17、减压阀三18和大气罐19;
气源17产生压缩空气经减压阀三18作用输送至大气罐19内,为各气动支路提供压缩空气;减压阀一11、小气罐三12、空气干燥器13和精密过滤器14组成支路一为气浮无摩擦气缸10的空气轴承供气,减压阀二15和小气罐四16组成支路二为气浮无摩擦气缸10的气浮活塞供气,从而使气浮无摩擦气缸10正常工作;
三位五通电磁阀3的上游接在大气罐19上作为支路三;三位五通电磁阀3的两个接口经二位三通电磁阀一4和二位三通电磁阀二7分别与小气罐一5和小气罐二8连接;小气罐一5与气浮无摩擦气缸10的的无杆腔构成被控容腔一,小气罐二8与气浮无摩擦气缸5的有杆腔构成被控容腔二;高精度压力传感器一6和高精度压力传感器二9分别将容腔一和容腔二内的压力信息通过数据采集卡2反馈至工控机1,工控机1执行各自的模糊PI控制算法后经数据采集卡2将电压信号输出给三位五通电磁阀3。
2.根据权利要求1所述的伺服***,其特征在于,所述二位三通电磁阀一4和二位三通电磁阀二7的的最大阀口开度大于或等于三位五通电磁阀3的最大阀口开度。
3.根据权利要求1所述的伺服***,其特征在于,所述三位五通电磁阀3与气浮无摩擦气缸5腔体之间所有气管内径大于二位三通电磁阀一4、二位三通电磁阀二7和三位五通电磁阀3的通径。
4.根据权利要求1所述的一种超高精度气动力伺服***的控制参数智能优化方法,其特征在于,小气罐一5与气浮无摩擦气缸10的的无杆腔构成被控容腔一,小气罐二8与气浮无摩擦气缸5的有杆腔构成被控容腔二,高精度压力传感器一6和高精度压力传感器二9分别将容腔一和容腔二内的压力信息通过数据采集卡2反馈至工控机1,工控机1执行各自的模糊PI控制算法后经数据采集卡2将电压信号输出给三位五通电磁阀3;其特征在于,模糊PI控制算法的控制参数由新型改进粒子群算法优化,步骤如下:
S1:构建模糊PI压力控制器,并确定待优化变量;
S2:通过试凑法确定待优化变量的搜索空间;
S3:确定优化过程中的目标函数;
S4:利用新型改进粒子群算法进行迭代优化;
S5:分别将容腔一和容腔二作为被控对象,并优化得到各自优化的模糊PI控制参数。
5.根据权利要求4所述的方法,其特征在于,所述步骤S3中目标函数的选择如下:在***阶跃响应上升阶段,将其设定为前T1秒,采用ITAE评价指标函数;在***进入稳态阶段,将其设定为T1~T2秒,采用ITSE评价指标函数,具体表达式为:
式中:f为目标函数;t为时间;e为压力控制误差。
6.根据权利要求5所述的方法,其特征在于,还包括,将惩罚函数融入到目标函数中,具体如下:当某一粒子经过T1秒后仍未完成***阶跃响应上升阶段,则停止本次控制并判处该粒子“死刑”,即赋予该粒子极差的适应度值;当三位五通电磁阀的输入电压三次达到0V或10V时,认定此时***发生振荡,则停止本次控制并判处该粒子“死刑”。
7.根据权利要求4所述的方法,其特征在于,所述步骤S4中的迭代优化过程如下:
S41:设置新型改进粒子群优化算法的基本参数并进行初始化;
S42:在搜索空间中随机初始化粒子位置和速度向量;
S43:计算每个粒子的适应度值;
S44:对比适应度值,得到个体历史最优粒子位置以及全局最优粒子位置;
S45:利用速度更新公式和新型位置更新公式更新粒子;
S46:检查每个粒子是否越界,若越界则保留更新前粒子的状态;
S47:若迭代次数达到最大迭代次数,则执行下一步骤,否则执行步骤S43;
S48:运行结束并输出优化的模糊PI控制参数。
所述步骤S45中的速度更新公式和新型位置更新公式如下:
式中:为第i个粒子经过t次迭代后的位置;/>为第i个粒子经过t次迭代后的个体历史最优位置;/>为整个群体经过t次迭代后的全局最优位置;/>为第i个粒子经过t次迭代后的速度;/>为第i个粒子经过(t+1)次迭代后的速度;w为惯性权重;c1和c2分别为个人学习因子和社会学习因子;r1、r2、r3和rα分别是[0,1]范围内的随机数;β为判定系数,由个体历史最优适应度的标准差决定,当该标准差大于1时取0.1否则取0.5;v和u是服从高斯分布的随机数;λimax(t)为/>和/>在所有维度中最大差异的权重,具体表达式如下:
式中:xik(t)是第i个粒子在第t次迭代时的第k维位置值;xgbk(t)是第t次迭代时的全局最佳位置的第k维值;λik(t)是第i个粒子在第t次迭代时的第k维差异权重;
所述改进粒子群更新公式中引入的服从高斯分布的随机数u和v的公式为:
式中:r4是[-1.5,1.5]范围内的随机数;r5是[0,1]范围内的随机数;σu和σv分别为高斯分布u和v的方差。
8.根据权利要求7所述的方法,其特征在于,所述新型位置更新公式中的参数w、c1、c2和σu是通过模糊控制***实现自适应的,具体如下:将迭代次数t及最大差异权重λimax(t)作为输入变量,并与对应量化因子Qt和Qλ相乘后输入至模糊***,经模糊处理再与比例因子Pw、Pc1、Pc2和Pσu相乘后输出增量Δw、Δc1、Δc2和Δσu,参数w、c1、c2和σu可通过下式得到
式中:w0、c10、c20和σu0为各参数初始值;
变量t、λimax(t)、Δw、Δc1、Δc2和Δσu的论域均设为[0,6],量化因子Qt和Qλ以及比例因子Pw、Pc1、Pc2和Pσu分别设为6/tmax、6*rand,其中,rand为[0,1]范围内的随机数、(1/6)*rand、1/3、1/3和1/(6*rand),初始值w0、c10和c20分别设为0.3、0.5和0.5;而对于σu0,若t/tmax<rand,取cos(πt/tmax),其中,tmax为最大迭代次数,若t/tmax≥rand,其值取1E-15。
