CN116449687B - 一种基于改进型海上救援飞翼扰动观测pid控制方法 - Google Patents
一种基于改进型海上救援飞翼扰动观测pid控制方法 Download PDFInfo
- Publication number
- CN116449687B CN116449687B CN202310712391.9A CN202310712391A CN116449687B CN 116449687 B CN116449687 B CN 116449687B CN 202310712391 A CN202310712391 A CN 202310712391A CN 116449687 B CN116449687 B CN 116449687B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- disturbance
- hawk
- flying wing
- improved
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 107
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 238000013178 mathematical model Methods 0.000 claims abstract description 19
- 238000011161 development Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000005295 random walk Methods 0.000 claims abstract description 4
- 241000272184 Falconiformes Species 0.000 claims description 21
- 241000566150 Pandion haliaetus Species 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 241000251468 Actinopterygii Species 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于改进型海上救援飞翼扰动观测PID控制方法，属于扰动观测PID控制优化技术领域，具体步骤为：步骤一、基于扰动观测法，建立海上救援飞翼控制数学模型；步骤二、改进鱼鹰优化算法，D1、在算法开发阶段，首先引入最优个体加快算法收敛效率，然后改进扰动参数r 1，并利用r 1引入自适应权重W来调节最优个体对搜索的影响程度；D2、算法在进行位置更新时，引入一种自适应高斯随机游走机制使算法在陷入停滞时生成新个体；步骤三、利用改进鱼鹰优化算法优化救援飞翼的PID控制器；通过改进鱼鹰优化算法寻优，提高PID控制过程中，Kp、Ki、Kd三个参数的准确性和灵活性，提高了海上救援飞翼在航向和速度的控制性能。
Description
技术领域
本发明属于扰动观测 PID 控制优化技术领域，尤其涉及一种基于改进型海上救援飞翼扰动观测PID控制方法。
背景技术
海上无人救援是指利用无人系统如无人艇、无人机和相关技术来进行海上紧急救援任务，它在应对海上灾害、人员救助和物资运输等方面具有重要的作用，提高了救援效率、减少了风险，并能够在复杂的海洋环境中执行任务,对于海上救援飞翼来说，其航向和航速控制性能是至关重要的。
扰动观测器（Disturbance Observer）是一种用于估计和补偿系统扰动的控制器设计技术；在控制系统中，扰动指的是外部因素或未建模的动态变化，它们可能对系统的性能和稳定性产生不利影响，扰动观测器的目标是通过监测系统的输出和其他相关信号来估计扰动的大小和影响，并提供一个补偿信号，以抵消扰动的影响。它基于观测到的系统行为来反推扰动信号，然后利用这个估计值进行控制器的调整，从而减小扰动对系统的影响。
将扰动观测器与PID控制器结合可以提高控制系统对扰动的鲁棒性和性能；PID控制器是一种经典的反馈控制器，用于调节系统的输出以使其接近期望值；扰动观测器可以作为PID控制器的辅助组件，用于估计和补偿系统的扰动，从而改善系统的响应和稳定性。
鱼鹰优化算法（OOA），通过模拟鱼鹰猎食行为来进行寻优，目前鱼鹰优化算法的收敛速度较慢，特别是在处理复杂问题或高维空间中；此外，鱼鹰优化算法容易陷入局部最优解，而难以逃离，当被困在局部最优解附近时，无法发现全局最优解。
PID控制器是线性控制器，对于非线性系统的控制能力有限，在处理非线性和复杂系统时，PID控制器的性能可能受到限制，无法实现较高的控制精度和稳定性。
发明内容
本发明的目的在于：通过将扰动观测器与PID结合的方法，减小海上复杂环境扰动对海上救援飞翼控制系统的影响，通过改进鱼鹰优化算法，解决基础鱼鹰优化算法极容易陷于局部性极小值状态，且收敛速度慢和寻优精度低的问题，从而提高PID控制过程中，Kp、Ki、Kd三个参数的准确性和灵活性，达到提高海上救援飞翼在航向和速度的控制性能。
