前馈_改进PID算法在智能车控制上的应用.pdf

《前馈_改进PID算法在智能车控制上的应用.pdf》由会员分享，可在线阅读，更多相关《前馈_改进PID算法在智能车控制上的应用.pdf（3页珍藏版）》请在三一文库上搜索。

1、28 计算机与信息技术 开发与应用 前馈-改进PID算法在智能车控制上的应用 贾翔宇 季厌庸 丁芳 （中国民航大学航空自动化学院，天津 300300） 摘 要 在自行设计的智能车中，速度和方向的控制是整个智能车系统控制的核心。由于系统硬件的限制，智能车的速 度和方向控制都存在一定的延时，这给智能车的控制带来了不利影响。针对上述存在的问题，本文将前馈反馈控制方法运用 到智能车的控制上，对偏差带来的干扰进行提前处理； 改进了数字 PID 算法，将不完全微分和微分现行算法引入到 PID 算 法中，以改善系统的动态性能。采用了这种新算法，智能车系统的动态性能得到了很大的改善。 关键词 前馈；改进型 P

2、ID 算法；模糊化；智能车 1 引言 智能车系统是一个时变且非线性的系统，采用传统 PID 算法的单一的反馈控制会使系统存在不同程度的超调和振荡 现象，无法得到理想的控制效果。本文将前馈控制引入到了 智能车系统的控制中，有效地改善了系统的实时性，提高了 系统的反应速度 1；并且根据智能车系统的特点，对数字 PID 算法进行了改进，引入了微分先行和不完全微分环节，改善 了系统的动态特性；同时，利用模糊控制具有对参数变化不 敏感和鲁棒性强的特点 2，本文将模糊算法与 PID 算法相结 合，有效地提高了智能车的适应性和鲁棒性，改善了系统的 控制性能。 2 改进 PID 算法 智能车的控制是由飞思卡尔

3、公司的 S12 芯片完成，所以 对智能车的控制要采用计算机控制方法。本文针对智能车控 制的特殊性，对传统数字 PID 算法做了一些改进，这样可以 更好地满足智能车控制的需要。 2.1 不完全微分 PID 将微分环节引入智能车的方向和速度控制，明显地改善 了系统的动态性能，但对于误差干扰突变也特别敏感，对系 统的稳定性有一定的不良影响。为了克服上述缺点，本文在 PID 算法中加入了一阶惯性环节 3 ff G (s)=1/1+T (s)， 不完全 微分 PID 算法结构如图 1 所示。 比例环节 积分环节 不完全 微分环节 E(s)U(s) + + + 图 1 不完全微分 PID 算法机构图 将一

4、阶惯性环节直接加到微分环节上，可得到系统的传 递函数为： ( )()( )( )( ) 1 id ppid f KKs U sKUsU sUs sTs =+=+ + （1） 将（1）式的微分项推导并整理，得到方程如下： ( )(1) ( )(1)(1) ddd ukKe ke kuk=+ （2） 式中，/() ff TTT=+，由系统的时间常数T和一阶惯性环节 时间常数 f T决定的一个常数。 为了编程方便，可以将 2-2 式写成如下形式： ( )(1) ( )(1)(1) (1) (1) ( )(1) dddd d ukKe kukKe k Ke kH k =+ =+ （3） 式中，(1)(

5、1)(1) (1) dd H kukKe k=。 分析式（3）可知，引入不完全微分以后，微分输出在第 一个采样周期内被减少了，此后又按照一定比例衰减 34。实 验表明，不完全微分有效克服了智能车的偏差干扰给速度控 制带来的不良影响，具有较好的控制效果。图 2 为不完全微 分 PID 算法的程序流程图。 2.2 微分先行 PID 由于智能车在跑道上行驶时，经常会遇到转弯的情况， 所以智能车的速度设定值和方向设定值都会发生频繁的变 化，从而造成系统的振荡。为了解决设定值的频繁变化给系 统带来的不良影响，本文在智能车的速度和方向控制上引入 了微分先行 PID 算法，其特点是只对输出量进行微分，即只

6、对速度测量值和舵机偏转量进行微分，而不对速度和方向的 设定值进行微分。这样，在设定值发生变化时，输出量并不 会改变，而被控量的变化相对是比较缓和的，这就很好地避 免了设定值的频繁变化给系统造成的振荡，明显地改善了系 统的动态性能。 图 3 是微分先行 PID 控制的结构图，微分先行的增量控 制算式如下。 开发与应用 计算机与信息技术 29 ( ) ( )(1)( ) ( )2 (1)(2) ( )(1) pid d u kKe ke kK e kK c kc kc k K c kc k =+ （4） 图 2 不完全微分 PID 算法的程序流程图 比例积分环节 微分环节 设定值 被控量 偏差 控

7、制量 图 3 微分先行 PID 控制结构图 3 前馈控制的应用 由于智能车的跑道宽度有限制，所以在经过急转弯的时 候，如果速度和方向控制不及时，智能车就可能冲出跑道。 由于前馈控制是开环控制，所以前馈控制的响应速度很快。 将前馈控制引入到智能车的控制中，能够提高舵机和伺服电 机的反应速度，改善智能车系统的动态性能。 3.1 智能车控制系统结构 智能车的控制主要体现在两个方面：一方面是方向的控 制，也就是对舵机的控制；另一方面是对速度的控制，也就 是对伺服电机的控制。舵机的数学模型较为简单，具有很好 的线性特征，只采用前馈控制；智能车的速度控制相对复杂 一些， 速度模型无法准确建立， 采用前馈-

8、改进 PID 算法进行 控制。智能车的控制系统结构如图 4 所示。 图 4 中， 3( ) G s和 5( ) G s分别是舵机和伺服电机数学模型。 从图中可以看出，智能车的方向控制和速度控制是相互独立 的，而且它们都是由路线偏差决定的。舵机转角与路线偏差 之间的对应关系是根据舵机的数学模型得到的，在速度控制 回路中，既包括反馈回路，又包括前馈环节，伺服电机的控 制量是在前馈补偿基础上，再由增量式 PID 算法计算得到。 速度 设定 舵机 转角 速度 路线 偏差 1( ) G s 2( ) G s 3( ) G s 4( ) G s 5( ) G s 图 4 智能车的控制系统结构 3.2 在方

9、向控制中的应用 智能车对方向的控制有两点要求：在直道上，方向保持 稳定；在转弯处，需要方向变化准确而且迅速。只有这样， 才能保证智能车在跑道上高速、稳定地运行。为了提高方向 控制的鲁棒性，本文还对路线偏差进行了模糊化处理。图 5 是智能车方向模糊前馈控制的结构图， 图中( ) Z Gs和( ) W Gs分 别是直道和弯道两种情况下的前馈控制函数。 舵机 0 ?eH 计算路线 偏差e0 ( ) z G s ( ) w Gs 智能车 方向 图 5 智能车方向控制系统结构图 开始 设置PID参数 取给定值r(k)和 测量值c(k) 计算偏差 e(k)=r(k)-c(k) 计算比例和积分环节 输出的变

10、化量 ( )(1)( )(1) dd ukke kH k=+ ( )( )( )( ) pid u kuku kuk= +( )(1)( )u ku ku k=+ (1)(1)(1) (1) dd H kukKe k= ( )(1), ( )(1) ( )(1) e ke ku ku k H kH k 下一个采样 周期到 Y N 30 计算机与信息技术 开发与应用 3.3 在速度控制中的应用 为了使智能车在直道上以较快速度运行，在转弯时，防 止智能车冲出跑道，则必须将智能车的速度降低，这就要求 智能车的速度控制系统具有很好的加减速性能。当智能车经 过连续转弯的跑道时，路线偏差的频繁变化会造成速

11、度设定 的频繁变化，这会引起速度控制系统的振荡，并且微分环节 对误差突变干扰很敏感，容易造成系统的不稳定。为了解决 上述存在的问题，本文对数字 PID 算法进行了改进，将不完 全微分和微分先行引入到 PID 算法中，大大改善了速度控制 系统的动态性能。 速度设定 前馈补偿 不完全微分 模糊PID 微分先行 伺服电机 路线 偏差 + - + + 速度 图 6 智能车速度控制系统结构图 图 6 是智能车速度控制系统结构图。由于赛道路况和智 能车的姿态会经常变化，所以速度控制系统的模型也是不定 的，为了提高系统的适应性，本文速度控制系统中采用了模 糊 PID 算法。将速度设定和实际速度进行模糊分档

12、56，通过 调试得到不同情况下相对最优的 PID 参数，保证了速度控制 系统在不同情况下都有较好的控制效果。 4 结论 本文提出的前馈-改进 PID 算法是智能车控制的有效方 法，该算法使智能车系统不仅具有很好的动态性能和反应速 度，而且改善了系统的适应性和鲁棒性，使智能车能够在不 同的跑道上以较快的速度运行。实验表明：本文提出的控制 算法有效地提高了智能车的性能，在同样的跑道上运行时， 采用了新算法的智能车比采用传统 PID 算法反馈控制的智能 车的速度有所提高， 运行一圈的时间平均减少了 3.2 秒， 并且 本文提出的算法也使智能车运行的稳定性得到改善，提高了 智能车对跑道的适应性。该方法

13、具有很好的应用前景。 参考文献 1.唐功友，高德欣.带有持续扰动非线性系统的前馈-反 馈最优控制J.控制与决策，2005 年 04 期 2. P.K. Dash，A.C. Liew. Anticipatory fuzzy control of power systems J. IEE Proc.-Cener. Transm. Distrib.，Vol. 142， No. 2，March 1995：211-218 3 陶永华.新型 PID 控制及其应用M. 北京：机械工业 出版社，2002.3 4 荣冈，王树青.基于频域的新型 PID 型模糊控制器设 计及其参数整定J.浙江大学学报：自然科学版，

14、2000 年第 34 卷第 2 期 5 姜映红， 叶碧成. 基于 T-S 模型的模糊神经网络控制 J.控制工程.2006 年 11 月第 13 卷第 6 期 6 Frank Klawonn，Jorg Gebhardt，Rudolf Kruse. Fuzzy Control on the Basis of Equality Relations with an Example from Idle Speed ControlJ. IEEE TRANSACTIONS ON FUZZY SYSTEMS，VOL. 3，NO. 3，AUGUST 1995：336-350 收稿日期：9 月 8 日 修改日期：

15、11 月 8 日 作者简介：丁 芳（1960），女，上海人，副教授，硕士， 研究方向智能控制、检测；贾翔宇（1983），男，安徽人， 硕士研究生，研究方向智能控制、检测。 （上接第 27 页） 3.4 BP 网络的自适应 系统的自适应功能要求 BP 神经网络实现自适应业务流 程，即在每次网络预报完成后，根据最新的近期历史资料， 调整网络上所有节点权重，适应新的天气形势变化，维持系 统的预报准确率。自适应过程有以下一些关键措施：对训练 样本和新样本的管理采用有限记忆法，即分季度综合样本， 每季度样本数少于 1000，新样本进入，无样本剔除，大于等 于 1000，则新样本进入，最旧样本剔除。由于网

16、络已经建立， 标准化的新样本进入后，将原网络权重视为初值，重复学习 训练的（3）至（5）步，取 200 次迭代，完成网络权重修正。 自适应业务流程如图 3 所示。 5 结论 基于人工神经网络对数值模式产品进行解释应用，实现 了人工神经网络自适应，使系统具有自我更新功能，能客观 地反映预报能力。随时间变化，系统每日根据实时资料不断 调整所有网络节点系数和动态库样本，克服了气候变迁如大 气层低频变化对预报准确率产生的影响。当数值模式更新换 代时，该性能使系统仍能正常进行业务运行，并随着模式的 进步，相应提高自身预报准确率。 基于人工神经网络的天气预报系统能每天对大连地区制 作 72 小时内包括水平能见度、 降水概率等 5 个气象要素的客 观定量预报。统计结果表明，系统 72 小时内预报平均准确率 为 76.4%，系统对风向、风速等要素的预报效果较好。 参考文献 1 韩力群.人工神经网络教程M.北京： 北京邮电大学出 版社，2006 2 胡伍生.神经网络理论及其工程应用M.北京： 测绘出 版社，2006 3 赵林明.多层前向人工神经网络 M.郑州：黄河水利 出版社，1999 4 殷勤业.模式识别与神经网络教程M.北京： 机械工业 出版社，1992 收稿日期：8 月 11 日 修改日期：9 月 25 日