（北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院，北京 100191）

仿真轉(zhuǎn)臺(tái)是一種伺服系統(tǒng)，被用來(lái)進(jìn)行半實(shí)物仿真，模擬飛行器及導(dǎo)彈在空中的一系列飛行動(dòng)作和姿態(tài)，對(duì)我國(guó)現(xiàn)代國(guó)防事業(yè)有重要意義[1]。對(duì)于電機(jī)直接驅(qū)動(dòng)的伺服系統(tǒng)，由于摩擦非線性環(huán)節(jié)的存在，系統(tǒng)極易出現(xiàn)低速非線性問(wèn)題，對(duì)系統(tǒng)的控制效果造成嚴(yán)重影響。基于干擾觀測(cè)器的閉環(huán)控制方法，對(duì)于各種外部干擾具有很強(qiáng)的抑制作用，能明顯改善控制效果，能很好地解決系統(tǒng)的低速非線性問(wèn)題[2]。在DOB的設(shè)計(jì)中，首先建立廣義對(duì)象的名義模型，這就需要對(duì)轉(zhuǎn)臺(tái)的相關(guān)參數(shù)進(jìn)行辨識(shí)。粒子群算法本身存在缺點(diǎn)，容易在迭代過(guò)程中陷入局部最優(yōu)，從而使結(jié)果產(chǎn)生誤差。文獻(xiàn)[3]對(duì)滿足變異條件的全局極值進(jìn)行變異，改進(jìn)粒子群算法對(duì)音圈電機(jī)參數(shù)進(jìn)行辨識(shí)；文獻(xiàn)[4]引入柯西變異，對(duì)算法進(jìn)行改進(jìn)。

本文引入自適應(yīng)變異、柯西變異以及局部平均最好位置對(duì)粒子群算法進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)轉(zhuǎn)臺(tái)參數(shù)的辨識(shí)，主要辨識(shí)轉(zhuǎn)臺(tái)等效轉(zhuǎn)動(dòng)慣量和等效阻尼值。通過(guò)仿真實(shí)驗(yàn)進(jìn)行曲線擬合，證明該方法辨識(shí)出的參數(shù)值相對(duì)準(zhǔn)確，在此基礎(chǔ)上對(duì)干擾觀測(cè)器進(jìn)行了設(shè)計(jì)，目前處于試驗(yàn)階段。

1 被控對(duì)象的數(shù)學(xué)模型

對(duì)于位置伺服控制系統(tǒng)，電機(jī)并不是由控制器的輸出直接驅(qū)動(dòng)，而是要經(jīng)過(guò)功率放大器等多個(gè)環(huán)節(jié)共同作用，最終帶動(dòng)負(fù)載運(yùn)動(dòng)。實(shí)際的控制對(duì)象由功放、位置傳感器、測(cè)量元件、電機(jī)和負(fù)載等環(huán)節(jié)組成，經(jīng)過(guò)推導(dǎo)分析，忽略次要因素，主要考慮功率放大器、電機(jī)及負(fù)載和位置測(cè)量元件，對(duì)被控對(duì)象進(jìn)行建模，經(jīng)過(guò)簡(jiǎn)化，得到廣義開(kāi)環(huán)對(duì)象為

保留其二階線性環(huán)節(jié)，忽略其延遲環(huán)節(jié)，將其視為模型不確定性，得到模型為

式中：J為等效轉(zhuǎn)動(dòng)慣量；B為等效阻尼。

2 改進(jìn)的粒子群算法

粒子群算法被廣泛應(yīng)用于各種優(yōu)化問(wèn)題中[5]。算法在一定的搜索空間中通過(guò)種群中粒子進(jìn)行尋優(yōu)，種群中粒子個(gè)體與個(gè)體、個(gè)體與種群之間可以進(jìn)行信息的交換，正是通過(guò)這種信息共享機(jī)制，粒子可以對(duì)下一步行為進(jìn)行合理調(diào)整，以便有效地向最優(yōu)位置靠近，即尋找到最優(yōu)結(jié)果。粒子速度及位置更新公式為

式中：i=1，2，…，m，m為種群規(guī)模；d=1，2，…，G，G為搜索空間維數(shù)；w為慣性權(quán)重；c1、c2為學(xué)習(xí)因子；r1、r2為服從U（0，1）分布的隨機(jī)數(shù)；Pid為局部最優(yōu)極值；pgd為全局最優(yōu)極值。

由于粒子群算法存在固有缺陷，即早熟收斂問(wèn)題，必須對(duì)算法做出相應(yīng)改進(jìn)，以避免算法陷入局部最優(yōu)，保證其可以繼續(xù)在其他搜索區(qū)域中進(jìn)行搜索，從而獲得全局最優(yōu)解。首先，對(duì)滿足變異條件的粒子進(jìn)行自適應(yīng)變異，增加粒子的多樣性，也可以一定程度上避免算法陷入局部極值，粒子變異公式為

其次，對(duì)速度更新公式進(jìn)行改進(jìn)，引入局部平均最好位置[6]，即所有粒子局部最好位置的平均值：

此時(shí)，粒子速度更新公式變?yōu)?/p>

局部平均最好位置不僅借鑒了自己之前的尋優(yōu)經(jīng)驗(yàn)，也同時(shí)借鑒了種群其他粒子的尋優(yōu)經(jīng)驗(yàn)，提高了算法的尋優(yōu)能力，進(jìn)一步避免其陷入局部極值。考慮到局部平均最好位置的引入而帶來(lái)的種群粒子多樣性的減少，對(duì)滿足一定條件的pm進(jìn)行柯西變異

式中，trnd（1，1，1）滿足自由度為1的t分布，即柯西分布。

3 基于改進(jìn)算法的轉(zhuǎn)臺(tái)參數(shù)辨識(shí)

模型的參數(shù)辨識(shí)是設(shè)計(jì)控制系統(tǒng)的基礎(chǔ)。因此，在對(duì)控制系統(tǒng)進(jìn)行設(shè)計(jì)時(shí)，首先要對(duì)控制對(duì)象模型相關(guān)參數(shù)進(jìn)行辨識(shí)[7]。

對(duì)仿真轉(zhuǎn)臺(tái)施加控制電壓，進(jìn)行白噪聲掃頻，激勵(lì)系統(tǒng)運(yùn)動(dòng)，測(cè)出系統(tǒng)轉(zhuǎn)角輸出序列。設(shè)置采樣時(shí)間為1 ms，得到20000組輸入、輸出數(shù)據(jù)用于后續(xù)的轉(zhuǎn)臺(tái)參數(shù)辨識(shí)。

轉(zhuǎn)臺(tái)的模型在前文中已經(jīng)建立，對(duì)轉(zhuǎn)臺(tái)參數(shù)辨識(shí)的基本思想是利用Matlab建立一個(gè)與其結(jié)構(gòu)相同的參數(shù)可調(diào)節(jié)模型：

利用試驗(yàn)獲得的輸入數(shù)據(jù)作為此模型的輸入，獲得對(duì)應(yīng)輸出數(shù)據(jù)，根據(jù)試驗(yàn)獲得的實(shí)際輸出與可調(diào)模型的輸出的差值構(gòu)成目標(biāo)函數(shù)，以目標(biāo)函數(shù)為評(píng)價(jià)標(biāo)準(zhǔn)對(duì)可調(diào)節(jié)模型的參數(shù)不斷進(jìn)行優(yōu)化，最終使得目標(biāo)函數(shù)最優(yōu)，獲得對(duì)應(yīng)結(jié)果，即所辨識(shí)的參數(shù)結(jié)果[8]。將目標(biāo)函數(shù)定義為

式中：N為試驗(yàn)數(shù)據(jù)組個(gè)數(shù)；yi為試驗(yàn)獲得輸出值；yi′為可調(diào)模型對(duì)應(yīng)輸出值。

4 仿真結(jié)果分析

對(duì)轉(zhuǎn)臺(tái)參數(shù)進(jìn)行辨識(shí)，分別使用基本PSO算法和改進(jìn)后的PSO算法，其目標(biāo)函數(shù)值變化曲線如圖1、圖2所示。

圖1 基本PSO算法目標(biāo)函數(shù)值曲線Fig.1 Basic particle swarm optimization algorithm objective function value curve

圖2 改進(jìn)PSO算法目標(biāo)函數(shù)值曲線Fig.2 Improved particle swarm optimization algorithm objective function value curve

使用基本粒子群算法得到的最佳目標(biāo)函數(shù)值為0.2386，改進(jìn)粒子群算法得到的最佳目標(biāo)函數(shù)值為0.2038。對(duì)比可知，圖1目標(biāo)函數(shù)值曲線在迭代次數(shù)為60左右時(shí)已經(jīng)趨于穩(wěn)定，不再變化，而圖2目標(biāo)函數(shù)值曲線在迭代次數(shù)為120左右時(shí)才趨于穩(wěn)定，說(shuō)明改進(jìn)后的粒子群算法由于變異操作的引入和算法的其他改進(jìn)，搜索區(qū)域變得更為寬廣，這樣便降低了算法陷入局部最優(yōu)的可能性。

對(duì)參數(shù)辨識(shí)結(jié)果進(jìn)行分析，基于改進(jìn)PSO算法的辨識(shí)結(jié)果為

得到對(duì)象模型為

傳統(tǒng)模型測(cè)試方法為試湊法，通過(guò)不斷調(diào)整模型參數(shù)去尋找幅頻相頻曲線擬合程度相對(duì)較好的結(jié)果，從而得到對(duì)象模型

圖3為通過(guò)試湊法所得模型進(jìn)行曲線擬合的結(jié)果，圖4為基于改進(jìn)PSO算法辨識(shí)結(jié)果進(jìn)行曲線擬合的結(jié)果。

圖3 試湊法所得模型曲線擬合Fig.3 Fitting of the model curve by trial and error method

圖4 改進(jìn)PSO算法辨識(shí)結(jié)果曲線擬合Fig.4 Improved PSO algorithm identification result curve fitting

通過(guò)對(duì)比可以看出，改進(jìn)后PSO算法辨識(shí)結(jié)果所對(duì)應(yīng)的曲線擬合效果更好，說(shuō)明其參數(shù)更加準(zhǔn)確。通過(guò)參數(shù)辨識(shí)結(jié)果，可以建立較準(zhǔn)確的系統(tǒng)模型，依據(jù)其設(shè)計(jì)的干擾觀測(cè)器補(bǔ)償效果會(huì)更好，對(duì)整個(gè)控制系統(tǒng)具有積極意義。

5 干擾觀測(cè)器的設(shè)計(jì)

建立閉環(huán)位置伺服控制系統(tǒng)[9]，該系統(tǒng)由PD控制器、干擾觀測(cè)器等組成，結(jié)構(gòu)如圖5所示。其中，r為參考輸入，θ為位置輸出，d為等效干擾?？刂破鳛镻D控制器，虛線框內(nèi)為干擾觀測(cè)器，其中Gn（s）為名義模型，Q（s）為低通濾波器，d可以用如下形式表示：

式中：-Ff（θ˙）為摩擦干擾；dl為除摩擦外其他干擾的總和。

圖5 控制系統(tǒng)結(jié)構(gòu)Fig.5 Structure block diagram of control system

針對(duì)被控對(duì)象為如下二階傳遞函數(shù)的理想伺服系統(tǒng)進(jìn)行仿真：

將系統(tǒng)中的摩擦力矩等效到控制輸出端，用改進(jìn)的Karnopp摩擦模型來(lái)描述[10]，則伺服系統(tǒng)可以用下面的微分方程表示：

取名義模型為

令輸入信號(hào)為 r（t）=0.5sin（2×0.01πt），圖 6為系統(tǒng)中不加干擾觀測(cè)器時(shí)響應(yīng)曲線圖，可以看出曲線明顯變形，波形出現(xiàn)“平頂”且扭曲，圖 7為加入干擾觀測(cè)器后響應(yīng)曲線，圖8為對(duì)應(yīng)誤差曲線圖?？梢钥闯鱿到y(tǒng)控制效果得到了明顯改善，由摩擦干擾帶來(lái)的低速非線性問(wèn)題基本得到解決。

圖6 不加DOB時(shí)響應(yīng)曲線Fig.6 Without disturbance observer response curve

圖7 加入DOB時(shí)響應(yīng)曲線Fig.7 Response curve when the disturbance observer is added

圖8 加入DOB時(shí)誤差曲線Fig.8 Error curve when adding disturbance observer

另取名義模型進(jìn)行仿真：

圖9為系統(tǒng)中加入干擾觀測(cè)器時(shí)的響應(yīng)曲線，圖10為對(duì)應(yīng)誤差曲線，可以看出此時(shí)系統(tǒng)的響應(yīng)曲線與圖7相比效果略差，誤差較大。由此可知，系統(tǒng)名義模型越準(zhǔn)確，所建立干擾觀測(cè)器的補(bǔ)償效果越好。

6 結(jié)語(yǔ)

通過(guò)仿真結(jié)果可知，本文對(duì)粒子群算法進(jìn)行改進(jìn)，以此為基礎(chǔ)對(duì)仿真轉(zhuǎn)臺(tái)的相關(guān)參數(shù)進(jìn)行辨識(shí)，結(jié)果較為準(zhǔn)確。進(jìn)而設(shè)計(jì)出了名義模型更為準(zhǔn)確的干擾觀測(cè)器，有效地對(duì)外部擾動(dòng)進(jìn)行了抑制，解決了系統(tǒng)的低速非線性問(wèn)題，且通過(guò)對(duì)比可知本文設(shè)計(jì)的DOB補(bǔ)償效果更好。

圖9 參數(shù)差別較大時(shí)響應(yīng)曲線Fig.9 Response curve with larger parameter difference

圖10 參數(shù)差別較大時(shí)誤差曲線Fig.10 Error curve with larger parameter difference

[1]Qian Z，Qunjing W，Guoli L.Design of the Nonlinear Predictive Functional Controller for turntable servo system[C]//Industrial Electronics and Applications，2014 IEEE 9th Conference on. IEEE，2014.

[2]Kim Y，Kim K S，Kim S.A DOB based robust current control ofpermanentmagnetsyn chronousmotor[C]//Control，ICCAS，2015 15th International Conference on.IEEE，2015.

[3]陳校.改進(jìn)粒子群算法在音圈電機(jī)系統(tǒng)辨識(shí)的應(yīng)用研究[D].廣東：廣東工業(yè)大學(xué)，2014.

[4]王暉.基于柯西變異的混合粒子群算法研究[D].湖北：中國(guó)地質(zhì)大學(xué)，2008.

[5]Jianan Lu，Yonghua Chen.Particle swarm optimization（PSO）based topology optimization of part design with fuzzy parameter tuning[J].Computer-Aided Design and Applications，2013（9）：62-68.

[6]LiXiao，WangTao，F(xiàn)an Wei.Adaptive parameter identification based on dead-time compensation for permanent magnet synchronous machines[J].Control，Automation and Systems（ICCAS），2011（11）：1570-1575.

[7]Fu L，Li P.The research survey of system identification method [C]//Intelligent Human Machine Systems and Cybernetics（IHMSC），2013，5th International Conference on.IEEE，2013.

[8]傅小利，顧紅兵，陳國(guó)呈，等.基于柯西變異粒子群算法的永磁同步電機(jī)參數(shù)辨識(shí)[J].電工技術(shù)學(xué)報(bào)，2014，29（5）：127-131.

[9]Ren Y，Liu Z H，Zhou R.DOB based robust adaptive backstepping control of compound-axis opto-electronic tracking system [C]//Control and Decision Conference（CCDC），2012 24th Chinese.IEEE，2012.

[10]劉強(qiáng)，爾聯(lián)潔，劉金琨.摩擦非線性環(huán)節(jié)的特性、建模與控制補(bǔ)償綜述[J].系統(tǒng)工程與電子技術(shù)，2002，24（11）：45-52.