杨勇明

(上海理工大学 公共实验中心，上海200093)



基于模糊自适应PID的伺服扭矩加载系统

杨勇明

(上海理工大学 公共实验中心，上海200093)

针对工程中测试零件及其控制系统性能的问题，为缩短生产周期和降低生产成本，提出了一种基于模糊自适应PID的伺服扭矩加载系统。研究设计了模糊自适应PID控制器，使用Matlab，进行系统仿真和实验分析。实验表明，文中提出基于模糊自适应PID的伺服扭矩加载系统能够较好地反映零件性能，并且提高了系统的响应频率和加载精度，可以用于伺服扭矩加载等领域。

扭矩加载；模糊自适应PID；Matlab

YANG Yongming

(Public Experiment Center, University of Shanghai for Science and Technology, Shanghai 200093, China)

在工业生产中，需要对零件及其系统性能进行测试时，常采用实际零件进行测试，然而对于造价成本高、条件苛刻的系统，不但会造成浪费，而且测试次数受到限制，从而增加了生产周期和生产成本[1-2]。针对这一问题，本文提出基于模糊自适应PID的伺服扭矩加载系统研究，该扭矩加载系统既能够跟随承载系统运动，又可根据实际工况进行扭矩加载，从而实现快速、高精度的扭矩加载，对被测系统的性能参数进行实时监测，根据实验数据对被测系统进行性能分析、设计和改进，使其达到零件性能指标。

1 模糊自适应PID扭矩加载系统设计

扭矩加载系统控制方法包括基于前馈补偿的PID控制、内膜控制和模糊控制等[3-8]，模糊控制以模糊集合论、模糊语言变量及模糊逻辑推理为基础，将大量的人类行为及经验归纳为若干规则，实现对系统的“拟人智能”控制[9-17]。依据图1所示的模糊控制器原理结构示意图，本文提出基于模糊自适应PID的伺服扭矩加载系统，通过对PID控制器的参数进行在线调整，使其能够适应系统的变化，有效提高系统扭矩加载的精度和响应速度。

图1 模糊控制器原理结构示意图

1.1 模糊自适应PID控制器

图2所示的模糊自适应PID控制器结构示意图，在增量式PID控制器的基础上增加一个模糊控制环节，该模糊控制环节使得系统能够根据实时状态对PID控制器参数不断修整，在控制过程中不断学习和掌握控制规律，即可对PID参数实现智能调节，对于改善系统的动态性能和稳态性能、提高抗干扰能力方面均优于常规的PID控制器。

图2 模糊自适应PID控制器示意图

1.2 控制器输入输出变量模糊化

(1)输入、输出变量模糊化。输入、输出变量模糊化分成7个等级：正大(PB)、正中(PM)、正小(PS)、零(ZO)、负小(NS)、负中(NM)、负大(NB)，每个等级对应一个模糊集，本研究将误差变量e(k)和误差变化率Δe(k)模糊子集定义为{PB,PM,PS,ZO,NS,NM,NB}，各变量值的范围如表1所示;

表1 各变量值的范围

续表1

PM1～3PB2～∞

(2)模糊量隶属度函数。由于三角形的隶属度函数容易求出，并且对模糊量的描述也比较合理，所以采用三角形隶属度函数确定模糊量隶属度函数，图3所示为Matlab选用的输入输出变量隶属函数曲线。

1.3 模糊控制规则

模糊控制规则是根据手动控制策略的经验制定的模糊条件语句或规则表，表2～表4所示为KP、KI、KD的模糊控制规则。

图3 输入输出变量隶属函数曲线

KPΔe(k)NBNMNSZOPSPMPBNBPBPBPMPMPSZOZONMPBPBPMPSPSZONSNSPMPMPMPSZONSNSZOPMPMPSZONSNMNMPSPSPSZONSNSNMNMPMPSZONSNMNMNMNBPBZOZONMNMNMNBNB

表3 KI的模糊控制规则表

表4 KD的模糊控制规则表

续表14

KDΔe(k)NBNMNSZOPSPMPBZOZONSNSNSNSNSZOPSZOZOZOZOZOZOZOPMPBNSPSPSPSPSPBPBPBPMPMPMPSPSPB

2 伺服扭矩加载系统

2.1 硬件系统

硬件系统是扭矩加载系统的硬件平台，是实现整个系统功能和控制的基础。在硬件系统设计过程中，需要采用强电弱电分隔、电磁隔离、屏蔽等方式进行处理，以提高整个系统的抗干扰能力和可靠性。图4所示为伺服扭矩加载系统结构示意图，包括承载端、加载端和被测系统3部分。

图4 电动伺服扭矩加载系统结构示意图

2.2 软件系统

软件系统是扭矩加载系统的软件平台，用以实现扭矩加载系统的运动控制信号输出、扭矩加载参数曲线的设定、传感器信号接收、控制算法实现以及系统参数状态实时监测等功能，如图5所示为系统软件流程框图。

图5 系统软件流程框图

3 实例与验证

3.1 模糊自适应PID控制器模型

在Matlab中，利用模糊控制工具箱进行输入输出变量模糊化设计和模糊推理算法编写，完成的模糊自适应PID控制器模型如图6所示。

图6 模糊自适应PID控制器模型

3.2 模糊自适应PID伺服扭矩加载实验

在Matlab中，采用模糊控制工具箱对模糊控制规则进行编写。如图7所示为KP、KI、KD分别对输入变量e(k)和Δe(k)作用时，输入输出关系曲面图。图8所示为计算过程，可以观察所设计的每一条模糊规则的计算结果，并且可以检验其正确性。

图7 KP、KI、KD输入输出关系曲面

图8 计算过程

3.3 结果分析

如图9所示为扭矩加载频率分别为1 Hz、2 Hz、3 Hz和5 Hz的正弦信号，模糊自适应PID控制器的控制效果图。

图9 模糊自适应PID控制器控制的扭矩-时间曲线

据图9可知，采用模糊自适应PID控制器控制，当频率为1 Hz时，设定初始KP的值为0.15，KI的值为0.1，实际扭矩曲线基本与设定曲线重合，没有滞后和衰减的情况，当频率增大为2 Hz，与频率1 Hz情况相近，当频率为3 Hz，响应时间为0.02 s，扭矩幅值衰减不明显，当频率增大到5 Hz，响应时间为0.035 s，扭矩幅值为4.7 N·m。实验表明，采用模糊自适应PID控制器控制效果好，特别是在输入信号频率较高时，加载扭矩衰减和响应时间更小，提高了系统的响应速度和加载精度。

4 结束语

本文提出基于模糊自适应PID扭矩加载系统研究，以自行研制的电动伺服扭矩加载系统为实验平台，结合模糊控制算法，设计了模糊自适应PID控制器，并且进行了仿真研究，结果证明了模糊自适应PID控制器的有效性，为提高系统的精度和动态响应提供了参考。

[1] 苏永清, 黄献龙, 赵克定. 国内电液负载仿真台研究与发展现状[J]. 机床与液压,1999, 10(2): 17-18.

[2] 张菊丽. 舵机动态加载系统控制仿真研究[D]. 西安: 西北工业大学,2007.

[3] 周建兴. Matlab从入门到精通[M]. 北京: 人民邮电出版社,2012.

[4] 王述运. 结构不变性原理在减摇鳍加载台中的研究分析[D].哈尔滨: 哈尔滨工业大学, 2005.

[5] 史航. 基于内模控制的电动负载模拟器伺服系统设计[D].哈尔滨: 哈尔滨工业大学,2007.

[6] Sun C Y, Song J Y. An adaptive internal model control based on LS-SVM[J]. Advances in Neural Networks-ISNN, 2007,44(3): 479-485.

[7] Rivalsi, Personnaz L. Nonlinear internal model control using neural networks application to processes with delay and design issues[J]. IEEE Transactions on Neural Networks, 2000,11(1) :80-90.

[8] 戴文战, 丁良, 杨爱萍. 内模控制研究进展[J]. 控制工程,2011,18(4):487-494.

[9] 金晓明, 荣冈,王骥程. 自适应模糊控制的新进展[J]. 信息与控制,1996 (4):217-223.

[10] 张恩勤, 施颂椒, 翁正新.模糊控制与PID控制方法的比较[J]. 上海交通大学学报,1999,33(4):501-503.

[11] Michal Petrov, Ivan Ganchev, Albena Taneva. Fuzzy PID control of nonlinear plants[J]. Intelligent System,2002(9): 30-33.

[12] Mamdani E H. Application of fuzzy algorithms far control of simple dynamic plant[J].Proceedings of the Institute of Electrical Enginears,1974,121(12) :1585-1588.

[13] Astrom K, Witenmark B. Computer controlled systems[M]. 3 ed.NY,USA:Prentice Hall,1997.

[14] 李祖欣. Matlab在模糊控制系统设计和仿真的应用[J].系统仿真学报, 2003,15(1):132-134.[15] 王立新. 模糊系统与模糊控制教程[M].北京:清华大学出版社, 2003.

[16] Pelikan M, Goldberg D E, Lobo F G. A survey of optimization by building and using probabilistic models[J]. Urbana, IL: University of Illinois Genetic Algorithms Laboratory, 1999.

[17] Chuanrun Z, Keding Z, Zhiguo Z, et al. Resisting load disturbance control of electro hydraulic servo flight simulator based neural networks[J]. Journal of Harbin Institute of Technology, 2000,32(1):149-153.

Servo Torque Loading System Based on Self-adaptive Adaptive PID

This paper puts forward a servo torque loading system based on Self-adaptive adaptive PID to shorten the production cycle and reduce the cost of production testing of part and control system in engineering. A fuzzy adaptive PID controller is designed using the Matlab language. The system simulation and experimental analysis show that the servo torque loading system based on the self-adaptive adaptive PID reflects well the part performance and improves frequency response and load precision.

torque loading system; self-adaptive fuzzy PID; Matlab

2016- 03- 11

杨勇明(1986-)，男，硕士，讲师。研究方向：机器人技术。

10.16180/j.cnki.issn1007-7820.2016.10.031

TP273

A

1007-7820(2016)10-107-05