CN117950311B - 一种基于自适应的飞机刹车冷却风扇pid控制方法 - Google Patents
一种基于自适应的飞机刹车冷却风扇pid控制方法 Download PDFInfo
- Publication number
- CN117950311B CN117950311B CN202410353957.8A CN202410353957A CN117950311B CN 117950311 B CN117950311 B CN 117950311B CN 202410353957 A CN202410353957 A CN 202410353957A CN 117950311 B CN117950311 B CN 117950311B
- Authority
- CN
- China
- Prior art keywords
- individual
- algorithm
- formula
- cooling fan
- training
- 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.)
- Active
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000000739 chaotic effect Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006698 induction Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应的飞机刹车冷却风扇PID控制方法,属于PID控制优化技术领域,具体步骤为:步骤一、建立飞机刹车冷却风扇控制***模型;步骤二、建立基础足球队训练算法的数学模型;步骤三、改进足球队优化算法,所述改进点包括:(1)引入混沌映射改进足球队训练算法个体初始化位置公式;(2)引入自适应参数w和c1,改进探索者的位置更新公式;(3)在算法迭代后期引入重启机制;步骤四、将改进算法迭代后得到的最佳个体的维度值传递给飞机刹车冷却风扇控制***的速度PID控制器的参数;步骤五、运行飞机刹车冷却风扇控制***模型,验证改进足球队训练算法的性能;进而提升飞机刹车冷却风扇控制***的性能。
Description
技术领域
本发明属于PID控制优化技术领域,尤其涉及一种基于自适应的飞机刹车冷却风扇PID控制方法。
背景技术
飞机刹车冷却风扇是专门设计用于冷却飞机刹车***的关键组件,在飞机着陆或者高强度刹车时,刹车***会产生大量的热量,需要有效地散热以保持***在安全工作温度范围内,刹车冷却风扇通过吸入冷空气并将其引导至刹车***周围,加速热量的散发,确保飞机的安全性和性能。
在飞机刹车冷却风扇控制***中,速度PID控制器是其中的关键,速度PID控制器性能的优劣将会直接关系到飞机刹车冷却风扇运行时的稳定性和运行速度;传统PID控制器结合比例、积分和微分三种运算于一体,由于其结构简单,稳定性强、在工业控制中得到了广泛的应用;但传统PID控制的参数调整过度需要工作人员的经验,不仅十分地耗费时间,而且难以提高控制的精度;而且传统的PID控制器采用线性组合方式运算输出控制量,适用于线性***,但在处理非线性、时变等复杂过程时效果可能不佳,尤其飞机刹车冷却风扇控制***是一个非线性的,高耦合的复杂控制***,传统的PID控制往往达不到最佳的效果。
将智能算法运用于PID控制器参数的调节是近些年来的一个热点,例如粒子群优化PID控制器、鲸鱼算法优化PID控制器;但是这些算法由于自身的局限性,通常会有一些不足,如收敛速度不够快、局部搜索能力不够和容易陷入局部最优解等问题;足球队训练算法(FTTA)是2024年1月发表于中科院一区的一种新的智能优化算法,该算法通过模拟高水平足球训练队中球员的行为,将算法迭代分为三个阶段:集体训练、分组训练和单人额外训练;足球队训练算法同样存在前期收敛速度不够,后期容易陷入局部最优解的问题。
发明内容
本发明的目的在于:提出一种基于自适应的飞机刹车冷却风扇PID控制方法,通过改进足球队训练算法优化飞机刹车冷却风扇控制***的速度PID控制器,解决了传统PID控制方法在面对复杂条件下和非线性的飞机刹车冷却风扇控制***时,响应速度不快和人工调节参数困难、控制精度不足的问题,从而使飞机刹车冷却风扇控制***在高热、高震动的复杂环境下具有优异的抗干扰性和安全性。
为实现上述目的,本发明采用了如下技术方案:
一种基于自适应的飞机刹车冷却风扇PID控制方法,具体步骤如下:
步骤一、使用Simulink软件建立飞机刹车冷却风扇控制***模型。
步骤二、使用Matlab软件建立基础足球队训练算法的数学模型。
步骤三、改进足球队优化算法,所述改进点包括:(1)引入混沌映射改进足球队训练算法个体初始化位置公式;(2)引入自适应参数 和c1,改进探索者的位置更新公式;(3)在算法迭代后期引入重启机制。
步骤四、改进后的足球队训练算法进行迭代,将迭代后得到的最佳个体的三个维度值传递给飞机刹车冷却风扇控制***的速度PID控制器。
步骤五、运行飞机刹车冷却风扇控制***模型,验证改进后足球队训练算法的性能。
进一步地,所述步骤一中,飞机刹车冷却风扇控制***模型包括:误差计算模块、速度PID控制器模块、电流PID控制器模块、逆PARK变换模块、SVPWM控制模块,三相逆变器模块、位置和速度观测器模块、CLARK变换模块、PARK变换模块、交流异步电机模块。
进一步地,所述步骤一中,飞机刹车冷却风扇控制***模型的速度PID控制器包括:误差计算单元、PID控制器单元、改进足球队训练算法单元、受控对象单元、速度信息采集单元;给定速度PID控制器一个目标速度,将目标速度与电机实际转速进行作差,求得速度差值e(t),将e(t)输入PID控制器单元,经过改进足球队训练算法优化参数的PID控制器单元对e(t)进行调节输出控制量u(t)到受控对象单元,受控对象运行之后输出速度值y(t),速度信息采集单元将采集到的速度传递给误差计算单元与目标速度作差,形成一个闭环的控制***。
进一步地,所述步骤二中,建立基础足球队训练算法数学模型,包括:给定算法种群规模,迭代次数,个体维度以及个***置上下界等参数,另外需要编写算法的测试代码,验证改进后的足球队训练算法性能优于基础足球队训练算法,选择ITAE指标作为算法的适应度函数,ITAE的公式为:
;
式中,J为所求的适应度值,e(t)为速度误差值,t为控制***运行时间。
进一步地,所述步骤三中,改进足球队训练算法,具体步骤如下:
Step1、引入混沌映射改进足球队训练算法个体初始化位置公式,引入的混沌映射为Logistic映射,公式为:
(1);
(2);
式(1)中,为种群中序列第一的个体,采用伪随机数的方法初始化此个体,ub和lb为种群位置的上下界;
式(2)中,i = 1,… ,Pop,Pop为种群规模大小,为第i+1个个***置,/>为第i个个***置,/>为取值在(3,4]的随机数;
Step2、引入自适应参数 和c1,改进探索者的位置更新公式,改进后的公式为:
(3);
(4);
(5);
式(3)中,为改进后的个体更新位置,w和c1为自适应参数,/>为当前迭代第i个个***置,/>为当前迭代最佳个***置,/>为当前迭代最差个***置,t为当前迭代次数,r为取值在(0,1]的随机数,i的意义同上;
的计算公式如式(4),/>为改进后更新的位置的适应度,/>当前最佳个***置的适应度,t为当前迭代次数,Max_Iter为最大迭代次数;
c1的计算公式如式(5),采用贪婪选择的方式决定c1的大小,和/>的意义同上,r为取值在(0,1]的随机数;
Step3、当算法在迭代后期陷入局部最优时,引入重启机制,选择部分个体重新初始化,帮助算法跳出局部最优。
进一步地,所述步骤四中,改进后的足球队训练算法进行迭代,将迭代后得到的最佳个体的三个维度值传递给飞机刹车冷却风扇控制***的速度PID控制器,具体步骤为:
S1、引入混沌映射改进足球队训练算法个体初始化位置公式,计算种群初始位置的适应度,记录适应度最小的个体为最佳个体,适应度最大的个体为最差个体;
S2、算法进入集体训练阶段,按照随机数A的大小,将种群个体分为四种不同类型的球员,分别是追随者,探索者,思考者和波动者,具体步骤如下:
Q1、当A ≥ 0.75时,个体被归类为追随者,追随者的位置更新公式为:
;
式中,为追随者更新后的位置,/>为当前迭代第i个追随者位置,为当前迭代最佳个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q2、当0.75>A ≥ 0.5时,个体被归类为探索者,改进后的探索者位置更新公式同上;
Q3、当0.5>A ≥ 0.25时,个体被归类为思考者,思考者的位置更新公式为:
;
式中,为思考者更新后的位置,/>为当前迭代第i个思考者位置,为当前迭代最佳个***置,/>为当前迭代最差个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q4、当A <0.25时,个体被归类为波动者,波动者的位置更新公式为:
;
式中,为波动者更新后的位置,/>为当前迭代第i个波动者位置,trnd(t)为生成符合t-分布的随机数的函数,i和t的意义同上;
S3、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,贪婪选择的公式为:
;
;
式中各参数意义同上;
S4、算法进入分组训练阶段,教练根据球员的特点将个体分为前锋、中场、后卫和守门员四类,分别标注为1组、2组、3组、4组;
S5、在分组训练的过程中,每名个体都会有与组内其他成员交流或学习的机会,将分组训练定义为三个状态,分别是:最优学习、随机学习、随机交流;
S6、分组训练采用随机选择的方式进行,定义学习概率为P1和交流概率为P2,分组训练具体步骤如下:
Q1、r为取值在(0,1]之间的随机数,当 r ≥ P1时,该个体进行最优学习,最优学习是向组内最佳个体学习,最优学习的公式为:
;
式中,team = 1,…,4,代表第几组,为最优学习后的个***置,为组内最优个体,/>为当前迭代个***置,i和t的意义同上;
Q2、当P1 > r ≥ P2时,该个体进行随机学习,随机学习是向组内随机一名成员进行学习,随机学习的公式为:
;
式中,team的意义同上,rand为不超过组内个体数量的随机数,为随机学习后的个***置,/>为组内随机一个体的位置,/>为当前迭代个***置,i和t的意义同上;
Q3、当r < P2时,该个体进行随机交流,随机交流是在种群中随机寻找一个个体,两者之间相互交流,随机交流的公式为:
;
式中,为需要进行随机交流的个***置,/>为在组外随机寻找的一个个体,rand为取值为[0,Pop]的随机整数,Pop,i和t的意义同上;
S7、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,贪婪选择的方式同上;
S8、算法进入单人额外训练阶段,种群中的每个个体要额外进行一次个人的训练,单人额外训练的公式为:
;
式中,为进行单人额外训练后的个***置,/>为当前迭代过程中单人额外训练前的个***置,Gauss为符合高斯分布的取值为(0,1]的随机数,Cauchy为符合柯西分布的取值为(0,1]的随机数,i和t的意义同上;
S9、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,记录最佳个体和最差个体在数组中,贪婪选择的方式同上;
S10、判断算法是否处于迭代后期,如果算法处于迭代后期,引入重启机制,设定一个阈值,当连续三次迭代中,种群最佳个***置的适应度相差不超过此阈值,判定种群需要重启,选择部分个体重新初始化,帮助算法跳出局部最优;
S11、判断当前迭代次数t是否达到最大迭代次数Max_Iter,若是则算法停止迭代,输出最优解,否则返回S2继续寻优;
S12、将最优解的三个维度值传入到飞机刹车冷却风扇控制***的速度PID控制器的Kp, Ki, Kd三个参数。
进一步地,所述步骤五中,运行飞机刹车冷却风扇控制***模型,验证改进足球队训练算法的性能,具体步骤为:给定控制***一个目标速度,将目标速度与位置和速度观测器模块计算出的交流异步电机实际转速进行作差,求得误差值e(t);将e(t)输入改进足球队训练算法优化的速度PID控制器模块进行运算并控制;根据ITAE函数返回的适应度值,自适应更新PID参数;速度PID控制器模块输出控制量u(t)到电流PID控制器;两个电流PID控制器模块对输入的Iq差值和Id差值进行运算并控制,输出d轴电压和q轴电压到逆PARK变换模块;逆PARK变换模块输出轴电压和/>轴电压到SVPWM控制模块;SVPWM控制模块通过坐标变换、扇区判断、计算PWM占空比之后输出三对互补的PWM信号给三相逆变器,控制三相逆变器的六个桥臂的通断,输出三相交流电到交流异步电机的三相定子绕组,在交流异步电机内部合成一个旋转的矢量磁场,电机转子产生感应电流,感应电流产生感应磁场,定子磁场和感应磁场相互切割磁感线,实现交流异步电机的运转,进而实现飞机刹车冷却风扇控制***的整体闭环控制。
通过采用上述技术方案,本发明实现了以下有益效果:
本发明中提出一种基于自适应的飞机刹车冷却风扇PID控制方法,通过引入混沌映射初始化种群,增加种群的多样性,提高算法的全局搜索能力;引入自适应参数w 和c1改进探索者的位置更新公式平衡算法在迭代前期的全局搜索能力和算法迭代后期的局部搜索能力;在算法迭代后期引入重启机改进足球队训练算法,解决了基础足球队训练算法在算法迭代后期易陷入局部最优解的问题;将改进后的足球队训练算法应用到飞机刹车冷却风扇控制***的速度PID控制器当中,解决了传统PID控制器调参时间长,控制精度不足的问题;提高了速度PID控制器在非线性的,时变的飞机刹车冷却风扇控制***中的控制性能和抗干扰性。
附图说明
图1为改进足球队训练算法优化飞机刹车冷却风扇控制***流程图。
图2为飞机刹车冷却风扇控制***模型图。
图3为改进足球队训练算法优化飞机刹车冷却风扇速度PID控制器模型图。
图4为改进足球队训练算法优化飞机刹车冷却风扇速度PID控制器流程图。
图5为基础足球队训练算法与改进足球队训练算法的最佳适应度函数对比图。
图6为基础足球队训练算法与改进足球队训练算法优化PID参数的效果对比图。
具体实施方式
下面将结合本发明中的附图对本发明实施例中的技术方案进行清楚,完整的描述, 以下实施例只是本发明实施例的一部分, 用于对本发明的技术方案进行更加清晰的说明,可以理解的是,所述的具体实施例仅用于解释本发明,但本发明的实施方式不限于此。
本发明提供的一种基于自适应的飞机刹车冷却风扇PID控制方法,如图1所示,具体步骤分为如下五个步骤:
步骤一、使用Simulink仿真软件建立飞机刹车冷却风扇控制***模型,如图2所示,飞机刹车冷却风扇控制***模型包括:误差计算模块、速度PID控制器模块、电流PID控制器模块、逆PARK变换模块、SVPWM控制模块、三相逆变器模块、位置和速度观测器模块、CLARK变换模块、PARK变换模块、交流异步电机模块。
进一步地,所述步骤一中,如图3所示,飞机刹车冷却风扇控制***模型的速度PID控制器包括:误差计算单元、PID控制器单元、改进足球队训练算法单元、受控对象单元、速度信息采集单元;给定速度PID控制器一个目标速度,将目标速度与电机实际转速进行作差,求得速度差值e(t),将e(t)输入PID控制器单元,经过改进足球队训练算法优化参数的PID控制器单元对e(t)进行调节输出控制量u(t)到受控对象单元,受控对象运行之后输出速度值y(t),速度信息采集单元将采集到的速度传递给误差计算单元与目标速度作差,形成一个闭环的控制***。
步骤二、使用Matlab数学建模软件建立基础足球队训练算法的数学模型,建立基础足球队训练算法数学模型包括:给定算法种群规模Pop为50,最大迭代次数Max_Iter为20次,个体维度Dim为3,种群位置上界为10、下界为0,另外需要编写算法的测试代码,将文件命名为Main.m,为验证改进后的足球队训练算法性能优于基础足球队训练算法,选择ITAE指标作为算法的适应度函数,ITAE的公式为
;
式中,J为所求的适应度值,e(t)为速度误差值,t为控制***运行时间。
步骤三、改进足球队优化算法,如图1所示,改进点包括:(1)引入混沌映射改进足球队训练算法个体初始化位置公式;(2)引入自适应参数 和c1,改进探索者的位置更新公式;(3)在算法迭代后期引入重启机制,具体步骤如下:
Step1、引入混沌映射改进足球队训练算法个体初始化位置公式,引入的混沌映射为Logistic映射,公式为:
(1);
(2);
式(1)中,为种群中序列第一的个体,采用伪随机数的方法初始化此个体,ub和lb为种群位置的上下界;
式(2)中,i = 1,… ,Pop,Pop为种群规模大小,为第i+1个个***置,/>为第i个个***置,/>为取值在(3,4]的随机数;
Step2、引入自适应参数 和c1,改进探索者的位置更新公式,改进后的公式为:
(3);
(4);
(5);
式(3)中,为改进后的个体更新位置,/>和c1为自适应参数,/>为当前迭代第i个个***置,/>为当前迭代最佳个***置,/>为当前迭代最差个***置,t为当前迭代次数,r为取值在(0,1]的随机数,,i的意义同上;
的计算公式如式(4),/>为改进后更新的位置的适应度,/>当前最佳个***置的适应度,t为当前迭代次数,Max_Iter为最大迭代次数;
c1的计算公式如式(5),采用贪婪选择的方式决定c1的大小,和/>的意义同上,r为取值在(0,1]的随机数;
Step3、当算法在迭代后期陷入局部最优解时,引入重启机制,选择种群部分个体重新初始化,帮助算法跳出局部最优。
步骤四、改进后的足球队训练算法进行迭代,将迭代后得到的最佳个体的三个维度值传递给飞机刹车冷却风扇控制***的速度PID控制器,如图4所示,具体步骤为:
S1、引入混沌映射改进足球队训练算法个体初始化位置公式,计算种群初始位置的适应度,记录适应度最小的个体为最佳个体,适应度最大的个体为最差个体;
S2、算法进入集体训练阶段,A为取值在(0,1]之间的随机数,按照A的大小,将种群个体分为四种不同类型的球员,分别是追随者,探索者,思考者和波动者,具体步骤如下:
Q1、当A ≥ 0.75时,个体被归类为追随者,追随者的位置更新公式为:
;
式中,为追随者更新后的位置,/>为当前迭代第i个追随者位置,为当前迭代最佳个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q2、当0.75>A ≥ 0.5时,个体被归类为探索者,改进后的探索者位置更新公式同上;
Q3、当0.5>A ≥ 0.25时,个体被归类为思考者,思考者的位置更新公式为:
;
式中,为思考者更新后的位置,/>为当前迭代第i个思考者位置,为当前迭代最佳个***置,/>为当前迭代最差个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q4、当A <0.25时,个体被归类为波动者者,波动者的位置更新公式为:
;
式中,为波动者更新后的位置,/>为当前迭代第i个波动者位置,trnd(t)为生成符合t-分布的随机数的函数,i和t的意义同上;
S3、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,贪婪选择的公式为:
;
;
式中各参数意义同上;
S4、算法进入分组训练阶段,教练根据球员的特点,将个体分为前锋、中场、后卫和守门员四类,分别标注为1组、2组、3组、4组;
S5、在分组训练的过程中,每名个体都会有与组内其他成员交流或学习的机会,将分组训练定义为三个状态,分别是:最优学习、随机学习、随机交流;
S6、分组训练采用随机选择的方式进行,定义学习概率P1为0.75,定义交流概率P2为0.5,分组训练具体步骤如下:
Q1、r为取值在(0,1]之间的随机数,当r ≥ P1时,该个体进行最优学习,最优学习是向组内最佳个体学习,最优学习的公式为:
;
式中,team = 1,…,4,代表第几组,为最优学习后的个***置,为组内最优个体,/>为当前迭代个***置,i和t的意义同上;
Q2、当P1 > r ≥ P2时,该个体进行随机学习,随机学习是向组内随机一名成员进行学习,随机学习的公式为:
;
式中,team的意义同上,rand为不超过组内个体数量的随机数,为随机学习后的个***置,/>为组内随机一个体的位置,/>为当前迭代个***置,i和t的意义同上;
Q3、当r < P2时,该个体进行随机交流,随机交流是在种群中随机寻找一个个体,两者之间相互交流,随机交流的公式为:
;
式中,为需要进行随机交流的个***置,/>为在组外随机寻找的一个个体,rand为取值为[0,Pop]的随机整数,Pop、i和t的意义同上;
S7、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,贪婪选择的方式同上;
S8、算法进入单人额外训练阶段,种群中的每个个体要额外进行一次个人的训练,单人额外训练的公式为:
