CN108233778A - 一种多智能单元串并联展收机构协同控制优化方法 - Google Patents

Abstract

本发明公开了一种多智能单元串并联展收机构协同控制优化方法，构成串并联展收机构的每个智能单元均包括有控制器、执行器、存储器以及相关的转动单元和连接单元，执行器是以伺服电机为驱动器件；其控制方法是首先根据仿生单元建立连续数学模型、离散数学模型；然后基于离散数学模型，提出最优控制率、每个智能控制单元的局部控制率和总的适应度函数；最后，在前两步基础上，使用多智能体粒子群算法对伸展机构的控制参数进行计算和优化。本发明使伸展机构能够适应复杂环境，提高抗干扰性能。

Description

一种多智能单元串并联展收机构协同控制优化方法

技术领域

本发明涉及一种应用于变形翼或者太空飞行器天线、电池板等的智能伸展机构，通过智能算法对该伸展机构进行协同控制。

背景技术

目前大部分商用、私人及军用飞机都属于固定翼飞机，但其气动特性单一，只能在某一种条件下实现最优飞行效率，不同任务对飞机性能的要求常常存在冲突，因此很难满足多任务需求的固定翼飞机。随着各种新技术的发展以及人们对飞行性能需求的提升，变形翼研究成为了可能。通过自适应地优化机翼的大小、形状或者结构，使机翼具有不同的气动特性，可以提高飞机在不同飞行条件下的性能。变形翼的智能伸展机构是其中的一种实现方式。

在充满磁辐射、阶梯温度和大量空间碎片等的太空环境中，航天器须进行在轨位姿的多自由度连续调整，而现有展收机构只能进行完全展开或收拢状态的两自由度刚性调整，因此抗电磁辐射、耐温度梯度和灵活展收的空间机构及其作用机理成为现有航天器研究中亟待解决的关键问题，迄今还未有相关技术的公开报导。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种多智能单元串并联展收机构协同控制优化方法，使伸展机构能够适应复杂、多干扰的工作环境，提高抗干扰性能。

本发明为解决技术问题采用如下技术方案：

本发明多智能单元串并联展收机构协同控制优化方法的特点是，构成所述串并联展收机构的每个智能单元均包括有控制器、执行器、存储器以及相关的转动单元和连接单元，所述执行器是以伺服电机为驱动器件；所述控制方法是按如下步骤进行：

步骤1、建立式(1)所示的伺服电机连续数学模型：

x_i(t)表示智能单元i在t时刻关于位移和速度的状态变量，是x_i(t)的导数，u_i(t)表示智能单元i在t时刻的控制变量，i＝1,2,…,16；A和B为连续矩阵系数，且：

将内外部干扰表征为取值范围为-1～0的不确定参数δ，则有：

Tm、K_PWM、Km和n均为伺服电机参数，分别是伺服电机的时间常数、拟线性放大系数、传递系数和减速比；

步骤2、针对式(1)进行离散化，获得式(2)所示的伺服电机离散化数学模型：

x_i(k+1)＝Gx_i(k)+Hu_i(k) (2)，

x_i(k)为智能单元i在第k个采样时刻关于位移和速度的状态变量；

u_i(k)为智能单元i在第k个采样时刻的控制变量，取k为1～50；

G和H是与连续矩阵系数A和B相对应的离散矩阵系数，G＝e^AT，

T为采样周期，T＝0.01s；

步骤3、结合初始条件，利用式(2)获得每个智能单元每个采样周期关于位移和速度的状态变量和控制变量；在每个采样时刻，每个智能单元的控制器根据收集到的自身的状态变量，以及邻域智能单元的状态变量，结合式(3)所示的局部控制率产生控制变量，利用所述控制变量驱动伺服电机运动；

智能单元j为智能单元i的邻域智能单元；

x_j(k)为智能单元j在第k个采样时刻关于位移和速度的状态变量；

K₁为智能单元i关于位移和速度的状态变量的控制系数；

K₂为智能单元i的邻域智能单元集合的关于位移和速度的状态变量的控制系数；

K₁＝[z1,z2]，K₂＝[z3,z4]，z1、z2、z3和z4是未知控制参数；

N_i为智能单元i的所有邻域智能单元的集合；D(i)为集合N_i的势；

步骤4、针对每个智能单元选取一个局部代价函数如式(4)：

J(i)为智能单元i的局部代价函数，m为采样时刻的上限次数，取m为50；

v_i(k)为智能单元i在第k个采样时刻的速度；γ是与速度相关的系数，γ取值为-1.0～0；

Q₁、R、T和Q₂为相应参数矩阵，均取为单位矩阵：

以k表示第k个采样时刻对应的参量；

步骤5、将步骤4所获得的每个智能单元的局部代价函数耦合其它智能单元的状态信息，推导出局部代价函数的最小值，再推广到全局代价函数，选取当前时刻的全局最优值，以适应度函数fitness(k)表征当前时刻的全局最优值，即第k个采样时刻之前获得的最优全局代价函数值，如式(5)：

