CN116088539A - 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 - Google Patents
一种基于改进秃鹰优化算法的无人救援艇控制优化方法 Download PDFInfo
- Publication number
- CN116088539A CN116088539A CN202310361245.6A CN202310361245A CN116088539A CN 116088539 A CN116088539 A CN 116088539A CN 202310361245 A CN202310361245 A CN 202310361245A CN 116088539 A CN116088539 A CN 116088539A
- Authority
- CN
- China
- Prior art keywords
- motor
- improved
- control
- optimization algorithm
- bald eagle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 238000005457 optimization Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 54
- 241000511338 Haliaeetus leucocephalus Species 0.000 title claims description 68
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000004804 winding Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 12
- 230000036621 balding Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 241000272184 Falconiformes Species 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000003973 paint Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明公开了一种基于改进秃鹰优化算法的无人救援艇控制优化方法，属于PID控制优化技术领域，具体包括通过引入自适应非线性控制因子对基础秃鹰优化算法改进，进一步利用改进秃鹰优化算法优化PID控制器，在无人救援艇控制系统中引入基于改进秃鹰优化算法的PID控制器，采用双闭环控制方式，速度环采用PID控制方式，电流环采用滞环控制方法，获得电机最优控制参数。通过构建优化的无刷直流电机转速、电流双闭环调速系统数学模型，并根据该模型在Matlab/Simulink中搭建无刷直流电机控制系统仿真模型进行效果验证，结果表明基于改进秃鹰算法的无人救援艇控制优化方法可以提高无人救援艇控制系统的稳定性和响应速度。
Description
技术领域
本发明属于无刷直流电机PID控制优化技术领域，尤其涉及一种基于改进秃鹰优化算法的无人救援艇控制优化方法。
背景技术
随着无人驾驶技术的快速发展，无人驾驶船舶成为海上智能交通的重要研究领域。近些年船联网建设不断完善，以及云计算、大数据在航运领域的逐步应用，构建智能化的无人救援艇已成为可实现的目标。在高度动态和不可预测的海洋环境里，无人救援艇的控制是核心问题，是其完成各种复杂任务的重要前提。无人救援艇需要可靠的控制能力来确保自身的航行稳定，因此控制系统应具备良好的自适应性、鲁棒性和较强的抗干扰能力。
目前，无人救援艇的电机普遍采用速度和电流双闭环控制方法，对速度的控制大部分利用传统的PID控制器，传统PID控制器因其实现方法简单且鲁棒性较好，常被应用到工业控制中，对简单线性系统有较好的控制效果，但对复杂线性系统效果不佳，主要表现为，在实际应用中为达到最佳效果，需要对PID三个参数进行调节，调节需要根据经验，具有一定的难度。
发明内容
针对现有技术的不足，本发明提供了一种基于改进秃鹰优化算法的无人救援艇控制优化方法，以解决现有技术中优化控制方法在全局搜索和局部搜索过程中算法的搜索效率低下和精度效果不佳的技术问题，提高无人救援艇具有高稳定性的同时也兼备高效性和强抗扰动能力。
为了实现上述目的，本发明采用了如下技术方案：
一种基于改进秃鹰优化算法的无人救援艇控制优化方法，具体包括如下步骤：
步骤一：搭建无人救援艇系统模型；
所述系统模型主要包括无刷直流电机转速、电流双闭环调速系统的数学模型和无刷直流电机控制系统的仿真模型，无刷直流电机转速、电流双闭环调速系统的数学模型包括定子三相绕组电压平衡方程、电机电磁转矩数学表达式以及电机机械运动方程；无刷直流电机控制系统的仿真模型采用双闭环控制方式，其中电流环采用滞环控制方法，而转速环采用改进秃鹰算法优化PID控制方法；
步骤二：改进秃鹰优化算法；
