Быстрое управление, прототипирование, моделирование оптимизационного управления отступным трекингом роя частиц для вращающегося инвертированного маятника

Краткое содержание

Этот протокол устанавливает стандартизированную процедуру быстрого прототипирования управления управлением для оценки оптимизации с оптимизацией Particle Swarm управление отслеживанием назад в условиях симуляции с фиксированным шагом в реальном времени.

Аннотация

Основная цель этого протокола — предоставить воспроизводимую модель симуляции с фиксированным шагом для оценки настройки усиления на основе оптимизации роя частиц (PSO) в нелинейных системах управления. Реализация начинается с формулировки модели маятника типа Фуруты, за которой следует интеграция контроллера обратного шага в среду выполнения с фиксированным шагом длительностью 2 мс. Методология включает систематический четырёхэтапный процесс: характеристику неидеальных ограничений реализации, определение многоцелевого пространства поиска для оптимизации роя частиц, выполнение автоматизированной настройки офлайн и оценку полученных параметров через стандартизированный набор сценариев отслеживания траекторий и отклонения возмущений. Эта система, использующая высокопроизводительные промышленные рабочие станции и стандартизированные интерфейсы сигнала, поддерживает последовательные повторные сравнения в рамках одной и той же архитектуры управления. Дизайн сравнивает базовый вручную настроенный контроллер обратного шага с оптимизированным для PSO вариантом, который использует точно такую же структуру управления, тем самым изолируя влияние выбора усиления. Производительность контроллера оценивается по трём различным операционным сценариям: шаговое следование по траектории, смешанное синусоидальное отслеживание и отклонение возмущений. Статистический анализ 10 повторных испытаний показал, что оптимизация на основе PSO снизила RMSE с 0,065 до 0,050 рад и ослабила пиковые отклонения маятника на 33,1%. Эти улучшения были достигнуты наряду с сокращением усилий по контролю RMS на 22,1%, что свидетельствует о более эффективном распределении энергии в рамках системы Ляпунова. В конечном итоге эта методология предоставляет структурированную модель моделирования для оценки нелинейных стратегий управления перед любым последующим физическим аппаратным внедрением.

Введение

Вращающийся инвертированный маятник типа Фурута представляет собой фундаментальный ориентир для валидации нелинейных алгоритмов управления благодаря своей нестабильности в открытом контуре и сложной недостаточной^{динамике 1,2,3}. Прежде чем рассматривать оценку, ориентированную на реализацию, эти теоретические конструкции требуют строгого промежуточного тестирования на основе моделирования. Таким образом, этот протокол создаёт стандартизированную, быстро управляющую модельную симуляцию прототипов управления для систематической оценки изменений производительности, вызванных оптимизацией роя частиц (PSO) на контроллерах с отслеживанием обратного шага в симулированной среде с фиксированным шагом.

В более широкой литературе многочисленные исследования изучали структурные модификации и настройку параметров для улучшения контроля вращающихся инвертированных маятников. Дизайны на основе оптимизации широко распространены; например, PSO использовался для выбора параметров контроллера и интегрирован в архитектуры управления fuzzy-hybrid ^4,5. По сравнению с другими био-вдохновлёнными метаэвристиками, PSO специально выбран для этой структуры из-за быстрой сходимости в низкомерных непрерывных поисковых пространствах и минимальных требований к гиперпараметрической настройке. Современная литература всё чаще подчёркивает необходимость использования интеллектуальных алгоритмов оптимизации в разнообразных и сложных сценариях управления. Например, продвинутые методы оптимизации эффективно сочетаются с адаптивным управлением на основе моделей (MRAC) и фреймворками дробного порядка для повышения точности отслеживания нелинейных^{сервозаводов 6,7}. Кроме того, оптимизационная настройка доказала свою высокую выгоду для управления связанной динамикой и внутренними ограничениями сложных электромеханических^{систем 8,9}.