步骤6、采用多智能体粒子群算法优化所述未知控制参数z1、z2、z3、z4，实现多智能单元串并联展收机构协同控制。

本发明多智能单元串并联展收机构协同控制优化方法的特点也在于：在所述多智能体粒子群算法中，按式(6)和式(7)更新位置和速度：

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的位移；

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的速度；

pBest_n为粒子n当前最优位置，gBest_n表示当前所有粒子中的最优位置；

r₁和r₂是0～1的随机量；

权重系数w、认知系数c₁、社会系数c₂按式(8)、式(9)和式(10)进行更新：

其中t为迭代次数，Time为最大迭代次数，w₁和w₂分别为权重系数的初始值和终端值，c_1i和c_1f分别为认知系数的初始值和终端值，c_2i、c_2f分别为社会系数的初始值和终端值。

本发明多智能单元串并联展收机构协同控制优化方法的特点也在于：采用多智能体粒子群算法优化所述未知控制参数z1、z2、z3、z4的过程如下：

1、首先将未知控制参数z1、z2、z3、z4取为随机值，针对每个智能单元设定位移和速度初值，并由式(5)计算获得适应度函数初始值；

2、设置迭代次数，每个智能单元对应一个粒子；

3、执行多智能体粒子群算法中粒子之间的竞争与协作，选出局部最优的粒子；

4、针对局部最优粒子按式(8)、式(9)和式(10)更新粒子群算法的权重系数w、认知系数c₁、社会系数c₂；

5、利用权重系数w、认知系数c₁、社会系数c₂，根据式(6)和式(7)获得本次迭代的控制参数；

6、将本次迭代的控制参数利用式(5)计算获得本次迭代的适应度函数值；

若：本次迭代的适应度函数值小于与前次迭代的适应度函数值，则将控制参数更新为本次迭代的控制参数；

若：本次迭代的适应度函数值不小于与前次迭代的适应度函数值，则保持控制参数为前次迭代的控制参数；

对于第一次迭代的适应度函数值是与适应度函数初始值进行比较；

7、判断当前最优适应度函数值是否满足结束条件：

若满足，则输出当前的控制参数作为未知控制参数z1、z2、z3和z4的终值；

若不满足，则返回步骤3.2继续下一次优化过程直至满足结束条件；

所述结束条件有两个，任一结束条件满足则结束优化过程：一个结束条件是连续3～5次获得的最优当前适应度函数值的差值不大于0.001，另一个结束条件是达到总迭代次数。

与已有技术相比，本发明有益效果体现在：

1、本发明方法使伸展机构能够适应复杂、多干扰的工作环境，极大地提高了其抗干扰性能；

2、本发明优化协同控制方法能够进行二自由度和三自由度的伸展运动控制，对于各种环境干扰具有很强的抑制作用，满足多智能伸展机构运动快速性、准确性和平滑性的控制要求；

3、本发明方法采用多智能体粒子群算法，即MAPSO，作为随机寻优算法，能够不停地寻找最适合的控制参数，使得实时控制成为可能；

4、本发明方法在适应度函数中引入速度相关系数，通过修正速度相关系数，可以获得最优控制效果；

5、本发明方法主要针对需要多驱动器共同作用，进行协同控制的对象，包括航天器太阳能电池板、天线以及智能家居等场合，满足多电机协同控制要求。

附图说明

图1为本发明协同控制优化方法框图；

图2为本发明中多智能体串并联的通讯示意图；

图3为最优控制和两种干扰信号优化协同控制算法的位置轨迹运动比较图；

图4为最优控制和随机均匀分布干扰信号下的优化协同控制算法的速度轨迹比较图；

图5为最优控制和高斯白噪声干扰信号下的优化协同控制算法的速度轨迹比较图；

图6为两种干扰信号下优化协同控制算法的速度轨迹比较图。

具体实施方式

本实施例中的串并联展收机构的通讯示意图如图2所示，图2中P₁、P₂、P₃…P₁₆为各智能单元，在多智能单元串并联展收机构协同控制优化方法中，构成串并联展收机构的每个智能单元均包括有控制器、执行器、存储器以及相关的转动单元和连接单元，执行器是以伺服电机为驱动器件；控制流程如图1所示，是按如下步骤进行：

步骤1、建立式(1)所示的伺服电机连续数学模型：

x_i(t)表示智能单元i在t时刻关于位移和速度的状态变量，是x_i(t)的导数，u_i(t)表示智能单元i在t时刻的控制变量，i＝1,2,…,16；A和B为连续矩阵系数，且：

将内外部干扰表征为取值范围为-1～0的不确定参数δ，则有：

T_m、K_PWM、K_m和n均为伺服电机参数，分别是伺服电机的时间常数、拟线性放大系数、传递系数和减速比。

步骤2、针对式(1)进行离散化，获得式(2)所示的伺服电机离散化数学模型：

x_i(k+1)＝Gx_i(k)+Hu_i(k) (2)，

x_i(k)为智能单元i在第k个采样时刻关于位移和速度的状态变量，其初始值根据实际结构确定，在控制过程中通过传感器实时采集获得；

u_i(k)为智能单元i在第k个采样时刻的控制变量，取k为1～50；

G和H是与连续矩阵系数A和B相对应的离散矩阵系数，G＝e^AT，

T为采样周期，T＝0.01s。

步骤3、结合初始条件，利用式(2)获得每个智能单元每个采样周期关于位移和速度的状态变量和控制变量；在每个采样时刻，每个智能单元的控制器根据收集到的自身的状态变量，以及邻域智能单元的状态变量，结合式(3)所示的局部控制率产生控制变量，利用所述控制变量驱动伺服电机运动；

智能单元j为智能单元i的邻域智能单元；

x_j(k)为智能单元j在第k个采样时刻关于位移和速度的状态变量；

K₁为智能单元i关于位移和速度的状态变量的控制系数；

K₂为智能单元i的邻域智能单元集合的关于位移和速度的状态变量的控制系数；

K₁＝[z1,z2]，K₂＝[z3,z4]，z1、z2、z3和z4是未知控制参数；

N_i为智能单元i的所有邻域智能单元的集合；D(i)为集合N_i的势；

步骤4、针对每个智能单元选取一个局部代价函数如式(4)：

J(i)为智能单元i的局部代价函数，m为采样时刻的上限次数，取m为50；

v_i(k)为智能单元i在第k个采样时刻的速度；γ是与速度相关的系数，γ取值为-1.0～0，通过调节γ值能够调节算法的速度，以平衡快速性和平滑性的要求；

Q₁、R、T和Q₂为相应参数矩阵，均取为单位矩阵：

以k表示第k个采样时刻对应的参量。

步骤5、将步骤4所获得的每个智能单元的局部代价函数耦合其它智能单元的状态信息，推导出局部代价函数的最小值，再推广到全局代价函数，选取当前时刻的全局最优值，以适应度函数fitness(k)表征当前时刻的全局最优值，即第k个采样时刻之前获得的最优全局代价函数值，如式(5)：

步骤6、采用多智能体粒子群算法优化所述未知控制参数z1、z2、z3、z4，实现多智能单元串并联展收机构协同控制。

本实施例中，在多智能体粒子群算法中，按式(6)和式(7)更新位置和速度：

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的位移；

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的速度；

pBest_n为粒子n当前最优位置，gBest_n表示当前所有粒子中的最优位置；

r₁和r₂是0～1的随机量；

为了减少粒子群算法局部最优和过早收敛的问题，本实施例中采用优化后的多智能体粒子群算法，其权重系数w、认知系数c₁、社会系数c₂按式(8)、式(9)和式(10)进行更新：

其中，t为迭代次数，Time为最大迭代次数，w₁和w₂分别为权重系数的初始值和终端值，c_1i和c_1f分别为认知系数的初始值和终端值，c_2i、c_2f分别为社会系数的初始值和终端值。本实施例将最大迭代次数Time取值为50次，w₁取值为0.9，w₂取值为0.4，c_1i取值为2.5，c_1f取值为0.5，c_2i取值为0.5，c_2f取值为2.5。

本实施例中采用多智能体粒子群算法优化未知控制参数z1、z2、z3、z4的过程为：

1、首先将未知控制参数z1、z2、z3、z4取为随机值，针对每个智能单元设定位移和速度初值，并由式(5)计算获得适应度函数初始值。

2、设置迭代次数，每个智能单元对应一个粒子。

3、执行多智能体粒子群算法中粒子之间的竞争与协作，选出局部最优的粒子。

4、针对局部最优粒子按式(8)、式(9)和式(10)更新粒子群算法的权重系数w、认知系数c₁、社会系数c₂。

5、利用权重系数w、认知系数c₁、社会系数c₂，根据式(6)和式(7)获得本次迭代的控制参数。

6、将本次迭代的控制参数利用式(5)计算获得本次迭代的适应度函数值；

若：本次迭代的适应度函数值小于与前次迭代的适应度函数值，则将控制参数更新为本次迭代的控制参数；

若：本次迭代的适应度函数值不小于与前次迭代的适应度函数值，则保持控制参数为前次迭代的控制参数；

对于第一次迭代的适应度函数值是与适应度函数初始值进行比较。

7、判断当前最优适应度函数值是否满足结束条件：

若满足，则输出当前的控制参数作为未知控制参数z1、z2、z3和z4的终值；

若不满足，则返回步骤2继续下一次优化过程直至满足结束条件；

结束条件有两个，任一结束条件满足则结束优化过程：一个结束条件是连续3～5次获得的最优当前适应度函数值的差值不大于0.001，另一个结束条件是达到总迭代次数。

结合控制参数及适应度函数，控制参数作为粒子，通过多次迭代最终找到合适值。

仿真试验

取一组初值，以最优控制算法为对比对象，分别使用高斯白噪声信号和随机均匀分布信号模拟外部干扰信号，对算法的快速性、准确性和平滑性进行仿真。

图3所示使用两种随机信号后的智能体的运动轨迹，其中虚线是最优控制算法，实线是优化的多智能体协同控制算法；图3中的虚线和实线几乎完全重合，这说明两种算法都能够准确地、平滑地实现控制目标。

图4和图5分别是两种随机干扰信号作用下的智能体速度轨迹，其中虚线是最优控制算法，实线是优化的多智能体协同控制算法；在仿真示例中，每列单元的坐标相同，以第一列单元为基准，即坐标均为0，则图4和图5中的图(a)-图(d)四个分图一一对应为第1-4列单元的速度曲线，图4(a)和图5(a)是基准曲线，其值均为0，故曲线完全重合；可以明显看到，优化的多智能体协同控制算法快速性更好。

图6中的图(a)-图(d)一一对应为第1-4列单元两种随机干扰信号作用下的智能体速度轨迹对比，其中虚线是随机均匀分布干扰信号的，实线是高斯白噪声干扰信号的，图6(a)也是基准曲线，其值均为0，实线和虚线完全重合。两者对比可以看出，除了图6(a)外，图6(b)-图6(d)中的曲线除了最开始部分存在部分跳跃的虚线外，后续的实线和虚线也完全重合，即对于不同的干扰信号，优化控制算法速度曲线基本一致，因此，该算法具有很强的抗干扰性。

Claims (3)

1.一种多智能单元串并联展收机构协同控制优化方法，其特征是，构成所述串并联展收机构的每个智能单元均包括有控制器、执行器、存储器以及相关的转动单元和连接单元，所述执行器是以伺服电机为驱动器件；所述控制方法是按如下步骤进行：

步骤1、建立式(1)所示的伺服电机连续数学模型：

x_i(t)表示智能单元i在t时刻关于位移和速度的状态变量，是x_i(t)的导数，u_i(t)表示智能单元i在t时刻的控制变量，i＝1,2,…,16；A和B为连续矩阵系数，且：

将内外部干扰表征为取值范围为-1～0的不确定参数δ，则有：

T_m、K_PWM、K_m和n均为伺服电机参数，分别是伺服电机的时间常数、拟线性放大系数、传递系数和减速比；

步骤2、针对式(1)进行离散化，获得式(2)所示的伺服电机离散化数学模型：

x_i(k+1)＝Gx_i(k)+Hu_i(k) (2)，

x_i(k)为智能单元i在第k个采样时刻关于位移和速度的状态变量；

u_i(k)为智能单元i在第k个采样时刻的控制变量，取k为1～50；

G和H是与连续矩阵系数A和B相对应的离散矩阵系数，G＝e^AT，

T为采样周期，T＝0.01s；

步骤3、结合初始条件，利用式(2)获得每个智能单元每个采样周期关于位移和速度的状态变量和控制变量；在每个采样时刻，每个智能单元的控制器根据收集到的自身的状态变量，以及邻域智能单元的状态变量，结合式(3)所示的局部控制率产生控制变量，利用所述控制变量驱动伺服电机运动；

智能单元j为智能单元i的邻域智能单元；

x_j(k)为智能单元j在第k个采样时刻关于位移和速度的状态变量；

K₁为智能单元i关于位移和速度的状态变量的控制系数；

K₂为智能单元i的邻域智能单元集合的关于位移和速度的状态变量的控制系数；

K₁＝[z1,z2]，K₂＝[z3,z4]，z1、z2、z3和z4是未知控制参数；

N_i为智能单元i的所有邻域智能单元的集合；D(i)为集合N_i的势；

步骤4、针对每个智能单元选取一个局部代价函数如式(4)：

J(i)为智能单元i的局部代价函数，m为采样时刻的上限次数，取m为50；

v_i(k)为智能单元i在第k个采样时刻的速度；γ是与速度相关的系数，γ取值为-1.0～0；

Q₁、R、T和Q₂为相应参数矩阵，均取为单位矩阵：

以k表示第k个采样时刻对应的参量；

步骤5、将步骤4所获得的每个智能单元的局部代价函数耦合其它智能单元的状态信息，推导出局部代价函数的最小值，再推广到全局代价函数，选取当前时刻的全局最优值，以适应度函数fitness(k)表征当前时刻的全局最优值，即第k个采样时刻之前获得的最优全局代价函数值，如式(5)：

步骤6、采用多智能体粒子群算法优化所述未知控制参数z1、z2、z3、z4，实现多智能单元串并联展收机构协同控制。

2.根据权利要求1所述的多智能单元串并联展收机构协同控制优化方法，其特征是，在所述多智能体粒子群算法中，按式(6)和式(7)更新位置和速度：

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的位移；

和分别为第n个粒子在第k个采样时刻和在第k+1个采样时刻的速度；

pBest_n为粒子n当前最优位置，gBest_n表示当前所有粒子中的最优位置；

r₁和r₂是0～1的随机量；

权重系数w、认知系数c₁、社会系数c₂按式(8)、式(9)和式(10)进行更新：

其中t为迭代次数，Time为最大迭代次数，w₁和w₂分别为权重系数的初始值和终端值，c_1i和c_1f分别为认知系数的初始值和终端值，c_2i、c_2f分别为社会系数的初始值和终端值。

3.根据权利要求2所述的多智能单元串并联展收机构协同控制优化方法，其特征是采用多智能体粒子群算法优化所述未知控制参数z1、z2、z3、z4的过程如下：

3.1、首先将未知控制参数z1、z2、z3、z4取为随机值，针对每个智能单元设定位移和速度初值，并由式(5)计算获得适应度函数初始值；

3.2、设置迭代次数，每个智能单元对应一个粒子；

3.3、执行多智能体粒子群算法中粒子之间的竞争与协作，选出局部最优的粒子；

3.4、针对局部最优粒子按式(8)、式(9)和式(10)更新粒子群算法的权重系数w、认知系数c₁、社会系数c₂；

3.5、利用权重系数w、认知系数c₁、社会系数c₂，根据式(6)和式(7)获得本次迭代的控制参数；

3.6、将本次迭代的控制参数利用式(5)计算获得本次迭代的适应度函数值；

若：本次迭代的适应度函数值小于与前次迭代的适应度函数值，则将控制参数更新为本次迭代的控制参数；

若：本次迭代的适应度函数值不小于与前次迭代的适应度函数值，则保持控制参数为前次迭代的控制参数；

对于第一次迭代的适应度函数值是与适应度函数初始值进行比较；

3.7、判断当前最优适应度函数值是否满足结束条件：

若满足，则输出当前的控制参数作为未知控制参数z1、z2、z3和z4的终值；

若不满足，则返回步骤3.2继续下一次优化过程直至满足结束条件；

所述结束条件有两个，任一结束条件满足则结束优化过程：一个结束条件是连续3～5次获得的最优当前适应度函数值的差值不大于0.001，另一个结束条件是达到总迭代次数。