Schnelle Steuerungsprototypen-Simulation von Partikelschwarm-Optimierungsoptimierung mit Rückschrittverfolgung für ein rotierendes invertiertes Pendel

Zusammenfassung

Dieses Protokoll etabliert ein standardisiertes, schnelles Kontrollprototyping-Verfahren, um die von Particle Swarm Optimization optimierte Backstepping-Tracking-Steuerung innerhalb einer festen Echtzeit-Simulationsumgebung zu evaluieren.

Zusammenfassung

Das Hauptziel dieses Protokolls ist es, ein reproduzierbares, fest stufiges Simulationsrahmen zur Bewertung von Particle Swarm Optimization (PSO)-basierter Gewinnabstimmung in nichtlinearen Regelungssystemen bereitzustellen. Die Implementierung beginnt mit der Formulierung eines Pendelmodells vom Furuta-Typ, gefolgt von der Integration eines Backstepping-Controllers in eine 2 ms lange feste Ausführungsumgebung. Die Methodik umfasst einen systematischen vierstufigen Prozess: Charakterisierung nicht-idealer Implementierungsbedingungen, Definition eines multiobjektiven Partikelschwarm-Optimierungssuchraums, automatisierte Offline-Abstimmung und Bewertung der resultierenden Parameter durch eine standardisierte Suite von Trajektorienverfolgungs- und Störungs-Abstoßszenarien. Dieses Setup, das leistungsstarke industrielle Arbeitsstationen und standardisierte Signalschnittstellen nutzt, unterstützt konsistente Wiederholungsvergleiche innerhalb derselben Steuerarchitektur. Das Design vergleicht einen manuell abgestimmten Backstepping-Controller mit einer PSO-optimierten Variante, die exakt dieselbe Steuerungsstruktur teilt und so die Auswirkungen der Verstärkungsauswahl isoliert. Die Leistung des Controllers wird in drei unterschiedlichen Betriebsszenarien bewertet: Schritt-Trajektorien-Folgen, Mischfrequenz-Sinusverfolgung und Störungsabstoßung. Die statistische Analyse von 10 wiederholten Versuchen zeigte, dass die PSO-basierte Optimierung den Step-Tracking-RMSE von 0,065 auf 0,050 Rad senkte und die Spitzenpendelabschläge um 33,1 % dämpfte. Diese Verbesserungen wurden zusammen mit einer Reduktion des RMS-Kontrollaufwands um 22,1 % erreicht, was darauf hindeutet, dass die optimierten Parameter eine effizientere Energieverteilung innerhalb des Lyapunov-basierten Rahmens ermöglichten. Letztlich bietet diese Methodik einen strukturierten Simulationsrahmen, um nichtlineare Steuerungsstrategien vor einer weiteren Implementierung physischer Hardware zu bewerten.

Einleitung

Das Furuta-artige rotierende invertierte Pendel stellt aufgrund seiner offenen Instabilität und komplexen unteraktierten Dynamiken einen grundlegenden Maßstab für die Validierung nichtlinearer Steuerungsalgorithmen^dar. Bevor eine implementierungsorientierte Bewertung in Betracht gezogen werden kann, erfordern diese theoretischen Entwürfe rigorose, simulationsbasierte Zwischentests. Daher etabliert dieses Protokoll ein standardisiertes, schnelles Steuerungsprototyping-Simulationsframework, um systematisch die durch Particle Swarm Optimization (PSO) verursachten Leistungsänderungen auf Backstepping-Tracking-Controllern in einer fest-stufigen simulierten Umgebung zu evaluieren.

In der breiteren Literatur haben zahlreiche Studien strukturelle Veränderungen und Parameterabstimmung untersucht, um die Kontrolle von rotierenden invertierten Pendeln zu verbessern. Optimierungsbasierte Designs sind weit verbreitet; zum Beispiel wurde PSO zur Auswahl von Controller-Parametern verwendet und in Fuzzy-Hybrid-Steuerungsarchitekturen ^4,5 integriert. Im Vergleich zu anderen bio-inspirierten Metaheuristiken wird PSO speziell für dieses Framework ausgewählt, da sie sich schnell in niedrigdimensionalen, kontinuierlichen Suchräumen und minimale Anforderungen an Hyperparameter-Optimierung beschränken. Neuere Literatur hebt zunehmend die Notwendigkeit intelligenter Optimierungsalgorithmen in vielfältigen und komplexen Steuerungsszenarien hervor. Beispielsweise wurden fortschrittliche Optimierungstechniken effektiv mit Model Reference Adaptive Control (MRAC) und Fractional-Order-Frameworks kombiniert, um die Verfolgungsgenauigkeit nichtlinearer Servoanlagen ^6,7 zu verbessern. Darüber hinaus hat sich optimierungsbasierte Abstimmung als äußerst vorteilhaft erwiesen, um die gekoppelten Dynamiken und die inhärenten Einschränkungen komplexer elektromechanischer Systeme^{zu steuern 8,9}.