在基础秃鹰优化算法中，控制因子
α从迭代初期直至迭代后期始终为设定的固定值，寻优机制的潜能未被充分发掘，为此引入一种自适应非线性控制因子，以满足秃鹰优化算法的寻优需求；
所述自适用非线性控制因子的计算方式按照下式进行：
；
式中，
alpha max 取值为2，
alpha min 取值为1.5，
t为当前迭代次数，
Maxiter为最大迭代次数，k取值为1.131，alpha为改进后的控制因子。
步骤三：利用改进的秃鹰优化算法对PID参数优化，具体步骤如下：
S1、初始化IBES算法的相关参数，如种群规模
pop、搜索空间上下界[ub, lb]、变量维度
dim和最大迭代次数
Max_iter；
S2、随机初始化秃鹰种群位置，分配PID的
Kp、
Ki、
Kd参数，并根据适应度函数计算出每只秃鹰的适应度值，对每只秃鹰的适应度值进行排序后，保存当前种群的全局最优位置及适应度值；
S3、秃鹰选择搜索空间阶段，更新秃鹰种群的位置，控制因子
α根据下式进行非线性迭代；
；
S4、秃鹰搜索空间猎物阶段，再次更新种群位置；
S5、秃鹰俯冲捕获猎物阶段，再次更新种群位置；
S6、边界处理并重新计算适应度值；
S7、重复S3至S6 的迭代过程，直至满足最大迭代次数
Max_iter时，输出算法的全局最优解；
S8、根据改进秃鹰优化算法迭代得到的最优位置进行三维分解，并依次赋值给PID的三个参数
Kp、
Ki、
Kd；
S9、在Matlab/Simulink中对无刷直流电机控制系统进行仿真，得到最佳PID参数下的控制效果。
所述步骤一中无刷直流电机采用两相导通星形三相六状态控制系统，电机旋转时，定子绕组位置不变，电枢绕组的自感和互感不变，定子单相绕组的电压平衡方程为：
；
式中：
u A 、
u B 、
u C 分别指电机三个相的相电压，
i A 、
i B 、
i C 分别指电机三个相的相电流，
e A 、
e B 、
e C 分别指电机三个相的相反电动势，
R为电机三相绕组上的电阻，
L为绕组上的电感，
M为每两相绕组之间的互感。
进一步的，所述步骤一中定子三相绕组电压平衡方程为：
；
式中：
u A 、
u B 、
u C 分别指电机三个相的相电压，
i A 、
i B 、
i C 分别指电机三个相的相电流，
e A 、
e B 、
e C 分别指电机三个相的相反电动势，
R为电机三相绕组上的电阻，
L为绕组上的电感，
M为每两相绕组之间的互感。
进一步的，所述步骤一中电机电磁转矩表达式按照下式进行：
；
式中：
T e 指电机电磁转矩，
ω指电机转动时的机械角速度。
进一步的，所述步骤一中电机机械运动方程按照下式进行：
；
式中：
T e 指电机电磁转矩，
T L指电机负载转矩，
J指电机转子转动惯量。
进一步的，所述步骤一中电机调速系统采用双闭环控制方式，PID控制方法的 PID表达式按照下式进行：
；
式中：
r(t）为系统的参考输入，
K p 为比例增益，
K i 为积分增益，
K d 为微分增益，
e(t）为PID控制器的输入系统的反馈偏差，
u(t）为PID控制器的输出，
y(t）为系统的输出。
进一步的，所述步骤三中秃鹰选择搜索空间时，按照下式更新秃鹰种群的位置；
；
式中：
P best为当前种群最优个体，
P mean为秃鹰所有位置的平均值，
P i为第i只秃鹰个体位置，
r为（0,1）间的随机数，
α为改进非线性控制参数，取值为[1.5, 2]。
进一步的，所述步骤三中秃鹰搜索空间猎物时，按照下式更新秃鹰种群的位置；
；
式中，
P i为第i只秃鹰个体位置，
P i+1为下一个秃鹰位置，
P i,new为更新后的位置，
x
(i)和
y(i)为极坐标形式的秃鹰位置。
进一步的，
x(i)和
y(i)公式如下：
；
式中：
rand为(0, 1)间的随机数，
a与
R为螺旋轨迹控制参数，范围区间分别为（0.5，2）和（5,10），
x(i)和
y(i)为极坐标形式的秃鹰位置，
θ(i)和
r(i)分别为螺旋方程的极角与极径。
进一步的，所述步骤三中秃鹰俯冲捕获猎物时，按照下式更新秃鹰种群的位置；
；
式中：
rand为[0,1]内的均匀随机数，
c1，
c2为常数，取值为2，
x(i)和
y(i)为极坐标形式的秃鹰位置。
进一步的，所述步骤三中电机控制系统误差积分准则ITAE，积分准则ITAE如下式所示：
；
式中：
t为系统仿真时间，
e(t)为绝对误差，
N * 为电机期望输出速度，
N为电机实际输出速度，∞为积分时间上限。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，采用无刷直流电机为无人救援艇提供动力，采用双闭环控制方式，作为内环的电流环采用滞环控制，作为外环的转速环采用改进秃鹰优化算法优化PID控制，双闭环控制可减少外界对控制系统的干扰。
在基础秃鹰算法中，