为了实现上述目的，本发明采用了如下技术方案：
一种基于改进型海上救援飞翼扰动观测PID控制方法，其特征在于，具体步骤如下：
步骤一、基于扰动观测法，建立海上救援飞翼控制数学模型，通过扰动观测控制减小救援飞翼航向受环境的影响；具体步骤为：
Q1、建立救援飞翼的动力学模型、系统的扰动数学模型；
Q2、基于系统扰动数学模型设计扰动观测器；
Q3、使用电子指南针，收集实时的航向测量数据，这些数据用作扰动观测器的输入，用于估计当前的航向扰动；
Q4、将扰动观测器与救援飞翼的控制系统集成，使用扰动观测器对测量数据进行处理，以实时地估计航向的扰动；
Q5、计算目标航向角度和电子指南针测得的实际航向角度差值Err。
步骤二、改进鱼鹰优化算法，包括两处改进。
D1、在算法开发阶段，首先引入最优个体加快算法收敛效率，然后改进扰动参数r 1，并利用r 1引入自适应权重W来调节最优个体对搜索的影响程度，改进公式如式（1）和式（2）所示：
（1）；
式中，r 1为改进后扰动参数，t为当前迭代次数，T为总的迭代次数；
（2）；
式中，W为自适应权重，r end为最终迭代的扰动参数，r t为当前迭代的扰动参数，t为当前迭代次数，T为总的迭代次数。
基于以上创新，改进后的鱼鹰位置更新公式为：
；
式中，为鱼鹰个体新位置，r 1为改进后扰动参数，r 2 为随机参数，取值[0，1]，W为自适应权重，/>为种群的全局最优个体，lb为种群下界，ub为种群上界，t为当前迭代次数。
D2、算法在进行位置更新时，会遇到陷入局部最优的情况，针对该问题，引入一种停滞监测机制使算法在陷入停滞时生成新个体；停滞监测机制分两步：
第一步、采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞。
第二步、当算法陷入停滞时，根据式（3）重新生成新个体，帮助算法跳出局部最优；
（3）；
式中，为鱼鹰个体新位置，/>为从优势种群中随机选择的一个个体，此外，通过引入一个余弦函数/>来调整鱼鹰搜索的步长，在迭代前期施加较大扰动，帮助算法更全面的搜索问题空间，迭代后期减小扰动，避免算法的无效搜索，同时保留了一定的跳出能力，进而平衡了算法的全局探索和局部开发能力。
步骤三、根据扰动观测器的输出与实际扰动信号之间的误差，生成一个补偿信号，将Err和补偿信号添加到救援飞翼控制器的输入中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器，通过改进鱼鹰优化算法寻优，输出最优PID三个控制参数Kp、Ki、Kd，最终采用Matlab/Simulink系统仿真，控制海上救援飞翼动力装置，精准控制救援飞翼航向。
进一步的，所述步骤一中，Q1中，建立救援飞翼的动力学模型、系统的扰动数学模型，其中，救援飞翼的动力学模型为：
；
式中，K 0 是船舶回转性参数，取值为0.26，T 0 为船舶操纵性能指数，取值为96.23。
系统的扰动数学模型为：
。
进一步的，所述步骤一中，Q2中，基于系统扰动数学模型设计扰动观测器，扰动观测器使用扩展卡尔曼滤波器的方式，扰动观测器数学公式为：
；
式中，U total 是控制输入K为跟踪参考信号的控制增益，表示观测器输出与实际扰动信号之间的误差放大系数，X r 为参考状态，X为当前系统状态，U是控制输入，为扰动信号的估计值。
进一步的，所述步骤三中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器，具体步骤为：
S1、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J为目标函数，t_des为期望的航向角，t_act为当前的航向角。
S2、初始化改进鱼鹰优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件；
S3、初始化种群，各个鱼鹰个体初始位置在搜索范围内随机产生，并基于目标函数计算得到适应度值；
S4、计算改进后扰动参数r 1和自适应权重W，并为停滞监测机制初始化参数。
S5、位置更新，算法搜索阶段，鱼鹰会随机检测到其中一条鱼的位置并攻击它，在模拟鱼鹰向鱼的移动过程的基础上，利用式(4)计算相应鱼鹰的新位置，这个新的位置，如果它提高了目标函数的值，就取代了根据所述的鱼鹰之前的位置；
（4）；
式中，为鱼鹰个体新位置，/>为鱼鹰个体上次的位置，/>为区间[0,1]中的随机数，/>为集合{1,2 }中的随机数；/>为鱼鹰状态参数。
算法开发阶段，通过改进后的鱼鹰位置更新公式更新种群位置，改进后的鱼鹰位置更新公式如式（5）所示：
（5）；
式中，为鱼鹰个体新位置，r 1为改进后扰动参数，r 2 为随机参数，取值[0，1]，W为自适应权重，/>为种群的全局最优个体，lb为种群下界，ub为种群上界，t为当前迭代次数。
