壓電驅動平臺的自適應PID控制

曾佑軒，馬 立，鐘博文，孫立寧，汪文峰

(1.上海大學,上海 200072;2. 蘇州大學,蘇州 215021)

0 引 言

壓電陶瓷能夠將電能轉換成機械能,廣泛應用于掃描電子顯微鏡(SEM)觀測、微/納操作系統、集成芯片制造、生物技術等領域[1-3]。傳統的微位移驅動平臺無法滿足納米級高精度的運動定位需求,壓電驅動平臺具有體積小、高能量密度、高分辨率、快響應速度的優(yōu)點,克服了傳統驅動平臺的不足,已成為精密定位系統中重要的定位及驅動元件[4-5]。

為了滿足對精密產品日益增長的需求，對壓電陶瓷精密定位的研究就顯得越來越重要[6-8]。雖然現有的前饋PID控制速度快,但是前饋逆模型計算復雜,難以求逆模型,PID參數整定困難,難以滿足不同平臺的控制需求[9]。隨著系統狀態(tài)的變化，壓電陶瓷自適應閉環(huán)控制算法可以實現在線實時調整PID參數[10-11]。

1 壓電驅動平臺前饋PID控制算法

1.1 壓電驅動平臺驅傳動系統建模

在壓電驅動平臺系統中,以壓電陶瓷作為運動的載體，以柔性鉸鏈作為傳動機構，從而實現壓電驅動平臺的運動。首先，對該平臺的傳動和驅動部分進行動力學分析，結合壓電陶瓷的機理，建立如圖1所示的等效動力學模型。

圖1 驅動平臺的動力學模型

圖1中,左邊是陶瓷的等效模型,右邊是鉸鏈機構的模型;meff和m分別為陶瓷和鉸鏈的等效質量,cp和cs分別為陶瓷和鉸鏈的阻尼系數,Kp和Ks分別為陶瓷和鉸鏈的剛度。F為預緊力,x為位移,f為陶瓷在電壓下的驅動力。

驅動傳動系統傳遞函數如下:

(1)

式中：Δl0為無負載時壓電陶瓷的位移。

1.2 遺傳算法PID參數整定

根據驅動傳動系統傳遞函數,利用式(2)得出最優(yōu)參數指標:

(2)

式中:u(t)是控制器輸出；e(t)是系統誤差；tu為上升時間；w1，w2，w3為權值；w1=0.999,w2=0.001,w3=2.0。在遺傳算法中，當使用的種群個數為30時,可以得到變異概率和交叉概率分別為0.033和0.9。經過100次迭代,代價函數達到目標。PID參數：kp=0.926 4,ki=0.249 2,kd=0.441 6。圖2(a)和圖2(b)分別為優(yōu)化代價函數J過程和階躍響應采用整定后的PID控制的效果[12]，圖2(c)為代價函數優(yōu)化目標。

(a) 代價函數的優(yōu)化過程

(b) 整定后的階躍響應曲線

(c) 種群PID參數的優(yōu)化過程

1.3 非對稱PI遲滯模型的改進

針對壓電驅動平臺遲滯現象所帶來的非對稱性問題，改進非對稱PI遲滯模型如下：

(3)

輸入電壓增大時，權值為wpj,下降權值wqj為0；輸入電壓減小時權值為wqj,上升權值wpj為0；F[x(t),y(t),r]為Play算子;z(t)為遲滯模型的輸出。

經過MATLAB仿真得到改進后PI遲滯模型的擬合曲線和經典PI遲滯模型的擬合曲線，如圖3所示。由圖3可以看出,改進非對稱PI遲滯模型的擬合值在下降階段擬合比經典PI遲滯模型誤差小[6]。經典PI遲滯模型最大擬合誤差為159.5 nm,改進的PI遲滯模型最大擬合誤差為66.9 nm。

(a) 經典PI遲滯模型擬合

(b) 經典PI遲滯模型擬合誤差

(c)改進非對稱PI遲滯模型擬合

(d) 改進非對稱PI遲滯模型誤差

圖3PI模型擬合及誤差

1.4 基于改進PI模型的前饋PID控制

基于PI模型比較容易求逆的優(yōu)點，式(3)的逆模型可記作如下：

(4)

結合PID反饋控制的控制策略，采用基于改進的PI逆模型前饋,得到如圖4所示的控制原理圖。在整個系統中，首先要根據期望位移值r(t),然后結合前饋模型獲得相應的期望電壓u(t),最后通過PID反饋控制對壓電驅動平臺進行誤差消除。

圖4 前饋PID復合控制原理

2 壓電驅動平臺自適應閉環(huán)控制算法

2.1 基于單神經元的自適應PID控制

單神經元自適應PID控制算法：

(5)

經過大量實踐證明，可將單神經元自適應PID控制算法中的加權系數學習的修正部分進行修改,控制原理如圖5所示。ηI，ηp和ηD為積分I、比例P、微分D的學習速率，K為神經元的學習速率[13]。

圖5 單神經元自適應控制

改進的單神經元自適應PID系數在線修正主要是通過參考實際經驗得出的，其仿真曲線如圖6所示。

(a) 輸入、跟隨曲線

(b) 輸入、跟隨誤差曲線

(c) PID參數變化曲線

2.2 基于BP神經網絡的PID自適應控制

如圖7所示，BP網絡采用三層結構。網絡輸入層的輸入:

(6)

圖7 基于BP神經網絡整定的PID控制

在式(6)中,被控系統復雜程度決定輸入變量數M。網絡隱含層的輸入、輸出如下：

(7)

(8)

輸出層的輸入和輸出如下:

(9)

(10)

取性能指標函數如下式:

(11)

取性能指標函數E(k)的負梯度方向來修正網絡的權系數，再加上能夠使整個搜索更快速的慣性項，如下式:

(12)

在式(12)中,η，α分別為學習率和慣性系數。輸出層權的學習算法如下：

(13)

同理，可得隱含層加權系數的學習算法如下：

(14)

基于BP神經網絡的PID控制算法仿真曲線如圖8所示。從圖8(a)和圖8(b)中可以看出，跟隨曲線與輸入曲線的誤差很小,驗證了該算法的有效性；從圖8(c)中可以看出，kp,ki,kd的值在實時調整,以調節(jié)跟隨誤差。

(a) 輸入、跟隨曲線

3 實驗測試

根據實驗需求，搭建了如圖9所示的壓電陶瓷驅動系統。

圖9 壓電驅動平臺系統

STM32F407作為整個系統的主控芯片,利用D/A模塊將電壓通過高壓運算放大電路輸送到壓電陶瓷,然后通過電阻片將壓電陶瓷的位移反饋到傳感器測量電路，經過處理后將電壓傳給A/D模塊,電容傳感器作為外部測量設備檢測壓電陶瓷運動平臺的位移。

3.1 前饋PID控制實驗

對壓電驅動平臺的驅動傳動系統進行運動分析,得到其驅動傳動系統的傳遞函數,由遺傳算法全局尋優(yōu)得到壓電驅動平臺的最優(yōu)PID參數,在STM32F407中實現前饋PID控制算法,其實驗效果如圖10所示。由圖10(a)可知,在電壓上升和下降

(a) 前饋PID控制效果

(b) 前饋PID控制定位誤差

時，平臺的定位精度得到提高。前饋PID控制算法定位誤差曲線如圖10(b)所示,其最大定位誤差為40.5 nm,最小定位誤差為3.0 nm,平均定位誤差為16.5 nm。

3.2 改進的單神經元自適應PID控制實驗

基于單神經元自適應PID控制,其權系數的在線修正主要是通過參考實際經驗來確定的。單神經元自適應PID控制算法的實驗效果如圖11所示。從圖11中可以看出，單神經元自適應PID控制算法相比于前饋PID控制算法具有更好的線性度。單神經元自適應PID算法定位誤差曲線如圖11(b)所示,其最大定位誤差為18.5 nm,最小定位誤差為0.5 nm,平均定位誤差8.3 nm。

(a) 單神經元自適應PID控制效果

(b) 單神經元自適PID算法定位誤差

3.3 基于BP神經網絡PID控制實驗

在BP網絡PID控制中, 3個參數kp，ki，kd的在線調整主要是通過神經元的自學習來實現的。該控制算法也是在STM32F407中來實現,實驗效果如圖12所示。基于BP神經網絡PID控制算法相比單神經元自適應PID算法具有更好線性度。其定位誤差曲線如圖12(b)所示,最大定位誤差為14.0 nm,最小定位誤差為0.5 nm,平均定位誤差5.1 nm。

(a) BP神經網絡整定PID算法控制效果

(b) BP神經網絡整定PID算法定位誤差

4 結 語

本文建立了壓電驅動平臺的驅傳動系統的等效動力學模型,為遺傳算法提供目標函數。形成了以非對稱PI遲滯模型為前饋模型的前饋PID復合控制；運用基于改進的單神經元自適應PID控制和基于BP神經網絡的PID控制，實現PID參數的在線實時閉環(huán)控制。

搭建了壓電陶瓷驅動平臺實驗系統,進行閉環(huán)控制實驗。實驗結果顯示，驅動平臺在前饋PID控制下平均定位誤差為16.5 nm;在單神經元自適應PID算法的控制下平均定位誤差8.3 nm;基于BP神經網絡自整定PID控制算法平均定位誤差5.1 nm。自適應PID閉環(huán)控制精度優(yōu)于前饋PID控制，神經網絡PID控制精度高于單神經元自適應PID控制。