CN116466571B - Pid参数自整定控制芯片和系统 - Google Patents
Pid参数自整定控制芯片和系统 Download PDFInfo
- Publication number
- CN116466571B CN116466571B CN202310690035.1A CN202310690035A CN116466571B CN 116466571 B CN116466571 B CN 116466571B CN 202310690035 A CN202310690035 A CN 202310690035A CN 116466571 B CN116466571 B CN 116466571B
- Authority
- CN
- China
- Prior art keywords
- module
- pid
- speed
- representing
- particle
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 238000003860 storage Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000013016 learning Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种PID参数自整定控制芯片和系统,PID参数自整定控制芯片包括:PID控制模块、指令存储模块、计数器、参数优化模块和主控模块。PID控制模块,用以连接驱动模块和编码模块,其中,编码模块用于采集电机速度和电机位置,驱动模块用于输出电流信号;指令存储模块,用于存储基于RISC‑V的参数优化指令;计数器,用于采集时间信息;参数优化模块,分别与PID控制模块、指令存储模块和计数器连接,并用以连接编码模块;主控模块,分别与PID控制模块和参数优化模块连接。本发明实施例的PID参数自整定控制芯片和系统,通过在芯片中增加指令存储模块便于部署优化程序,提高了对电机控制的效率,同时,通过使用基于RISC‑V的参数优化指令,能够降低生产成本。
Description
技术领域
本发明涉及电机控制技术领域,特别涉及一种PID参数自整定控制芯片和一种PID参数自整定控制系统。
背景技术
PID(Proportion Integral Differential,比例积分微分)控制器是电机最为常用的控制器之一,由于结构简单,安全性和鲁棒性高,已在其他许多实际电机控制中得到应用。目前,已采用PID控制器来控制具有精确数学模型的特定系统的输出,由此带来的PID参数整定问题也愈发受到重视。常规PID参数整定方法有ZN(Ziegler-Nichols,齐格勒-尼科尔斯)方法、CC(Cohen-Coon,科恩-库恩)方法以及AC(Attenuation Curve,衰减曲线)方法。这些方法都较为成熟且在工业中得到了广泛的应用。然而,随着具有非线性行为、高阶和长响应时间的工业系统的复杂性提升,增加了PID参数设置的复杂性。
因此,以GA(Genetic Algorithm,遗传算法)为代表的智能PID参数整定方法得到了不断的发展,提高了PID参数整定的效率,扩大了PID的应用途径。但是,相关技术中的智能PID参数整定方法存在容易过早收敛、计算精度无法定量分析、相较于传统优化算法计算效率较低等问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的在于提出一种PID参数自整定控制芯片和系统,以提高对电机控制的效率。
为达到上述目的,本发明第一方面实施例提出了一种PID参数自整定控制芯片,所述芯片包括:PID控制模块、指令存储模块、计数器、参数优化模块和主控模块。所述PID控制模块,用以连接驱动模块和编码模块,其中,所述编码模块用于采集电机速度和电机位置,所述驱动模块用于输出电流信号;所述指令存储模块,用于存储基于RISC-V的参数优化指令;所述计数器,用于采集时间信息;所述参数优化模块,分别与所述PID控制模块、所述指令存储模块和所述计数器连接,并用以连接所述编码模块;所述主控模块,分别与所述PID控制模块和所述参数优化模块连接,用于控制所述参数优化模块调用所述参数优化指令,生成优化算法,并利用所述优化算法根据所述时间信息,以及所述电机速度和/或所述电机位置,对所述PID控制模块中的PID参数进行整定,生成最优参数,以及控制所述PID控制模块利用所述最优参数根据所述电机速度、所述电机位置和所述电流信号生成控制信号,以控制所述驱动模块驱动所述电机运行。
另外,本发明实施例的PID参数自整定控制芯片还可以具有如下附加技术特征:
根据本发明的一个实施例,所述PID控制模块包括:依次连接的位置PID控制器、速度PID控制器和电流PID控制器,所述位置PID控制器还分别与所述主控模块、所述参数优化模块和所述编码模块连接,所述速度PID控制器还分别与所述编码模块和所述参数优化模块连接,所述电流PID控制器还与所述驱动模块连接;其中,所述主控模块用于:控制所述参数优化模块对所述位置PID控制器和/或所述速度PID控制器的PID参数进行整定。
根据本发明的一个实施例,所述优化算法采用改进的混合粒子群蝴蝶优化算法,所述参数优化模块对所述速度PID控制器的PID参数进行整定时,用于:初始化优化算法参数;初始化所有粒子,并给每个粒子赋值为所述速度PID控制器的PID参数,运行所述速度PID控制器,计算初始化粒子个体的适应度;根据所述时间信息计算非线性振幅调节因子和第一惯性权重,根据当前轮迭代的粒子个体的适应度计算第二惯性权重,并根据所述非线性振幅调节因子和所述第一惯性权重更新粒子位置,根据所述粒子位置和所述第二惯性权重更新所述粒子速度,得到更新后粒子群;将更新后的粒子赋值为所述速度PID控制器的PID参数,运行所述速度PID控制器,利用优化函数根据所述时间信息和所述电机速度计算更新后粒子群个体的适应度,并计算出更新后粒子群的个体极值和全局极值;若当前轮达到最大迭代次数,则结束迭代,得到全局最优值作为所述速度PID控制器的最优PID参数;若当前轮未达到最大迭代次数,则转至所述得到更新后粒子群的步骤。
根据本发明的一个实施例,通过下式更新粒子位置:
其中,表示所述第一惯性权重,/>,/>表示权重调节因子,/>表示最大迭代次数,/>,/>表示第i个粒子在第d轮的位置,/>表示所述非线性振幅调节因子,/>,/>和/>表示调节系数,/>表示位移量/>、、/>表示随机数,/>,/>,/>,/>表示到第d轮迭代为止,第i个粒子经过的最好位置,/>表示第i个粒子在第d轮的速度。
根据本发明的一个实施例,通过下式更新粒子速度:
其中,表示个体学习因子,/>表示社会学习因子,/>和/>表示在[0,1]的随机数,和/>分别表示到第d轮迭代为止,第i个粒子经过的最好位置和所有粒子经过的最好位置;/>表示收缩因子,/>;/>表示第d轮迭代第i个粒子的第二惯性权重,/>,/>和/>分别表示预先给定的最小惯性系数和最大惯性系数,/>表示粒子x关于/>的映射,/>表示第d次迭代时所有的粒子平均适应度,/>,/>表示第d次迭代时所有粒子的最小适应度,/>。
根据本发明的一个实施例,所述参数优化模块初始化所有粒子,用于:通过Cubic映射进行初始粒子的生成; 其中,所述Cubic映射表示为,/>表示控制参数,/>表示在Cubic映射序列中,第n个序列的数值。
根据本发明的一个实施例,所述优化函数为:
其中,t表示从开始输入目标控制值至达到目标值的时间,表示所述计数模块的单位时间变化量,/>表示在/>时刻所述电机的速度,/>表示为/>向下取整,j表示第j个单位时间,/>表示粒子的适应度。
根据本发明的一个实施例,所述位置PID控制器和所述速度PID控制器,通过下式执行:
其中,表示所述电机位置与期望位置在/>时刻的差值时,/>表示期望位置;表示所述电机速度与所述期望速度在/>时刻的差值时,/>表示所述期望速度,表示待整定的参数。
为达到上述目的,本发明第二方面实施例提出了一种PID参数自整定控制系统,所述系统包括:电机、驱动模块、编码模块和上述的PID参数自整定控制芯片。
另外,本发明实施例的PID参数自整定控制系统还可以具有如下附加技术特征:
根据本发明的一个实施例,所述编码模块包括:绝对式编码器和增量式编码器;其中,对速度的采集使用所述增量式编码器,对位置的采集使用所述绝对式编码器。
本发明实施例的PID参数自整定控制芯片和系统,通过在芯片中增加指令存储模块便于部署优化程序,提高了对电机控制的效率,同时,通过使用基于RISC-V的参数优化指令,能够降低生产成本,提高了算法精度。
附图说明
图1是本发明一实施例的PID参数自整定控制芯片的结构示意图;
图2是本发明一实施例的PID控制模块的结构示意图的结构示意图;
图3是本发明一实施例的参数优化模块对速度PID控制器的PID参数进行整定的流程示意图;
图4是本发明实施例的PID参数自整定控制系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的PID参数自整定控制芯片和系统。
图1是本发明实施例的PID参数自整定控制芯片的结构示意图。