9.根据权利要求1所述的方法,其特征在于,利用基于新型改进粒子群算法优化得到的容腔一***模糊PI控制参数执行容腔一的超高精度压力控制,可实现气浮无摩擦气缸的超高精度推力输出;利用基于新型改进粒子群算法优化得到的容腔二***模糊PI控制参数执行容腔二的超高精度压力控制,可实现气浮无摩擦气缸的超高精度拉力输出。
10.根据权利要求1所述的方法,其特征在于,利用基于新型改进粒子群算法优化得到的容腔一***模糊PI控制参数和容腔二***模糊PI控制参数,交替执行容腔一和容腔二的超高精度压力控制,可实现气浮无摩擦气缸的超高精度推力和拉力的交变输出。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998837.9A CN116860028A (zh) | 2023-08-08 | 2023-08-08 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
PCT/CN2023/140663 WO2024114826A1 (zh) | 2023-08-08 | 2023-12-21 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998837.9A CN116860028A (zh) | 2023-08-08 | 2023-08-08 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860028A true CN116860028A (zh) | 2023-10-10 |
Family
ID=88230688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310998837.9A Pending CN116860028A (zh) | 2023-08-08 | 2023-08-08 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116860028A (zh) |
WO (1) | WO2024114826A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117930634A (zh) * | 2024-03-25 | 2024-04-26 | 山东三森数控机械有限公司 | 一种高速数控角钢生产线冲压气缸控制优化方法 |
WO2024114826A1 (zh) * | 2023-08-08 | 2024-06-06 | 浙江联宜电机有限公司 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4342057B4 (de) * | 1993-12-09 | 2007-02-08 | Bosch Rexroth Aktiengesellschaft | Verfahren zur Adaption der Regelparameter einer elektrohydraulischen Achse |
CN106547952A (zh) * | 2016-10-14 | 2017-03-29 | 北京石油化工学院 | 基于粒子群优化算法的无摩擦气缸结构优化方法与装置 |
CN107830008B (zh) * | 2017-11-29 | 2023-09-26 | 江苏大学 | 一种通用的双作用气浮无摩擦气缸 |
CN115268268A (zh) * | 2022-07-29 | 2022-11-01 | 江苏大学 | 一种基于新型改进粒子群算法的气缸活塞密封槽智能优选方法 |
CN116482981A (zh) * | 2023-05-18 | 2023-07-25 | 山东大学 | 基于反步法的电液力伺服***的控制参数优化方法及*** |
CN116860028A (zh) * | 2023-08-08 | 2023-10-10 | 江苏大学 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
-
2023
- 2023-08-08 CN CN202310998837.9A patent/CN116860028A/zh active Pending
- 2023-12-21 WO PCT/CN2023/140663 patent/WO2024114826A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024114826A1 (zh) * | 2023-08-08 | 2024-06-06 | 浙江联宜电机有限公司 | 一种超高精度气动力伺服***及其控制参数智能优化方法 |
CN117930634A (zh) * | 2024-03-25 | 2024-04-26 | 山东三森数控机械有限公司 | 一种高速数控角钢生产线冲压气缸控制优化方法 |
