CN105351596A - 比例电磁阀复合控制方法 - Google Patents

Abstract

本发明涉及比例电磁阀复合控制方法，具体为一种基于逆模型前馈补偿控制与电流反馈PWM复合控制的比例电磁阀控制方法，通过基于数据拟合的方法来建立比例电磁阀流量滞环模型，在此基础上引入粒子群优化算法对模型参数进行寻优，通过matlab编程对该方法进行仿真验证与结果分析，从而建立比例电磁阀非线性控制的数学模型，通过补偿控制从本质上消除滞环非线性，再通过反馈控制来提高系统的控制精度。实验结果证明，本发明研发的控制器控制算法及软硬件设计符合比例电磁阀控制器应具有的功能和要求，控制效果好，开发成本低，系统控制精度高且系统结构简单、便于操作。

Description

比例电磁阀复合控制方法

技术领域：本发明属于自动控制领域，涉及比例电磁阀复合控制方法，特别是涉及一种基于逆模型前馈补偿控制与电流反馈PWM复合控制的比例电磁阀控制器，通过补偿控制从本质上消除滞环非线性，再通过反馈控制来提高系统的控制精度。

背景技术：比例控制技术在控制精度、频响、制造成本和液体要求等方面表现较好，近年来在各个行业中得到了广泛的发展与应用。比例电磁阀是比例控制技术的核心元件，因此研究比例电磁阀具有重大的实际应用意义。磁性材料的磁滞、移动铁芯的粘滞摩擦等不良因素会造成比例电磁阀动铁芯位移、流量或压力具有滞环非线性等问题，严重影响系统的控制性能和稳定性，致使系统无法达到理想的控制效果。为了消除上述不利影响，国内外很多学者利用能够描述滞环非线性的数学模型对滞环进行补偿，针对磁性材料压电陶瓷及超磁致伸缩材料等滞环控制问题提出了Preisach模型。Preisach模型是一种通用性好、基于多值函数算子的纯数学工具，但是直接建立Preisach模型需要一个庞大的一阶回转曲线数据库,而且难以确定权值函数。针对上述问题，本发明通过基于数据拟合的方法来建立比例电磁阀流量滞环模型，在此基础上引入粒子群优化算法对模型参数进行寻优，从而建立比例电磁阀非线性控制的数学模型。

传统的比例电磁阀控制方法多为机制建模及基于神经网络的曲线拟合方法，PWM驱动的开环、单闭环和双闭环控制方法。机制建模以及基于神经网络的曲线拟合精度较低。开环系统的稳定性好，结构简单，但控制精度低，不能有效地抵抗外界的干扰。单闭环比例控制系统在开环控制的基础上加入了电流反馈元件,使系统能够抵抗外界干扰，提高了系统的控制精度和抗干扰能力，但是系统稳定性会变差。采用电流、流量或压力的双闭环控制系统在增加流量或压力传感器后，可以较大地提升系统的复杂度。虽然这几种方法都可以减小滞环现象，但是并没有从本质上消除滞环非线性。因此，本发明设计了一种基于逆模型前馈补偿控制与电流反馈PWM复合控制的比例电磁阀控制器，通过补偿控制从本质上消除滞环非线性，再通过反馈控制来提高系统的控制精度。

发明内容：

发明目的：本发明涉及一种比例电磁阀复合控制方法，其目的是设计出一种可以有效改善比例电磁阀滞环非线性,提高比例电磁阀的控制性能的系统。比例电磁阀流量滞环非线性严重影响系统的控制性能和稳定性，为解决这一问题，本发明利用非线性控制方法，建立了比例电磁阀流量滞环模型，引入粒子群优化(PSO)算法对模型参数进行优化。仿真实验结果表明,利用粒子群优化算法优化后的流量滞环模型与传统控制相比具有良好的拟合度。该控制方法中提出了基于逆模型前馈补偿控制与电流反馈PWM复合控制方案，利用STM32微控制器实现比例电磁阀复合控制器设计。实验结果表明,该控制方案可以有效改善比例电磁阀滞环非线性,提高比例电磁阀的控制性能,进而扩大比例电磁阀的应用范围。

技术方案：

一种比例电磁阀复合控制方法，其特征在于：该控制方法通过滞环逆模型消除比例电磁阀滞环非线性；通过电流反馈PWM复合控制提高系统的控制精度。

所述的比例电磁阀复合控制方法，其特征在于：所述的滞环逆模型为基于PSO曲线参数辨识的建模，所述建模基于实验数据拟合来建立比例电磁阀流量滞环模型，并采用PSO算法来实现拟合曲线的参数估计，所述建模的具体步骤为：

1)比例电磁阀流量滞环曲线的拟合：对滞环曲线进行分段拟合，计算方法为：

其中x_i为输入信号，y_i为实测输出；

2)选取能准确描述S型曲线的五阶多项式对典型比例阀流量滞环曲线进行分段拟合：选取的五阶多项式函数表示方法如下：y＝p₀+p₁*x+p₂*x²+p₃*x³+

p₄*x⁴+p₅*x⁵

其中p_j(j＝0，1……5)为五阶多项式的系数，将五阶多项式记作g＝f(p_j，x)，曲线拟合建立在输入输出的基础上,利用给定的n对数据点(x_i，y_i)来拟合并确定五阶多项式g＝f(p_j，x)中的系数p_j(j＝0，1……5)，实现曲线参数的辨识；

3)基于PSO算法的估计参数优化：在所述PSO算法中，算法初始化为一群随机粒子，每个优化问题的潜在解都被看成是d维搜索空间上的一个粒子,群体sizepop个粒子组成，粒子特征由位置、速度和适应值三项指标表示，然后通过迭代搜索出最优解，每次迭代粒子都通过跟踪个体极值Pbest和群体极值gbest更新位置，再按如下公式分别更新粒子的速度和位置：

$\begin{array}{c}{V}_{id}^{k+1}=W*V_{id}^k+c_1*r_1*(P_{id}^k-X_{id}^k)+\\ c_2*r_2*(P_{gd}^k-X_{id}^k)\end{array}---\left(1\right)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}---\left(2\right)$

W＝W_max-gen(W_max-W_min)/maxgen(3)

在上式中，i＝1，2，3......sizepopd＝1，2......Dimmaxgen为最大迭代次数；c₁、c₂为加速度因子，通常情况下取c₁＝c₂＝2；W为惯性权重，通常将惯性权重设为随时间线性减少的函数，其函数形式通常为式(1)所示；r₁和r₂是(0-1)之间的随机数；V_id是d维搜索空间里面粒子i的运动速度；X_id是d维搜索空间里面粒子i的位置；p_id是d维粒子i的最优位置(个体极值)；p_gd是d维粒子群的最优位置(全局极值)；一般将粒子的速度限制在[-V_dmax,V_dmax]，将d维搜索空间定义为区间[-X_dmax,X_dmax]，设定V_dmax为每维变化范围的10％～20％；

4)采用matlab编程来实现PSO估计，进而辨识五阶多项式g＝f(p_j,x)中的六个参数，算法执行步骤具体如下：

Step1.设置相关初始参数：选择种群规模sizepop,维数Dim,设置最大迭代次数maxgen，加速度因子c₁、c₂和惯性权重W；

Step2.初始化粒子位置X、速度V；

Step3.根据曲线拟合的需要，选择式作为粒子群的适应度函数即:

$fit=\min \underset{i=1}{\overset{n}{\Σ}}(y_i-g_i)$

Step4.初始化粒子的个体极值pbest及其对应适应度值fitpbest,全局极值gbest及其对应适应度值fitgbest；

Step5.计算每个粒子的适应度值fit(X(i,:))；

Step6.根据适应度值更新个体极值pbest与全局极值gbest。个体极值可用如下公式更新：

$Pbest=\left\{\begin{array}{cc}X(i,:)& fit\left(X\right(i,:\left)\right)<fitPbest\\ Pbest& fit\left(X\right(i,:\left)\right)\&GreaterEqual;fitPbest\end{array}\right.$

所述全局极值是群体中所有粒子经历过的最小适应度值所对应的粒子；

Step7.采用公式(1)、(2)、(3)更新粒子速度和位置；

Step8.当迭代次数大于最大迭代次数时停止计算，否则返回step5；

Step9.输出得到全局极值，此全局极值为所要估计的参数，依据结果绘制拟合曲线，算法结束。

所述的比例电磁阀复合控制方法，其特征在于：所述电流反馈PWM复合控制的方法为PID控制加电流反馈，具体为：通过滞环逆模型求得前馈补偿电流i_f，在电流反馈中，通过理想流量和实际输出流量误差e作为PID控制器的输入，此时可以得到复合算法输出的驱动电流i＝i_f+i_e，利用此电流可以得到占空比D＝i/i_N。

所述的比例电磁阀复合控制方法，其特征在于：该方法以面向嵌入式应用开发的STM32通用微控制器为核心，STM32微控制器可以产生频率、占空比都可调的PWM控制信号，经光耦隔离、放大后，送给MOS管，从而控制电磁阀的导通和关断，在软件设计中引入了μC/OS-II实时操作系统，通过软件算法实现逆模型补偿控制与电流反馈复合控制，由算法计算出驱动电流及占空比，进而对比例电磁阀进行控制。

优点及效果：本发明研发的控制器控制算法及软硬件设计符合比例电磁阀控制器应具有的功能和要求，控制效果好，开发成本低，系统控制精度高且系统结构简单、便于操作。

附图说明：

图1为比例电磁阀流量滞环曲线；

图2为参数辨识过程；

图3为基于PSO曲线参数辨识所建模型；

图4为逆补偿结构图；

图5为整体控制框图；

图6为系统的整体结构；

图7为系统软件流程图；

图8为逆模型补偿算法；

图9为三种方式下的滞环曲线.

具体实施方式：

下面结合附图和具体的实施方式对本发明做进一步的说明：

比例控制技术在控制精度、频响、制造成本和液体要求等方面表现较好，近年来在各个行业中得到了广泛的发展与应用。比例电磁阀是比例控制技术的核心元件，因此研究比例电磁阀具有重大的实际应用意义。磁性材料的磁滞、移动铁芯的粘滞摩擦等不良因素会造成比例电磁阀动铁芯位移、流量或压力具有滞环非线性等问题，严重影响系统的控制性能和稳定性，致使系统无法达到理想的控制效果。传统的比例电磁阀控制方法多为机制建模及基于神经网络的曲线拟合方法，PWM驱动的开环、单闭环和双闭环控制方法。机制建模以及基于神经网络的曲线拟合精度较低。开环系统的稳定性好，结构简单，但控制精度低，不能有效地抵抗外界的干扰。单闭环比例控制系统在开环控制的基础上加入了电流反馈元件,使系统能够抵抗外界干扰，提高了系统的控制精度和抗干扰能力，但是系统稳定性会变差。采用电流、流量或压力的双闭环控制系统在增加流量或压力传感器后，可以较大地提升系统的复杂度。这几种方法都可以减小滞环现象，但是并没有从本质上消除滞环非线性。

本发明设计了一种基于逆模型前馈补偿控制与电流反馈PWM复合控制的比例电磁阀控制器，通过基于数据拟合的方法来建立比例电磁阀流量滞环模型，在此基础上引入粒子群优化算法对模型参数进行寻优，通过matlab编程对该方法进行仿真验证与结果分析，从而建立比例电磁阀非线性控制的数学模型，通过补偿控制从本质上消除滞环非线性，再通过反馈控制来提高系统的控制精度。实验结果证明，本发明研发的控制器控制算法及软硬件设计符合比例电磁阀控制器应具有的功能和要求，控制效果好，开发成本低，系统控制精度高且系统结构简单、便于操作。

本发明实现步骤如下：

前馈滞环补偿模型建立

基于PSO曲线参数辨识的建模:基于实验数据拟合来建立比例电磁阀流量滞环模型，并采用PSO算法来实现拟合曲线的参数估计。具体步骤如下：

1)参数估计：参数估计问题可以转化为一个多维无约束函数优化问题以及PSO算法在函数优化方面的优越性问题，本发明选择PSO算法来实现五阶多项式参数估计。

2)比例电磁阀流量滞环曲线的拟合：典型比例阀的流量滞环曲线具有多映射、非线性等特点，很难直接对曲线整体进行拟合，但是整个滞环曲线的上升段和下降段的滞环曲线都是近似的S曲线，因此可以对滞环曲线进行分段拟合。

根据典型比例阀流量滞环曲线的特点，本发明将模型分段成式(1)的形式，其中x_i为输入信号，y_i为实测输出。

在此基础上分别对上升段和下降段进行曲线拟合。经过大量的计算比较后，最终选取能准确描述S型曲线的五阶多项式对典型比例阀流量滞环曲线进行分段拟合，选取的五阶多项式函数表示方法如下：

y＝p₀+p₁*x+p₂*x²+p₃*x³+

p₄*x⁴+p₅*x⁵(2)

其中p_j(j＝0,1……5)为五阶多项式的系数，将五阶多项式记作g＝f(p_j,x)。曲线拟合建立在输入输出的基础上,利用给定的n对数据点(x_i,y_i)来拟合并确定五阶多项式g＝f(p_j,x)中的系数p_j(j＝0,1……5)，实现曲线参数的辨识。

评价参数辨识的优劣就是要看在同样输入的情况下，不同的被辨识参数使得等价模型系统的输出g_i与实际系统输出y_i的接近程度，本发明选用式(3)作为性能评估准则，当偏差平方和越小就表示被辨识曲线拟合值越接近真实值，即效果越好，其中y_i为系统实际输出，g_i为模型估计值，n为模型参数估计的样本个数。

$e=\min \underset{i=1}{\overset{n}{\&Sigma;}}(y_i-g_i)---\left(3\right)$

3)基于PSO算法的估计参数优化：介绍PSO算法的原理。PSO算法是通过模拟自然界中鸟类捕食现象提出的群体进化算法，在标准PSO算法中，算法初始化为一群随机粒子，每个优化问题的潜在解都被看成是d维搜索空间上的一个粒子,群体sizepop个粒子组成，粒子特征由位置、速度和适应值三项指标表示，然后通过迭代搜索出最优解。每次迭代粒子都通过跟踪个体极值Pbest和群体极值gbest更新位置，再按如下公式分别更新粒子的速度和位置。

$\begin{array}{c}{V}_{id}^{k+1}=W*V_{id}^k+c_1*r_1*(P_{id}^k-X_{id}^k)+\\ c_2*r_2*(P_{gd}^k-X_{id}^k)\end{array}---\left(4\right)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}---\left(5\right)$

W＝W_max-gen(W_max-W_min)/maxgen(6)

在上式中，i＝1,2,3......sizepop；d＝1,2......Dim；maxgen为最大迭代次数；c₁、c₂为加速度因子，通常情况下取c₁＝c₂＝2；W为惯性权重，通常将惯性权重设为随时间线性减少的函数，其函数形式通常为式(4)所示；r₁和r₂是(0-1)之间的随机数；V_id是d维搜索空间里面粒子i的运动速度；X_id是d维搜索空间里面粒子i的位置；p_id是d维粒子i的最优位置(个体极值)；p_gd是d维粒子群的最优位置(全局极值)。当粒子速度太大时会导致粒子跳过最好解，速度太小又会陷入局部最优，因此一般将粒子的速度限制在[-V_dmax,V_dmax]，将d维搜索空间定义为区间[-X_dmax,X_dmax]，设定V_dmax为每维变化范围的10％～20％。

复合控制算法具体为：PID控制加电流反馈。

采用逆模型构成的前馈控制器仍属于开环控制，开环控制对外界干扰的抵抗能力较低，一旦出现预期外的偏差，无法进行调整和补偿。因此本发明在前馈控制基础上通过引入反馈控制来提高系统的控制精度，控制器结合了前馈和反馈的优点。在逆模型前馈补偿中，通过滞环逆模型求得前馈补偿电流i_f，在电流反馈中，通过理想流量和实际输出流量误差e作为PID控制器的输入，此时可以得到复合算法输出的驱动电流i＝i_f+i_e，利用此电流可以得到占空比D＝i/i_N。

控制系统的实现方法：

本系统以面向嵌入式应用开发的STM32通用微控制器为核心，STM32微控制器可以产生频率、占空比都可调的PWM控制信号，经光耦隔离、放大后，送给MOS管，从而控制电磁阀的导通和关断。在软件设计中引入了μC/OS-II实时操作系统，通过软件算法实现逆模型补偿控制与电流反馈复合控制，由算法计算出驱动电流及占空比，进而对比例电磁阀进行控制，将不同的任务设置为不同的优先级。

实验结果及分析：应用本发明提出的方法对沈阳电磁技术研究所自主研制的比例电磁阀流量滞环曲线进行拟合及测试。该比例阀孔径为2.6mm，额定电压U＝12V。在3公斤气压下进行实验，输入电流由0.20A到0.8A，步长为0.02A，采用PSO曲线参数辨识建模,分别针对直流驱动、单闭环PWM驱动以及基于逆模型前馈补偿控制与电流反馈控制的PWM复合控制进行实验及分析。

通过按键控制电流由0.20A增加到0.80A，每次增加0.02A，由流量计读出每次变化输出的当前值并记录，同理记录下电流由0.80A变回到0.20A时对应的流量值。三种方式下的滞环曲线，验证三种方式下的的控制效果，对三种方式下的实验结果进行分析，采用滞环量、最大滞环量来进行实验结果评估。通过同一输入值下输出值的差值与输出量程的比值可以计算滞环量V。滞环量越小，表明去程与回程越接近，即控制效果越好。在单闭环PWM控制方式的基础上增加前馈逆补偿措施对流量滞环的改善作用最好，滞环量减少最明显。为了直观地看到滞环的改变量，将三种控制方式下的滞环性能指标进行比较,由表1可知单闭环PWM驱动下的最大滞环量由直流驱动下的24.1％减小到12.7％，平均滞环量由11.9％减小到4.8％。复合控制方式下的最大滞环量由单闭环PWM驱动下的12.7％减小到5.4％，平均滞环量由4.8％减小到2％。因此，可知采用逆模型前馈补偿控制与电流反馈控制的PWM复合控制方式的控制效果最好。

表1滞环性能指标

Tab.1HysteresisPerformance

Claims (4)

1.一种比例电磁阀复合控制方法，其特征在于：该控制方法通过滞环逆模型消除比例电磁阀滞环非线性；通过电流反馈PWM复合控制提高系统的控制精度。

2.根据权利要求1所述的比例电磁阀复合控制方法，其特征在于：所述的滞环逆模型为基于PSO曲线参数辨识的建模，所述建模基于实验数据拟合来建立比例电磁阀流量滞环模型，并采用PSO算法来实现拟合曲线的参数估计，所述建模的具体步骤为：

1)比例电磁阀流量滞环曲线的拟合：对滞环曲线进行分段拟合，计算方法为：

其中x_i-为输入信号，y_i为实测输出；

2)选取能准确描述S型曲线的五阶多项式对典型比例阀流量滞环曲线进行分段拟合：选取的五阶多项式函数表示方法如下：

y＝p₀+p₁*x+p₂*x²+p₃*x³+p₄*x⁴+p₅*x⁵

其中p_j(j＝0，1……5)为五阶多项式的系数，将五阶多项式记作g＝f(p_j，x)，曲线拟合建立在输入输出的基础上,利用给定的n对数据点(x_i，y_i)来拟合并确定五阶多项式g＝f(p_j，x)中的系数p_j(j＝0，1……5)，实现曲线参数的辨识；

3)基于PSO算法的估计参数优化：在所述PSO算法中，算法初始化为一群随机粒子，每个优化问题的潜在解都被看成是d维搜索空间上的一个粒子,群体sizepop个粒子组成，粒子特征由位置、速度和适应值三项指标表示，然后通过迭代搜索出最优解，每次迭代粒子都通过跟踪个体极值Pbest和群体极值gbest更新位置，再按如下公式分别更新粒子的速度和位置：

$\begin{array}{c}{V}_{id}^{k+1}=W*V_{id}^k+c_1*r_1*\left(P_{id}^k-X_{id}^k\right)+\\ c_2*r_2*\left(P_{gd}^k-X_{id}^k\right)\end{array}---\left(1\right)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}---\left(2\right)$

W＝W_max-gen(W_max-W_min)/maxgen(3)

在上式中，i＝1，2，3......sizepopd＝1，2......Dimmaxgen为最大迭代次数；c₁、c₂为加速度因子，通常情况下取c₁＝c₂＝2；W为惯性权重，通常将惯性权重设为随时间线性减少的函数，其函数形式通常为式(1)所示；r₁和r₂是(0-1)之间的随机数；V_id是d维搜索空间里面粒子i的运动速度；X_id是d维搜索空间里面粒子i的位置；p_id是d维粒子i的最优位置(个体极值)；p_gd是d维粒子群的最优位置(全局极值)；一般将粒子的速度限制在[-V_dmax,V_dmax]，将d维搜索空间定义为区间[-X_dmax,X_dmax]，设定V_dmax为每维变化范围的10％～20％；

4)采用matlab编程来实现PSO估计，进而辨识五阶多项式g＝f(p_j,x)中的六个参数，算法执行步骤具体如下：

Step1.设置相关初始参数：选择种群规模sizepop,维数Dim,设置最大迭代次数maxgen，加速度因子c₁、c₂和惯性权重W；

Step2.初始化粒子位置X、速度V；

Step3.根据曲线拟合的需要，选择式作为粒子群的适应度函数即:

$fit=\min \underset{i=1}{\overset{n}{\&Sigma;}}(y_i-g_i)$

Step4.初始化粒子的个体极值pbest及其对应适应度值fitpbest,全局极值gbest及其对应适应度值fitgbest；

Step5.计算每个粒子的适应度值fit(X(i,:))；

Step6.根据适应度值更新个体极值pbest与全局极值gbest。个体极值可用如下公式更新：

$Pbest=\left\{\begin{array}{cc}X(i,:)& fit\left(X\right(i,:\left)\right)<fitPbest\\ Pbest& fit\left(X\right(i,:\left)\right)\&GreaterEqual;fitPbest\end{array}\right.$

所述全局极值是群体中所有粒子经历过的最小适应度值所对应的粒子；

Step7.采用公式(1)、(2)、(3)更新粒子速度和位置；

Step8.当迭代次数大于最大迭代次数时停止计算，否则返回step5；

Step9.输出得到全局极值，此全局极值为所要估计的参数，依据结果绘制拟合曲线，算法结束。

3.根据权利要求1所述的比例电磁阀复合控制方法，其特征在于：所述电流反馈PWM复合控制的方法为PID控制加电流反馈，具体为：通过滞环逆模型求得前馈补偿电流i_f，在电流反馈中，通过理想流量和实际输出流量误差e作为PID控制器的输入，此时可以得到复合算法输出的驱动电流i＝i_f+i_e，利用此电流可以得到占空比D＝i/i_N。

4.根据权利要求1所述的比例电磁阀复合控制方法，其特征在于：该方法以面向嵌入式应用开发的STM32通用微控制器为核心，STM32微控制器可以产生频率、占空比都可调的PWM控制信号，经光耦隔离、放大后，送给MOS管，从而控制电磁阀的导通和关断，在软件设计中引入了μC/OS-II实时操作系统，通过软件算法实现逆模型补偿控制与电流反馈复合控制，由算法计算出驱动电流及占空比，进而对比例电磁阀进行控制。