S6、通过引入一个余弦函数来调整高斯随机游走的步长，在迭代前期施加较大扰动，帮助算法更全面的搜索问题空间，迭代后期减小扰动,避免算法的无效搜索，同时保留了一定的跳出能力，进而平衡了算法的全局探索和局部开发能力。
S7、判断是否陷入局部最优，采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞，若陷入停滞状态，则执行式（3）重新生成新个体，帮助算法跳出局部最优，式（3）如下：
。
S8、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S3继续寻优；
S9、将最优参数赋值给Kp、Ki、Kd带入到无人救援飞翼控制仿真系统中进行仿真，得到最佳数据情况下的模型输出结果。
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，通过将扰动观测器与PID结合的方法，减小了海上复杂环境扰动对海上救援飞翼控制系统的影响，通过改进鱼鹰优化算法，解决了基础鱼鹰优化算法极容易陷于局部性极小值状态，且收敛速度慢和寻优精度低的问题，从而提高PID控制过程中，Kp、Ki、Kd三个参数的准确性和灵活性，提高了海上救援飞翼在航向和速度的控制性能。
附图说明
图 1 为基于改进鱼鹰优化算法的扰动观测PID控制控制流程图。
图 2 为改进鱼鹰优化算法优化 PID 控制器的流程图。
图 3 为改进鱼鹰优化算法与基础鱼鹰优化算法最优个体适应度值对比曲线图。
图 4 为改进鱼鹰优化算法与基础鱼鹰优化算法优化 PID 的 Kp 参数寻优对比曲线图。
图 5 为改进鱼鹰优化算法与基础鱼鹰优化算法优化 PID 的 Ki 参数寻优对比曲线图。
图 6 为改进鱼鹰优化算法与基础鱼鹰优化算法优化 PID 的 Kd 参数寻优对比曲线图。
图 7 为改进鱼鹰优化算法与基础鱼鹰优化算法优化 PID 的效果对比曲线图。
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。
请参阅图 1-图 7，本发明提供一种技术方案：
一种基于改进型海上救援飞翼扰动观测PID控制方法，其特征在于，具体步骤如下：
步骤一、基于扰动观测法，建立海上救援飞翼控制数学模型，通过扰动观测控制减小救援飞翼航向受环境的影响；具体步骤为：
Q1、建立救援飞翼的动力学模型、系统的扰动数学模型；
Q2、基于系统扰动数学模型设计扰动观测器；
Q3、使用电子指南针，收集实时的航向测量数据，这些数据用作扰动观测器的输入，用于估计当前的航向扰动；
Q4、将扰动观测器与救援飞翼的控制系统集成，使用扰动观测器对测量数据进行处理，以实时地估计航向的扰动；
Q5、计算目标航向角度和电子指南针测得的实际航向角度差值Err。
步骤二、改进鱼鹰优化算法，分两步实现。
D1、在算法开发阶段，首先引入最优个体加快算法收敛效率，然后改进扰动参数r 1，并利用r 1引入自适应权重W来调节最优个体对搜索的影响程度，改进公式如式（1）和式（2）所示：
（1）；
式中，r 1为改进后扰动参数，t为当前迭代次数，T为总的迭代次数；
（2）；
式中，W为自适应权重，r end为最终迭代的扰动参数，r t为当前迭代的扰动参数，t为当前迭代次数，T为总的迭代次数。
基于以上创新，改进后的鱼鹰位置更新公式为：
；
式中，为鱼鹰个体新位置，r 1为改进后扰动参数，r 2 为随机参数，取值[0，1]，W为自适应权重，/>为种群的全局最优个体，lb为种群下界，ub为种群上界，t为当前迭代次数。
D2、算法在进行位置更新时，会遇到陷入局部最优的情况，针对该问题，引入一种停滞监测机制使算法在陷入停滞时生成新个体；停滞监测机制分两步：
第一步、采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞。
第二步、当算法陷入停滞时，根据式（3）重新生成新个体，帮助算法跳出局部最优；
（3）；
式中，为鱼鹰个体新位置，/>为从优势种群中随机选择的一个个体，此外，通过引入一个余弦函数/>来调整鱼鹰搜索的步长，在迭代前期施加较大扰动,帮助算法更全面的搜索问题空间，迭代后期减小扰动,避免算法的无效搜索，同时保留了一定的跳出能力，进而平衡了算法的全局探索和局部开发能力。
步骤三、根据扰动观测器的输出与实际扰动信号之间的误差，生成一个补偿信号，将Err和补偿信号添加到救援飞翼控制器的输入中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器，通过改进鱼鹰优化算法寻优，输出最优PID三个控制参数Kp、Ki、Kd，最终采用Matlab/Simulink系统仿真，控制海上救援飞翼动力装置，精准控制救援飞翼航向。
进一步的，所述步骤一中，海上救援飞翼控制数学模型如图1所示，海上救援飞翼控制系统模型主要包括PID控制部分和扰动观测器部分；PID控制部分包括目标信号和实时信号的差值计算模块，放大电路模块、PID 模块、改进鱼鹰优化算法模块、电调控制器；扰动观测器部分包括观测补偿器、估计对象模型、观测状态模块、估计传感器模型。
