一种多台小车协同联动的控制方法

余 翔，张 艳

（1.金华华东环保设备有限公司，浙江 金华 321025；2.湖北大学 计算机与信息工程学院，湖北 武汉 430062）

0 引 言

船体分段对中合拢是总装造船模式过程中的重要环节，除去传统的龙门吊装设备，现由整体式设备和分体式设备控制完成该过程。整体式设备由三维小车、小车轨道和电控柜等组成，其中三维小车的数目依据分段长度而定，在进行大型分段操作时，使用的三维小车多达几十甚至上百台。在船体分段姿态调整过程中，为避免分段受力变形等情况出现，多台三维小车需保持运动的同步性。

对于多台三维小车的联动控制，控制系统首先需完成小车编号的录入，传统的人工录入方式过程繁琐易出错，录入后操作人员难以检查。针对以上问题，本文设计了自动寻车方法，以提高控制系统录入效率，降低出错率。

针对多台小车同步运动的控制问题，常用的自动控制技术有闭环PID控制、自适应模糊PID控制、神经网络控制等。传统PID控制应用最为广泛，针对PID的参数整定问题，很多学者提出了与智能算法相结合的改进方法。文献[4]将遗传算法与神经网络用于PID参数整定，实现了PID参数的在线整定，但遗传算法与神经网络的体量过大，极大增加了控制算法的复杂性；文献[5]对传统PID控制器、模糊自整定PID控制器和BP神经网络PID控制器在变速、变负载情况下的控制效果进行了比较，得出了模糊自适应PID控制器在系统响应速度上更具优势的结论；文献[6]引入模糊函数的二阶导数、模糊超调量和模糊峰值时间的概念，同时使用粒子群算法对粒状模糊PID控制器进行系数整定；文献[7]使用粒子群算法优化模糊PID，应用于列车制动控制，提高了停车精度，但粒子群算法同样容易陷入局部最优。

针对以上不足，本文利用模糊PID控制参数自适应的优点，结合天牛须算法体量轻、寻优快的特点，使用天牛须算法对模糊控制器的量化因子和比例因子进行寻优，以得到最优的控制参数，从而缩短控制响应时间，提高同步运动控制的控制精度。

1 自动寻车

每台船台小车单独制作，车身标有编号，编号与从站PLC控制程序对应，在实际使用时，小车从仓库取出的顺序与编号并不对应，即小车在轨道上的排列顺序与小车编号并不对应。在上位机下发指令前，需使轨道上小车的排列顺序与编号对应，从而使上位机在计算轨道上相应位置小车的运动量后能下发给正确编号的小车，由小车的从站PLC控制自身各元器件完成启泵升缸等动作。

人工记录小车编号顺序后填入上位机系统的方式容易出错，而且由于在大型总装造船中存在几十甚至上百台三维小车，操作员检查编号时极不方便。针对编队过程，本文提出了一种自动找车编队的方法。

如图1所示，小车与小车之间通过工业以太网连接，每台小车有2个网络插槽，通过继电器控制插槽是否可用。位于主列1的小车与主站PLC和主列2小车连接，与主站PLC连接的网络插槽处于可用状态，主站PLC识别从站PLC及其编号，即完成主列1小车与其编号的对应。主列1小车完成编号对应后，打开与主列2相连的网络插槽，主列2小车得以联网，主站PLC识别第二台小车，完成主列2小车与其编号的对应，依次相连，直到所有小车编队完成。

图1 网络拓扑图

2 小车同步的模糊PID控制算法

由于各台小车均为单独制造后放入仓库，在小车制造过程中，元件的制造精度、液压系统的性能可能出现不一致的情况。所以在小车进行联动调整时，控制系统仅仅给每台小车发送运动距离和运动时间指令无法保证小车同步运动。在小车运动过程中，控制系统需实时监控小车的运动距离和运动速度，并根据速度偏差实时调整其速度，以保证小车运动的同步性。

传统PID控制参数无确定的设定参照，通常由经验丰富者进行参数整定，适用于线性时不变系统。在实际控制中，控制对象有所变化，而传统PID难以改变控制参数，从而出现控制精度无法把控的问题。为了解决传统PID控制的控制参数难以整定而导致控制效果不好的问题，本文结合模糊PID参数自适应整定的优点，使用天牛须算法优化模糊控制器参数，提高控制精度。

2.1 模糊PID控制

模糊PID控制相比传统PID控制，可以对PID参数进行实时整定，克服在小车不同运动状态下PID参数需要重新整定的缺点。模糊PID控制结构如图2所示。模糊控制器以偏差量和偏差变化量作为输入，通过模糊算法，输出PID控制器的参数值，即模糊PID控制是根据偏差量和偏差变化量的变化对PID控制器的参数进行自适应整定，以保证PID对被控对象的控制达到要求。

图2 模糊PID控制原理

模糊PID可以实现PID控制系统的参数自适应整定，以满足小车不同运动状态下的控制要求，而在模糊控制系统中，对控制系统性能影响较大的量化因子和比例因子需要人工确定，一般采用实验试凑法，即依靠经验确定参数。为减少量化因子和比例因子设置不当而造成的影响，本文结合天牛须算法确定上述参数，以满足系统性能指标。

2.2 天牛须算法

天牛须算法是近年提出的一种新的高效寻优算法，也称为BAS算法。BAS算法根据天牛觅食的原理寻优，当天牛寻找食物时，食物的气味强弱会影响天牛的移动路线。在不知道食物所处位置的情况下，天牛通过2只触须感受食物味道的强弱，如果左边触须感受到的食物气味强度比右边大，则天牛飞向左边，落地朝向随机，然后再通过触须感受食物气味的强弱，一步步靠近食物所在位置。根据仿生原理，可以得出BAS算法的建模过程。天牛的左右须坐标可表示为：

天牛根据适应度函数f(x)确定飞行方向，天牛移动后质心坐标为：

式中：步长step=d×c，c为常数时，天牛为定步长；sign( )为符号函数；f(x)为适应度函数。程序结束后的质心坐标即为所求的最优解坐标。

2.3 天牛须优化模糊PID控制

本文使用的模糊PID控制的输入为偏差e及偏差变化量ec，输出为PID控制的参数增量Δk、Δk、Δk，不采用直接输出参数而是输出参数增量以简化输出变化范围。PID参数计算公式如下：

式中：k、k、k为最终输入PID控制器的参数；k、k、k为初始值；Δk、Δk、Δk为参数增量。

偏差和偏差变化量的实际值范围为基本论域，输入模糊控制器前需通过量化因子将其转换为模糊论域，输出需要通过比例因子将其从模糊论域转换到基本论域。本文设计使用的输入值和输出值的模糊论域为：

将模糊论域划分为模糊子集，根据不同控制要求确定不同的子集个数，本文使用的模糊子集为：

本文使用三角形隶属函数，计算较简单，使系统在高误差范围内灵敏度较低，当误差较小时灵敏度较高。模糊规则数量与输入量的模糊子集个数相关，本文包含偏差和偏差变化量2个输入，各设置7个模糊子集，创建的模糊规则表见表1所列。

表1 模糊规则表

经过模糊推理后，得到的结果为模糊集，并不能直接输出为精确值，所以需要将模糊集进行解模糊。常用的解模糊法包含最大隶属度法、重心法等。本文采用重心法进行解模糊，即取隶属度函数曲线坐标与横坐标围成面积的重心为输出的精确值。

算法流程如下：

（2）将初始化信息中质心的坐标分解为对应的5个参数值，传递给SimuLink中的仿真系统，运行系统计算得到左右两须的适应度值，判断下一步天牛的飞行方向；

（3）根据适应度值更新天牛的位置信息，再次将位置信息分解为5个参数赋值给SimuLink仿真系统，系统运行后再次计算适应度函数值，如果适应度函数值达到预先设定的阈值或者达到了设定的迭代次数，则执行下一步；否则，执行步骤（2）。

（4）得到模糊PID控制系统的最佳量化因子和比例因子，结束仿真计算。

根据以上步骤描述，可得到系统流程如图3所示。

图3 系统流程

3 仿真实验及结果分析

为进行对比实验，SimuLink系统框图中加入了PID控制，将结果与改进后的模糊PID控制进行对比。SimuLink主程序框图如图4所示，模糊PID子程序框图如图5所示。

图4 SimuLink主程序框图

图5 模糊PID子程序框图

运行BAS程序与SimuLink仿真流程后，得到的波形结果如图6所示，系统性能指标见表2所列。

表2 系统性能指标

图6 仿真波形

从图6和表2可以看出，传统PID控制需要约8 s才能达到设定值，误差性能指标ITAE值为2.764；优化后的模糊PID控制最大超调量仅为1.2%，并在3 s左右迅速稳定在设定值，误差性能指标ITAE值为0.1756。相比PID控制，模糊PID控制消除了曲线抖动，响应更快，综合性能更好。

实验结果表明，天牛须优化后的模糊PID控制在控制精度和响应速度上均优于传统PID控制。将该控制方法用于多台小车的运动过程控制，能使小车在联动调整时达到预期的同步效果，从而顺利完成船体分段姿态的调整。

4 结 语

针对船体分段对调整过程中多台三维小车的同步控制问题，本文从船台小车编队方式和同步运动控制2方面进行了解决方案优化。通过船台小车自动编队方法解决了人工录入方式易出错、难检查等问题；针对传统PID控制参数难整定、适应性差等缺点，本文提出了天牛须优化的模糊PID控制方法。仿真实验分析结果表明，优化后的模糊PID控制优于PID控制，提高了控制效果。同时，该算法也存在不足，天牛须优化为离线寻优，如何实时优化模糊控制器参数是今后的研究方向。