Neuere Studien bestätigen, dass PSO und seine hybridisierten Varianten die Wirksamkeit der maximalen Powerpoint-Verfolgung in Photovoltaikanlagen signifikant verbessern und eine robuste Parametererkennung unter partiellen Schattingbedingungen^{zeigen 10}. In der Robotik wurde PSO erfolgreich eingesetzt, um erweiterte lineare und nichtlineare proportional-derivative Steuerungsdesigns für parallele Manipulatoren zu optimieren und so Trajektorienverfolgungsfehler^zu minimieren. Zusätzlich hat sich die Integration von PSO mit adaptiver Backstepping-Gleitmodussteuerung als entscheidend erwiesen, um Vibrationen in pneumatischen, künstlich muskulitätsgesteuerten hängenden Massen¹² zu unterdrücken. Über die grundlegende Parameterauswahl hinaus ist die Integration moderner Signalverarbeitung und robuster Optimierungsstrategien entscheidend, um die geschlossene Stabilität unter realistischen, verrauschten physikalischen Bedingungen^{aufrechtzuerhalten 13,14}.

Jüngste Arbeiten konzentrierten sich auch auf gleichzeitige Gelenkwinkelverfolgung und Pendelstabilisierung unter unsicheren Bedingungen unter robuster generalisierter dynamischer Inversion¹⁵ sowie adaptive neuronale Schätzung¹⁶. Darüber hinaus wurden Backstepping-Steuerungsarchitekturen umfassend weiterentwickelt, um komplexe Störungen in verschiedenen mechanischen Systemen zu bewältigen, wie etwa die Integration von Gleitmodus-Designs zur Vibrationsunterdrückung von Gebäuden, den Einsatz von Quasi-Schiebe-Beobachtern für elektronische Drosselklappen und die Integration nichtlinearer Störungsbeobachter für eine hochpräzise Gleichstrom-Motordrehzahlregelung 17,18,19 . Diese vielfältigen Anwendungen unterstreichen die Vielseitigkeit von Backstepping-Designs, wenn sie mit robusten Schätzungs- oder Optimierungsstrategien kombiniert werden.

Eine kritische Schwäche in der zeitgenössischen Literatur ist die Vermischung von Modifikationen der Struktursteuerung mit Parameterabstimmungsvorteilen. Viele vergleichende Studien stellen völlig unterschiedliche Steuerungsarchitekturen gegenüber, sodass es unmöglich ist zu erkennen, ob Leistungsgewinne vom fundamentalen Algorithmus oder lediglich von der Auswahl überlegener Gewinne^20,21 stammen. Darüber hinaus gehen bestehende Simulationsstudien oft von idealen Betriebsbedingungen aus und konzentrieren sich ausschließlich auf die grundlegende Stabilisierung. Sie versäumen es häufig, die durch realistische Implementierungsbeschränkungen verursachte Leistungsverschlechterung zu adressieren. Diese Methodik adressiert diese Lücken direkt. Durch die Einführung simulierter Abtastverzögerungen, Sensorrauschen und Dämpfungsfehlanpassungen innerhalb eines dynamischen Trajektorien-Tracking-Paradigmas bewertet das vorgeschlagene Protokoll den Optimierungseffekt von PSO auf eine feste Steuerungsstruktur.