进一步的，所述步骤一中，Q1中，建立救援飞翼的动力学模型、系统的扰动数学模型，其中，救援飞翼的动力学模型为：
；
式中，K 0 是船舶回转性参数，取值为0.26，T 0 为船舶操纵性能指数，取值为96.23。
系统的扰动数学模型为：
。
进一步的，所述步骤一中，Q2中，基于系统扰动数学模型设计扰动观测器，扰动观测器使用扩展卡尔曼滤波器的方式，扰动观测器数学公式为：
；
式中，U total 是控制输入K为跟踪参考信号的控制增益，表示观测器输出与实际扰动信号之间的误差放大系数，X r 为参考状态，X为当前系统状态，U是控制输入，为扰动信号的估计值。
进一步的，所述步骤三中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器，具体步骤如图2所示，具体步骤为：
S1、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J为目标函数，t_des为期望的航向角，t_act为当前的航向角。
S2、初始化改进鱼鹰优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件；
S3、初始化种群，各个鱼鹰个体初始位置在搜索范围内随机产生，并基于目标函数计算得到适应度值；
S4、计算改进后扰动参数r 1和自适应权重W，并为停滞监测机制初始化参数。
S5、位置更新，算法搜索阶段，鱼鹰会随机检测到其中一条鱼的位置并攻击它，在模拟鱼鹰向鱼的移动过程的基础上，利用式(4)计算相应鱼鹰的新位置，这个新的位置，如果它提高了目标函数的值，就取代了根据所述的鱼鹰之前的位置；
（4）；
式中，为鱼鹰个体新位置，/>为鱼鹰个体上次的位置，/>为区间[0,1]中的随机数，/>为集合{1,2 }中的随机数；/>为鱼鹰状态参数。
算法开发阶段，通过改进后的鱼鹰位置更新公式更新种群位置，改进后的鱼鹰位置更新公式如式（5）所示：
（5）；
式中，为鱼鹰个体新位置，r 1为改进后扰动参数，r 2 为随机参数，取值[0，1]，W为自适应权重，/>为种群的全局最优个体，lb为种群下界，ub为种群上界，t为当前迭代次数。
S6、通过引入一个余弦函数来调整高斯随机游走的步长，在迭代前期施加较大扰动，帮助算法更全面的搜索问题空间，迭代后期减小扰动,避免算法的无效搜索，同时保留了一定的跳出能力，进而平衡了算法的全局探索和局部开发能力。
S7、判断是否陷入局部最优，采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞，若陷入停滞状态，则执行式（3）重新生成新个体，帮助算法跳出局部最优，式（3）如下：
。
S8、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S3继续寻优；
S9、将最优参数赋值给Kp、Ki、Kd带入到无人救援飞翼控制仿真系统中进行仿真，得到最佳数据情况下的模型输出结果。
为验证改进鱼鹰优化算法优化PID 控制器后的优越性，利用 Matlab 对航向控制系统进行仿真，通过与基础鱼鹰优化算法对比来完成本发明设计方法的实验验证。
图3为基础鱼鹰优化算法（OOA）寻优适应度值与改进鱼鹰优化算法（IOOA）寻优适应度值的对比图，按照适应度值越小，算法性能越好的准则，可以发现改进鱼鹰优化算法（IOOA）寻优效果要比基础鱼鹰优化算法（OOA）更好。
分析图 4 和图 5 和图 6 可知，改进鱼鹰优化算法（IOOA）寻找最优参数要比基础鱼鹰优化算法（OOA）寻找最优参数更快，且精度更高。
分析图7可知，从单位阶跃响应来看，改进鱼鹰优化算法-PID系统的超调量明显比基础鱼鹰化算法-PID系统的超调量更低，可以说明在复杂环境下，改进鱼鹰优化算法-PID系统要比基础鱼鹰化算法-PID系统控制性能更好。
Claims (3)
1.一种基于改进型海上救援飞翼扰动观测PID控制方法，其特征在于，具体步骤如下：
步骤一、基于扰动观测法，建立海上救援飞翼控制数学模型，通过扰动观测控制减小救援飞翼控制受环境的影响；具体步骤为：
Q1、建立救援飞翼的动力学模型、系统的扰动数学模型；
Q2、基于系统扰动数学模型设计扰动观测器；
Q3、使用电子指南针，收集实时的航向测量数据，这些数据用作扰动观测器的输入，用于估计当前的航向扰动；
Q4、将扰动观测器与救援飞翼的控制系统集成，使用扰动观测器对测量数据进行处理，以实时地估计航向的扰动；
Q5、计算目标航向角度和电子指南针测得的实际航向角度差值Err；
所述Q1中，救援飞翼的动力学模型为：
；
式中，K 0 是船舶回转性参数，取值为0.26，T 0 为船舶操纵性能指数，取值为96.23；
系统的扰动数学模型为：
；
步骤二、改进鱼鹰优化算法，包括两处改进；
D1、在算法开发阶段，首先引入最优个体加快算法收敛效率，然后改进扰动参数r 1，并利用r 1引入自适应权重W来调节最优个体对搜索的影响程度，改进公式如式（1）和式（2）所示：
