祝順風(fēng)，文雅珊，朱漢陽(yáng)

水下焊縫跟蹤單神經(jīng)元自適應(yīng)PID控制與參數(shù)優(yōu)化

*祝順風(fēng)1，文雅珊2，朱漢陽(yáng)1

（1.吉安職業(yè)技術(shù)學(xué)院，江西，吉安 343000；2.井岡山大學(xué)機(jī)電工程學(xué)院，江西，吉安 343009）

水下焊縫跟蹤過(guò)程復(fù)雜，不確定因素多，并且焊接過(guò)程具有非線性特點(diǎn)，傳統(tǒng)PID控制效果不理想。本文提出了單神經(jīng)元自適應(yīng)PID控制器，通過(guò)神經(jīng)元的自學(xué)習(xí)能力，能夠在線自適應(yīng)調(diào)整PID參數(shù)，同時(shí)利用差分進(jìn)化算法對(duì)單神經(jīng)元自適應(yīng)控制器的參數(shù)進(jìn)行優(yōu)化。經(jīng)仿真結(jié)果可知，該單神經(jīng)元自適應(yīng)PID控制器響應(yīng)速度快，精度高，控制效果好。

水下焊縫跟蹤；單神經(jīng)元PID控制；差分進(jìn)化算法；仿真；

0 引言

由于水下焊接機(jī)器人在焊接過(guò)程中，環(huán)境復(fù)雜、不確定性因素較多，易受到外界干擾，因此傳統(tǒng)PID控制器對(duì)焊接過(guò)程的控制效果不會(huì)太好。為了提高焊縫跟蹤的控制效果，國(guó)內(nèi)外許多學(xué)者將傳統(tǒng)PID控制與模糊控制技術(shù)相結(jié)合、根據(jù)誤差和誤差變化率通過(guò)模糊推理（模糊規(guī)則）對(duì)PID的參數(shù)進(jìn)行在線動(dòng)態(tài)調(diào)整[1-2]。但模糊控制器需要根據(jù)專家的經(jīng)驗(yàn)設(shè)定模糊規(guī)則，模糊規(guī)則的數(shù)量越多，控制的精度越高，而增加模糊規(guī)則，會(huì)導(dǎo)致算法的復(fù)雜性，從而降低控制效果，因此具有一定的局限性，同時(shí)模糊控制器也缺乏自學(xué)習(xí)能力。

1 單神經(jīng)元PID控制器設(shè)計(jì)

圖1 單神經(jīng)元自適應(yīng)PID控制的原理圖

可以得到PID控制的三個(gè)系數(shù)：

2 差分進(jìn)化算法優(yōu)化單神經(jīng)元控制參數(shù)

2.1 基本差分進(jìn)化算法

差分進(jìn)化算法（DE）是一種結(jié)構(gòu)簡(jiǎn)單、全局搜索能力強(qiáng)、可靠性高、性能優(yōu)越的隨機(jī)搜索算法，并且控制參數(shù)少，簡(jiǎn)單易用，因此得到了廣泛的應(yīng)用。它的基本原理是通過(guò)定義具有一定數(shù)量個(gè)體的種群，每個(gè)個(gè)體代表一組解，通過(guò)變異操作不斷更新個(gè)體，然后通過(guò)交叉操作與預(yù)先確定的目標(biāo)個(gè)體進(jìn)行混合產(chǎn)生試驗(yàn)個(gè)體，最后通過(guò)選擇操作在試驗(yàn)個(gè)體與目標(biāo)個(gè)體中保留適應(yīng)度值優(yōu)的個(gè)體，經(jīng)過(guò)不斷的迭代，最終搜索到最優(yōu)的個(gè)體。差分進(jìn)化算法是基于實(shí)數(shù)編碼的，主要有初始化種群、變異、交叉和選擇四個(gè)基本部分[5]。

1）初始化群體，種群規(guī)模為NP（個(gè)體數(shù)量），每個(gè)個(gè)體的維度為D。

3）交叉操作：通過(guò)交叉操作可以讓子代包含父代的信息，增加群體的多樣性，是交叉因子，交叉操作如下：

2.2 自適應(yīng)差分進(jìn)化算法

差分進(jìn)化算法中的變異因子的取值對(duì)優(yōu)化效果有重要影響，值越大，算法的全局搜索能力越強(qiáng)，值越小，算法的局部搜索能力越強(qiáng)。在算法的尋優(yōu)過(guò)程中，我們希望尋優(yōu)的前期算法的全局搜索能力強(qiáng)，后期算法的局部搜索能力強(qiáng)，值應(yīng)該是隨著迭代的進(jìn)行逐步變小。但標(biāo)準(zhǔn)差分進(jìn)化算法中的是固定不變的，為了提高算法的性能，需要對(duì)進(jìn)行改進(jìn)，設(shè)計(jì)出自適應(yīng)變異因子，按如下設(shè)計(jì)[6]，變異因子隨著迭代次數(shù)的增加而逐步減小。

式中：0表示初始變異因子，m表示最大進(jìn)化代數(shù)，表示當(dāng)前進(jìn)化代數(shù)。

為了獲得較好的優(yōu)化效果，將單神經(jīng)元自適應(yīng)PID控制仿真過(guò)程中的誤差絕對(duì)值時(shí)間積分性能指標(biāo)作為優(yōu)化目標(biāo)函數(shù)，同時(shí)為了避免產(chǎn)生較大的超調(diào)量，引入了懲罰機(jī)制，如果產(chǎn)生超調(diào)量，就將超調(diào)量作為主要優(yōu)化目標(biāo)對(duì)象[7]，得到的優(yōu)化目標(biāo)函數(shù)為：

3 仿真分析

我們分別對(duì)兩種PID控制器進(jìn)行正弦波仿真跟蹤，跟蹤結(jié)果如圖5和圖6所示，圖中實(shí)線是給定的理想正弦波信號(hào)，虛線是跟蹤信號(hào)。從圖5中可知，采用傳統(tǒng)PID控制，輸出的跟蹤信號(hào)不能夠很好地?cái)M合給定的理想信號(hào)，跟蹤效果不理想。而從圖6可知，采用DE優(yōu)化單神經(jīng)元PID控制，輸出的跟蹤信號(hào)基本與給定的理想信號(hào)重合，跟蹤效果良好，能夠較好地實(shí)現(xiàn)水下焊縫跟蹤。

圖2 迭代收斂曲線

圖3 傳統(tǒng)PID階躍響應(yīng)

圖4 DE優(yōu)化單神經(jīng)元PID階躍響應(yīng)

圖5 傳統(tǒng)PID正弦跟蹤

圖6 DE優(yōu)化單神經(jīng)元PID正弦跟蹤

4 結(jié)論

神經(jīng)網(wǎng)絡(luò)算法是一種具有自學(xué)習(xí)、自適應(yīng)能力的智能算法，將單神經(jīng)元與傳統(tǒng)PID 控制結(jié)合，設(shè)計(jì)出單神經(jīng)元自適應(yīng)PID控制器，同時(shí)通過(guò)差分進(jìn)化算法對(duì)控制器參數(shù)進(jìn)行了優(yōu)化，并應(yīng)用到水下焊縫跟蹤系統(tǒng)中，從仿真結(jié)果可知，相比傳統(tǒng)PID控制，采用DE算法優(yōu)化的單神經(jīng)元PID控制器的性能更高，在水下焊縫跟蹤中具有較好的應(yīng)用前景。

[1] 李廣軍,王祺明.基于遺傳整定的水下焊縫跟蹤系統(tǒng)模糊PID控制器[J].電焊機(jī),2011,41(4):49-52.

[2] 謝光,熊禾根,陶永,等.基于模糊自適應(yīng)PID焊縫軌跡跟蹤的機(jī)器人焊接前瞻控制方法[J].高技術(shù)通訊,2016,26(Z2):883-889.

[3] 黃有概,高向東.焊縫跟蹤RBF整定PID控制算法[J].電焊機(jī),2016,46(1):14-17.

[4] 陳利軍,余勇.基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的焊接機(jī)器人焊槍控制算法研究[J].焊接,2016(6):56-58+72.

[5] 陳鑫,曾冰.差分進(jìn)化算法在平面扭簧設(shè)計(jì)中的應(yīng)用[J].機(jī)床與液壓,2021,49(13):112-117.

[6] 包子陽(yáng).智能優(yōu)化算法及其MATLAB實(shí)例[M].北京：電子工業(yè)出版社,2018.

[7] 劉金琨.先進(jìn)PID控制MATLAB仿真[M].北京：電子工業(yè)出版社,2003.

[8] 賈劍平,徐坤剛,李志剛.基于模糊自適應(yīng)整定PID的水下焊縫跟蹤[J].上海交通大學(xué)學(xué)報(bào),2008(S1):69-72.

SINGLE NEURON SELF-ADAPTIVE PID CONTROL AND PARAMETER OPTIMIZATION FOR UNDERWATER SEAM TRACKING

*ZHU Shun-feng1, WEN Ya-shan2, ZHU Han-yang1

（1. Ji’an Vocational of Technical College, Ji’an, Jiangxi 343000, China；2.School of Mechanical and Electrical Engineering, Jinggangshan University, Ji’an, Jiangxi 343009, China）

The underwater seam tracking process is complicated with many uncertain factors, and the welding process is nonlinear, the traditional PID control effects are unsatisfactory. A single neuron adaptive PID controller is proposed. The PID parameters can be adjusted adaptively online by the self-learning ability of the neuron, and the parameters of the single neuron adaptive PID controller are optimized by differential evolution algorithm. The simulation results show that the single neuron adaptive PID controller has fast response speed, high precision and good control effects.

underwater seam tracking; single neuron PID control; differential evolution algorithm; simulation

1674-8085（2022）02-0094-04

TG434

A

10.3969/j.issn.1674-8085.2022.02.015

2021-10-07；

2021-12-13

江西省教育廳科技計(jì)劃項(xiàng)目(GJJ209938)

*祝順風(fēng)(1988-)，男，江西上饒人，助理工程師，碩士，主要從事機(jī)電控制的研究(E-mail:854181365@qq.com).