CN117930634B (zh) * | 2024-03-25 | 2024-05-31 | 山东三森数控机械有限公司 | 一种高速数控角钢生产线冲压气缸控制优化方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024114826A1 (zh) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116860028A (zh) | 一种超高精度气动力伺服***及其控制参数智能优化方法 | |
Sun et al. | Neural network-based adaptive controller design of robotic manipulators with an observer | |
Brehm et al. | Hybrid fuzzy logic PID controller | |
CN109270833A (zh) | 一种基于无刷直流电机q学习的变论域模糊控制方法 | |
Wu et al. | Learning dynamics of gradient descent optimization in deep neural networks | |
Salleh et al. | Review on modeling and controller design of hydraulic actuator systems | |
CN112096696B (zh) | 泵控非对称液压位置***自适应反演控制方法 | |
CN113093526B (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
CN110568763A (zh) | 一种抗间歇过程扰动及时滞的模型预测h∞容错控制方法 | |
Fadel et al. | Modeling, simulation and control of a fly-by-wire flight control system using classical PID and modified PI-D controllers | |
Putra et al. | Fuzzy Self-Adaptive Sliding Mode Control for Pneumatic Cylinder Rod-Piston Motion Precision Control. | |
CN111897211A (zh) | 考虑约束条件的压电陶瓷微定位平台轨迹跟踪控制方法 | |
Wang et al. | Model‐free linear active disturbance rejection output feedback control for electro‐hydraulic proportional system with unknown dead‐zone | |
Zhao | Adaptive Fuzzy Control of a Class of Discrete-Time Nonlinear Systems | |
CN116661294B (zh) | 基于强化学习的阀控液压缸分数阶控制方法及控制*** | |
Fadel et al. | Motion control of an aircraft electro-hydraulic servo actuator | |
CN116482981A (zh) | 基于反步法的电液力伺服***的控制参数优化方法及*** | |
Bécsi et al. | Policy gradient based Reinforcement learning control design of an electro-pneumatic gearbox actuator | |
Dong et al. | The Fuzzy Control of Electro-hydraulic Servo System Based on DE Algorithm | |
Xu et al. | Research on multi-cylinder synchronous control system of multi-directional forging hydraulic press | |
Shern et al. | Performance analysis of position tracking control with PID Controller using an Improved Optimization Technique | |
CN112068447A (zh) | 大型装备电液***高精度鲁棒位置控制方法 | |
CN114412883A (zh) | 液压***控制方法、装置、***及存储介质 | |
Linjama et al. | Energy efficient tracking control of a mobile machine boom mockup | |
Zhou | Research on position tracking control of electro-pneumatic AMT clutch |
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 |