本發(fā)明屬于伺服控制器的控制算法技術(shù)領(lǐng)域，涉及一種適用于伺服控制器的控制算法。

背景技術(shù)：

伺服控制器是現(xiàn)代運動控制的重要組成部分，普遍采用基于矢量控制的電流、速度、位置三閉環(huán)控制算法，廣泛應(yīng)用于高精度的定位系統(tǒng)，實現(xiàn)高精度的傳動系統(tǒng)定位。伺服控制器要求調(diào)節(jié)范圍寬、定位精度高、有足夠的傳動剛性和速度穩(wěn)定性、無超調(diào)等特點，而PID控制正好符合了伺服控制器的要求。因為PID控制結(jié)構(gòu)簡單、易于實現(xiàn)且魯棒性強，所以它使用于超過90％的控制系統(tǒng)中。但是，隨著工業(yè)過程復(fù)雜度越來越高，外界環(huán)境不確定，對象結(jié)構(gòu)和參數(shù)的變化也越來越復(fù)雜，傳統(tǒng)的PID控制器在復(fù)雜工業(yè)中變得不適用。隨著智能算法如模糊控制、神經(jīng)網(wǎng)絡(luò)以及專家算法的普及，如何將先進的預(yù)測模型算法和傳統(tǒng)經(jīng)典PID控制算法有效結(jié)合起來，更好地服務(wù)于大工業(yè)生產(chǎn)，成為算法研究的熱點。現(xiàn)如今伺服控制器要求反應(yīng)更加靈敏、控制精度更高、位置定位更加準確，新的復(fù)雜的組合式算法逐漸成為算法首選。但是并不是所有的算法組合都能達到事半功倍的效果，比如多種功能相同的算法組合到一塊，不僅不能得到滿意的效果，還可能造成算法過于冗雜，影響系統(tǒng)性能。而只有讓組合結(jié)構(gòu)中各種算法各司其職，才能設(shè)計出適合于伺服控制器的算法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種適用于伺服控制器的控制算法，提出了一種大范圍調(diào)整+小范圍控制+參數(shù)優(yōu)化的模式，既能降低伺服控制器原有結(jié)構(gòu)參數(shù)所造成的系統(tǒng)誤差，又能減少來自工業(yè)現(xiàn)場各種干擾信號對伺服控制系統(tǒng)的影響。

本發(fā)明所采用的技術(shù)方案是，一種適用于伺服控制器的控制算法，具體包括以下步驟：

步驟1，利用粒子群優(yōu)化算法求PID控制器的K_p、K_i、K_d；

步驟2，在模糊控制器輸入端輸入e、ec，按照模糊規(guī)則，得出K_p、K_i、K_d的變化值ΔK_p、ΔK_i、ΔK_d；

步驟3，將ΔK_p、ΔK_i、ΔK_d分別與K_p、K_i、K_d相加，作為新的PID控制器的參數(shù)，輸入給PID控制器，即可進行控制。

本發(fā)明的特點還在于，

其中步驟1的具體步驟如下：

步驟1.1，初始化種群粒子規(guī)模、迭代次數(shù)、監(jiān)測鄰域粒子濃度上限δ，設(shè)置粒子速度與空間搜索范圍，設(shè)置輸出量和輸入量之間的標準誤差e₀(t)，并對第一代粒子進行PID參數(shù)編碼；

步驟1.2，計算當前代粒子群適合度值，找到當前粒子的最佳位置Pbest_ij和種群最佳位置Gbest_j；

步驟1.3，將粒子所在的當前代數(shù)與步驟1.1初始化代數(shù)進行比較，判斷粒子所在的當前代數(shù)是否達到最大代數(shù)，若達到最大代數(shù)，則轉(zhuǎn)到步驟1.8步執(zhí)行；反之，執(zhí)行步驟1.4；

步驟1.4，根據(jù)步驟1.3找到的當前粒子的最佳位置Pbest_ij和種群最佳位置Gbest_j，計算監(jiān)測鄰域中的粒子個數(shù)，判斷粒子種群是否滿足多樣性要求：若滿足，則跳轉(zhuǎn)至步驟1.6；反之，則執(zhí)行步驟1.5；

步驟1.5，根據(jù)步驟1.2所得的粒子群適合度值，計算粒子被選中變異的概率，根據(jù)計算的變異概率確定進行變異的粒子；

步驟1.6，將步驟1.5選取的變異粒子進行變異，更新每一個粒子的位置，代數(shù)迭代加1；

步驟1.7，將當代粒子的輸出量和輸入量之間的誤差e(t)與步驟1.1預(yù)設(shè)的標準誤差e₀(t)進行比較，當e(t)≤e₀(t)時，執(zhí)行步驟1.8，反之，則返回執(zhí)行步驟1.2；

步驟1.8，輸出PID控制器中的K_p、K_i、K_d參數(shù)。

其中步驟1.2的具體過程如下：

步驟1.2.1，據(jù)PID的特性以及誤差的要求，選取適合度函數(shù)f(t)的公式如下：

步驟1.2.2，根據(jù)如下公式(2)計算粒子適合度值fitness_i：

fitness_i＝f(t)|(b_(k,i),b_(k-1,i),b_(k-2,i),...,b_(1,i)) (2)；

其中，fitness_i表示第i個粒子的適合度，b_(i,j)表示第i個粒子在第j維的位置，j＝1，2，3…k，k表示粒子在空間上的最大維數(shù)。

其中步驟1.4的具體過程如下：

步驟1.4.1，定義監(jiān)測鄰域φ為：

φ＝{Pbest_ij|||Pbest_ij-Gbest_j||₂<ε} (3)；

其中，||Pbest_ij-Gbest_j||₂表示粒子個體i最優(yōu)位置Pbest_ij與全局最優(yōu)位置Gbest_j的空間距離，ε為粒子個體i最優(yōu)位置Pbest_ij與全局最優(yōu)位置Gbest_j之間的標準距離，ε趨于0，ε表示監(jiān)測鄰域大小；

其中，Q表示尋優(yōu)空間維數(shù)，Pbest_ij和Gbest_j分別是第i個粒子和全局粒子當前所經(jīng)過的第j維最佳位置；

步驟1.4.2，記N_φ為監(jiān)測鄰域φ中的粒子個數(shù)，N_φ開始會被初始化為0，當計算監(jiān)測鄰域φ的粒子數(shù)量時，每計算出一個滿足公式(3)要求的粒子的時，N_φ加1；

步驟1.4.3，根據(jù)如下公式(5)計算種群預(yù)設(shè)的粒子數(shù)量：

N_δ＝N×δ (5)；

其中：N_δ表示在預(yù)設(shè)的粒子濃度下，監(jiān)測鄰域應(yīng)有的粒子數(shù)量；N為種群粒子數(shù)，即種群粒子規(guī)模；

當N_φ≥N_δ成立時，表明監(jiān)測鄰域中粒子濃度過高，種群多樣性有損失太多的危險，必須增加種群的多樣性，即滿足增加種群多樣性的要求；

當N_φ<N_δ，則N_φ歸0，此種情況不滿足增加種群多樣性的要求。

其中步驟1.5的具體過程如下：

根據(jù)如下公式(6)計算粒子被選中進行變異的概率：

其中，P_si表示第i個粒子被選為變異的概率，其中，i＝1.2....N_φ，fitness_j表示第i個粒子在第j維的適合度，粒子的適合度越大，被選為變異的概率越大；

將計算出的從大到小進行排序，并從最大值開始，選取60％N_φ～70％N_φ個粒子，作為進行變異的粒子。

其中步驟1.6中進行變異的具體過程如下：

針對監(jiān)測鄰域φ中的每個粒子產(chǎn)生一個隨機數(shù)rand_i，rand_i∈[0,P_si]，此時，由如下公式式子(7)對被選粒子進行隨機變異：

Pbest_ij＝a_j+(b_j-a_j)*rand(0,1) (7)；

式中，Pbest_ij是在N_φ個粒子中被選中變異的第i個粒子當前所經(jīng)過的第j維最好位置；a_j,b_j分別為粒子第j維尋優(yōu)范圍的下限和上限。

其中步驟2的具體過程如下：

步驟2.1，在模糊控制器輸入端輸入e、ec，根據(jù)參數(shù)e、ec、K_p、K_i、K_d對控制系統(tǒng)的影響來制定模糊規(guī)則庫；

步驟2.2，參數(shù)模糊推理器時刻監(jiān)測e、ec的變化，按照步驟2.1制定的規(guī)則庫確定K_p、K_i、K_d的輸出變化值ΔK_p、ΔK_i、ΔK_d。

本發(fā)明的有益效果是，本發(fā)明提出的一種適用于伺服控制器的控制算法，采用大范圍調(diào)整+小范圍控制+參數(shù)優(yōu)化模式，這種模式也可適用于其他的一些控制系統(tǒng)，無論e、ec波動多不穩(wěn)定，根據(jù)模糊規(guī)則總能輸出合理的ΔK_p、ΔK_i、ΔK_d值。采用粒子群優(yōu)化算法得到PID控制器的K_p、K_i、K_d預(yù)設(shè)值，減少一些低級誤差對系統(tǒng)的影響。采用基于適合度指數(shù)定標的概率變異的方式，來減少粒子群在后期陷入局部最優(yōu)的概率，這種算法結(jié)構(gòu)使伺服控制器的算法簡單明了，不僅提供了一種新的設(shè)計思路，同時也可以作為一種標準用于評判一種算法的好壞，而且本發(fā)明繼續(xù)沿用了PID的算法，這也充分考慮到了PID性能的優(yōu)越性，符合現(xiàn)在伺服控制器對快速性、穩(wěn)定性、準確性以及魯棒性的要求。

附圖說明

圖1是本發(fā)明一種適應(yīng)于伺服控制器的算法的原理框圖；

圖2是常規(guī)PID控制系統(tǒng)結(jié)構(gòu)原理框圖；

圖3是模糊控制系統(tǒng)結(jié)構(gòu)原理框圖；

圖4是模糊PID控制系統(tǒng)結(jié)構(gòu)原理框圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進行詳細說明。

本發(fā)明一種適用于伺服控制器的控制算法，本發(fā)明提供的算法原理框圖如圖1所示，具體包括以下步驟：

步驟1，利用粒子群優(yōu)化算法求PID控制器的K_p、K_i、K_d；

步驟1的具體過程如下：

步驟1.1，初始化種群粒子規(guī)模(即種群粒子的個數(shù)N)、迭代次數(shù)、監(jiān)測鄰域粒子濃度上限δ，設(shè)置粒子速度與空間搜索范圍，設(shè)置輸出量和輸入量之間的標準誤差e₀(t)，并對第一代粒子進行PID參數(shù)編碼；

步驟1.2，計算當前代粒子群適合度值，找到當前粒子的最佳位置Pbest_ij和種群最佳位置Gbest_j；

步驟1.2.1，據(jù)PID的特性以及誤差的要求，選取適合度函數(shù)f(t)的公式如下：

步驟1.2.2，根據(jù)如下公式(2)計算粒子適合度值fitness_i：

fitness_i＝f(t)|(b_(k,i),b_(k-1,i),b_(k-2,i),...,b_(1,i)) (2)；

其中，fitness_i表示第i個粒子的適合度，b_(i,j)表示第i個粒子在第j維的位置，j＝1，2，3…k，k表示粒子在空間上的最大維數(shù)。

步驟1.3，將粒子所在的當前代數(shù)與步驟1.1初始化代數(shù)進行比較，判斷粒子所在的當前代數(shù)是否達到最大代數(shù)，若達到最大代數(shù)，則轉(zhuǎn)到步驟1.8步執(zhí)行；反之，執(zhí)行步驟1.4；

步驟1.4，根據(jù)步驟1.3找到的當前粒子的最佳位置Pbest_ij和種群最佳位置Gbest_j，計算監(jiān)測鄰域中的粒子個數(shù)，判斷粒子種群是否滿足多樣性要求：若滿足，則跳轉(zhuǎn)至步驟1.6；反之，則執(zhí)行步驟1.5；

步驟1.4.1，定義監(jiān)測鄰域φ為：

φ＝{Pbest_ij|||Pbest_ij-Gbest_j||₂<ε} (3)；

其中，||Pbest_ij-Gbest_j||₂表示粒子個體i最優(yōu)位置Pbest_ij與全局最優(yōu)位置Gbest_j的空間距離，ε為粒子個體i最優(yōu)位置Pbest_ij與全局最優(yōu)位置Gbest_j之間的標準距離，ε趨于0，ε表示監(jiān)測鄰域大??；

其中，Q表示尋優(yōu)空間維數(shù)，Pbest_ij和Gbest_j分別是第i個粒子和全局粒子當前所經(jīng)過的第j維最佳位置；

步驟1.4.2，記N_φ為監(jiān)測鄰域φ中的粒子個數(shù)，N_φ開始會被初始化為0，當計算監(jiān)測鄰域φ的粒子數(shù)量時，每計算出一個滿足公式(3)要求的粒子的時，N_φ加1；

步驟1.4.3，根據(jù)如下公式(5)計算種群預(yù)設(shè)的粒子數(shù)量：

N_δ＝N×δ (5)；

其中：N_δ表示在預(yù)設(shè)的粒子濃度下，監(jiān)測鄰域應(yīng)有的粒子數(shù)量；N為步驟1.1初始化的種群粒子數(shù)，即種群粒子規(guī)模；

當N_φ≥N_δ成立時，表明監(jiān)測鄰域中粒子濃度過高，種群多樣性有損失太多的危險，必須增加種群的多樣性，即滿足增加種群多樣性的要求；

當N_φ<N_δ，則N_φ歸0，此種情況不滿足增加種群多樣性的要求。

步驟1.5，根據(jù)步驟1.2所得的粒子群適合度值，計算粒子被選中變異的概率，根據(jù)計算的變異概率確定進行變異的粒子；

根據(jù)如下公式(6)計算粒子被選中進行變異的概率：

其中，P_si表示第i個粒子被選為變異的概率，其中，i＝1.2....N_φ，fitness_j表示第i個粒子在第j維的適合度，粒子的適合度越大，被選為變異的概率越大；

將計算出的從大到小進行排序，并從最大值開始，選取60％N_φ～70％N_φ個粒子，作為進行變異的粒子。

步驟1.6，將步驟1.5選取的變異粒子進行變異，更新每一個粒子的位置，代數(shù)迭代加1；

對粒子進行變異，指的是對粒子的位置進行改變，讓聚集在局部的粒子分散開來，針對監(jiān)測鄰域φ中的每個粒子產(chǎn)生一個隨機數(shù)rand_i，rand_i∈[0,P_si]，此時，由如下公式式子(7)對被選粒子進行隨機變異：

Pbest_ij＝a_j+(b_j-a_j)*rand(0,1) (7)；

式中，Pbest_ij是在N_φ個粒子中被選中變異的第i個粒子當前所經(jīng)過的第j維最好位置；a_j,b_j分別為粒子第j維尋優(yōu)范圍的下限和上限，這里采用隨機變異，有利于提高種群的多樣性。

步驟1.7，將當代粒子的輸出量和輸入量之間的誤差e(t)與步驟1.1預(yù)設(shè)的標準誤差e₀(t)進行比較，當e(t)≤e₀(t)時，執(zhí)行步驟1.8，反之，則返回執(zhí)行步驟1.2；

步驟1.8，輸出PID控制器中的K_p、K_i、K_d參數(shù)。

步驟2，在模糊控制器輸入端輸入e、ec，按照模糊規(guī)則，得出K_p、K_i、K_d的變化值ΔK_p、ΔK_i、ΔK_d；

步驟2.1，在模糊控制器輸入端輸入e、ec，根據(jù)參數(shù)e、ec、K_p、K_i、K_d對控制系統(tǒng)的影響來制定模糊規(guī)則庫；

步驟2.2，參數(shù)模糊推理器時刻監(jiān)測e、ec的變化，按照步驟2.1制定的規(guī)則庫確定K_p、K_i、K_d的輸出變化值ΔK_p、ΔK_i、ΔK_d。

步驟3，將ΔK_p、ΔK_i、ΔK_d分別與K_p、K_i、K_d相加，作為新的PID控制器的參數(shù)，輸入給PID控制器，即可進行控制。

本發(fā)明一種適用于伺服控制器的控制算法中采用的幾種控制方式如下：

1.常規(guī)PID控制

常規(guī)PID控制系統(tǒng)主要有模擬PID控制器和被控對象兩部分構(gòu)成，是一種線性控制器。它由預(yù)設(shè)值和實際輸出值之差作為系統(tǒng)的控制輸入，而PID中的比例、積分、微分參數(shù)都是固定的。其控制規(guī)律可以被描述為如下公式：

具體結(jié)構(gòu)如圖2所示，主要參數(shù)有K_p、K_i、K_d等，作用有：

(1)比例環(huán)節(jié)K_p：成比例地反映控制系統(tǒng)的偏差信號e(t),偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用，減少偏差。

(2)積分環(huán)節(jié)K_i：主要用于消除靜差，提高系統(tǒng)的無差度。積分作用的強弱取決于積分時間常數(shù)T₁，T₁越大，積分作用越弱，反之，則越強。

(3)微分環(huán)節(jié)K_d：反映偏差信號的變化趨勢(變化速率)，并能在偏差信號變得太大之前，在系統(tǒng)中引入一個有效的早期修正信號，從而加快系統(tǒng)的動作速度，減少調(diào)節(jié)時間。

2.模糊PID控制

相比較常規(guī)PID，模糊PID有其突出優(yōu)點：首先，有自動辨識被控過程參數(shù)、自動調(diào)整控制器參數(shù)、能夠適應(yīng)被控過程參數(shù)的變化等一系列優(yōu)點；其次，又具有常規(guī)PID控制器結(jié)構(gòu)簡單、魯棒性好、可靠性高、熟知度高等優(yōu)點。模糊控制結(jié)構(gòu)原理圖如圖3所示，主要有參數(shù)模糊推理器、被控對象構(gòu)成。模糊PID控制結(jié)構(gòu)原理圖如圖4所示，主要由參數(shù)模糊推理器、PID控制器、被控對象構(gòu)成。

設(shè)定參數(shù)：預(yù)設(shè)值與實際輸出之差為e，e的變化率為ec，PID控制器的比例、積分、微分參數(shù)分別為K_p、K_i、K_d。

首先，要根據(jù)參數(shù)e、ec、K_p、K_i、K_d對控制系統(tǒng)的影響來制定模糊規(guī)則庫。其中，K_p、K_i、K_d對系統(tǒng)的影響在上文已經(jīng)討論過；參數(shù)e、ec對系統(tǒng)的影響如表1所示。參數(shù)模糊推理器時刻監(jiān)測e、ec的變化，按照規(guī)則庫確定K_p、K_i、K_d的輸出變化值ΔK_p、ΔK_i、ΔK_d?；谒欧刂破鞯奶卣?，本發(fā)明制訂了參考模糊規(guī)則庫，如表2、3、4所示。

表1 e、ec對控制系統(tǒng)的影響

表2參數(shù)ΔK_p的模糊規(guī)則

表3參數(shù)ΔK_i的模糊規(guī)則

表4參數(shù)ΔK_d的模糊規(guī)則

其中，NB、NM、NS、O、PS、PM、PB分別表示負大、負中、負小、不變、正小、正中、正大；e表示輸入與實際輸出之間的差值，ec表示差值的變化率。

3.改進型粒子群優(yōu)化算法

根據(jù)伺服控制器系統(tǒng)的固有特性，以及模糊PID算法的具體要求，我們首先要給PID控制器的參數(shù)K_p、K_i、K_d寫入預(yù)設(shè)參數(shù)，為減少預(yù)設(shè)參數(shù)對系統(tǒng)的影響，我們利用改進型粒子群優(yōu)化算法對輸入值進行優(yōu)化。

粒子群優(yōu)化算法具有群智能的優(yōu)點，比如靈活性、穩(wěn)健性、自組織性等，在智能算法領(lǐng)域中應(yīng)用極其廣泛。但也存在著一些缺點，比如在后期往往因?qū)?yōu)空間維數(shù)擴大而容易引起維數(shù)災(zāi)難、種群陷入局部極值點，速度變慢，尋優(yōu)結(jié)果大打折扣。本發(fā)明提出伺服控制器算法中采用了一種改進型粒子群優(yōu)化算法：優(yōu)化的每一步都監(jiān)測粒子群的運動狀態(tài)，一旦粒子群陷入局部最優(yōu)，則進行粒子變異，確保種群多樣性、健壯性、智能性。

本發(fā)明一種適用于伺服控制器的控制算法中，采用粒子群優(yōu)化算法對伺服控制器的PID控制部分的參數(shù)提前優(yōu)化，減少了系統(tǒng)的原有誤差對系統(tǒng)的影響(參數(shù)優(yōu)化)；采取模糊控制算法讓控制參數(shù)在最初以最快速度趨近到最優(yōu)范圍內(nèi)(大范圍調(diào)整)，這樣可以以最快的速度消除來自工業(yè)現(xiàn)場的干擾，防止超調(diào)，實現(xiàn)系統(tǒng)參數(shù)自調(diào)整，在線自整定，擴大的伺服控制器的適用范圍；然后通過與粒子群優(yōu)化算法的輸出值相結(jié)合，得出最優(yōu)控制參數(shù)，最后輸出給控制器(小范圍控制)，以最快的速度得到最精準的控制輸出，響應(yīng)速度快，魯棒性強。

本發(fā)明在利用粒子群優(yōu)化算法求PID控制器的K_p、K_i、K_d時，根據(jù)監(jiān)測的粒子群最優(yōu)鄰域內(nèi)粒子的數(shù)量來判斷粒子是否陷入了局部最優(yōu)，如果陷入局部最優(yōu)則根據(jù)適合度選取合適的粒子進行變異，提高粒子多樣性，能有效地減少粒子群在后期陷入局部極值點的概率。