Im Gegensatz zur herkömmlichen numerischen Integration unterscheidet sich dieses Protokoll dadurch, dass es die Parameterabstimmungswirksamkeit von Variationen struktureller Regler trennt und gleichzeitig feste Schrittzeitanforderungen durchsetzt. Anstatt eine neuartige Steuerungsarchitektur einzuführen, bewertet diese Methode einen einzelnen Backstepping-Tracking-Controller innerhalb einer festen Echtzeit-Simulationsumgebung. Durch den Vergleich einer manuell abgestimmten Baseline mit einer PSO-optimierten Variante desselben Controllers ist das Protokoll so konzipiert, dass beobachtete Unterschiede in Step-Tracking, sinusförmiger Verfolgung und Störungsunterdrückung dem Gain-Optimierungsprozess zugeordnet werden. Der Hauptbeitrag dieser Studie ist die Entwicklung eines benchmark-orientierten Echtzeit-Simulationsprotokolls, das die Auswirkungen der PSO-basierten Gewinnauswahl von Variationen struktureller Steuerungen isoliert.

Konkret stellt diese Arbeit folgende Tätigkeit ein: (1) eine 2-ms Fest-Schritt-Ausführungsumgebung ein, um Implementierungsbeschränkungen zu emulieren; (2) integriert eine facettenreiche Bewertungssuite einschließlich Step-, Mixed-Frequency-Sinus- und Torque-Puls-Störungsszenarien; und (3) bietet einen quantitativen Maßstab zum Vergleich von Gain-Tuning-Effekten unter standardisierten, simulierten nicht-idealen Bedingungen. Diese Methodik ist speziell für Regelungsforscher und Systemingenieure konzipiert, die eine Zwischensimulations-Evaluierungsstufe für nichtlineare Regelungsgesetze unter fester Schrittzeit, Messrauschen, Verzögerung, Dämpfungsfehlern und Sättigungsbedingungen benötigen. Sie ist besonders anwendbar für unteraktuierte elektromechanische Systeme, bei denen Verfolgungsgenauigkeit und Stabilität des internen Zustands unter realistischen Messrauschen und Kommunikationsverzögerungen ausgeglichen werden müssen.

Protokoll

Dieses Protokoll umfasst keine menschlichen Proben, Tierversuche oder klinische Proben. Die Verfahren werden vollständig in einer festen Simulationsumgebung durchgeführt, die ein nichtlineares elektromechanisches Steuerungssystem darstellt. In dieser Studie wurden weder ein physikalisches Experiment mit rotierendem invertiertem Pendel, eine physikalische Hardware-in-the-Loop-Validierung noch ein physikalischer Entfaltungstest durchgeführt.

1. Anlagenbau und Festlegung der Signalkonvention

1. Erstelle ein hochpräzises Simulationsmodell eines Furuta-Typs rotierendes umgekehrtes Pendels. Definieren Sie zwei verallgemeinerte Koordinaten für das System: den Dreharmwinkel θ und den Pendelabweichungswinkel vom aufrechten Vertikalen α.
2. Definieren Sie den Systemzustandsvektor als x = [θ, α, θ̇, α̇]T, wobei α = 0 das instabile aufrechte Gleichgewicht ist. Formulieren Sie das mathematische Pflanzenmodell mit den Euler-Lagrange-Gleichungen, um explizit die nichtlineare Trägheitsmatrix, Corioliskräfte und Gravitationsvektoren zu definieren, die den aktiven Dreharm und das passive Pendel²² koppeln.
3. Definieren Sie positive θ und positive α konsequent dieselbe Encoder-Polarität über die Anlage, den Controller und die Nachbearbeitungsskripte.
4. Richten Sie den festen Echtzeit-Simulationslöser ein, der ausschließlich die in Tabelle 1 beschriebenen nominalen mechanischen und elektromechanischen Parameter verwendet. Konfigurieren Sie das geschlossene System innerhalb der vorgesehenen Echtzeit-Ausführungsumgebung, wie in der Materialtabelle angegeben. Stellen Sie den Controller-Update-Zeitraum auf 2 ms ein und stellen Sie sicher, dass das Datenlogging-Intervall bei 20 ms festgelegt ist.
5. Integrieren Sie drei spezifische nicht-ideale Effekte in das Pflanzenmodell, um realistische Implementierungsgrenzen zu simulieren. Injizieren Sie nullmittleres weißes Messrauschen mit Standardabweichungen von 0,003 Rad bzw. 0,004 Rad in den Arm- bzw. Pendel-Rückkopplungskanal.
6. Führen Sie eine Transportverzögerung von 4 ms in das gemessene Pendelsignal ein. Gleichzeitig werden die simulierten Anlagendämpfungskoeffizienten um 8 % im Vergleich zu den im Controller-Design verwendeten Nennwerten erhöht, um Modellierungsfehler zu simulieren.
7. Begrenze die Motorbefehlsausgabe strikt auf ±10 V.
   VORSICHT: Konfigurieren Sie Software-Sicherheitsstopps, um die Testausführung sofort zu beenden, wenn |θ| überschreitet 0,70 Rad oder wenn |α| überschreitet 0,35 Rad. Zusätzlich sollten Sie einen Watchdog-Timer implementieren, der einen Systemreset auslöst, wenn der Steuerbefehl länger als 100 ms am Sättigungslimit von ±10 V bleibt.

