一种力反馈设备自主调节自重平衡机构控制算法
【技术领域】
[0001 ]本发明属于人机接触交互技术领域，涉及一种力反馈设备自主调节自重平衡机构 控制算法。
【背景技术】
[0002] 在力反馈交互设备中，对设备进行重力补偿是非常关键的问题，在现有的技术中， 力反馈设备的重力补偿方法分为有源重力补偿和无源重力补偿两种，其中有源重力补偿方 法针对串联连杆机构，采用电机激励装置对各关节的重力进行补偿，由于电机或者激励装 置要提供一部分力矩用于抵消重力，必然减小了电机或者激励装置所产生的反馈力，而且 也使得系统控制变得复杂，有可能导致系统的不稳定。针对串联连杆机构，采用的无源质量 配重重力补偿，额外增加了力反馈设备的转动惯量和摩擦，影响了力反馈设备系统的动态 响应。基于此，李春泉发明了一种自主调节自重平衡的力反馈设备（已授权发明专利 201110229208.7)，该力反馈设备通过实时控制自主调节自重平衡机构的平衡块在平衡杆 上的位置，实现对力反馈设备的自动重力补偿。
[0003] 为了实时控制平衡块在平衡杆上的位置，对力反馈设备的自主调节自重平衡机构 建模后，采用PID(Proportion Integral Derivative)控制器控制平衡块在平衡杆上的位 置。几个经典的PID调节规则如Ziegler-Nichol s规则、Cohen-Coon方法和IAE方法已经被使 用来获取期望的PID参数。然而，使用这些方法费时，获得最优或者是近似最优的PID参数非 常困难。鉴于此，一些人工智能算法，如Genetic Algorithms(GA)、Simulated Annealing (SA)算法和Particle Swarm Optimization(PS0)算法用于调节PID控制的参数。GA常常比 SA算法更快。PS0算法是一种模仿鸟捕食的群体智能行为的全局优化算法，常用于寻找全局 最优，该方法与GA算法相类似。这两种算法都随机产生初始解，随后通过进化迭代，找到全 局最优解。两者的区别在于：与GA算法相比较，PS0算法没有明确的选择，交叉和变异操作， PS0算法的迭代搜索过程仅仅取决于前面所有迭代次数中的粒子个体最优值和全体粒子的 最优值，再用这些最优值来更新下一次迭代的粒子信息。因此，PS0算法调节参数更少，计算 代价更低，收敛速度更快，鲁棒性更好。因此，我们采用了一种我们已提出的改进简单粒子 优化算法(Modified Simple Particle Swarm Optimization Algorithm)用于调节PID算 法参数。与PS0算法相比较，改进简单粒子优化算法更简单，更易于实现，收敛速度更快，收 敛精度更高，稳定性更好，能在更短的计算时间内获得更优收敛值。
【发明内容】
[0004] 本发明的目的是提出一种力反馈设备自主调节自重平衡机构控制算法。
[0005] 本发明是通过以下技术方案实现的。
[0006] -种力反馈设备自主调节自重平衡机构控制算法，其特征在于按如下步骤：
[0007] 步骤1:当力反馈设备的自主调节自重平衡机构的平衡块的重力和摩擦产生的转 矩Td(S)=0时，建立以电机电枢电压为输入，以电机转角θΑκα为输出的自主调节自重 平衡机构的控制系统传递函数；当自主调节自重平衡机构的平衡块所受的重力和摩擦力产 生的转矩Td(S)矣0时，建立以直流电机克服Td(S)力矩所需的电压u、(s)为输入，以电机输 出力矩Td (S)为输出的自主调节自重平衡机构的控制系统传递函数。
[0008] 步骤2:采用线性叠加原理，建立力反馈交互设备自主调节自重平衡机构的整体控 制系统函数，d9ARC1是直流电机的期望转角，建立平衡块在平衡杆上的期望位置 < 与直流电 机期望的转角d9ARCl的函数关系式，以电机实际转角9ARQ和期望转角d0 ARQ的误差作为自主调 节自重平衡机构的整体控制系统输入，经过改进简单粒子优化PID控制算法调节后，作为直 流电机电枢的输入电SUm(S)，其中，句，lTm(S)是用以产生抵消自主 调节自重平衡机构的平衡块的重力和摩擦力转矩id(S)的所需电压，是用以驱动直流 电机转动到期望转角d0ARC1所需的电压;通过控制器不断调节直流电机实际转动角度0 ARCdP 期望转角d0ARC1的差值，从而不断改变电枢输入电sum(s)，使得实际转动角度0狐 1逐步到达 转动期望转角d0ARQ;最终，直流电机的减速主动轮带动减速从动轮，减速从动轮带动驱动小 轮，驱动小轮驱动平衡块到达平衡杆的期望位置g。
[0009] 步骤3:设计改进简单粒子优化PID控制算法，用于控制自主调节自重平衡机构的 平衡块在平衡杆上的期望位置选用ITAE(Intergral of Time multiply by Absolute Error)指标作为衡量改进简单粒子优化PID控制算法中的PID (Proport ion Integral Deri vat i ve)控制器的比例增益KP，积分增益Ki，微分增益Kd是否达到最优的指标。其中， MSPS0(Modified Simple Particle Swarm Optimization)算法用用来优化控制PID的比例 增益KP，积分增益L和微分增益Kd参数，具体步骤如下：
[0010] (1)在改进简单粒子优化算法中，Y = (Y1，Y2，···￥")表示η个粒子构成一个粒子群； 其中，Υ表示为粒子群集合，YUi = l，2, ···，!〇表示该粒子群中第i个粒子的位置;该粒子群 的每个粒子飞行位置搜索空间是一个三维向量空间，该三维位置搜索空间中每一维分别表 示PID控制器的比例增益K P，积分增益I和微分增益Kd;设粒子迭代总次数为N次，那么，第i 个粒子在第k次迭代中位置表示为：rp) = ,其中，/?,(幻，A：;0)和 ）分别为第i个粒子在第k次迭代的比例增益，积分增益，微分增益;这三个参数是随机 数，它们的搜索区间范围都在最小值为0，最大值为p (P > 0)的区间之内。
[0011] (2) 是粒子群第k次迭代中粒子i的位置，分别将 €,(&)，代入中作为PID控制器中相应的比例增益，积分增益，微分增益， 将Td(S)和％RC1(S)作为输入激励信号，在第k次迭代中，其相应ΙΤΑΕ指标作为MSPS0算法的 适应度值。
[0012] (3)根据粒子群中所有η个粒子从第1次开始进化迭代直到第k次进化迭代的所有 的适应度值ITAE，可以找到全局最优适应度值为：/"(&) = (&；：其中， ^^0)，和岣分别表示粒子群中全部n个粒子在k次迭代中的全局最优比例增 益，全局最优积分增益，全局最优微分增益。
[0013] ⑷YHk+lhhruYUlO+hr^PKlO-YUk)]作为进化迭代更新方程，表示所有η个 粒子中的第i个粒子在第k+1次迭代更新;其中，ru(i = l，2)分别表示在0~1之间的随机数， λ#Ρλ2各自表示认知学习率和社会学习率，两者一般取常数值1.49445。
[0014] (5)边界条件约定:η个粒子所组成的粒子群，经过第k迭代计算后，第i个粒子位置 XUk)中的某一维位置范围超出了指定的区间：该区间的最小值为0,最大值为Ρ(Ρ>0)。那 么，第i个粒子YUk)位置的某一维必须被重新指定为0或者ρ(ρ>0)。假如，该维位置变量小 于0，则该维位置变量指定为0;该维位置变量大于P(P>〇)，则该维位置变量指定为P(P> 0)〇
[0015] (6)假如运行达到最大迭代次数，则结束迭代，找到所有进化迭代后的全局最优比 例增益，全局最优积分增益，全局最优微分增益。否则，回到第(2)步继续顺序执行。最终，我 们能找出最优PID控制的比例增益，积分增益，微分增益。
[0016] 步骤4:为了克服PID控制器中微分信号的引入高频干扰，在PID控制器的拉氏变换
中的微分项上串联了一阶低通滤波器， 平滑系统输出响应的振动，其中，〇<Ξ<1。
[0017] 本发明的优点是:将改进简单粒子优化算法与PID控制器相结合，发明了一种改进 简单粒子优化PID控制算法，该算法能够自动找到准确的PID控制器参数，线性叠加原理用 来简化自主调节自重平衡机构控制系统建模手段，此外，为了克服PID控制器中微分信号