α位置变化参数从迭代初期直至迭代后期始终为设定的固定值，寻优机制的潜能未被充分发掘，通过引入自适应非线性控制因子改进的秃鹰优化算法，使算法在前期达到增加种群多样性的目的，以获得较好的全局搜索性能；算法后期作用后值较小，则秃鹰个体往种群所在方向聚拢，使得个体产生聚集现象，以提高算法局部寻优能力，从而让算法在精度和搜索速度上相平衡，能快速找到全局最优值，提高了算法的运算效率，因此，当无人救援艇处于不同水域中工作时，能够具备优秀的抗干扰能力和环境自适应能力，达到快速启动和稳定高效工作的目的。
附图说明
图1为非线性自适应控制因子变化图。
图2为改进秃鹰算法对无刷直流电机PID参数优化方法的流程图。
图3为基于改进秃鹰优化算法的无人救援艇控制系统结构图。
图4为基于改进秃鹰优化算法的无刷直流电机控制系统仿真模型的示意图。
图5为无刷直流电机在秃鹰优化算法改进前与改进后以及传统PID三种算法下相对目标转速的对比图。
图6为无刷直流电机在秃鹰优化算法改进前与改进后以及传统PID三种算法下相对目标转速的对比放大图。
图7为无刷直流电机在秃鹰优化算法改进前与改进后以及传统PID三种算法下转速误差对比图。
图8为无刷直流电机在秃鹰优化算法改进前与改进后以及传统PID三种算法下转速误差对比放大图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1-8所示，本发明提供了一种基于改进秃鹰优化算法的无人救援艇控制优化方法，包括以下步骤：
步骤一：搭建无人救援艇控制系统模型，主要包括无刷直流电机转速、电流双闭环调速系统的数学模型和无刷直流电机控制系统的仿真模型，仿真模型采用双闭环控制方式，其中电流环采用滞环控制方法，而转速环采用改进秃鹰算法优化PID控制方法，如图3所示。
无刷直流电机采用两相导通星形三相六状态控制系统，电机旋转时，定子绕组位置不变，电枢绕组的自感和互感不变，定子单相绕组的电压平衡方程为：
；
式中：
u A 、
u B 、
u C 分别指电机三个相的相电压，
i A 、
i B 、
i C 分别指电机三个相的相电流，
e A 、
e B 、
e C 分别指电机三个相的相反电动势，
R为电机三相绕组上的电阻，
L为绕组上的电感，
M为每两相绕组之间的互感；
无刷直流电机转速、电流双闭环调速系统的数学模型包括定子三相绕组电压平衡方程、电机电磁转矩数学表达式以及电机机械运动方程，无刷直流电机三相绕组对称分布，定子三相绕组电压平衡方程为：
；
式中：
u A 、
u B 、
u C 分别指电机三个相的相电压，
i A 、
i B 、
i C 分别指电机三个相的相电流，
e A 、
e B 、
e C 分别指电机三个相的相反电动势，
R为电机三相绕组上的电阻，
L为绕组上的电感，
M为每两相绕组之间的互感。
电机电磁转矩数学表达式按照下式进行：
；
式中：
T e 指电机电磁转矩，
ω指电机转动时的机械角速度。
电机机械运动方程按照下式进行：
；
式中：
T e 指电机电磁转矩，
T L指电机负载转矩，
J指电机转子转动惯量。
图3为无人救援艇控制系统结构图，电机调速控制系统采用双闭环控制方式，主要由无刷直流电机和电流滞环控制器以及速度PID控制器组成，其中，核心部分在于改进秃鹰优化算法对电机速度PID控制器的参数优化，PID控制方法的 PID表达式按照下式进行：
；
式中，
r(t）为系统的参考输入，
K p 为比例增益，
K i 为积分增益，
K d 为微分增益，
e(t）为PID控制器的输入系统的反馈偏差，
u(t）为PID控制器的输出，
y(t）为系统的输出。
步骤二：对基础秃鹰优化算法改进；
在基础秃鹰优化算法中，
α控制因子从迭代初期直至迭代后期始终为设定的固定值，算法寻优机制的潜能未被充分发掘，为此引入一种自适应非线性控制因子，以满足基础秃鹰算法的寻优需要，自适应非线性控制因子计算公式如下：
；
式中，
alpha max取值为2，
alpha min取值1.5，
t为当前迭代次数，
Maxiter为最大迭代次数，k取值为1.131，
alpha为改进后的控制因子；
图1为非线性自适应控制因子变化图，从图像上可以看出，迭代500次，数值从2非线性递减至1.5，在迭代初期参数变化较小，迭代中后期变化较大，可以很好地满足秃鹰优化算法的搜索空间要求。
步骤三：利用改进的秃鹰优化算法对PID优化，获得电机最优控制参数，并在Matlab/Simulink中对系统仿真，根据无刷直流电机的期望输出速度和实际输出速度的误差值建立误差积分准则ITAE，得到最佳PID参数下的控制效果。
图2为改进秃鹰优化算法对无刷直流电机PID参数优化流程图，显示从秃鹰优化算法的初始值设定至输出最佳控制效果，具体步骤为：
S1、初始化改进秃鹰算法的相关参数，如种群规模
pop、搜索空间上下界[ub, lb]、变量维度
dim和最大迭代次数
Max_iter；
S2、随机初始化秃鹰种群位置，分配PID的
Kp、
Ki、
Kd参数，并根据适应度函数计算出每只秃鹰的适应度值，对其进行排序后，保存当前种群的全局最优位置及最小适应度值；
S3、秃鹰选择搜索空间，根据式(1)更新秃鹰种群的位置；
（1）；
式中，
P best为当前种群最优个体，
Pmean为秃鹰所有位置的平均值，
P i为第i只秃鹰个体位置，
r为（0,1）间的随机数，
α为自适用非线性控制因子，取值为[1.5, 2]。
S4、秃鹰搜索空间猎物，根据式(2)和(3)更新种群位置；
（2）；
式中，
rand为(0, 1)间的随机数，
a与
R为螺旋轨迹控制参数，范围区间分别为（0.5，2）和（5,10），
x(i)和
y(i)为极坐标形式的秃鹰位置，
θ(i)和
r(i)分别为螺旋方程的极角与极径，为此极坐标下秃鹰位置的更新公式为：
（3）；
式中：
P i为第i只秃鹰个体位置，
P i+1为下一个秃鹰位置，
P i,new为更新后的位置，
x
(i)和
y(i)为极坐标形式的秃鹰位置；
S5、秃鹰俯冲捕获猎物，根据式(4)更新种群位置；
（4） ；
式中，
rand为[0,1]内的均匀随机数，
c1,
c2为常数，取值为2，
x(i)和
y(i)为极坐标形式的秃鹰位置。
S6、边界处理并重新计算适应度值；
S7、重复S3至S6 的迭代过程，直至满足最大迭代次数
Max_iter时，输出算法的全局最优解；
S8、根据改进后秃鹰优化算法迭代得到的最优位置进行三维分解，并依次赋值给PID的三个参数
Kp、
Ki、
Kd；
S9、最后在Matlab/Simulink中对无刷直流电机控制系统进行仿真，得到最佳PID参数下的控制效果；
如图4所示为基于改进秃鹰优化算法的无刷直流电机控制系统仿真模型，模型主要包括无刷直流电机、改进秃鹰优化算法PID控制转速模块、参考电流模块、电流滞环控制模块、逆变器模块等。
为验证改进秃鹰优化算法优化无刷直流电机控制效果的优越性，利用 Matlab/Simulink对无刷直流电机控制系统进行仿真，输出转速以及转速误差量，对基于改进秃鹰优化算法、基础秃鹰优化算法的无刷直流电机双闭环控制效果分析。
在同一条件下，分别基于传统PID控制、基础秃鹰优化算法以及改进秃鹰优化算法优化无刷直流电机速度PID控制器，通过Simulink仿真输出转速数据进行对比分析，由图5和图6可以看出三种算法速度对比，分析图5可知，目标转速从初始950左右调整到500左右时，传统 PID控制下出现较大超调量，转速响应慢；进一步放大图5，分析图6可知，传统 PID控制下，转速非常不稳定，而基础秃鹰算法较传统PID算法减小了超调量，响应速度加快且更转速更稳定，改进后秃鹰优化算法在超调量更少，响应速度更快，更稳定，改进秃鹰优化算法能使系统快速恢复至目标转速状态。图7和图8是转速误差的对比图，传统PID算法、基础秃鹰优化算法和改进的秃鹰优化算法三种算法误差依次呈逐渐减小趋势，如图8可发现，在仿真时间为1.8时，传统PID算法下转速误差为8.3，基础秃鹰优化算法下转速误差为0.7左右，而改进秃鹰优化算法下转速误差仅为0.3左右。
Claims (10)
1.一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，利用改进秃鹰优化算法优化PID控制器，具体包括以下步骤：
步骤一：搭建无人救援艇系统模型；
步骤二：在基础秃鹰优化算法的基础上进行改进，引入自适应非线性控制因子；
步骤三：利用改进的秃鹰优化算法对PID优化，获得电机最优控制参数，并在Matlab/Simulink中对系统仿真，根据无刷直流电机的期望输出速度和实际输出速度的误差值建立误差积分准则ITAE，并根据误差积分准则计算适应度值。
2.根据权利要求1所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述步骤一中无人救援艇系统模型主要包括无刷直流电机转速、电流双闭环调速系统的数学模型和无刷直流电机控制系统的仿真模型，无刷直流电机转速、电流双闭环调速系统数学模型包括定子三相绕组电压平衡方程、电机电磁转矩数学表达式以及电机机械运动方程；无刷直流电机控制系统的仿真模型采用双闭环控制方式，其中电流环采用滞环控制方法，而转速环采用改进秃鹰算法优化PID控制方法。
3.根据权利要求2所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述无刷直流电机采用两相导通星形三相六状态控制系统，电机旋转时，定子绕组位置不变，电枢绕组的自感和互感不变，定子单相绕组的电压平衡方程按照如下进行：
；
式中：u A 、u B 、u C 分别指电机三个相的相电压，i A 、i B 、i C 分别指电机三个相的相电流，e A 、e B 、e C 分别指电机三个相的相反电动势，R为电机三相绕组上的电阻，L为绕组上的电感，M为每两相绕组之间的互感。
4.根据权利要求2所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述定子三相绕组电压平衡方程为：
；
式中：u A 、u B 、u C 分别指电机三个相的相电压，i A 、i B 、i C 分别指电机三个相的相电流，e A 、e B 、e C 分别指电机三个相的相反电动势，R为电机三相绕组上的电阻，L为绕组上的电感，M为每两相绕组之间的互感。
5.根据权利要求2所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述电机电磁转矩数学表达式为：