（1）；
式中，r 1为改进后扰动参数，t为当前迭代次数，T为总的迭代次数；
（2）；
式中，W为自适应权重，r end为最终迭代的扰动参数，r t为当前迭代的扰动参数，t为当前迭代次数，T为总的迭代次数；
D2、算法在进行位置更新时，会遇到陷入局部最优的情况，引入一种停滞监测机制使算法在陷入停滞时重新生成新个体；停滞监测机制分两步：
第一步、采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞；
第二步、当算法陷入停滞时，根据式（3）重新生成新个体，帮助算法跳出局部最优；
（3）；
式中，为鱼鹰个体新位置，/>为从优势种群中随机选择的一个个体，此外，通过引入一个余弦函数/>来调整鱼鹰搜索的步长；
步骤三、根据扰动观测器的输出与实际扰动信号之间的误差，生成一个补偿信号，将Err和补偿信号添加到救援飞翼控制器的输入中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器。
2.根据权利要求1所述的一种基于改进型海上救援飞翼扰动观测PID控制方法，其特征在于，所述步骤一中，Q2中，基于系统扰动数学模型设计扰动观测器，扰动观测器使用扩展卡尔曼滤波器的方式，扰动观测器数学公式为：
；
式中，U total 是控制输入K为跟踪参考信号的控制增益，表示观测器输出与实际扰动信号之间的误差放大系数，X r 为参考状态，X为当前系统状态，U是控制输入，为扰动信号的估计值。
3.根据权利要求1所述的一种基于改进型海上救援飞翼扰动观测PID控制方法，其特征在于，所述步骤三中，利用改进鱼鹰优化算法优化海上救援飞翼的PID控制器，具体步骤为：
S1、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J为目标函数，t_des为期望的航向角，t_act为当前的航向角；
S2、初始化改进鱼鹰优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件；
S3、初始化种群，各个鱼鹰个体初始位置在搜索范围内随机产生，并基于目标函数计算得到适应度值；
S4、计算改进后扰动参数r 1和自适应权重W，并为停滞监测机制初始化参数；
S5、算法搜索阶段，鱼鹰会随机检测到其中一条鱼的位置并攻击它，在模拟鱼鹰向鱼的移动过程的基础上，利用式(4)计算相应鱼鹰的新位置，这个新的位置，如果它提高了目标函数的值，就取代了根据所述的鱼鹰之前的位置；
（4）；
式中，为鱼鹰个体新位置，/>为鱼鹰个体上次的位置，/>为区间[0,1]中的随机数，/>为集合{1,2 }中的随机数；/>为鱼鹰状态参数；
算法开发阶段，利用基于式（1）和式（2）改进后的鱼鹰位置更新公式更新种群位置，改进后的鱼鹰位置更新公式如式（5）所示：
（5）；
式中，为鱼鹰个体新位置，r 1为改进后扰动参数，r 2 为随机参数，取值[0，1]，W为自适应权重，/>为种群的全局最优个体，lb为种群下界，ub为种群上界，t为当前迭代次数；
S6、通过引入一个余弦函数来调整高斯随机游走的步长，在迭代前期施加较大扰动，帮助算法更全面的搜索问题空间，迭代后期减小扰动,避免算法的无效搜索，同时保留了一定的跳出能力，进而平衡了算法的全局探索和局部开发能力；
S7、判断是否陷入局部最优，采用前一半优势种群的平均适应值来判断算法是否陷入停滞，如果优势种群的平均适应值在连续3次迭代中没有发生变化，则认为算法搜索陷入停滞，若陷入停滞状态，则执行式（3）重新生成新个体，帮助算法跳出局部最优，式（3）如下：
；
S8、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S3继续寻优；
S9、将最优参数赋值给Kp、Ki、K带入到无人救援飞翼控制仿真系统中进行仿真，得到最佳数据情况下的模型输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712391.9A CN116449687B (zh) | 2023-06-16 | 2023-06-16 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712391.9A CN116449687B (zh) | 2023-06-16 | 2023-06-16 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449687A CN116449687A (zh) | 2023-07-18 |
| CN116449687B true CN116449687B (zh) | 2023-09-08 |
Family