如图1所示,PID参数自整定控制芯片100包括:PID控制模块1001、指令存储模块1002、计数器1003、参数优化模块1004和主控模块1005。PID控制模块1001用以连接驱动模块300和编码模块400,其中,编码模块400用于采集电机速度和电机位置,驱动模块300用于输出电流信号;指令存储模块1002,用于存储基于RISC-V的参数优化指令;计数器1003用于采集时间信息;参数优化模块1004分别与PID控制模块1001、指令存储模块1002和计数器1003连接,并用以连接编码模块400;主控模块1005分别与PID控制模块1001和参数优化模块1004连接,用于控制参数优化模块1004调用参数优化指令,生成优化算法,并利用优化算法根据时间信息,以及电机速度和/或电机位置,对PID控制模块1001中的PID参数进行整定,生成最优参数,以及控制PID控制模块1001利用最优参数根据电机速度、电机位置和电流信号生成控制信号,以控制驱动模块300驱动电机运行。
需要说明的是,主控模块1005可接收用户命令信号。其中,用户命令信号包括:期望位置、期望速度、期望电流。
具体地,主控模块1005可接收上位机发送的控制指令,并根据该控制指令控制PID控制模块1001和参数优化模块1004进行相关操作。编码模块400可实时将采集的电机运行参数信息(电机速度和电机位置)反馈到PID控制模块1001和参数优化模块1004,参数优化模块1004可根据电机运行参数信息循环调整最优参数。其中,控制指令包括:位置命令、速度命令和电流命令。
作为一个示例,首先,主控模块1005接收上位机的控制指令后控制PID控制模块1001和参数优化模块1004;然后,参数优化模块1004调用指令存储模块1002中的基于RISC-V的参数优化指令,生成优化算法程序,并通过该优化算法程序和电机运行参数信息解算PID模型的最优参数;最后,PID控制模块1001根据输入的相关数据,生成控制信号,以控制驱动模块300驱动电机运行。
作为另一个示例,主控模块1005可在PID控制模块1001的参数无需优化时,不调用参数优化模块1004,直接控制PID控制模块1001生成控制信号,以控制驱动模块300驱动电机运行。
综上,在初次使用PID参数自整定控制芯片100时,可先对PID模型的参数进行优化,再实现对电机的驱动控制。在非初次使用的情况时,可直接通过主控模块1005调用PID控制模块1001。能够增加使用的灵活性,避免了每次使用都需要调用参数优化模块1004的步骤。
本发明实施例的PID参数自整定控制芯片100,通过增加指令存储模块1002便于部署优化程序,提高了对电机控制的效率,同时,通过使用基于RISC-V的参数优化指令,能够降低生产成本,提高了算法精度。
在本发明的一些实施例中,如图2所示,PID控制模块1001包括:依次连接的位置PID控制器10011、速度PID控制器10012和电流PID控制器10013,位置PID控制器10011还分别与主控模块1005、参数优化模块1004和编码模块400连接,速度PID控制器10012还分别与编码模块400和参数优化模块1004连接,电流PID控制器10013还与驱动模块300连接;其中,主控模块1005用于:控制参数优化模块1004对位置PID控制器10011和/或速度PID控制器10012的PID参数进行整定。
作为一个示例,主控模块1005可通过位置命令调用位置PID控制器10011,可通过速度命令调用速度PID控制器10012,可通过电流命令调用电流PID控制器10013。
在该实施例中,通过控制参数优化模块1004对位置PID控制器10011和/或速度PID控制器10012的PID参数进行整定,同时驱动模块300将电流信号反馈到电流PID控制器10013,对位置PID控制器10011、速度PID控制器10012和电流PID控制器10013的输出结果进行实时调整,能够使得输出结果更加精准。
在本发明的一些实施例中,优化算法采用改进的混合粒子群蝴蝶优化算法,如图3所示,参数优化模块1004对速度PID控制器10012的PID参数进行整定时,用于:
S1,初始化优化算法参数。
S2,初始化所有粒子,并给每个粒子赋值为速度PID控制器的PID参数,运行速度PID控制器,计算初始化粒子个体的适应度。
S3,根据时间信息计算非线性振幅调节因子和第一惯性权重,根据当前轮迭代的粒子个体的适应度计算第二惯性权重,并根据非线性振幅调节因子和第一惯性权重更新粒子位置,根据粒子位置和第二惯性权重更新粒子速度,得到更新后粒子群。
S4,将更新后的粒子赋值为速度PID控制器的PID参数,运行速度PID控制器,利用优化函数根据时间信息和电机速度计算更新后粒子群个体的适应度,并计算出更新后粒子群的个体极值和全局极值。
S5,若当前轮达到最大迭代次数,则结束迭代,得到全局最优值作为速度PID控制器的最优PID参数。
S6,若当前轮未达到最大迭代次数,则转至得到更新后粒子群的步骤。