2. Anfangsstaatliche Stipulation und Präpositionierung

1. Initialisieren Sie das System vor jedem Test in einem abwärts ruhenden Zustand.
2. Führen Sie eine Vorpositionierungsaufgabe aus, um das Pendel in die umgekehrte Position zu schwingen und den Stabilisierungsregler einzuschalten. Schließen Sie diese Prepositionierungsphase aus der formellen Leistungsbewertung aus.
3. Beginnen Sie erst mit der formellen Datenerhebung, nachdem überprüft wurde, dass die Pendelabweichung mindestens 1,0 Sekunden kontinuierlich innerhalb von ±0,05 Rad des aufrechten Gleichgewichts liegt, sodass die dynamischen Anfangsbedingungen praktisch vergleichbar über alle getesteten Studien hinweg bleiben.
4. Setzen Sie die Testzeit nach Erfüllung dieser Bedingung auf 0,0 s zurück und beginnen Sie sofort mit der Ausführung des zugewiesenen Sollwertprofils. Stellen Sie sicher, dass alle Kontrolleure dieses identische Präpositionsverfahren verwenden und exakt die gleichen Akzeptanzstandards erfüllen.

3. Basis-Implementierung des Backstepping-Controllers

1. Definieren Sie den Tracking-Fehler eθ(t) gemäß der befohlenen Armwinkelreferenz θr(t) mit Hilfe der Gleichung
   eθ(t) = θr(t) − θ(t) (1)
2. Konstruiere die zusammengesetzte Gleitfläche s(t) gemäß Gleichung 2. In dieser Formulierung definieren wir λ als den streng positiven Fehler-Oberflächen-Steigungskoeffizienten.
   s(t) = ėθ(t) + λeθ(t) (2)
3. Formulieren Sie den Referenz-Backstepping-Regler, indem Sie einen nominalen modellbasierten Kompensationsterm mit einem fehlerstabilisierenden proportionalen Term integrieren. Definieren Sie die Fehlerverfolgungsvariablen mathematisch als z1 = eθ(t) und z2 = s(t).
4. Führen Sie eine Lyapunov-Stabilitätsanalyse durch, um die Konvergenz des Tracking-Fehlers zu bewerten. Differenziere die gewählte Kontrollfunktion Lyapunov V = 1/2z1² + 1/2z²² bezüglich der Zeit, um V̇ = z1ż1 + z2ż2 zu erhalten. Setze das formulierte Regelungsgesetz in diese Ableitung ein, um zu überprüfen, dass V̇ −k1z1² − k2z2² ≤ 0 ≤. Diese negativ-semidefinite Bedingung stellt theoretisch sicher, dass die Fehler im geschlossenen Kreis zum Ursprung konvergieren.
5. Beschränkt den folgenden PSO-Algorithmus darauf, den multidimensionalen Parameterraum innerhalb der Grenzen zu erforschen, die zur Erhaltung dieser Lyapunov-basierten Stabilitätsbedingung ausgewählt wurden.
6. Ersetzen Sie die diskontinuierliche Vorzeichenfunktion durch eine kontinuierliche Sättigungsfunktion, sat(x/φ), um hochfrequentes Chattern in der Nähe des Gleichgewichts zu mindern, gemäß der Standard-Backstepping-Praxis²³ der Randschicht. Definieren Sie φ als die Grenzschichtbreite, die verwendet wird, um die Steuerungsübergänge innerhalb von Gleichung 3 zu glätten.
   sat(x/φ) = 1 für x/φ > 1; sat(x/φ) = x/φ für |x/φ| ≤ 1; sat(x/φ) = −1 für x/φ < −1 (3)
7. Schätzen Sie die Winkelgeschwindigkeiten aus Positionsmessungen durch Anwendung eines gefilterten Rückwärtsdifferenzalgorithmus erster Ordnung mit einer Cutoff-Frequenz von 25 Hz.
8. Wenden Sie die in Tabelle 2 aufgeführten festen Basisgewinne an (k1 = 3,60, k2 = 1,95, λ = 2,10 und φ = 0,12). Stimmen Sie diese Werte nicht nach, sobald die formale Prüfung begonnen hat.

4. Backstepping Gain Optimization mittels Particle Swarm Optimization (PSO)

1. Führen Sie die Offline-Abstimmung vor der Echtzeit-Bewertung durch. Optimieren Sie die vier Controller-Parameter (k1, k2, λ und φ) mit einem PSO, das mit 20 Partikeln konfiguriert ist, und beschränken Sie die Ausführung streng auf 35 Iterationen,^{davon 24}. Beenden Sie die Optimierung an diesem Schwellenwert, um unnötigen Rechenaufwand zu vermeiden, da empirische Offline-Abstimmung zeigte, dass der Schwarm innerhalb der ersten 20 Iterationen konstant auf einen stabilen globalen Best-Fitnesswert konvergierte.
2. Initialisieren Sie die Teilchen gleichmäßig innerhalb der festgelegten Suchgrenzen: k1 ∈ [2.5, 5.5], k2 ∈ [1.2, 3.0], λ ∈ [1.2, 2.8] und φ ∈ [0.05, 1.20].
3. Bewerten Sie jedes Partikel anhand eines 20-Sekunden-Offline-Trainingsszenarios. Stellen Sie sicher, dass diese Bewertungsumgebung die für die formalen Echtzeittests festgelegten Sättigungsgrenzen, Sensorrauschen, Verzögerungen und Dämpfungsfehler strikt repliziert.
4. Formulieren Sie die Minimierungszielfunktion als J = 0,55RMSE + 0,25max|α| + 0,20 RMSU.
5. Normalisieren Sie diese drei Zielkomponenten mithilfe fester Basisreferenzwerte, die als Mittelwert von fünf initialen Basisläufen berechnet werden, die vor Beginn der Schwarmsuche ausgeführt werden. Halten Sie diese Normalisierungskonstanten während des gesamten Optimierungsprozesses starr aufrecht.
6. Verringern Sie das Trägheitsgewicht linear von 0,90 auf 0,40 während des Optimierungslaufs. Setzen Sie beide Beschleunigungskoeffizienten auf 1,50 fest.
7. Weisen Sie jeder Teilchenkonfiguration, die während der Auswertungsphase einen Sicherheitsstopp auslöst, eine vorgegebene Strafgebühr zu.
8. Extrahiere die global-best-Lösung direkt nach Abschluss der finalen Iteration und designiere sie als optimierten Controller.
9. Implementieren Sie die in Tabelle 2 beschriebenen optimierten Gewinne für alle formalen PSO-optimierten Echtzeitversuche (k1 = 4,19, k2 = 2,44, λ = 1,83 und φ = 0,92).

5. Konfiguration der Echtzeit-Ausführungsplattform

1. Führen Sie die Steuerungslogik und die mathematischen Anlagenmodelle gleichzeitig in einer Rapid Control Prototyping (RCP) festen Echtzeitsimulationsumgebung aus. Nutzen Sie eine leistungsstarke industrielle Arbeitsstation mit ausreichender Rechenleistung, um als Echtzeit-Zielmaschine zu dienen. Koppeln Sie die Steuerungsalgorithmen über virtuelle analoge Ausgangs- und Encoder-Eingangskanäle mit der simulierten Anlagendynamik, um Implementierungssignalbeschränkungen zu emulieren.
2. Setzen Sie ein striktes 2-ms-Intervall für die Echtzeit-Schrittweite ein. Siehe Tabelle 3 für eine umfassende Zusammenfassung der Hardware und der Ausführungseinstellungen.
3. Setze alle Controller-Zustände zurück, bevor du jeden Versuch startest.
4. Stellen Sie den Referenzwert auf null und sammeln Sie ein 2,0-s-Basisdatensegment in der aufrechten Position. Überprüfen Sie dieses Fenster, um das Fehlen abnormer Sättigungsereignisse oder Sensordrift vor dem Start des zugewiesenen Tracking-Profils zu bestätigen.
5. Regenerieren Sie die Messrauschrealisierung mit einem bestimmten Samen, der für jeden neuen Versuch aus einem vordefinierten Samenarray ausgewählt wird.

6. Ausführung von Step-Tracking-Tests

1. Wenden Sie eine 20-s-stückweise Schrittfolge an, definiert als θr = 0 Rad von 0,0 s bis 2,0 s, θr = 0,50 Rad von 2,0 s bis 10,0 s und θr = 0,20 Rad von 10,0 s bis 20,0 s.
2. Führen Sie 10 gültige Versuche für den Baseline-Controller und 10 gültige Tests für den PSO-optimierten Controller durch.
3. Zeichnen Sie die vergangene Zeit, den Referenzwinkel, den gemessenen Armwinkel, den Verfolgungsfehler, die Pendelabweichung und die Steuerspannung während jedes Versuchs kontinuierlich auf.
4. Bewerten Sie die Transientenleistung speziell nach dem 0,50-Rad-Schritt-Eingang bei t = 2,0 s.
5. Berechnen Sie die Aufstiegszeit, definiert als die Dauer, die benötigt wird, damit die gemessene Arm-Winkel-Antwort von 10 % auf 90 % des Ziel-Sollwerts übergeht.
6. Berechnen Sie Überschießen als den Prozentsatz, um den die maximale Winkelabweichung das 0,50-Rad-Ziel übersteigt.
7. Berechnen Sie die Einsetzzeit, die als erste Instanz bestimmt wird, nach der die Antwort für mindestens 1,0 Sekunden innerhalb von ±2 % des 0,50-Strahlen-Ziels beschränkt bleibt.
8. Markiere jeden Prozess, der diese Einigungsbedingung vor dem 10,0-S-Punkt nicht erfüllt, als ungelöst. Schließen Sie sie strikt aus den Berechnungen des Sallzeit-Durchschnitts aus, behalten Sie sie aber für alle anderen Kennzahlen bei.
9. Berechnen Sie den stationären Fehler, indem Sie den Tracking-Fehler über das zeitliche Fenster von 9,0 s bis 10,0 s mitteln.

7. Durchführung des sinusförmigen Tracking-Tests

1. Injizieren Sie eine 20-s-Mischfrequenz-sinusförmige Referenzbahn, die von Gleichung 4 gesteuert wird.
   θr(t) = 0,26sin(2π·0,10t) + 0,12sin(2π·0,30t + 0,40) rad (4)
2. Absolvieren Sie 10 gültige Testläufe für jede jeweilige Controller-Konfiguration.
3. Extrahieren Sie die RMSE-Verfolgung im vollständigen Versuch, den maximalen absoluten Tracking-Fehler, Steuer-RMS-Spannung, maximale absolute Pendelabweichung und Phasenverzögerung für jeden einzelnen Versuch.
4. Schätzen Sie die Phasenverzögerung, indem Sie eine Kreuzkorrelation zwischen der gemessenen Armwinkelbahn und der befohlenen Referenz innerhalb eines festgelegten Suchfensters von ±0,50 s durchführen. Zeichnen Sie die Verzögerung als positiven Wert auf, wenn der gemessene Ausgang zeitlich dem Referenzsignal hinterherläuft.

8. Durchführung des Störungsabstoßtests

1. Halte die Armwinkel-Referenz während der gesamten 20 Sekunden strikt auf 0 Rad.
2. Einspritzen Sie einen additiven motorseitigen Drehmomentimpuls genau bei 6,0 s und führen Sie einen zweiten, identischen Impuls bei 12,2 s an.
3. Konfigurieren Sie die Störungsamplitude auf 0,030 N·m und stellen Sie die Pulsbreite für beide Einspritzvorgänge auf 0,12 s ein. Absolviere 10 gültige Tests pro Controller.
4. Berechnen Sie den maximalen absoluten Tracking-Fehler ausschließlich innerhalb des 0,50-S-Fensters unmittelbar nach jedem Impulsbeginn. Identifizieren und behalten Sie den größeren der beiden Werte als repräsentativen Spitzenfehler nach der Störung für diesen Versuch.
5. Berechnen Sie die Erholungszeit, definiert als die vergangene Dauer vom Impulsbeginn bis zum ersten aufgezeichneten Abtastmoment, an dem |eθ| ≤ 0,010 Rad. Interpolieren Sie keine Wiederherstellungszeiten für Unterproben, da die Datenerfassung streng in 20-ms-Intervallen erfolgt.
6. Integrieren Sie den absoluten Tracking-Fehler und berechnen Sie die Steuer-RMS-Spannung kumulativ über den gesamten 20-Sekunden-Testlauf.

9. Datenexport und statistische Zusammenfassung

1. Exportieren Sie die Rohdatensätze im Zeitbereich aus den Schritt-, Sinus- und Störungstests in separate Datendateien.
2. Organisieren Sie die Metriken für wiederholte Versuche in ein strukturiertes Matrixformat, wobei pro Versuch eine Zeile und eine festgelegte Spalte pro bewerteter Metrik zugewiesen werden.
3. Schließen Sie strikt alle als unvollständig markierten oder durch Sicherheitsstopps beendeten Versuche aus. Ersetzen Sie jeden ausgeschlossenen Durchlauf durch eine zusätzliche Studie unter identischen Bedingungen, um einen endgültigen Datensatz mit genau 10 gültigen Tests pro Prüfer für jedes Testszenario zu garantieren.
4. Berichte die aggregierten Ergebnisse der wiederholten Studien als Mittelwert ± Standardabweichung.
5. Bewerten Sie die Verteilungsnormalität der extrahierten Metriken mit dem Shapiro-Wilk-Test²⁵.
6. Analysieren Sie die statistischen Unterschiede zwischen den Baseline- und optimierten Controllern mithilfe zweiseitiger unabhängiger Stichproben-t-Tests für normalverteilte Daten. Wenden Sie den Mann-Whitney-U-Test auf alle Parameter an, die nicht-normale Verteilungen aufweisen.
7. Setzen Sie die Schwelle für die statistische Signifikanz bei p < 0,05 fest.

Ergebnisse

Der Partikelschwarmoptimierungsalgorithmus (PSO) zeigte eine schnelle anfängliche Reduktion der zusammengesetzten Zielfunktion, gefolgt von einer Phase allmählicher Konvergenz. Konkret sank der optimale Fitnesswert im ersten Rechenzyklus auf 1,8757, während die durchschnittliche Schwarmfitness bis zur 35. Iteration von 2,0573 auf 1,2518 sank. Der Großteil dieser Konvergenz fand während der ersten 15 bis 20 Iterationen statt. Über diese Stufe hinaus konvergierte die Entwicklung der global...

Diskussion

Das Hauptziel dieser Studie ist es nicht nur, einen Regler unter isolierten Bedingungen als überlegen zu erklären, sondern zu zeigen, dass das hier bewertete PSO-basierte Gewinnoptimierungsframework die Leistung eines Backstepping-Controllers über definierte, simulierte nicht-ideale Szenarien hinweg verbessern kann. Das rotierende invertierte Pendel dient als hervorragender Maßstab für diese Bewertung aufgrund seiner stark nichtlinearen, nicht-minimalen Phase und unteraktierten Eigenscha...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
High-performance Workstation (Windows 11 Pro)	Various / Custom Build	N/A	Hostmaschine für Festschritt-Echtzeitsimulation und Nachbearbeitung.
MATLAB (Version R2024a)	MathWorks	https://www.mathworks.com/products/matlab.html	Nichtlineare Anlagenmodellierung, Controller-Codierung, Datenexport und Parameterverwaltung.
Simulink (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink.html	Blockschaltbildmodellierung für das Furuta-Pendel und Controller-Ausführung.
Simulink Desktop Real-Time (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	Festschritt-Echtzeit-Kernel für Desktop-Ausführung des Steuerungsmodells.
Python (Version 3.11)	Python Software Foundation	https://www.python.org/	Sekundäre Datenverarbeitung, statistische Handhabung und Figurenvorbereitung.
NumPy (Version 1.26)	NumPy Developers	https://numpy.org/	Numerische Array-Operationen für exportierte Versuchsdaten.
pandas (Version 2.2)	pandas Developers	https://pandas.pydata.org/	Wiederholte Versuchsdatenorganisation und Generierung von Zusammenfassungstabellen.
SciPy (Version 1.13)	SciPy Developers	https://scipy.org/	Statistische Tests und Signalanalyse-Dienstprogramme.
Matplotlib (Version 3.8)	Matplotlib Developers	https://matplotlib.org/	Erzeugung von Plots für Konvergenz, Tracking und Verteilungsfiguren.