；
式中：T e 指电机电磁转矩，ω指电机转动时的机械角速度。
6.根据权利要求2所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述电机机械运动方程为：
；
式中：T e 指电机电磁转矩，T L指电机负载转矩，J指电机转子转动惯量。
7.根据权利要求2所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，电机调速系统采用双闭环控制方式，PID控制方法的 PID表达式按照下式进行：
；
式中：r(t）为系统的参考输入，K p 为比例增益，K i 为积分增益，K d 为微分增益，e(t）为PID控制器的输入系统的反馈偏差，u(t）为PID控制器的输出，y(t）为系统的输出。
8.根据权利要求1所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述步骤二中，通过引入自适应非线性控制因子改进基础秃鹰优化算法，自适应非线性控制因子计算公式为：
；
式中：alpha max取值为2，alpha min取值为1.5，t为当前迭代次数，Maxiter为最大迭代次数，k取值为1.131。
9.根据权利要求1所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于，所述步骤三中利用改进的秃鹰优化算法对PID优化，具体步骤为：
S1、初始化基础秃鹰算法的相关参数，如种群规模pop、搜索空间上下界[ub, lb]、变量维度dim和最大迭代次数Max_iter；
S2、随机初始化秃鹰种群位置，分配PID的Kp、Ki、Kd参数，并根据适应度函数计算出每只秃鹰的适应度值，对其进行排序后，保存当前种群的全局最优位置及最小适应度值；
S3、秃鹰选择搜索空间，根据式(1)更新秃鹰种群的位置；
（1）；
式中：P best为当前种群最优个体，Pmean为秃鹰所有位置的平均值，P i为第i只秃鹰个体位置，r为（0,1）间的随机数，α为自适用非线性控制因子，取值为[1.5, 2]；
S4、秃鹰搜索空间猎物，根据式(2)和(3)更新种群位置；
（2）；
式中：rand为(0, 1)间的随机数，a与R为螺旋轨迹控制参数，范围区间分别为（0.5，2）和（5,10），x(i)和y(i)为极坐标形式的秃鹰位置，θ(i)和r(i)分别为螺旋方程的极角与极径，为此极坐标下秃鹰位置的更新公式为：
（3） ；
式中：P i为第i只秃鹰个体位置，P i+1为下一个秃鹰位置，P i,new为更新后的位置；
S5、秃鹰俯冲捕获猎物，根据式(4)更新种群位置；
（4） ；
式中：rand为[0,1]内的均匀随机数，c1，c2为常数，取值为2；
S6、边界处理并重新计算适应度值；
S7、重复S3至S6 的迭代过程，直至满足最大迭代次数Max_iter时，输出算法的全局最优解；
S8、根据改进秃鹰优化算法迭代得到的最优位置进行三维分解，并依次赋值给PID的三个参数Kp、Ki、Kd；
S9、最后在Matlab/Simulink中对无刷直流电机控制系统进行仿真，得到最佳PID参数下的控制效果。
10.根据权利要求1所述的一种基于改进秃鹰优化算法的无人救援艇控制优化方法，其特征在于,所述步骤三中误差积分准则ITAE为：
；
式中，t为系统仿真时间，e(t)为绝对误差，N * 为电机期望输出速度，N为电机实际输出速度，∞为积分时间上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361245.6A CN116088539A (zh) | 2023-04-07 | 2023-04-07 | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361245.6A CN116088539A (zh) | 2023-04-07 | 2023-04-07 | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116088539A true CN116088539A (zh) | 2023-05-09 |
Family
ID=86188181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310361245.6A Pending CN116088539A (zh) | 2023-04-07 | 2023-04-07 | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116088539A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400585A (zh) * | 2023-06-06 | 2023-07-07 | 济南大学 | 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法 |