ID=87135953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310712391.9A Active CN116449687B (zh) | 2023-06-16 | 2023-06-16 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449687B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610025B (zh) * | 2023-07-19 | 2023-09-26 | 济南大学 | 一种基于改进元启发式算法的pid控制器优化方法 |
| CN117419739A (zh) * | 2023-11-06 | 2024-01-19 | 大唐贵州发耳发电有限公司 | 一种输煤系统巡检机器人的路径规划优化方法 |
| CN117452806B (zh) * | 2023-12-18 | 2024-03-19 | 广东海洋大学 | 水下仿生鱼机器人的航向控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107037731A (zh) * | 2017-05-24 | 2017-08-11 | 浙江工业大学之江学院 | 三自由度直升机快速模型预测控制方法 |
| AU2020103709A4 (en) * | 2020-11-26 | 2021-02-11 | Daqing Oilfield Design Institute Co., Ltd | A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems |
| CN116088539A (zh) * | 2023-04-07 | 2023-05-09 | 济南大学 | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 |
| CN116149166A (zh) * | 2023-04-19 | 2023-05-23 | 济南大学 | 一种基于改进白鲸算法的无人救援艇航向控制方法 |
| CN116165903A (zh) * | 2023-04-26 | 2023-05-26 | 济南大学 | 一种海上无人救援艇系统的实现及最优鲁棒性控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7782256B2 (en) * | 1999-03-05 | 2010-08-24 | Era Systems Corporation | Enhanced passive coherent location techniques to track and identify UAVs, UCAVs, MAVs, and other objects |
-
2023
- 2023-06-16 CN CN202310712391.9A patent/CN116449687B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107037731A (zh) * | 2017-05-24 | 2017-08-11 | 浙江工业大学之江学院 | 三自由度直升机快速模型预测控制方法 |
| AU2020103709A4 (en) * | 2020-11-26 | 2021-02-11 | Daqing Oilfield Design Institute Co., Ltd | A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems |
| CN116088539A (zh) * | 2023-04-07 | 2023-05-09 | 济南大学 | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 |
| CN116149166A (zh) * | 2023-04-19 | 2023-05-23 | 济南大学 | 一种基于改进白鲸算法的无人救援艇航向控制方法 |
| CN116165903A (zh) * | 2023-04-26 | 2023-05-26 | 济南大学 | 一种海上无人救援艇系统的实现及最优鲁棒性控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进粒子群算法的飞行控制器参数寻优;孙勇;章卫国;章萌;尹伟;;系统仿真学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449687A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116449687B (zh) | 一种基于改进型海上救援飞翼扰动观测pid控制方法 | |
| CN109507885B (zh) | 基于自抗扰的无模型自适应auv控制方法 | |
| Wu et al. | Depth control of model-free AUVs via reinforcement learning | |
