侦察车云台伺服系统的改进自抗扰控制
2021-04-24胡近朱侯润民陶征勇
胡近朱,高 强,侯润民,时 尚,陶征勇
(南京理工大学机械工程学院,南京 210094)
0 引言
某型号侦察车云台伺服系统内部存在诸多非线性环节,传统的PID控制器已经无法适应系统的非线性环节,难以达到理想的控制精度。
自抗扰控制(active disturbance rejection control, ADRC)是韩京清教授于1988年首次提出的新型控制策略,不依赖于系统的精确数学模型,把系统外部扰动连同系统的未建模部分一起,看作是系统的“总扰动”[1-2]。ADRC具有控制精度高、适应性强、鲁棒性好、对系统内部参数的变化不敏感、能够有效抑制扰动等优点[3]。然而,ADRC涉及大量的参数,这些参数的整定过程十分复杂,没有系统的理论支持,因此参数的确定已成为ADRC研究中的首要问题;国内外的学者尝试采用各种不同的方法对其参数进行整定[4-5]。文献[6]利用神经网络对控制器进行参数整定,并辅以改进的粒子群优化算法在线寻优,经实验验证表明此方法可使系统的稳定性进一步提高。文献[7]利用BP神经网络在线调整控制器中各个参数,仿真结果表明,改进的ADRC控制器估计扰动的精度更高,抗干扰性更强。文献[8]采用RBF神经网络在线整定ESO参数,仿真结果表明:经神经网络优化的控制器明显优于ADRC控制,控制性能得到进一步提高。
文中以某侦察车云台伺服系统为研究对象,将自抗扰控制和改进的自适应遗传算法相结合,采用改进的自适应遗传算法对ADRC中的NESO和NLSEF环节参数进行在线整定,以期进一步提高系统的控制性能。
1 云台伺服控制系统
1.1 云台伺服控制系统结构
云台伺服控制系统有高低和方向两套交流伺服系统,分别控制观瞄设备的水平转动和垂直转动。图1为云台伺服系统的结构框图。
图1 云台伺服系统结构图
1.2 云台伺服控制系统数学模型
该侦察车云台伺服控制系统采用永磁同步电机驱动控制,且其控制观瞄设备水平转动和垂直转动的原理相同,文中仅以高低向为例进行分析。系统框图如图2所示。
图2 云台伺服系统框图
图2中,θm为目标位置;θ为观瞄设备高低角;U为控制电压;Ka为放大器增益;R为电机电枢回路电阻;L为电机电枢回路电感;Kd为电机力矩系数;Td为电机电磁转矩;E为电机电枢反电动势;Kb为电机反电动势系数;TL为负载扰动力矩;Tf为摩擦力矩扰动;J为折算到电机转子上的总转动惯量;B为粘性摩擦系数;ωd为电机角速度;i为减速比。
在系统工作时,电机中的电流响应时间可以忽略不计,而仅考虑机械响应的影响做进一步简化:
(1)
电机电磁转矩为:
(2)
由转矩平衡方程可得:
(3)
将式(2)代入式(3)可得:
(4)
式(4)两边同乘以1/i,并整理得:
(5)
(6)
2 自抗扰控制器
自抗扰控制的核心理念是对系统的“总扰动”实行预估和补偿,最终把系统简化为积分器串联型。ADRC主要由非线性跟踪微分器(TD)、扩张状态观测器(ESO)及非线性误差反馈控制律(NLSEF)三部分组成,ADRC结构框图如图3所示。
图3 ADRC结构框图
2.1 跟踪微分器(TD)
TD的作用是安排合理的过渡过程,对于任意的给定输入信号yd(t),即使是含有噪声的不连续信号,TD都能从yd(t)中提取出连续信号x1(t),并给出其微分信号x2(t)。
TD的离散表达式为:
(7)
其中:h为积分步长;r为速度因子;h0为滤波因子;非线性函数如式(8)所示。
(8)
2.2 非线性扩张状态观测器(NESO)
NESO是自抗扰控制器的核心。NESO由系统输出y(t)产生3个信号z1(t)、z2(t)和z3(t)。z1(t)跟踪系统输出y(t),z2(t)跟踪系统输出y(t)的微分,z3(t)为系统总扰动的预估值。
NESO的离散化方程为:
(9)
式中:β1,β2,β3为可调误差校正增益;a1、a2、δ1、b0为设计参数;非线性函数fal(ξ(k),a,δ)为:
(10)
2.3 非线性误差反馈控制率(NLSEF)
NLSEF和经典的PD控制律相似,由输入信号x1(t)和输出信号z1(t)生成误差量e1(t),输入微分信号x2(t)和输出微分信号z2(t)生成误差量e2(t)。然后由误差量e1(t)和e2(t)生成控制量r。
NLSEF的离散化方程为:
(11)
式中:β01、β02分别为误差增益、微分增益;a3、a4、δ0为设计参数。
3 自适应遗传算法优化的ADRC控制器
遗传算法(genetic algorithm,GA)是基于自然选择和基因遗传学原理的随机并行搜索算法,是一种寻求全局最优解而不需要任何初始化信息的高效优化方法[9]。其操作简单,搜索灵活,但是容易陷入“早熟”。
3.1 改进的自适应遗传算法
针对基本遗传算法容易“早熟”收敛,局部搜索能力欠缺的问题,任子武等[10]提出了一种改进的自适应遗传算法(improved adaptive genetic algorithm,IAGA),对GA中交叉概率pc和变异概率pm的确定公式进行了修正,具体表达式如式(12)、式(13)所示。
(12)
(13)
式中:pc1=0.9,pc2=0.6,pm1=0.1,pm2=0.01,fmax为最大个体适应度,favg为种群平均适应度,f′为交叉个体中相对较大个体的适应度,f为变异个体的适应度。
对于适应度高于平均值的个体,pc和pm较小,使得该解更好进入下一代,反之适应度低于平均值的个体pc和pm较大,使该解被淘汰。因此,IAGA能够跳出局部最优解,抑制“早熟”。
3.2 IAGA-ADRC控制器结构框图
为了进一步提高侦察车观瞄设备的稳定性,采用改进的自适应遗传算法对ADRC中NESO和NLSEF环节中的参数进行在线整定。其结构框图如图4所示。
图4 IAGA-ADRC控制器结构框图
3.3 基于IAGA的NESO参数整定
对NESO的离散化方程进行分析,由式(9)可知NESO包括a1,a2,δ1,b0,β1,β2,β3一共7个参数需要确定。一般可按经验选取a1和a2的值;δ1用于控制函数中线性区间的大小,通常根据采样计算机的性能确定δ1的值,这里取d=0.001。参数b0通常根据被控对象内部参数进行设定,无需优化设计。因此NESO中就只剩下了β1,β2,β3三个参数需要优化。
采用改进自适应遗传算法优化NESO的具体步骤如下所示[11]:
1)确定适应度函数。文中采用时间、误差乘积的积分作为衡量NESO性能的目标函数:
(14)
式中,JNESO为目标函数值,则适应度函数可以表示为:
(15)
其中ε是一个很小的实数。
2)参数编码。在参数开始前根据经验给这些参数确定一定的取值范围,采用实数编码以提高计算精度。
3)种群初始化。为使IAGA快速收敛,可以选取较大的群体规模,文中取N=200。
4)个体选择。采用适应度比例法对个体进行选择,选出适应度高的个体,为产生下一代个体做准备。
5)交叉、变异。根据式(12)和式(13)计算和,执行交叉和变异操作,产生新的个体。
6)判断终止条件。对每个产生的新一代种群进行判断,若不满足条件则重新执行上述操作,直到满足条件为止。
3.4 基于IAGA的NLSEF参数整定
与整定NESO参数类似,由式(11)可知NLSEF的参数包括a3,a4,δ0,β01,β02一共5个参数需要确定。一般可按经验选取a3和a4的值;同样根据计算机精度选取δ0=0.001。因此NLSEF中就只剩下了β01、β02两个参数需要优化。
采用自适应遗传算法优化NLSEF参数的步骤和优化NESO参数类似,此处不再赘述。
4 实验仿真
某侦察车云台交流伺服系统的参数为:J=0.035 2 kg·m2,Kd=0.195 N·m/A,Ce=0.195 V/(rad·s-1),i=315,R=0.07 Ω,B=0.000 143 N·m/(rad·s-1)。经IAGA优化后的ADRC控制器参数为:β01=103.469 2,β02=316.943 5,β03=261.726 1,β1=3.146 8,β2=8.386 1。
图5为PID,ADRC,IAGA-ADRC三种不同控制策略下的阶跃响应曲线图。可以看出三种控制方法均没有产生超调。为了比较不同系统抑制负载扰动的能力,在t=3 s处加载250 N/m的扰动,从放大的曲线图可以看出,IAGA-ADRC在负载扰动的影响下波动幅度最小,且很快恢复到稳定状态,性能明显最优。
图5 不同控制器下的阶跃响应曲线图
图6为三种不同控制策略下的正弦跟踪曲线图。以θm=6sint为正弦输入信号,并加载了±0.5°的随机扰动。图7为三种控制方法的跟踪误差。可以看出IAGA-ADRC的正弦跟踪误差明显小于PID和ADRC。
图6 正弦跟踪曲线图
图7 正弦跟踪误差曲线图
5 结论
针对某侦察车云台伺服系统的非线性问题,设计了一种采用改进的自适应遗传算法优化的自抗扰控制器,仿真结果表明:经IAGA优化的ADRC控制器具有较强的抗干扰能力和鲁棒性,能够达到理想的控制要求,可以有效提高侦察车观瞄设备的控制精度,为车载云台伺服控制系统提供了一种试验依据。