在该实施例中,参数优化模块1004能够根据电机的实际运行情况,对速度PID控制器10012和位置PID控制器10011中的参数进行实时整定,达到对电机精准控制的目的。
在本发明的一些实施例中,通过下式更新粒子位置:
其中,表示第一惯性权重,/>,/>表示权重调节因子,/>表示最大迭代次数,/>,/>表示第i个粒子在第d轮的位置,/>表示非线性振幅调节因子,/>,/>和/>表示调节系数,/>表示位移量/>、/>、/>表示随机数,/>,/>,/>,/>表示到第d轮迭代为止,第i个粒子经过的最好位置,/>表示第i个粒子在第d轮的速度。
可选地,调节系数和/>可分别取值为5和0.01。其中,通过多次实验可得知位移量等于1时,优化算法在基准函数中取得的优化结果及标准差最优,因此,位移量/>可取值为1。
需要说明的是,第一惯性权重即为动态余弦波惯性权重。为了使当代个体位置信息能随着迭代次数而逐步被充分利用,并且使算法不局限于学习全局最优值而提高收敛精度,从而将第一惯性权重定义为:/>。其中,权重调节因子/>可取值为0.5。
在本发明的一些实施例中,通过下式更新粒子速度:
其中,表示个体学习因子,/>表示社会学习因子,/>和/>表示在[0,1]的随机数,和/>分别表示到第d轮迭代为止,第i个粒子经过的最好位置和所有粒子经过的最好位置;/>表示收缩因子,/>;/>表示第d轮迭代第i个粒子的第二惯性权重,/>,/>和/>分别表示预先给定的最小惯性系数和最大惯性系数,/>表示粒子x关于/>的映射,/>表示第d次迭代时所有的粒子平均适应度,/>,/>表示第d次迭代时所有粒子的最小适应度,/>。
在该实施例中,通过在公式中增加收缩因子能够保证算法的收敛性,取消对速度边界的限制。粒子的速度首先会受到自身惯性的作用,考虑到粒子全局的速度不同,在接近收敛时会获得较小的权重影响,因此可构造/>的权重公式。
在本发明的一些实施例中,参数优化模块初始化所有粒子,用于:通过Cubic映射进行初始粒子的生成;其中,Cubic映射表示为,/>表示控制参数,/>表示在Cubic映射序列中,第n个序列的数值。
优选地,为了保证粒子的初始值在(0,1)内,可设置,/>。
在本发明的一些实施例中,优化函数为:
其中,t表示从开始输入目标控制值至达到目标值的时间,表示计数模块的单位时间变化量,/>表示在/>时刻电机的速度,/>表示为/>向下取整,j表示第j个单位时间,/>表示粒子的适应度。
需要说明的是,优化函数是根据ITAE(Integral of Absolute Error Multipliedby Time,时间乘绝对误差积分)准则设计得到。按此准则设计的控制系统,瞬态响应的振荡性小,且对参数具有良好的选择性。采用误差积分指标作为系统整定的性能指标时,系统的整定就归结为计算控制系统中的待定参数,使上述各类积分数值最小。
在该实施例方式中,每当计数器经过的时间,都会产生一次中断,然后根据采集当前时刻电机转速/>计算/>,并且/>越小代表系统控制效果越好。
改进的混合粒子群蝴蝶优化算法,提高了收敛速度,并且通用性强,泛化能力也有了提高。
在本发明的一些实施例中,位置PID控制器10011和速度PID控制器10012,通过下式执行:
其中,表示电机位置与期望位置在/>时刻的差值时,/>表示期望位置;/>表示电机速度与期望速度在/>时刻的差值时,/>表示期望速度,/>表示待整定的参数。
相应地,位置PID控制器10011通过上式执行时,待整定的参数包括:、/>、/>;速度PID控制器10012通过上式执行时,待整定的参数包括:/>、/>、/>。
对应上述实施例,本发明还提出一种PID参数自整定控制系统。
图4是本发明实施例的PID参数自整定控制系统的结构示意图。
如图4所示,PID参数自整定控制系统10包括:电机200、驱动模块300、编码模块400和上述的PID参数自整定控制芯片100。
需要说明的是,驱动模块300根据PID参数自整定控制芯片100输出的控制信号,控制电机200的转动,并且驱动模块300可输出电流信号作为闭环反馈到电流PID控制器10013进行PID控制。
本发明实施例的PID参数自整定控制系统,通过在芯片中增加指令存储模块便于部署优化程序,提高了对电机控制的效率,同时,通过使用基于RISC-V的参数优化指令,能够降低生产成本,提高了算法精度。
在本发明的一些实施例中,编码模块400包括:绝对式编码器和增量式编码器;其中,对速度的采集使用增量式编码器,对位置的采集使用绝对式编码器。
具体地,速度采集使用M/T法测速,在一个相对固定的时间内测量增量式编码器脉冲数,计数一个频率为/>赫兹的高频脉冲,计数值为/>,设增量式编码器单圈总脉冲数为/>,可通过如下转速公式进行计算:
其中,绝对式编码器的码盘编码类型采用格雷码,能够避免读到错误的值。
在该实施例中,通过采用绝对式编码器和增量式编码器对电机的速度和位置信息进行获取,使得算法模型的精度更好,能够让PID参数自整定控制系统的控制精度更高。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种PID参数自整定控制芯片,其特征在于,所述芯片包括:
PID控制模块,用以连接驱动模块和编码模块,其中,所述编码模块用于采集电机速度和电机位置,所述驱动模块用于输出电流信号;
指令存储模块,用于存储基于RISC-V的参数优化指令;
计数器,用于采集时间信息;
参数优化模块,分别与所述PID控制模块、所述指令存储模块和所述计数器连接,并用以连接所述编码模块;
主控模块,分别与所述PID控制模块和所述参数优化模块连接,用于控制所述参数优化模块调用所述参数优化指令,生成优化算法,并利用所述优化算法根据所述时间信息,以及所述电机速度和/或所述电机位置,对所述PID控制模块中的PID参数进行整定,生成最优参数,以及控制所述PID控制模块利用所述最优参数根据所述电机速度、所述电机位置和所述电流信号生成控制信号,以控制所述驱动模块驱动所述电机运行;
其中,所述PID控制模块包括:依次连接的位置PID控制器、速度PID控制器和电流PID控制器,所述位置PID控制器还分别与所述主控模块、所述参数优化模块和所述编码模块连接,所述速度PID控制器还分别与所述编码模块和所述参数优化模块连接,所述电流PID控制器还与所述驱动模块连接;所述主控模块用于:控制所述参数优化模块对所述位置PID控制器和/或所述速度PID控制器的PID参数进行整定;
所述优化算法采用改进的混合粒子群蝴蝶优化算法,所述参数优化模块对所述速度PID控制器的PID参数进行整定时,用于:
初始化优化算法参数;
初始化所有粒子,并给每个粒子赋值为所述速度PID控制器的PID参数,运行所述速度PID控制器,计算初始化粒子个体的适应度;
根据所述时间信息计算非线性振幅调节因子和第一惯性权重,根据当前轮迭代的粒子个体的适应度计算第二惯性权重,并根据所述非线性振幅调节因子和所述第一惯性权重更新粒子位置,根据所述粒子位置和所述第二惯性权重更新所述粒子速度,得到更新后粒子群;
将更新后的粒子赋值为所述速度PID控制器的PID参数,运行所述速度PID控制器,利用优化函数根据所述时间信息和所述电机速度计算更新后粒子群个体的适应度,并计算出更新后粒子群的个体极值和全局极值;
若当前轮达到最大迭代次数,则结束迭代,得到全局最优值作为所述速度PID控制器的最优PID参数;
若当前轮未达到最大迭代次数,则转至所述得到更新后粒子群的步骤;
通过下式更新粒子位置:
其中,表示所述第一惯性权重,/>,/>表示权重调节因子,/>表示最大迭代次数,/>,/>表示第i个粒子在第d轮的位置,/>表示所述非线性振幅调节因子,/>,/>和/>表示调节系数,/>表示位移量,/>、/>、/>表示随机数,/>,/>,/>,/>表示到第d轮迭代为止,第i个粒子经过的最好位置,/>表示第i个粒子在第d轮的速度。
2.根据权利要求1所述的PID参数自整定控制芯片,其特征在于,所述参数优化模块初始化所有粒子,用于:
通过Cubic映射进行初始粒子的生成;
其中,所述Cubic映射表示为,/>表示控制参数,/>表示在Cubic映射序列中,第n个序列的数值;
通过下式更新粒子速度:
其中,表示个体学习因子,/>表示社会学习因子,/>和/>表示在[0,1]的随机数,和/>分别表示到第d轮迭代为止,第i个粒子经过的最好位置和所有粒子经过的最好位置;
表示收缩因子,/>;
表示第d轮迭代第i个粒子的第二惯性权重,,/>和/>分别表示预先给定的最小惯性系数和最大惯性系数,/>表示粒子x关于/>的映射,/>表示第d次迭代时所有的粒子平均适应度,/>,/>表示第d次迭代时所有粒子的最小适应度,/>。
3.根据权利要求1所述的PID参数自整定控制芯片,其特征在于,所述优化函数为:
其中,t表示从开始输入目标控制值至达到目标值的时间,表示所述计数模块的单位时间变化量,/>表示在/>时刻所述电机的速度,/>表示为/>向下取整,j表示第j个单位时间,/>表示粒子的适应度。
4.根据权利要求1所述的PID参数自整定控制芯片,其特征在于,所述位置PID控制器和所述速度PID控制器,通过下式执行:
其中,表示所述电机位置与期望位置在/>时刻的差值时,/>表示期望位置;/>表示所述电机速度与所述期望速度在/>时刻的差值时,/>表示所述期望速度,/>表示待整定的参数。
5.一种PID参数自整定控制系统,其特征在于,所述系统包括:电机、驱动模块、编码模块和根据权利要求1-4中任一项所述的PID参数自整定控制芯片。
6.根据权利要求5所述的PID参数自整定控制系统,其特征在于,所述编码模块包括:绝对式编码器和增量式编码器;
其中,对速度的采集使用所述增量式编码器,对位置的采集使用所述绝对式编码器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690035.1A CN116466571B (zh) | 2023-06-12 | 2023-06-12 | Pid参数自整定控制芯片和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310690035.1A CN116466571B (zh) | 2023-06-12 | 2023-06-12 | Pid参数自整定控制芯片和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116466571A CN116466571A (zh) | 2023-07-21 |
CN116466571B true CN116466571B (zh) | 2023-09-26 |
Family
ID=87182853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310690035.1A Active CN116466571B (zh) | 2023-06-12 | 2023-06-12 | Pid参数自整定控制芯片和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466571B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992164A (zh) * | 2015-07-23 | 2015-10-21 | 河海大学 | 一种动态振荡信号模型参数辨识方法 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN112395803A (zh) * | 2020-09-11 | 2021-02-23 | 北京工商大学 | 基于粒子群算法的icp-aes多峰谱线分离方法 |
CN114818574A (zh) * | 2022-03-10 | 2022-07-29 | 河海大学 | 光伏阵列双二极管七参数模型参数辨识方法 |
CN114844403A (zh) * | 2022-03-11 | 2022-08-02 | 西北工业大学 | 一种基于改进粒子群算法的电机驱动器pid参数自整定方法 |
CN115169520A (zh) * | 2022-08-24 | 2022-10-11 | 南京工业大学 | 一种采用自适应性粒子群算法对pid参数进行整定优化方法 |
CN115964852A (zh) * | 2022-11-22 | 2023-04-14 | 上海宇航系统工程研究所 | 火箭增压输送系统换热参数辨识方法和装置 |
CN115994460A (zh) * | 2022-10-31 | 2023-04-21 | 同济大学 | 一种基于改进粒子群算法的大型柔性薄板夹具数目优化方法 |
-
2023
- 2023-06-12 CN CN202310690035.1A patent/CN116466571B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992164A (zh) * | 2015-07-23 | 2015-10-21 | 河海大学 | 一种动态振荡信号模型参数辨识方法 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN112395803A (zh) * | 2020-09-11 | 2021-02-23 | 北京工商大学 | 基于粒子群算法的icp-aes多峰谱线分离方法 |
CN114818574A (zh) * | 2022-03-10 | 2022-07-29 | 河海大学 | 光伏阵列双二极管七参数模型参数辨识方法 |
CN114844403A (zh) * | 2022-03-11 | 2022-08-02 | 西北工业大学 | 一种基于改进粒子群算法的电机驱动器pid参数自整定方法 |
CN115169520A (zh) * | 2022-08-24 | 2022-10-11 | 南京工业大学 | 一种采用自适应性粒子群算法对pid参数进行整定优化方法 |
CN115994460A (zh) * | 2022-10-31 | 2023-04-21 | 同济大学 | 一种基于改进粒子群算法的大型柔性薄板夹具数目优化方法 |
CN115964852A (zh) * | 2022-11-22 | 2023-04-14 | 上海宇航系统工程研究所 | 火箭增压输送系统换热参数辨识方法和装置 |
Non-Patent Citations (3)
Title |
---|
An Adaptive Hybrid Particle Swarm Optimizer for Constrained Optimization Problem;Tejna Khosla 等;《IEEE》;全文 * |
基于自适应扰动的疯狂蝴蝶算法;王依柔 等;《计算机应用研究》;第37卷(第11期);全文 * |
进化计算的PID控制参数快速整定算法;衣文娟;;科技通报(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116466571A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105281615A (zh) | 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法 | |
CN105785999A (zh) | 无人艇航向运动控制方法 | |
CN109067264B (zh) | 一种平衡车系统及其控制方法 | |
US20180210407A1 (en) | Control device, control program, and control system | |
CN110824921B (zh) | 基于蝙蝠算法的交流伺服调速系统控制参数自整定方法 | |
S Dawood et al. | Comparison of PID, GA and fuzzy logic controllers for cruise control system | |
Fliess et al. | Revisiting some practical issues in the implementation of model-free control | |
CN112965383B (zh) | 单向耦合分数阶自持机电地震仪系统的自适应神经网络最优定时同步控制方法 | |
CN103713520A (zh) | 一种陀螺稳定平台的自适应复合控制方法 | |
CN114844403B (zh) | 基于改进粒子群算法的电机驱动器pid参数自整定方法 | |
CN116466571B (zh) | Pid参数自整定控制芯片和系统 | |
CN105978400A (zh) | 超声电机控制方法 | |
CN107490962B (zh) | 一种数据驱动的伺服系统最优控制方法 | |
Jen et al. | Robust speed control of a pump-controlled motor system | |
JP2019204178A (ja) | 制御パラメータ計算方法、制御パラメータ計算プログラム、及び制御パラメータ計算装置 | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
CN112543895B (zh) | 控制器、控制系统的方法及存储介质 | |
CN106354021A (zh) | 基于pso的飞机纵向运动俯仰角控制系统pid优化方法 | |
Kalkkuhl et al. | FEM-based neural-network approach to nonlinear modeling with application to longitudinal vehicle dynamics control | |
CN2896341Y (zh) | 用于中高压变频闭环中的复合控制结构 | |
Noe | Dynamics of an Underwater Drifting Instrument: System Modeling and Controller Design for the µFloat | |
CN116047884B (zh) | 伺服驱动器参数自整定方法、装置和计算机设备 | |
US20230103001A1 (en) | Machine learning device, control device, and machine learning method | |
CN109343588A (zh) | 车辆加速度特性的动态评估方法及加速度控制方法 | |
CN109003631A (zh) | 磁盘驱动系统的多尺度近似显式模型预测控制方法 |
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 |