东北大学学报:自然科学版   2015, Vol. 36 Issue (6): 853-857   PDF (476 KB)    
抛光力实时控制策略研究
张雷, 周宛松, 卢磊, 樊成    
(吉林大学 机械科学与工程学院, 吉林 长春 130022)
摘要:针对传统抛光过程中的力位耦合问题,构建力位解耦的抛光力气动伺服控制系统.利用数据采集卡和Matlab/simulink的实时工具箱RTW,分别采用传统PID控制、前馈PID控制和单神经元PID控制三种控制策略,研究抛光力气动伺服系统实时控制效果.采用在线最小递归二乘法对前馈PID控制策略的参数实现精确辨识.采用有监督的Hebb学习规则调整单神经元PID加权系数.抛光力实时控制实验结果表明,前馈PID控制和单神经元PID控制与传统PID控制相比,能达到更好的控制效果.前馈PID控制达到稳定力输出所需时间短,单神经元PID控制达到力稳定的过程中振荡很小.
关键词抛光力控制     力位解耦     前馈PID     单神经元PID     在线辨识    
Research on Real-Time Control Strategies of Polishing Force
ZHANG Lei , ZHOU Wan-song,LU Lei,FAN Cheng    
School of Mechanical Science and Engineering, Jilin University, Changchun 130022, China.
Corresponding author: ZHANG Lei, E-mail: zhanglei@jlu.edu.cn
Abstract: A force-position decoupling pneumatic servo control system for polishing force was set up to solve force-position coupling problem in traditional polishing process. The real-time control results of pneumatic control system for polishing force were researched by adopting traditional PID control, feed-forward PID control and single neuron PID control, using data acquisition card and RTW real-time toolbox in the Matlab/simulink. The parameters in feed-forward PID control can be identified by online recursive least squares algorithm. The weighting coefficients in single neuron PID control can be modified by the supervised Hebb learning rules. The real-time control experimental results of polishing force indicate that the better control effect can be realized by feed-forward PID control and single neuron PID control than by PID control. The duration for stabilizing process of the polishing force is short by feed-forward PID control and the oscillation is little during the stabilizing process of the polishing force by single neuron PID control.
Key words: polishing force control     force-position decoupling     feed-forward PID     single neuron PID     on-line identification    

抛光是模具、叶片和光学元件制造过程中一道重要工序,可提高工件表面光洁度和质量及改善应力集中现象.自动化抛光过程中,需对抛光力及抛光工具位置联合控制[1],导致力位耦合问题.为解决这一问题,近年来在机器人被动和主动柔顺控制方面做了大量研究[2, 3],但力控制常由位控制来实现[4],没能很好解决力位耦合问题.

本文通过数控程序实现抛光路径控制,利用开发的气动伺服抛光工具系统实现抛光力闭环控制,很好地避免力位耦合问题.抛光头由电机带动旋转,通过气缸推动与工件接触,产生抛光力,通过控制气缸输出力实现抛光力控制.由于气动系统的强非线性,使得PID控制较难达到满意的控制效果.很多智能控制算法,如模糊控制[5]、模糊PID控制[6]、神经网络PID控制[7]、神经网络控制[8]、模糊神经控制[9]及滑膜控制[10],也可应用到气动系统的控制中.虽然部分算法能达到较好的控制效果,但都较复杂,开发周期长,需大量实践经验才能设计出满足要求的模糊规则,神经网络在线训练也很麻烦.本文将前馈PID和单神经元PID控制策略应用于抛光力气动伺服控制系统中,并与PID控制对比.抛光力控制实验验证了前馈PID和单神经元PID控制的优越性.

1 气动伺服抛光力实时控制系统

气动伺服抛光力实时控制系统(原理见图 1)用来控制图 2所示抛光工具的抛光力.计算机发出指定数字信号,经数据采集卡(ADVANTECH,PCI-1710U)转换成电气比例阀(SMC,ITV 2050-312 BS)输入电压信号,从而控制气缸(SMC,CDQSXB12-10D)两端输出压力差;同时数据采集卡实时采集力传感器(STC,10 kg)输出的电压信号,并转换成数字信号反馈给计算机.反馈信号与设定信号差值作为实时控制器输入信号,经相应控制策略处理后作为电气比例阀输入信号,调节气缸输出力,从而形成抛光力的闭环控制.

图 1 气动伺服抛光力实时控制系统原理图 Fig. 1 Schematics of real-time pneumatic servo control system for polishing force

图 2 气动柔顺抛光工具实物图 Fig. 2 Photo of the pneumatic compliant polishing tool

该系统基于Matlab实时工具箱RTW和数据采集卡实现实时控制功能,RTW有与真实系统直接相连的硬件接口,可与真实控制器或控制对象连接.RTW把simulink模型转换成C代码,将该代码下载到目标机,通过连接到仿真回路的数据采集卡,将现场信号反馈到工作空间,同时把Matlab计算的控制量输出给电气比例阀,从而把虚拟仪器与实际现场环境连接起来,构成实时系统.

2 抛光力实时控制策略

传统的PID控制,是将给定值与实际输出值的偏差的比例、积分和微分通过线性组合构成控制量,对被控对象进行控制.PID控制结合其他控制策略也为气动伺服系统的控制提供了新途径.

2.1 前馈PID控制

前馈控制常用在高精度伺服系统来提高系统的跟踪性能,其设计是基于复合控制思想,使前馈环节与闭环系统的传递函数之积为1(如图 3所示),从而实现完全复现输入.

图 3 前馈PID控制结构 Fig. 3 Structure of feed-forward PID control

前馈控制器输出u1(s)=r(s)/G(s),总输出u(t)为前馈控制输出u1(t)与PID控制输出u2(t)之和.前馈控制需建立系统数学模型.由于系统强非线性及气动元件部分参数无法测量,使传统线性化方法建立的数学模型具有不精确的问题,采用系统辨识可较好地解决这一问题.系统辨识属于“黑箱”建模,是在采集的输入输出数据基础上,从给定模型类中确定一个与系统等价的数学模型.

2.2 单神经元自适应PID控制

图 4为单神经元自适应PID控制结构图.单神经元控制器是通过有监督的Hebb学习规则来调整加权系数,从而实现自适应、自组织的功能.

图 4 单神经元自适应PID控制结构 Fig. 4 Structure of single neuron self-adaptive PID control

图 4中,x1,x2,x3为神经元控制所需状态量,相应的w1,w2,w3为其加权系数,e为设定值与实际输出值的偏差.需要对加权系数进行规划化处理,以保证学习算法的收敛性以及控制的鲁棒性.学习算法及控制算法为

式中:wi(k)为各时刻比例、积分、微分的值;K为神经元的比例系数;ηP,ηI,ηD分别为比例、积分、微分的学习速率,通过学习速率的调整来调整权值,同时K值选择也会影响控制效果.

3 实时控制实验 3.1 前馈PID控制模型参数辨识

图 5为系统采用前馈PID控制时,用于控制模型参数辨识的simulink模型.给定信号由Analog Output模块传到数据采集卡,经数模转换成电气比例阀的控制信号;力传感器信号由Analog Input模块传到数据采集卡,经模数转换成数字信号.系统模型结构选择如下的ARMA模型[11]

图 5 系统在线辨识simulink模型 Fig. 5 Simulink model of the system on-line identification

辨识采用最小递归二乘法,用S-Function编写,并编译成实时C-mex代码,选择辨识精度高的伪随机信号(M序列)作为输入信号,通过辨识得出ɑi,bj的值.选定表 1所示4组辨识实验.

表 1 辨识输出与实际输出误差的对比 Table 1 Comparison of the error between identification output and real output

辨识所得模型还需要实验验证,即在给定信号下闭环PID仿真,将仿真结果与相应的实验结果比较,验证辨识结果.取表 1中各组平均误差最小的辨识所得模型进行实验验证,同时比较仿真与实验吻合程度,选择最佳模型.设定4组验证实验,第1,2组输入为阶跃信号,幅值为3,PID参数(比例、积分、微分)分别为2,0,0,3,0,0;第3,4组输入为正弦信号,幅值为1.5,偏差为1.5,PID参数则分别为2,0,0,3,0,0.

由误差对比表 2知,第4组实验序号3的平均偏差和标准偏差都是最小的,因此取其辨识出的模型为系统数学模型.辨识所得参数值依次为0.311,0.036,0.035,0.026,0.806,-0.223,转换成系统传递函数

表 2 辨识仿真与相应实验的误差对比 Table 2 Comparison of the error between identification

simulation and experiments

图 6为以此模型仿真与实验的对比图,验证了上述传递函数的准确性.

图 6 不同输入信号和控制参数下仿真与实验对比图 Fig. 6 Comparison between the simulations and experiments using different input signal and control parameters
3.2 不同控制策略的闭环控制实验

图 7为基于RTW的抛光力PID闭环控制的simulink模型.根据Ziegler-Nichols经验公式,PID参数初值依次选为3.5,0.75,0.设定不同的PID参数值,通过实验选定最佳的PID参数.实验中发现微分值的给定很容易造成系统振荡,因此主要调节比例和积分的值,但比例值较大也容易引起振荡.图 8为一些较合理的PID参数下控制效果图.当阶跃输入幅值为3时,若PID参数取2,0.4和0,达到稳定需20 s,稳态误差0.014;若取2,0.5和0,达到稳定需16 s,稳态误差0.025;若取2,0.56(0.58)和0,达到稳定需15 s,稳态误差为0.033.综合考虑选定PID参数为2,0.5和0,当阶跃输入幅值改为2,如图 8所示也能得到较好的实验结果,证明了所选PID参数合理.

图 7 实时PID控制simulink模型 Fig. 7 Simulink model of real-time PID control

图 8 不同PID参数值实际输出的对比 Fig. 8 Comparison of real output using different PID parameters

图 9为基于RTW的抛光力前馈PID闭环控制simulink模型.PID参数选为2,0.5和0,传递函数取辨识所得的传递函数.由图 10知,前馈PID控制的稳态误差与PID控制相差不大,但达到稳定状态只需要5 s左右,且其仿真曲线和实验曲线吻合较好,进一步验证了辨识模型.

图 9 实时前馈PID控制simulink模型 Fig. 9 Simulink model of real-time feed-forward PID control

图 10 不同阶跃输入幅值下前馈PID仿真与实验对比 Fig. 10 Comparison of the simulation and experiment using feed-forward PID when signal amplitude is varied

图 11为基于RTW的抛光力单神经元PID闭环控制simulink模型,算法用S-Function编写,并编译成实时C-mex代码.加权系数wi(k)的初值依次取2,0.5和0,设定不同的K,ηP,ηI,ηD值,实验发现K值增大会加快响应速度但易引起振荡,通过降低ηP,ηI,ηD值能很好地避免振荡.由图 12知,此控制器参数依次选为0.4,0.1,0.1和0.1时可得最佳控制效果,其稳态误差和PID控制相差不大,但达到稳定状态也只需5 s左右.

图 11 实时单神经元PID控制simulink模型 Fig. 11 Simulink model of real-time single neuron PID control

图 12 不同阶跃输入幅值下不同控制参数实际输出对比 Fig. 12 Comparison of the different step signal of real output using different control parameters

图 13为不同阶跃输入信号时,不同控制策略下系统实际输出的对比.由图 13知,PID、前馈PID和单神经元PID控制系统的稳态误差相差不大,但是后两者达到稳定状态都只需5 s左右,比前者大约快10 s,因此后两者控制效果更好.相比单神经元PID,前馈PID达到稳定时间稍快,但是前馈PID达到稳定状态的过程中振荡较大.

图 13 不同控制策略控制的实际输出对比 Fig. 13 Comparison of real output using different control strategies
4 结 论

1) 基于数据采集卡和Matlab/simulink的实时工具箱RTW构建的气动伺服控制系统,可以满足抛光力实时控制对采样频率的要求.

2) 利用基于RTW的在线最小递归二乘法可以对前馈PID控制模型的参数进行精确辨识.

3) 综合稳态误差、达到稳定状态所需时间以及控制过程中的振荡程度,单神经元PID与PID控制和前馈PID控制相比,控制效果最佳.

参考文献
[1] Zhang L,Tam H Y,Yuan C M,et al.An investigation of material removal in polishing with fixed abrasives[J].Proceedings of the Institution of Mechanical Engineers,Part B:Journal of Engineering Manufacture,2002,216(1):103-112.(1)
[2] 吴昌林,陈义.铝轮曲面主被动柔顺控制抛光方法[J].中国机械工程,2009,20(23):2821-2824. (Wu Chang-lin,Chen Yi.Polishing method of aluminum alloy wheel surface with active-passive compliant control[J].China Mechanical Engineering,2009,20(23):2821-2824.)(1)
[3] 叶正茂,赵慧,张尚盈,等.基于位置内环的柔顺力控制的研究[J].控制与决策,2006,21(6):651-655. (Ye Zheng-mao,Zhao Hui,Zhang Shang-ying,et al.On compliant force control based on inner position loop[J].Control and Decision,2006,21(6):651-655.)(1)
[4] 殷跃红,尉忠信,朱剑英.机器人柔顺控制研究[J].机器人,1998,20(3):232-240. (Yin Yue-hong,Wei Zhong-xin,Zhu Jian-ying.Compliance control of robot:an overview [J].Robot,1998,20(3):232-240.)(1)
[5] Takosoglu J E,Dindorf R F,Laski P A.Rapid prototyping of fuzzy controller pneumatic servo system[J].The International Journal of Advanced Manufacturing Technology,2009,40(3/4):349-361.(1)
[6] Ahn K K,Truong D Q.Online tuning fuzzy PID controller using robust extended Kalman filter[J].Journal of Process Control,2009,19(6):1011-1023.(1)
[7] Anh H P H.Online tuning gain scheduling MIMO neural PID control of the 2-axes pneumatic artificial muscle(PAM)robot arm [J].Expert Systems with Applications,2010,37(9):6547-6560.(1)
[8] Wang X,Peng G.Modeling and control for pneumatic manipulator based on dynamic neural network[C]// IEEE International Conference on Systems,Man and Cybernetics.Washington,DC,2003:2231-2236.(1)
[9] Kaitwanidvilai S,Parnichkun M.Force control in a pneumatic system using hybrid adaptive neuron-fuzzy model reference control[J].Mechatronics,2005,15(1):23-41.(1)
[10] Richer E,Hurmuzlu Y.A high performance pneumatic force actuator system:part II-nonlinear controller design[J].Journal of Dynamic Systems,Measurement,and Control,2000,122(3):426-434.(1)
[11] Saleem A,Abdrabbo S,Tutunji T.On-line identification and control of pneumatic servo drives via a mix-reality environment[J].The International Journal of Advanced Manufacturing Technology,2009,40(5/6):518-530.(1)