| CN116449687A (zh) * | 2023-06-16 | 2023-07-18 | 济南大学 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
| CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106814637A (zh) * | 2017-02-23 | 2017-06-09 | 武汉科技大学 | 无刷直流电机的仿真控制方法以及仿真系统 |
| CN110266221A (zh) * | 2019-06-17 | 2019-09-20 | 岭南师范学院 | 一种电动汽车用无刷直流电机回馈制动控制系统 |
| CN110829904A (zh) * | 2019-11-13 | 2020-02-21 | 大连交通大学 | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 |
| CN113093527A (zh) * | 2021-04-07 | 2021-07-09 | 广东工业大学 | 改进ekf及模糊pid双闭环控制的无人艇抗扰系统及使用方法 |
| CN113162491A (zh) * | 2021-03-17 | 2021-07-23 | 安徽工程大学 | 一种基于改进天牛须算法的无刷直流电机优化方法 |
| CN114527641A (zh) * | 2022-02-23 | 2022-05-24 | 中山大学 | 基于人工电场算法优化的无刷直流电机模糊控制方法 |
| CN115655279A (zh) * | 2022-11-14 | 2023-01-31 | 济南大学 | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 |
-
2023
- 2023-04-07 CN CN202310361245.6A patent/CN116088539A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106814637A (zh) * | 2017-02-23 | 2017-06-09 | 武汉科技大学 | 无刷直流电机的仿真控制方法以及仿真系统 |
| CN110266221A (zh) * | 2019-06-17 | 2019-09-20 | 岭南师范学院 | 一种电动汽车用无刷直流电机回馈制动控制系统 |
| CN110829904A (zh) * | 2019-11-13 | 2020-02-21 | 大连交通大学 | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 |
| CN113162491A (zh) * | 2021-03-17 | 2021-07-23 | 安徽工程大学 | 一种基于改进天牛须算法的无刷直流电机优化方法 |
| CN113093527A (zh) * | 2021-04-07 | 2021-07-09 | 广东工业大学 | 改进ekf及模糊pid双闭环控制的无人艇抗扰系统及使用方法 |
| CN114527641A (zh) * | 2022-02-23 | 2022-05-24 | 中山大学 | 基于人工电场算法优化的无刷直流电机模糊控制方法 |
| CN115655279A (zh) * | 2022-11-14 | 2023-01-31 | 济南大学 | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 |
Non-Patent Citations (4)
| Title |
|---|
| 任宇希: "车用永磁同步电机MTPA控制优化策略研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2, pages 27 - 36 * |
| 赵红;赵德润;罗鹏;郭晨;张军;王逸婷;: "无刷直流电机模糊自适应控制系统的研究", 微电机, no. 01 * |
| 赵红等: "无刷直流电机模糊自适应控制系统的研究", 《微电机》, pages 72 - 78 * |
| 郭云川: "融合多策略的改进秃鹰搜索算法", 《控制与决策》, pages 1 - 9 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116400585A (zh) * | 2023-06-06 | 2023-07-07 | 济南大学 | 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法 |
| CN116400585B (zh) * | 2023-06-06 | 2023-08-18 | 济南大学 | 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法 |