| Fossen et al. | Direct and indirect adaptive integral line‐of‐sight path‐following controllers for marine craft exposed to ocean currents | |
| Miao et al. | Spatial curvilinear path following control of underactuated AUV with multiple uncertainties | |
| CN108563113B (zh) | 舰船用多回路无模型自适应艏向控制方法 | |
| Chen et al. | Neural network tracking control of ocean surface vessels with input saturation | |
| Shen et al. | Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints | |
| Yang et al. | A recurrent neural network based fuzzy sliding mode control for 4-DOF ROV movements | |
| CN110687793B (zh) | 一种基于输入增量的船舶动力定位系统非线性无偏预测控制方法 | |
| Fan et al. | Distributed finite-time adaptive consensus tracking control for multiple AUVs with state constraints | |
| Lv et al. | Robust state‐error port‐controlled Hamiltonian trajectory tracking control for unmanned surface vehicle with disturbance uncertainties | |
| Zhou et al. | Hierarchical NMPC–ISMC of active heave motion compensation system for TMS–ROV recovery | |
| Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
| Zhou et al. | Trajectory tracking control for autonomous underwater vehicles under quantized state feedback and ocean disturbances | |
| CN110687795B (zh) | 一种基于目标计算的船舶动力定位系统非线性无偏预测控制方法 | |
| Karthick et al. | Relative analysis of controller effectiveness for vertical plane control of an autonomous underwater vehicle | |
| CN110687794B (zh) | 一种基于干扰观测器的船舶动力定位系统非线性无偏预测控制方法 | |
| Zhao et al. | Robust control of neutral system with time-delay for dynamic positioning ships | |
| CN114004035B (zh) | 一种水面无人艇目标跟踪控制方法 | |
| CN114063436B (zh) | 一种水面机器人抗干扰控制方法、系统、设备及介质 | |
| Tang et al. | A fuzzy-PID depth control method with overshoot suppression for underwater vehicle | |
| Zhang et al. | An on-line adaptive hybrid PID autopilot of ship heading control using auto-tuning BP & RBF neurons | |
| Liu et al. | Motion control of intelligent underwater robot based on CMAC-PID | |
| Liao et al. | Adaptive multi-body yawing filter of wave driven robot with dynamic response amending |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |