一种自动整定参数的万能疲劳试验机控制方法技术

本发明专利技术涉及一种自动整定参数的万能疲劳试验机控制方法，属于智能控制领域。该方法首先配置传感器参数，再进行连接，连接后给定目标值控制器参数、位移/力/变形传感器参数和标定参数，设定好参数后连接模糊PID控制器，再利用蚁群算法对模糊PID控制器的参数寻优；最后根据寻优后的参数进行闭环控制，显示响应曲线，得到实验数据。本发明专利技术能实现模糊控制器的参数自动调节，同时提高控制器的精度。同时提高控制器的精度。同时提高控制器的精度。

【技术实现步骤摘要】
一种自动整定参数的万能疲劳试验机控制方法


[0001]本专利技术属于智能控制领域，涉及一种自动整定参数的万能疲劳试验机控制方法。

技术介绍

[0002]目前，市面上常规的拉压式疲劳试验机大多采用液压缸作为其动力源，采用传统PID算法来实现闭环控制。该方案机械结构复杂，并且因为试验机参数时变性等问题，控制系统超调极易引起机械结构的过冲，导致试样提前失效，进而影响疲劳试验的精准性。改进控制系统的算法可以减少整个实验过程的系统误差，为工程设计在材料的选择上提供了优势。误差的减小使得对于材料本身的测量值更为精确，便于更加精准选出符合工程强度的材料用于制造加工。这在一定程度上可以缩短研发周期，节约制造生产成本，提高设备可靠性。
[0003]目前，电液伺服疲劳试验机多采用传统PID控制算法(增量式PID控制和模糊PID控制)，需要根据经验值调整PID参数，且系统的稳定性和抗扰能力较弱，从而使得PID参数的调节费时且难以最大程度上的减小误差。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种自动整定参数的万能疲劳试验机控制方法，基于蚁群算法的模糊PID控制器，利用模糊PID自适应控制器来降低系统的误差和调整时间，再利用蚁群算法对模糊PID控制器的参数寻优，实现模糊控制器的参数自动调节，从而提高控制器的精度。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种自动整定参数的万能疲劳试验机控制方法，首先配置传感器参数，再进行连接，连接后给定目标值控制器参数、位移/力/变形传感器参数和标定参数，设定好参数后连接模糊PID控制器，再利用蚁群算法对模糊PID控制器的参数寻优；最后根据寻优后的参数进行闭环控制，显示响应曲线，得到实验数据。
[0007]进一步，所述模糊PID控制器在控制器工作过程中，将实时反馈的误差e和误差的导数ec按照模糊规则进行模糊化处理，分别根据不同的逻辑模糊子集、隶属度函数和模糊规则表求得输出值ΔK
p
、ΔK
i
、ΔK
d
的隶属度，然后反模糊化求得PID控制系统的三个系数K
p
、K
i
、K
d
；再将K
p
、K
i
、K
d
套入积分环节、比例环节和微分环节来调节控制器的输出。
[0008]进一步，所述模糊PID控制器包括增量式PID控制系统和模糊工具箱；所述模糊工具箱包括模糊化处理、模糊推理和解模糊。
[0009]进一步，基于蚁群算法的模糊PID控制器参数的初始设定，具体包括以下步骤：
[0010]1)设蚁群的初始数量为m，最大迭代次数为NC
max
；
[0011]2)设蚁群算法的启发因子为是一个23
×
10的矩阵，取每一个节点对应的K
p
、K
i
、K
d
作为一个PID控制系统的系数，取误差最大值归一化后作为该节点的启发因子；
[0012]3)首先将所有蚂蚁分布在原点，x轴和y轴的交点为蚂蚁所能通过的220个节点，其
中x轴代表K
p
、K
i
、K
d
三个参数的各个数位，y轴的范围为[0，9]，代表K
p
、K
i
、K
d
三个参数的各个数位上的数值；再通过蚂蚁所经过的节点确定K
p
、K
i
、K
d
三个参数的取值；
[0013]4)每只蚂蚁的路径为：
[0014]原点
→
C(x1,y1)
→
C(x2,y2)
→
C(x3,y3)
→
C(x4,y4)
→
C(x5,y5)
→
C(x6,y6)
[0015]→
C(x7,y7)
→
C(x8,y8)
→
C(x9,y9)
→
C(x
10
,y
10
)
→
C(x
11
,y
11
)
→
C(x
12
,y
12
)
[0016]5)信息素矩阵为12
×
10
×
10的三维矩阵，初始值为0矩阵。
[0017]进一步，参数的初始设定在上位机部分。
[0018]进一步，利用蚁群算法对模糊PID控制器的参数寻优，具体包括以下步骤：
[0019]1)进入循环开始迭代，将m只蚂蚁放置原点开始寻优；
[0020]2)计算每只蚂蚁从当前节点到下一个节点的概率，再根据轮盘赌法则选择蚂蚁爬向的下一个节点；
[0021]P(i,j,k)＝(τ(i,j,k))
α
×
η(k,i)
β
[0022][0023][0024]其中，i表示蚂蚁当前所在节点的横坐标，j表示蚂蚁当前所在节点的纵坐标，k表示下一个节点的纵坐标，τ为信息素矩阵，η为启发因子，α为信息素重要程度参数，β为启发因子重要度参数，a,b为常数，一般取0.8左右；rand为0～1随机数，NC表示当前迭代次数。
[0025]在算法的初期，蚂蚁个体较少，其信息素也较少，所以其信息素不能作为主要的搜索条件，应着重以评价的性能指标作为主要参数；在算法的后期，蚂蚁的个体较多，其信息素也逐渐增多，其信息素应作为主要的搜索条件，评价的性能指标作为次要的搜索因素。在算法的初期，信息素重要程度参数α应接近于0，启发因子重要程度参数β应接近于1；在算法的后期，信息素重要程度参数α应接近于1，启发因子重要程度参数β应接近于0，节省了搜索时间，提高了算法的收敛速度。
[0026]3)将每只蚂蚁生成的路径转换为K
p
、K
i
、K
d
系数公式如下。
[0027]K
p
＝0.1
×
y
i1
+y
i2
+y
i3
×
10+y
i4
×
100
[0028]K
i
＝0.1
×
y
i5
+y
i6
+y
i7
×
10+y
i8
×
100
[0029]K
d
＝0.1
×
y
i9
+y
i10
+y
i11
×
10+y
i12
×
100
[0030]其中，y
ik
表示生成的蚂蚁爬行路径的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动整定参数的万能疲劳试验机控制方法，其特征在于，首先配置传感器参数，再进行连接，连接后给定目标值控制器参数、位移/力/变形传感器参数和标定参数，设定好参数后连接模糊PID控制器，再利用蚁群算法对模糊PID控制器的参数寻优；最后根据寻优后的参数进行闭环控制，显示响应曲线，得到实验数据。2.根据权利要求1所述的万能疲劳试验机控制方法，其特征在于，所述模糊PID控制器在控制器工作过程中，将实时反馈的误差e和误差的导数ec按照模糊规则进行模糊化处理，分别根据不同的逻辑模糊子集、隶属度函数和模糊规则表求得输出值ΔK
p
、ΔK
i
、ΔK
d
的隶属度，然后反模糊化求得PID控制系统的三个系数K
p
、K
i
、K
d
；再将K
p
、K
i
、K
d
套入积分环节、比例环节和微分环节来调节控制器的输出。3.根据权利要求2所述的万能疲劳试验机控制方法，其特征在于，所述模糊PID控制器包括增量式PID控制系统和模糊工具箱；所述模糊工具箱包括模糊化处理、模糊推理和解模糊。4.根据权利要求2所述的万能疲劳试验机控制方法，其特征在于，基于蚁群算法的模糊PID控制器参数的初始设定，具体包括以下步骤：1)设蚁群的初始数量为m，最大迭代次数为NC
max
；2)设蚁群算法的启发因子为是一个13
×
10的矩阵，取每一个节点对应的K
p
、K
i
、K
d
作为一个PID控制系统的系数，取误差最大值归一化后作为该节点的启发因子；3)首先将所有蚂蚁分布在原点，x轴和y轴的交点为蚂蚁所能通过的120个节点，其中x轴代表K
p
、K
i
、K
d
三个参数的各个数位，y轴的范围为[0，9]，代表K
p
、K
i
、K
d
三个参数的各个数位上的数值；再通过蚂蚁所经过的节点确定K
p
、K
i
、K
d
三个参数的取值；4)每只蚂蚁的路径为：原点
→
C(x1,y1)
→
C(x2,y2)
→
C(x3,y3)
→
C(x4,y4)
→
C(x5,y5)
→
C(x6,y6)
→
C(x7,y7)
→
C(x8,y8)
→
C(x9,y9)
→
C(x
10
,y
10
)
→
C(x
11
,y
11
)
→
C(x
12
,y
12
)5)信息素矩阵为12
×

【专利技术属性】
技术研发人员：蒋畅江，彭泽坤，唐彩岚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：