基于遗传算法的物流寻迹小车设计与优化

杨逍卓，汪正华

（武汉理工大学 自动化学院，湖北 武汉430070）

1 引言

随着中国经济的快速发展，步进电机作为工业控制核心器械，广泛应用于机械电子、设备控制、机器人控制等领域，并在这些领域发挥着重要的作用，企业对于高精度控制设备的需求也越来越高。

以PLC 作为步进电机核心控制单元，通过PLC 发送PWM 脉冲来控制步进电机驱动器，设计一套步进电机调速系统，实现对步进电机的高精度控制。

2 国内外现状

步进电机与传统的交流电机不同，主要通过脉冲驱动的方式实现电机旋转，所以步进电机又被称为脉冲电机。其工作原理是利用电磁原理，使电机内部的磁场方向发生变换，之后利用磁通变换来实现电机旋转。

随着电磁材料技术的突飞猛进，中国步进电机设计技术已经向着技术革新超越的方向发展。然而现有的步进电机高精度控制技术一般被国外技术企业所掌握。将PLC 控制技术与步进电机相结合，开发出一款简单、实用、性能高效的步进电机调速设备，对于现有的中国市场来说具有极为重要的意义。

3 物流车硬件选型

本项目研究的快递物流小车以ATmega328P单片机作为控制核心，以直流电机作为驱动源驱动小车运动，通过5 路红外线传感器读取黑线特征信息，通过测速装置、舵机转向装置、电源管理系统、LCD 液晶显示屏，完成液晶系统的整体设置，其结构如图1 所示。

图1 硬件系统结构框图

本项目以ATmega328P 单片机作为控制核心，该款单片机是16 位AVR 单片机，其内存容量达到了32 KB，该款单片机性能稳定，非常适合应用于物流小车项目的搭建。为了快速完成硬件项目的创建，本项目最终选择以ATmega328P单片机为主体的Ardunino UNO 成型控制器作为核心。

路径检测装置是物流小车实现主动跟踪的关键设备，可以认为这就是小车的“眼睛”，选择红外传感器作为路径检测装置。本项目最终选择TCRT5000 模块组，一共有5 路红外传感器完成物流车的路径检测。

为了完成车辆测速，在物流车驱动端选择了RLE38-06增量式编码器测量车速；以L298N 作为直流电机驱动电源，完成整体车辆的设置，L298N 可驱动两路电机，控制方式和电机转动状态如表1 所示。

表1 直流电机状态表

将红外传感器置于小车主体前方3～5 cm 处，智能循迹小车的模型如图2 所示。

图2 小车模型图

4 物流车硬件设计

为了提升智能物流小车的转向性能和车辆行驶速度稳定性，分别对物流小车的转向系统和速度系统进行了闭环设计，其设计原则是转向系统保证位置环稳定，车速系统保证速度环稳定。其具体流程如图3、图4 所示。

从图3 可知，本项目对于转向系统主要采用PID 控制实现物流小车转向的高精度控制，当前首先给定一个巡线路径，控制器根据当前的巡线路径给舵机一个特定转向，之后红外传感器检测到控制器路径角度发生偏移，马上根据偏移角度，对舵机的转向进行变换，保证舵机可以根据路径迅速发生改变，舵机转向的变化快慢、稳定性情况都与PID 控制器有关。

图3 物流车转向控制框图

图4 物流车车速控制框图

从图3、图4 可知，本项目主要采用PID 控制，直流电机主要控制的是旋转速度，一般来说会根据轨道大小，给定特定的巡线速度，并通过编码器读取车辆运行速度，当车辆速度发生变化后，根据变化差值，动态调整电机速度，保障物流小车智能跟随。

5 基于遗传算法的PID 参数优化

在应用PID 控制算法时发现，传统的手动参数设计，并不能使物流小车取得良好的跟踪设计效果。在实际工程中，PID 参数一般是用过人工“试凑法”获得，这种方式不仅对操作人员具有较高的要求，参数试凑过程也极为烦琐。当控制对象发生变化后，必须根据控制器重新设计PID 参数。由于缺乏设计经验，一般工程技术人员往往无法求得最优解，设计的PID 参数很难满足控制效果。为了优化智能物流小车的控制效果，本项目提出，基于遗传算法进行参数整定，设计出最合理的PID 参数。

遗传算法的基本原理是利用生物进化理论，将现有的问题通过参数编码的方式设计成基因序列，在遗传的过程中按照“适者生存，优胜劣汰”的原则进行进化，在完成遗传、变异、选择后，形成新的种族群落，通过多代之间的群体优化，使得种群中对于某些问题的适应度越来越高，在最后一代的种群中选择适应度最高的个体作为问题的最优解。遗传算法设计流程如图5 所示。

在系统设计过程中，首先应该确定要解决哪个问题，确定要对哪些被控量进行优化，为此需要建立最小目标函数，为了获得比较合适的物流小车动态性能，采用误差的绝对值时间积分特征作为最小目标函数，e（t）＞0 时目标函数如下：

式（1）中：w1、w2、w3为系统的加权值；e（t）为系统误差；u（t）为控制器输出；tu为上升时间。

小车的波动范围最大的问题来源是系统的超调，所以子系统中加入了惩罚函数，也将超调量作为优化指标之一。e（t）＜0 时最终的优化指标函数为：

式（2）中：w4为加权值，且w4>>w1。

图5 遗传算法设计流程图

对问题进行编码和解码，主要选择二进制编码，适应度函数主要根据目标函数进行设计，根据适应度评价可完成总体过程。主要使用MATLAB 自带的遗传算法优化包，仿真参数设置如下所示：个体数目为40，最大遗传代数为20，变量二进制位数为20，代沟为0.96，交叉率为0.7，变异率为0.01。

只需要对目标函数进行设计，对遗传种群大小、代数、交叉概率、变异概率进行设计就可以进行仿真，通过系统运行后就可以仿真，得到优化后的PID 参数。遗传算法适应度函数变化如图6 所示。

图6 遗传算法适应度函数变化

最终得到转速优化和位置优化，得到PID 结果如下：转向控制时，P=5，I=0.2，D=0.01；车速控制时P=3，I=0.5，D=0.6。

6 实验对比分析

为了比较普通PID 控制器和优化后PID 控制器的区别，本项目选择不同曲率半径测量地点的10 个位置进行测量，曲率半径由小变大，对优化前后的跟踪误差曲线进行对比，其结果如图7 所示。

图7 PID 优化后跟踪误差对比

对实验后的小车进行测试，发现优化后的系统跟踪误差小于没有进行系统优化的PID 参数跟踪误差。物流小车的平均行驶速度可以达到1 m/s，小车在运动过程中，跟踪性能较好，没有出现脱离赛道的现象，达到本项目的设计要求。

7 结论

物流寻迹小车常用于各类快递运输业务中，为了优化小车的寻迹过程，本项目设计了一款基于遗传算法的物流寻迹小车PID 参数优化，优化后小车的跟踪性能得到很大提升，完成之前设定的任务目标。