;
式中,为进行单人额外训练后的个***置,/>为当前迭代过程中单人额外训练前的个***置,Gauss为符合高斯分布的取值为(0,1]的随机数,Cauchy为符合柯西分布的取值为(0,1]的随机数,i和t的意义同上;
S9、通过适应度函数分别计算出每个个***置的适应度值,并通过贪婪选择的方式选择出最佳个体和最差个体,记录最佳个体和最差个体在数组中,贪婪选择的方式同上;
S10、判断算法是否处于迭代后期,如果算法处于迭代后期,引入重启机制,设定一个阈值为(0,0.0001],当连续三次迭代中,种群最佳个***置的适应度相差不超过此阈值,判定种群需要重启,选择种群中三分之一的个体按照混沌映射的方式重新初始化,帮助算法跳出局部最优;
S11、判断当前迭代次数t是否达到最大迭代次数Max_Iter,若是则算法停止迭代,输出最优解,否则返回S2继续寻优;
S12、将最优解的三个维度值传入到飞机刹车冷却风扇控制***的速度PID控制器的Kp, Ki, Kd三个参数。
步骤五、运行飞机刹车冷却风扇控制***模型,运行飞机刹车冷却风扇控制***模型,验证改进足球队训练算法的性能,如图2所示,具体步骤为:
S1、给定控制***一个目标速度Tref,将Tref与位置和速度观测器模块计算出的交流异步电机实际转速w进行作差,求得误差值e(t);
S2、将e(t)输入改进足球队训练算法优化的速度PID控制器模块,经过PID控制,得到Iq参考电流值,根据ITAE函数返回的适应度值,自适应更新PID参数;
S3、速度PID控制器模块输出Iq到电流PID控制器;两个电流PID控制器模块对输入的Iq差值和Id差值进行控制并输出d轴电压Ud和q轴电压Uq到逆PARK变换模块;
S4、逆PARK变换模块输出轴电压/>和/>轴电压/>到SVPWM控制模块,SVPWM控制模块输出三对互补的PWM信号PWM1、PWM2、PWM3给三相逆变器,控制三相逆变器的六个桥臂的通断;
S5、三相逆变器输出三相交流电、/>、/>到交流异步电机的三相定子绕组,在交流异步电机内部合成一个旋转的矢量磁场,电机转子产生感应电流,感应电流产生感应磁场,定子磁场和感应磁场相互切割磁感线,实现交流异步电机的运转;
S6、CLARK模块变换模块采集三相逆变器输出的三相交流电将三相旋转坐标下的三相交流电,变换成两相静止坐标下的轴电流/>和/>轴电流/>,将/>和/>输入到PARK变换模块,将两相静止坐标下的/>和/>变换成两相旋转坐标下的d轴电流/>和q轴电流/>;
S7、位置和速度观测器通过采集交流异步电机的三相电压值Ua、Ub、Uc,和CLARK变化模块输入的和/>,估算之后得到电机转子电角度/>和和转子实际转速w,将/>输入IPARK变换模块和PARK变换模块,将运算得到的转子角速度与目标转速进行做差,PARK变换模块输出/>和/>到两个电流PID控制器;
S8、完成控制***的运行,进而实现飞机刹车冷却风扇控制***的整体闭环控制。
如图5所示,改进足球队训练算法相较于基础足球队训练算法,改进后的算法在引入混沌映射初始化种群以后增加了解的多样性,在迭代前期改进后的算法收敛速度要远远快于基础算法;并且在算法迭代后期,可以看到改进足球队训练算法的最佳适应度为14.2728,基础足球队训练算法的最佳适应度为16.7876,改进后的算法寻优精度要高于基础算法。
如图6所示,从改进足球队训练算法与基础足球队训练算法优化飞机刹车冷却风扇控制***的速度PID控制器的效果对比中可以看出,首先,基于基础足球队训练算法优化的飞机刹车冷却风扇控制***的速度PID控制器前期响应速度很快,在5秒的时候达到了目标速度,但是超调量太大,远远超过基于改进足球队训练算法优化飞机刹车冷却风扇控制***的速度PID控制器;其次是稳定时间,从图中观察可以看出,基于改进足球队训练算法优化飞机刹车冷却风扇控制***的速度PID控制器不仅超调量较小,而且在20秒的时候已经到达了稳定状态,而基于基础足球队训练算法优化的飞机刹车冷却风扇控制***的速度PID控制器在30秒的时候依然存在一些震荡。
综合上述具体实施方法和实验效果所示,本发明专利提出的一种基于自适应的飞机刹车冷却风扇PID控制方法在飞机刹车冷却风扇控制***的速度PID控制器中具备优越的性能和足够的创新,进而可以大大增加飞机刹车冷却风扇控制***面对复杂的,时变的外部环境的抗干扰能力和快速反应能力。
Claims (3)
1.一种基于自适应的飞机刹车冷却风扇PID控制方法,其特征在于:具体包括以下步骤:
步骤一、建立飞机刹车冷却风扇控制***模型;
步骤二、建立基础足球队训练算法的数学模型;
步骤三、改进足球队优化算法,改进点包括:
Step1、引入混沌映射改进足球队训练算法初始化位置公式,混沌映射公式为:
X1=lb+r*(ub-lb) (1);
Xi+1=μXi*(ub-Xi) (2);
式(1)中,X1为种群中序列第一的个体,采用伪随机数的方法初始化该个体,ub和1b为种群位置的上下界;
式(2)中,i=1,…,Pop,Pop为种群大小,Xi+1为第i+1个个***置,Xi为第i个个***置,μ为取值在(3,4]的随机数;
Step2、引入自适应参数ω和c1,改进探索者位置更新公式,改进后的公式为:
式(3)中,为改进后的个体更新位置,w和c1为自适应参数,Xi(t)为当前迭代第i个个***置,Xbest(t)为当前迭代最佳个***置,Xworst(t)为当前迭代最差个***置,t为当前迭代次数,r为取值在(0,1]的随机数,i的意义同上;
ω的计算公式如式(4),fit(t)为改进后更新位置的适应度,fitbest当前迭代最佳个***置的适应度,t为当前迭代次数,Max_Iter为最大迭代次数;
c1的计算公式如式(5),根据适应度值的大小确定c1的值,fit(t)和fitbest的意义同上,r为取值在(0,1]的随机数;
Step3、在算法迭代后期引入重启机制,当算法在迭代后期陷入局部最优时,选择部分个体重新初始化,帮助算法跳出局部最优;
步骤四、将改进足球队训练算法迭代结束得到的最佳参数传递给飞机刹车冷却风扇控制***的速度PID控制器;
步骤五、运行飞机刹车冷却风扇控制***模型,验证改进足球队训练算法的性能。
2.根据权利要求1所述的一种基于自适应的飞机刹车冷却风扇PID控制方法,其特征在于:所述步骤一中,飞机刹车冷却风扇控制***模型包括:误差计算模块、速度PID控制器模块、电流PID控制器模块、逆PARK变换模块,SVPWM控制模块,三相逆变器模块、位置和速度观测器模块、CLARK变换模块、PARK变换模块、交流异步电机模块;其中,飞机刹车冷却风扇控制***模型的速度PID控制器模块包括:误差计算单元、PID控制器单元、改进足球队训练算法单元、受控对象单元、速度信息采集单元。
3.根据权利要求1所述的一种基于自适应的飞机刹车冷却风扇PID控制方法,其特征在于:所述步骤四中,将改进足球队训练算法寻优结束得到的最佳参数传递给飞机刹车冷却风扇控制***的速度PID控制器,具体步骤为:
S1、初始化改进足球队训练算法个***置,计算个体初始位置的适应度,记录适应度最小的个体为最佳个体,适应度最大的个体为最差个体;
S2、算法进入集体训练阶段,集体训练的具体步骤如下:
Q1、定义A为取值在(0,1]的随机数,根据A的大小将种群个体分为四类,分别是追随者,探索者,思考者和波动者;
Q2、当A≥0.75时,个体被归类为追随者,追随者的位置更新公式为:
式中,为追随者更新后的位置,Xi(t)为当前迭代第i个追随者位置,Xbest(t)为当前迭代最佳个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q3、当0.75>A≥0.5时,个体被归类为探索者,改进后的探索者位置更新公式同上;
Q4、当0.5>A≥0.25时,个体被归类为思考者,思考者的位置更新公式为:
式中,为思考者更新后的位置,Xi(t)为当前迭代第i个思考者位置,Xbest(t)为当前迭代最佳个***置,Xworst(t)为当前迭代最差个***置,r为取值在(0,1]的随机数,i和t的意义同上;
Q5、当A<0.25时,个体被归类为波动者,波动者的位置更新公式为:
式中,为波动者更新后的位置,Xi(t)为当前迭代第i个思考者位置,trnd(t)为生成符合t-分布的随机数的函数,i和t的意义同上;
S3,集体训练结束后,更新个***置,计算个***置的适应度值,并通过贪婪选择的方式确定最佳个体和最差个体,贪婪选择的公式为:
式中各参数意义同上;
S4、算法进入分组训练阶段,分组训练的具体步骤如下:
Q1、定义r为取值在(0,1]之间的随机数,定义学习概率P1、交流概率P2,根据个体的特点,将种群分为四组,分别标注为1组、2组、3组、4组;
Q2、在分组训练的过程中,将分组训练定义为三个状态,分别是:最优学习、随机学习、随机交流;
Q3、当r≥P1时,该个体进行最优学习,最优学习是向组内最佳个体学习,最优学习的公式为:
式中,team=1,…,4,代表第几组,为最优学习后的个***置,Xteam,best(t)为组内最优个体,Xi(t)为当前迭代个***置,i和t的意义同上;
Q4、当P1>r≥P2时,该个体进行随机学习,随机学习是向组内随机一名成员进行学习,随机学习的公式为:
式中,team的意义同上,rand为不超过组内个体数量的随机数,为随机学习后的个***置,Xteam,rand(t)为组内随机一个体的位置,Xi(t)为当前迭代个***置,i和t的意义同上;
Q5、当r<P2时,该个体进行随机交流,随机交流是在种群中随机寻找一个个体,两者之间进行交流,随机交流的公式为:
式中,为需要进行随机交流的个***置,Xrand(t)为在组外随机寻找的一个个体,rand为取值为(0,Pop]的随机整数,Pop、i和t的意义同上;
S5、分组训练结束后,更新个***置,计算个***置的适应度值,并通过贪婪选择的方式确定最佳个体和最差个体,贪婪选择的公式同上;
S6、算法进入单人额外训练阶段,单人额外训练的公式为:
式中,为进行单人额外训练后的个***置,Xi(t)为当前迭代过程中单人额外训练前的个***置,Gauss为符合高斯分布的取值为(0,1]的随机数,Cauchy为符合柯西分布的取值为(0,1]的随机数,i和t的意义同上;
S7、单人额外训练结束后更新个***置,计算个***置的适应度值,并通过贪婪选择的方式确定最佳个体和最差个体,在数组中记录最佳个体和最差个体,贪婪选择的公式同上;
S8、判断算法是否处于迭代后期,如果处于迭代后期,引入重启机制,帮助算法跳出局部最优;
S9、判断迭代是否终止,若是则算法停止迭代,输出最优解,否则返回S2继续寻优;
S10、将最优解的三个维度值传给飞机刹车冷却风扇控制***的速度PID控制器的三个参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353957.8A CN117950311B (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应的飞机刹车冷却风扇pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353957.8A CN117950311B (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应的飞机刹车冷却风扇pid控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117950311A CN117950311A (zh) | 2024-04-30 |
CN117950311B true CN117950311B (zh) | 2024-06-11 |
Family
ID=90800264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353957.8A Active CN117950311B (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应的飞机刹车冷却风扇pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117950311B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935769A (zh) * | 2022-11-25 | 2023-04-07 | 西安航空制动科技有限公司 | 基于改进粒子群算法的飞机防滑刹车控制参数寻优方法 |
CN117092905A (zh) * | 2023-10-19 | 2023-11-21 | 济南大学 | 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法 |
WO2024003600A1 (en) * | 2022-06-30 | 2024-01-04 | Volvo Truck Corporation | Method and system and computer program product of controlling vehicle fan speed to regulate coolant temperature |
CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105023B (zh) * | 2011-11-14 | 2016-03-16 | 力博特公司 | 用于气冷式冷凝器在精确制冷时的风扇速度控制 |
CN107882759B (zh) * | 2016-09-29 | 2019-11-19 | 英业达科技有限公司 | 最佳化散热风扇控制参数的方法及其*** |
-
2024
- 2024-03-27 CN CN202410353957.8A patent/CN117950311B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024003600A1 (en) * | 2022-06-30 | 2024-01-04 | Volvo Truck Corporation | Method and system and computer program product of controlling vehicle fan speed to regulate coolant temperature |
CN115935769A (zh) * | 2022-11-25 | 2023-04-07 | 西安航空制动科技有限公司 | 基于改进粒子群算法的飞机防滑刹车控制参数寻优方法 |
CN117092905A (zh) * | 2023-10-19 | 2023-11-21 | 济南大学 | 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法 |
CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Non-Patent Citations (2)
Title |
---|
Tian Zhiru,etal.."Football team training algorithm :A novel sport-inspired metaheuristic optimization algorithm for global optimization.expert systems with applications.2024,第1-18页. * |
基于多机制优化螺旋飞行特征的乌燕鸥算法;李光泉 等;科学技术与工程;20230918;第23卷(第26期);第11299-11308页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117950311A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Research on autodisturbance-rejection control of induction motors based on an ant colony optimization algorithm | |
Hannan et al. | Quantum-behaved lightning search algorithm to improve indirect field-oriented Fuzzy-PI control for IM drive | |
CN112861427B (zh) | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 | |
Sguarezi Filho et al. | Model-based predictive control applied to the doubly-fed induction generator direct power control | |
Hasan et al. | Fractional-order PID controller for permanent magnet DC motor based on PSO algorithm | |
Celik et al. | Field-oriented control of the PMSM with 2-DOF PI controller tuned by using PSO | |
Eissa et al. | Optimum induction motor speed control technique using particle swarm optimization | |
CN104852654A (zh) | 基于人工蜂群算法永磁同步电机速度环控制参数优化方法 | |
CN115276491A (zh) | 一种永磁同步电机速度优化控制方法 | |
CN111342729B (zh) | 基于灰狼优化的永磁同步电机自适应反推控制方法 | |
CN116088539A (zh) | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 | |
CN115469543A (zh) | 一种面向航空混合推进***的电机滑模转速控制器设计方法 | |
CN110855204A (zh) | 一种永磁同步电机转矩周期性脉动抑制控制装置及方法 | |
CN117950311B (zh) | 一种基于自适应的飞机刹车冷却风扇pid控制方法 | |
Lisauskas et al. | Direct torque control of induction drive using fuzzy controller | |
Cimini et al. | Model predictive control solution for permanent magnet synchronous motors | |
El Mahfoud et al. | Three Speed Controllers of Direct Torque Control for a Doubly Fed Induction Motor Drive-A Comparison. | |
CN108363302A (zh) | 一种基于和声搜索的船舶动力定位底层推进器控制方法 | |
Xie et al. | Optimization research of FOC based on PSO of induction motors | |
CN106685290A (zh) | 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法 | |
Khan et al. | Neural network modulation for a Direct Torque controlled Induction Motor Drive | |
Vo et al. | Speed estimators using stator resistance adaptation for sensorless induction motor drive | |
Kadhim et al. | Optimized speed control with torque ripple reductions of BLDC motor based on SMC approach using LFD algorithm | |
CN114063438A (zh) | 一种数据驱动的多智能体***pid控制协议自学习方法 | |
Tarczewski et al. | Artificial bee colony based auto-tuning of PMSM state feedback speed controller |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |