空間微重力模擬育種平臺系統的控制器設計

呂雨鑫，李偉凱，董曉威

(黑龍江八一農墾大學 信息技術學院，黑龍江 大慶　163319)

?

空間微重力模擬育種平臺系統的控制器設計

呂雨鑫，李偉凱，董曉威

(黑龍江八一農墾大學 信息技術學院，黑龍江 大慶163319)

摘要：在地面進行模擬的空間微重力育種平臺是一個隨機時變、強非線性的復雜系統，無法精確建模，使得系統在較大工作范圍內很難實現精確控制。為此，采用基于徑向基神經網絡PID的具有自調整能力的、穩定的自適應控制器應用于本系統研究：首先通過PID控制器快速調節參數值，使其恢復到理想的期望值附近，以此來初始化RBF神經網絡；然后再用RBF神經網絡在線動態調整PID參數的控制方法，實現系統在完成三維空間微重力模擬育種試驗時所需的垂直地面Z向上的完全重力補償；最后，通過MatLab對系統的控制算法進行仿真研究。

關鍵詞：空間微重力模擬育種平臺；徑向基神經網絡PID控制器；系統Z向重力補償

0引言

近年來，隨著航天技術的發展，空間農業已成為農業的一個新趨勢。為了實現在地面利用微重力環境(而不是利用微重力效應)進行植物育種試驗，彌補回轉器作為微重力效應模擬器時所模擬的效果精確度不高、系統穩定性不好等不足之處，研制出更接近太空環境的控制精度高、穩定性好的地面微重力模擬育種平臺是非常必要的。這對于耗資巨大、環境條件不好控制的空間育種系統無疑是一個最經濟、最有效的手段，可以大大節約成本，提高經濟效益。在地面進行微重力模擬育種實驗的平臺主要由機械和控制兩大部分組成。在實際工作中，系統的機械部分實現預定軌跡運動的精度和穩定性與系統所應用的控制方法和控制器的性能密切相關。傳統的PID控制算法是基于對象數學模型的控制算法，尤其適用于可建立精確數學模型的確定性控制系統[1]。但是，實際應用中由于系統參數的變化以及系統存在摩擦力等因素的影響，導致本文所研究的地面模擬空間微重力環境育種系統具有強耦合、強非線性等特點；再加上由于系統本身所具有的機械慣性，使得單獨用PID控制器來調整參數的實驗結果不理想。因此，本文提出結合RBF神經網絡的在線學習能力進行PID參數調整，以此來實現恒張力控制目標，模擬出空間微重力環境，在地面進行微重力育種實驗的方法。

1空間微重力環境地面模擬育種系統的分析

1.1地面模擬微重力環境育種裝置的選擇

太空環境就是微重力環境(微重力的解釋是重力或其它的外力引起的加速度不超過10e-5～10e-4ge)[2]。由于空間科學實驗投資巨大，技術要求非常高，實驗機會有限，使太空農業的發展受到制約。到目前為止，國內的模擬微重力裝置多為水平二維回轉器，回轉器作為微重力效應模擬器時需要注意的問題是：除了在實驗過程中要使離心力盡可能地降低之外，還要考慮光(生物體除了向重性外還有趨光性)、剪切力和粒子碰撞等其他刺激因素的影響。嚴格地說，回轉器實驗其只是以一定的旋轉速度“迷惑”細胞對重力方向的感知，不能完全等同于空間微重力環境下的實驗，其模擬的只是微重力的效應，并不能模擬微重力的環境。所以，模擬的效果存在精確度不高、系統穩定性不好等缺點。據了解，黑龍江八一農墾大學農學院在進行太空育種實驗時是通過搭載衛星來進行的，每搭載1g種子就要花費1 800元，價格非常昂貴，而且實驗的機會也非常有限。

因此，為了實現在地面上模擬空間微重力環境進行育種實驗的條件，通過比對幾種常用的地面模擬微重力系統的優缺點，最終選用氣浮法進行模擬實驗，其優點是建造周期短、成本低、精度高，易于實現及維護。通過設計平面止推軸承的大小，能夠實現高達幾噸的模擬目標實驗，且實驗時間不受限制；另外，還可以通過更換接口部件實現重復利用，可靠性、魯棒性高及適應性強。

1.2地面模擬空間微重力環境的關鍵問題

氣浮法在二維空間中的應用技術已經非常成熟，但在三維空間中模擬微重力環境時Z向上的重力補償問題是關鍵。即研究如何控制氣缸的運動，減小或克服在豎直方向Z向運動時的摩擦阻力，得到在Z方向上接近零重力的運動模擬，實現系統在模擬微重力環境時垂直地面Z方向上負載的完全重力補償，提高系統的試驗精度、響應能力和穩定性。本文在垂直地面方向上采用氣壓式重力補償方法，設計用RBF神經網絡PID控制器直接精確控制電機的力矩輸出，實現恒張力的控制目標。控制系統框圖如圖1所示。

圖1　空間微重力模擬系統重力補償控制框圖

本系統采用“并聯”的思想，利用半主動式控制方式的優勢，將低摩擦氣缸和電機滾珠絲杠并聯，由被動法(低摩擦氣缸)補償模擬目標大部分重力，同時采用可控的驅動設備(電機滾珠絲杠機構)補償剩余的重力和干擾力[3]。根據恒張力控制目標，在系統的并聯機構中，一方面采用直流電機直接控制滾珠絲杠系統的結構，克服了齒輪在運行中所帶來的齒隙和摩擦等問題；另一方面在氣缸和上模塊(育種平臺)之間加一個壓力傳感器，將壓力傳感器所測得的輸出偏差值輸入到RBF-PID控制器中，可直接控制直流電機的力矩輸出，大大提高系統的控制精度。

2基于徑向基(RBF)神經網絡PID控制器的參數整定

2.1模擬系統RBF-PID控制器結構

傳統的PID控制器的傳遞函數中主要有3個參數，即kp、ki和kd。其中，kp是對系統的響應速度和控制精度進行比例增益的環節，其變化對系統響應的速度和控制精度有直接的影響，其值越大越好，但不能超過一定的范圍；ki是決定著系統穩態精度的積分增益環節，其值的變化與系統消除靜態誤差所需的時間成反比關系；kd是調節系統動態特性(包括系統的調節時間和系統的抗干擾性等特性)的微分增益環節，對于系統動態特性的改善有著顯著的作用。其傳遞函數的形式為

G(s)=Kp+Ki/s+Kds

其中，PID控制器設計的關鍵在于增益的正確選擇[4]。所以，從根本上來說，傳統的PID控制器所整定的參數并不是最優的。

因此，本文采用的基于RBF神經網絡PID控制于地面模擬微重力育種系統中，在常規PID控制的基礎上，結合RBF神經網絡對PID增益進行實時調整，來實現對PID參數的自動調整。首先，確定RBF神經網絡的輸入層結構(輸入節點數目n、隱層數目p、隱節點中心矢量cj、基寬參數bj及權系數ωj的初值等參數)。然后，采樣得到y(k)、r(k)并計算出PID控制器的輸入變量，初始化PID控制器的參數和RBF神經網絡的權值；再根據公式計算出RBF神經網絡的輸出和系統的實際輸出，同時送到RBF神經網絡進行辨識。最后，計算得到PID控制器的輸出u(k)，一方面將u(k)傳遞給被控對象進行實時在線的控制后得到系統的實際輸出yout；另一方面再將u(k)傳入到 RBF網絡中產生控制對象的輸出信息并進行 Jacobian的下一步辨識，以此往復循環的方式進行在線學習控制，直到得出最優的系統參數指標。其中，RBF神經網絡在線整定PID控制系統的結構框圖如圖2所示[5]。

由圖2可知，該控制器主要由3個部分組成[6]：傳統的PID控制器部分采用的是對被控的地面微重力模擬過程直接進行閉環控制的方式，然后在線整定kp、ki和kd這3個參數；RBF神經網絡的辨識部分是用來在線建立地面微重力模擬育種系統中垂直地面部分氣缸的模型，達到方便、快速觀測Jacobian信息的目的；而系統結構中的被控對象部分是為了調整其自身的權系數值，在PID控制器已經整定完的3個參數基礎之上，再利用 RBF 神經網絡提供的Jacobian信息實現對 PID控制器參數的進一步在線調整。其中，被控對象的輸出即為PID控制器的3個參數，從而達到系統參數的最優指標的目的。

圖2　RBF神經網絡在線整定PID的控制框圖

2.2PID參數的自整定原則

PID控制器的3個輸入分別為

x(1)=e(k)

x(2)=e(k)-e(k-1)

x(3)=e(k)-2e(k-1)+e(k-2)

對于PID控制器，采用增量式算法，則系統的控制誤差e為

e(k)=r(k)-y(k)

采用梯度下降法計算控制算法的輸出為

u(k)=u(k-1)+Δu(k)

Δu(k)=kp[e(k)-e(k-1)]+kie(k)+

kd[e(k)-2e(k-1)+e(k-2)]

使誤差性能函數值最小的RBF神經網絡PID參數的整定指標為

對kp、ki、kd也采用梯度下降法進行調整得

其中，cji為隱含層的中心；hj為隱層函數的輸出。Jacobian的信息可通過RBF神經網絡的辨識得到。

3MatLab中仿真實現

3.1參數設置

為了驗證本文所采用的RBF-PID控制算法在系統實現垂直方向上重力補償的有效性，利用MatLab軟件中Simulink模塊對系統進行仿真研究。RBF神經網絡的結構為3-6-1，微重力模擬育種系統的RBF神經網絡的3個輸入變量分別為直流控制電機中的電流的變化量Δu(k)、壓力傳感器上一時刻的輸出偏差量yout(k-1)及壓力傳感器在本時刻的輸出偏差量yout(k)。其中，RBF的隱層結構采用RPCCL算法學習獲得。學習速率ηo=0.31，慣性系數αo=0.06、βo=0.034。RBF-PID控制器的參數為：RBF神經網絡權值取[-1,1]范圍內的隨機數，采樣時間為2s；PID的3個參數的初始值kp=3、ki=6、kd=0，其的學習速率初始化后分別為：ηp=0.8、ηi=1.6、ηd=1.2。

3.2仿真結果與分析

依照上述PID參數自整定和RBF神經網絡在線學習能力的規則和思想，進行了以下仿真研究。圖 3所示為RBF神經網絡PID 控制在階躍響應整個過程中權矢量Δkp、Δki、Δkd的自適應調整曲線。

圖3　ΔKp、ΔKi、ΔKd參數的自適應曲線

由圖3可知，在系統隨著氣缸上下運動達到在三維空間中模擬微重力育種效果時，PID的3個參數可以快速得到調整使系統趨于穩定。

為了實現系統的恒張力控制目標，在用RBF-PID控制器控制電機的力矩輸出時，壓力傳感器的響應輸出結果如圖4所示。

由圖4可以看出：系統的動態響應能力比較快，穩定性能比較好。這主要是由于RBF神經網絡對于系統中所存在的氣缸的摩擦力、參數隨系統的運行所產生的變化等一些不確定性因素能夠快速、準確地進行學習整定，并且能夠及時調整PID控制器的參數，以適應系統的變化。

圖4　壓力傳感器的輸出(仿真結果)

本文所研究的三維空間微重力模擬系統中，壓力傳感器的控制精度和響應速度是系統的重要指標。通過圖3和圖4可以看出：RBF-PID控制器可使壓力傳感器的輸出始終保持在±1N的波動范圍內，即使系統在受到外界突然擾動時，也能在較短時間內進行調整，從而實現了使壓力傳感器的輸出始終等于模擬目標的重力這一恒張力控制策略，達到了模擬三維微重力空間環境的控制目標。以上仿真研究結果表明：文中所使用的RBF神經網絡PID控制算法對在地面上模擬微重力育種環境所要實現的系統垂直方向上重力補償的實驗效果是有效的。由此說明：該控制器具有穩態精度高、魯棒性較強及具有良好的自適應性和良好的動態響應性能等特點。

4結論

針對目前廣泛使用的回轉器模擬微重力效果不好、精度不高的情況，考慮到氣浮法的諸多優點，使其應用于三維空間運動的微重力模擬，用以解決二維旋轉裝置微重力效果不佳的問題，并提出了基于氣浮法的微重力模擬育種平臺系統。針對此復雜的、非線性系統，利用RBF網絡作為辨識器，采用梯度下降算法對PID參數進行在線調整，實現系統在垂直地面方向上的重力補償。同時，通過MatLab/Simulink模塊的仿真結果可以得知：本文所采用的RBF神經網絡自適應PID在實現Z向完全重力補償的控制時是一種強抗干擾的控制器，在PID參數的調整過程中可使得壓力傳感器輸出始終保持在261.1～262N之間，系統具有較高的控制品質，適用于實時在線控制非線性系統。

參考文獻：

[1]劉金餛.先進PID控制MATLAB仿真 (2版) [M].北京:電子工業出版社,2004.

[2]王希季.空間微重力試驗[J].中國航天,1991,4(9):3-7.

[3]陳三風,梅 濤.三維氣動式微重力環境模擬平臺的智能控制系統研究[D].合肥：中國科學技術大學,2008.

[4]岳文杰.基于模糊PID的溫室溫度控制器設計與仿真[D].重慶：西南大學,2014.

[5]霍柳行,董愛華.基于RBF神經網絡的PID在線整定及仿真[J].微計算機信息，2010(34)：224-225，189.

[6]何芝強.PID控制器參數整定方法及其應用研究[D].杭州：浙江大學，2005.

The Controller Design of Space Microgravity Simulation Breeding Platform System

Lv Yuxin, Li Weikai, Dong Xiaowei

(College of Information Technology , Heilongjiang Bayi Agricultural University, Daqing 163319, China)

Abstract：Studied in this paper on the ground to simulate the microgravity of space breeding platform is a random time-varying, strongly nonlinear complex system, so the system can not accurately model, which makes the system working in a wide range of difficult to achieve precise control. In this paper, the use of RBF neural network self-tuning PID has the ability, based on a stable adaptive controller is applied to study this system, first near the expected value of the parameter to quickly adjust it back to the desired value by PID controllers to this initializes the RBF neural network, and then use the RBF neural network control method online dynamic adjustment of PID parameters to achieve full gravity compensation system at the completion of the three-dimensional space microgravity simulation breeding experiments, the required Z direction perpendicular to the ground.Finally, study of the system control algorithms by matlab simulation.

Key words：space breeding microgravity simulation platform; RBF neural network PID controller; Z to gravity compensation system

文章編號：1003-188X(2016)02-0035-04

中圖分類號：S223.1+2

文獻標識碼：A

作者簡介：呂雨鑫(1989-),女，吉林蛟河人，碩士研究生，(E-mail)2442689732@qq.com。通訊作者：李偉凱(1965-),男，山東安丘人，教授，博士生導師，(E-mail)bynd@263.net.cn。

基金項目：國家自然科學基金項目(E201132)

收稿日期：2015-01-19