| CN116449687A (zh) * | 2023-06-16 | 2023-07-18 | 济南大学 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
| CN116449687B (zh) * | 2023-06-16 | 2023-09-08 | 济南大学 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
| CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
| CN117434829B (zh) * | 2023-12-21 | 2024-04-16 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116088539A (zh) | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 | |
| CN112861427B (zh) | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 | |
| CN110829904B (zh) | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 | |
| CN110729939B (zh) | 一种永磁同步电机转速环自抗扰控制器参数整定方法 | |
| CN104980069B (zh) | 一种无刷直流电机双闭环调速系统多目标优化方法 | |
| CN113162491B (zh) | 一种基于改进天牛须算法的无刷直流电机优化方法 | |
| CN113922724B (zh) | 一种永磁同步电机控制方法 | |
| CN110855204A (zh) | 一种永磁同步电机转矩周期性脉动抑制控制装置及方法 | |
| CN115276491A (zh) | 一种永磁同步电机速度优化控制方法 | |
| CN111342729B (zh) | 基于灰狼优化的永磁同步电机自适应反推控制方法 | |
| Raj et al. | Particle swarm optimized deep convolutional neural sugeno-takagi fuzzy PID controller in permanent magnet synchronous motor | |
| CN114915225A (zh) | 一种基于优化bp神经网络的永磁同步电机参数辨识方法 | |
| CN113556073A (zh) | 一种永磁同步电机显式模型预测控制的实现方法 | |
| CN116827174A (zh) | 一种基于改进鲸鱼算法的无刷直流电机调速pid控制方法 | |
| CN110932629B (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
| Sayouti et al. | Sensor less low speed control with ANN MRAS for direct torque controlled induction motor drive | |
| CN116805850A (zh) | 基于数字孪生模型的三相永磁同步电机参数估计方法 | |
| CN113343592B (zh) | 一种新能源飞机的永磁同步电机dqn智能控制方法 | |
| CN114977928A (zh) | 一种永磁同步伺服系统速度环和位置环参数自整定方法 | |
| CN115102444A (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 | |
| CN115459667A (zh) | 基于改进型趋近律的永磁同步电机无传感器滑模控制方法 | |
| Mahmud et al. | Single neuron ANN based current controlled permanent magnet brushless DC motor drives | |
| CN112290849A (zh) | 一种基于改进粒子群算法的励磁同步电动机变频调速系统 | |
| Lajić et al. | Speed control of BLDC motor with ripple effect reduction using recurrent wavelet neural networks | |
| Nayak et al. | Optimization of PI coeffecients of permanent magnet synchronous motor drive |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20230509 |
|
| WD01 | Invention patent application deemed withdrawn after publication |