吕雨鑫,李伟凯,董晓威
(黑龙江八一农垦大学 信息技术学院,黑龙江 大庆 163319)
空间微重力模拟育种平台系统的控制器设计
吕雨鑫,李伟凯,董晓威
(黑龙江八一农垦大学 信息技术学院,黑龙江 大庆163319)
摘要:在地面进行模拟的空间微重力育种平台是一个随机时变、强非线性的复杂系统,无法精确建模,使得系统在较大工作范围内很难实现精确控制。为此,采用基于径向基神经网络PID的具有自调整能力的、稳定的自适应控制器应用于本系统研究:首先通过PID控制器快速调节参数值,使其恢复到理想的期望值附近,以此来初始化RBF神经网络;然后再用RBF神经网络在线动态调整PID参数的控制方法,实现系统在完成三维空间微重力模拟育种试验时所需的垂直地面Z向上的完全重力补偿;最后,通过MatLab对系统的控制算法进行仿真研究。
关键词:空间微重力模拟育种平台;径向基神经网络PID控制器;系统Z向重力补偿
0引言
近年来,随着航天技术的发展,空间农业已成为农业的一个新趋势。为了实现在地面利用微重力环境(而不是利用微重力效应)进行植物育种试验,弥补回转器作为微重力效应模拟器时所模拟的效果精确度不高、系统稳定性不好等不足之处,研制出更接近太空环境的控制精度高、稳定性好的地面微重力模拟育种平台是非常必要的。这对于耗资巨大、环境条件不好控制的空间育种系统无疑是一个最经济、最有效的手段,可以大大节约成本,提高经济效益。在地面进行微重力模拟育种实验的平台主要由机械和控制两大部分组成。在实际工作中,系统的机械部分实现预定轨迹运动的精度和稳定性与系统所应用的控制方法和控制器的性能密切相关。传统的PID控制算法是基于对象数学模型的控制算法,尤其适用于可建立精确数学模型的确定性控制系统[1]。但是,实际应用中由于系统参数的变化以及系统存在摩擦力等因素的影响,导致本文所研究的地面模拟空间微重力环境育种系统具有强耦合、强非线性等特点;再加上由于系统本身所具有的机械惯性,使得单独用PID控制器来调整参数的实验结果不理想。因此,本文提出结合RBF神经网络的在线学习能力进行PID参数调整,以此来实现恒张力控制目标,模拟出空间微重力环境,在地面进行微重力育种实验的方法。
1空间微重力环境地面模拟育种系统的分析
1.1地面模拟微重力环境育种装置的选择
太空环境就是微重力环境(微重力的解释是重力或其它的外力引起的加速度不超过10e-5~10e-4ge)[2]。由于空间科学实验投资巨大,技术要求非常高,实验机会有限,使太空农业的发展受到制约。到目前为止,国内的模拟微重力装置多为水平二维回转器,回转器作为微重力效应模拟器时需要注意的问题是:除了在实验过程中要使离心力尽可能地降低之外,还要考虑光(生物体除了向重性外还有趋光性)、剪切力和粒子碰撞等其他刺激因素的影响。严格地说,回转器实验其只是以一定的旋转速度“迷惑”细胞对重力方向的感知,不能完全等同于空间微重力环境下的实验,其模拟的只是微重力的效应,并不能模拟微重力的环境。所以,模拟的效果存在精确度不高、系统稳定性不好等缺点。据了解,黑龙江八一农垦大学农学院在进行太空育种实验时是通过搭载卫星来进行的,每搭载1g种子就要花费1 800元,价格非常昂贵,而且实验的机会也非常有限。
因此,为了实现在地面上模拟空间微重力环境进行育种实验的条件,通过比对几种常用的地面模拟微重力系统的优缺点,最终选用气浮法进行模拟实验,其优点是建造周期短、成本低、精度高,易于实现及维护。通过设计平面止推轴承的大小,能够实现高达几吨的模拟目标实验,且实验时间不受限制;另外,还可以通过更换接口部件实现重复利用,可靠性、鲁棒性高及适应性强。
1.2地面模拟空间微重力环境的关键问题
气浮法在二维空间中的应用技术已经非常成熟,但在三维空间中模拟微重力环境时Z向上的重力补偿问题是关键。即研究如何控制气缸的运动,减小或克服在竖直方向Z向运动时的摩擦阻力,得到在Z方向上接近零重力的运动模拟,实现系统在模拟微重力环境时垂直地面Z方向上负载的完全重力补偿,提高系统的试验精度、响应能力和稳定性。本文在垂直地面方向上采用气压式重力补偿方法,设计用RBF神经网络PID控制器直接精确控制电机的力矩输出,实现恒张力的控制目标。控制系统框图如图1所示。
图1 空间微重力模拟系统重力补偿控制框图
本系统采用“并联”的思想,利用半主动式控制方式的优势,将低摩擦气缸和电机滚珠丝杠并联,由被动法(低摩擦气缸)补偿模拟目标大部分重力,同时采用可控的驱动设备(电机滚珠丝杠机构)补偿剩余的重力和干扰力[3]。根据恒张力控制目标,在系统的并联机构中,一方面采用直流电机直接控制滚珠丝杠系统的结构,克服了齿轮在运行中所带来的齿隙和摩擦等问题;另一方面在气缸和上模块(育种平台)之间加一个压力传感器,将压力传感器所测得的输出偏差值输入到RBF-PID控制器中,可直接控制直流电机的力矩输出,大大提高系统的控制精度。
2基于径向基(RBF)神经网络PID控制器的参数整定
2.1模拟系统RBF-PID控制器结构
传统的PID控制器的传递函数中主要有3个参数,即kp、ki和kd。其中,kp是对系统的响应速度和控制精度进行比例增益的环节,其变化对系统响应的速度和控制精度有直接的影响,其值越大越好,但不能超过一定的范围;ki是决定着系统稳态精度的积分增益环节,其值的变化与系统消除静态误差所需的时间成反比关系;kd是调节系统动态特性(包括系统的调节时间和系统的抗干扰性等特性)的微分增益环节,对于系统动态特性的改善有着显著的作用。其传递函数的形式为
G(s)=Kp+Ki/s+Kds
其中,PID控制器设计的关键在于增益的正确选择[4]。所以,从根本上来说,传统的PID控制器所整定的参数并不是最优的。
因此,本文采用的基于RBF神经网络PID控制于地面模拟微重力育种系统中,在常规PID控制的基础上,结合RBF神经网络对PID增益进行实时调整,来实现对PID参数的自动调整。首先,确定RBF神经网络的输入层结构(输入节点数目n、隐层数目p、隐节点中心矢量cj、基宽参数bj及权系数ωj的初值等参数)。然后,采样得到y(k)、r(k)并计算出PID控制器的输入变量,初始化PID控制器的参数和RBF神经网络的权值;再根据公式计算出RBF神经网络的输出和系统的实际输出,同时送到RBF神经网络进行辨识。最后,计算得到PID控制器的输出u(k),一方面将u(k)传递给被控对象进行实时在线的控制后得到系统的实际输出yout;另一方面再将u(k)传入到 RBF网络中产生控制对象的输出信息并进行 Jacobian的下一步辨识,以此往复循环的方式进行在线学习控制,直到得出最优的系统参数指标。其中,RBF神经网络在线整定PID控制系统的结构框图如图2所示[5]。
由图2可知,该控制器主要由3个部分组成[6]:传统的PID控制器部分采用的是对被控的地面微重力模拟过程直接进行闭环控制的方式,然后在线整定kp、ki和kd这3个参数;RBF神经网络的辨识部分是用来在线建立地面微重力模拟育种系统中垂直地面部分气缸的模型,达到方便、快速观测Jacobian信息的目的;而系统结构中的被控对象部分是为了调整其自身的权系数值,在PID控制器已经整定完的3个参数基础之上,再利用 RBF 神经网络提供的Jacobian信息实现对 PID控制器参数的进一步在线调整。其中,被控对象的输出即为PID控制器的3个参数,从而达到系统参数的最优指标的目的。
图2 RBF神经网络在线整定PID的控制框图
2.2PID参数的自整定原则
PID控制器的3个输入分别为
x(1)=e(k)
x(2)=e(k)-e(k-1)
x(3)=e(k)-2e(k-1)+e(k-2)
对于PID控制器,采用增量式算法,则系统的控制误差e为
e(k)=r(k)-y(k)
采用梯度下降法计算控制算法的输出为
u(k)=u(k-1)+Δu(k)
Δu(k)=kp[e(k)-e(k-1)]+kie(k)+
kd[e(k)-2e(k-1)+e(k-2)]
使误差性能函数值最小的RBF神经网络PID参数的整定指标为
对kp、ki、kd也采用梯度下降法进行调整得
其中,cji为隐含层的中心;hj为隐层函数的输出。Jacobian的信息可通过RBF神经网络的辨识得到。
3MatLab中仿真实现
3.1参数设置
为了验证本文所采用的RBF-PID控制算法在系统实现垂直方向上重力补偿的有效性,利用MatLab软件中Simulink模块对系统进行仿真研究。RBF神经网络的结构为3-6-1,微重力模拟育种系统的RBF神经网络的3个输入变量分别为直流控制电机中的电流的变化量Δu(k)、压力传感器上一时刻的输出偏差量yout(k-1)及压力传感器在本时刻的输出偏差量yout(k)。其中,RBF的隐层结构采用RPCCL算法学习获得。学习速率ηo=0.31,惯性系数αo=0.06、βo=0.034。RBF-PID控制器的参数为:RBF神经网络权值取[-1,1]范围内的随机数,采样时间为2s;PID的3个参数的初始值kp=3、ki=6、kd=0,其的学习速率初始化后分别为:ηp=0.8、ηi=1.6、ηd=1.2。
3.2仿真结果与分析
依照上述PID参数自整定和RBF神经网络在线学习能力的规则和思想,进行了以下仿真研究。图 3所示为RBF神经网络PID 控制在阶跃响应整个过程中权矢量Δkp、Δki、Δkd的自适应调整曲线。
图3 ΔKp、ΔKi、ΔKd参数的自适应曲线
由图3可知,在系统随着气缸上下运动达到在三维空间中模拟微重力育种效果时,PID的3个参数可以快速得到调整使系统趋于稳定。
为了实现系统的恒张力控制目标,在用RBF-PID控制器控制电机的力矩输出时,压力传感器的响应输出结果如图4所示。
由图4可以看出:系统的动态响应能力比较快,稳定性能比较好。这主要是由于RBF神经网络对于系统中所存在的气缸的摩擦力、参数随系统的运行所产生的变化等一些不确定性因素能够快速、准确地进行学习整定,并且能够及时调整PID控制器的参数,以适应系统的变化。
图4 压力传感器的输出(仿真结果)
本文所研究的三维空间微重力模拟系统中,压力传感器的控制精度和响应速度是系统的重要指标。通过图3和图4可以看出:RBF-PID控制器可使压力传感器的输出始终保持在±1N的波动范围内,即使系统在受到外界突然扰动时,也能在较短时间内进行调整,从而实现了使压力传感器的输出始终等于模拟目标的重力这一恒张力控制策略,达到了模拟三维微重力空间环境的控制目标。以上仿真研究结果表明:文中所使用的RBF神经网络PID控制算法对在地面上模拟微重力育种环境所要实现的系统垂直方向上重力补偿的实验效果是有效的。由此说明:该控制器具有稳态精度高、鲁棒性较强及具有良好的自适应性和良好的动态响应性能等特点。
4结论
针对目前广泛使用的回转器模拟微重力效果不好、精度不高的情况,考虑到气浮法的诸多优点,使其应用于三维空间运动的微重力模拟,用以解决二维旋转装置微重力效果不佳的问题,并提出了基于气浮法的微重力模拟育种平台系统。针对此复杂的、非线性系统,利用RBF网络作为辨识器,采用梯度下降算法对PID参数进行在线调整,实现系统在垂直地面方向上的重力补偿。同时,通过MatLab/Simulink模块的仿真结果可以得知:本文所采用的RBF神经网络自适应PID在实现Z向完全重力补偿的控制时是一种强抗干扰的控制器,在PID参数的调整过程中可使得压力传感器输出始终保持在261.1~262N之间,系统具有较高的控制品质,适用于实时在线控制非线性系统。
参考文献:
[1]刘金馄.先进PID控制MATLAB仿真 (2版) [M].北京:电子工业出版社,2004.
[2]王希季.空间微重力试验[J].中国航天,1991,4(9):3-7.
[3]陈三风,梅 涛.三维气动式微重力环境模拟平台的智能控制系统研究[D].合肥:中国科学技术大学,2008.
[4]岳文杰.基于模糊PID的温室温度控制器设计与仿真[D].重庆:西南大学,2014.
[5]霍柳行,董爱华.基于RBF神经网络的PID在线整定及仿真[J].微计算机信息,2010(34):224-225,189.
[6]何芝强.PID控制器参数整定方法及其应用研究[D].杭州:浙江大学,2005.
The Controller Design of Space Microgravity Simulation Breeding Platform System
Lv Yuxin, Li Weikai, Dong Xiaowei
(College of Information Technology , Heilongjiang Bayi Agricultural University, Daqing 163319, China)
Abstract:Studied in this paper on the ground to simulate the microgravity of space breeding platform is a random time-varying, strongly nonlinear complex system, so the system can not accurately model, which makes the system working in a wide range of difficult to achieve precise control. In this paper, the use of RBF neural network self-tuning PID has the ability, based on a stable adaptive controller is applied to study this system, first near the expected value of the parameter to quickly adjust it back to the desired value by PID controllers to this initializes the RBF neural network, and then use the RBF neural network control method online dynamic adjustment of PID parameters to achieve full gravity compensation system at the completion of the three-dimensional space microgravity simulation breeding experiments, the required Z direction perpendicular to the ground.Finally, study of the system control algorithms by matlab simulation.
Key words:space breeding microgravity simulation platform; RBF neural network PID controller; Z to gravity compensation system
文章编号:1003-188X(2016)02-0035-04
中图分类号:S223.1+2
文献标识码:A
作者简介:吕雨鑫(1989-),女,吉林蛟河人,硕士研究生,(E-mail)2442689732@qq.com。通讯作者:李伟凯(1965-),男,山东安丘人,教授,博士生导师,(E-mail)bynd@263.net.cn。
基金项目:国家自然科学基金项目(E201132)
收稿日期:2015-01-19