Corresponding author: ZHANG Lei, E-mail: zhanglei@jlu.edu.cn
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.
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.
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]:
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.
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
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 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 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 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 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.
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.
[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) |