Недавние исследования подтверждают, что PSO и его гибридные варианты значительно повышают эффективность отслеживания максимальной мощности в фотоэлектрических решётках, демонстрируя надёжную идентификацию параметров при условиях частичного^{затенения 10}. В робототехнике PSO успешно используется для оптимизации дополненных линейных и нелинейных проектов управления пропорциональными производными для параллельных манипуляторов, минимизируя ошибки отслеживания^{траектории 11}. Кроме того, интеграция PSO с адаптивным управлением скользящим режимом обратного шага оказалась критически важной для подавления вибраций в подвесных массах, приводимых в действие пневматическими искусственными^{мышцами 12}. Помимо фундаментального выбора параметров, интеграция современных стратегий обработки сигналов и надёжной оптимизации критически важна для поддержания стабильности замкнутого цикла в реалистичных, шумных физических^{условиях 13,14}.

Недавние исследования также были сосредоточены на одновременном отслеживании угла суставов и стабилизации маятника в неопределённых условиях с использованием устойчивой обобщённой динамической^{инверсии 15}, а также адаптивной нейронной оценки¹⁶. Кроме того, архитектуры управления шагом назад были значительно эволюционированы для обработки сложных возмущений в различных механических системах, таких как внедрение скользящих режимов для подавления вибраций зданий, использование квази-скользящих наблюдателей для электронных дроссельных клапанов и интеграция нелинейных наблюдателей возмущений для высокоточного регулирования скорости постоянного тока (17,18,19). Эти разнообразные приложения подчёркивают универсальность дизайнов обратного степа в сочетании с надёжными стратегиями оценки или оптимизации.

Критическим недостатком современной литературы является смешение модификаций структурных контроллеров с преимуществами настройки параметров. Многие сравнительные исследования противопоставляют совершенно разные архитектуры управления, что делает невозможным определить, связано ли прирост производительности с фундаментальным алгоритмом или просто с выбором превосходящего^{усиления 20,21}. Кроме того, существующие симуляционные исследования часто предполагают идеальные условия работы и сосредоточены исключительно на базовой стабилизации. Они часто не справляются с ухудшением производительности, вызванным реалистичными ограничениями реализации. Эта методология напрямую устраняет эти пробелы. Вводя имитируемые задержки дискретизации, шум датчиков и несоответствие демпфирования в рамках динамической парадигмы отслеживания траектории, предлагаемый протокол оценивает эффект оптимизации PSO на фиксированную управляющую структуру.

В отличие от традиционного численного интегрирования, этот протокол отличается тем, что эффективность настройки параметров отличается от вариаций структурных контроллеров, одновременно применяя ограничения по времени с фиксированным шагом. Вместо внедрения новой архитектуры управления этот метод оценивает один контроллер отслеживания назад в условиях симуляции с фиксированным шагом в реальном времени. Сравнивая вручную настроенную базовую линию, с оптимизированным для PSO вариантом того же контроллера, протокол разрабатывается так, чтобы приписывать наблюдаемые различия в трекинге шагов, синусоидальном отслеживании и отстранении возмущений процессу усиления-оптимизации. Основной вклад этого исследования — разработка ориентированного на бенчмарк протокола моделирования реального времени, который изолирует влияние выбора усиления на основе PSO от вариаций структурных контроллеров.

В частности, эта работа: (1) создаёт среду выполнения с фиксированным шагом длительностью 2 мс для эмуляции ограничений реализации; (2) интегрирует многоаспектный комплекс оценок, включающий ступенчатые, смешанночастотные синусоидальные и моментно-импульсные нарушения; и (3) предоставляет количественный ориентир для сравнения эффектов настройки усиления при стандартизированных моделируемых неидеальных условиях. Эта методология специально разработана для исследователей управления и системных инженеров, которым требуется промежуточная стадия оценки моделирования для нелинейных законов управления при фиксированном шаге тайминга, шуме измерения, задержке, несоответствия демпфирования и ограничениях насыщения. Он особенно применим к недостаточно активируемым электромеханическим системам, где точность отслеживания и стабильность внутреннего состояния должны быть сбалансированы при реалистичном измерении шума и задержках связи.

Протокол

Этот протокол не включает участие на людях, испытания на животных или клинические образцы. Процедуры полностью выполняются в условиях симуляции с фиксированным шагом, представляющей собой нелинейную электромеханическую систему управления. В этом исследовании не проводились физические эксперименты с инвертированным маятником, проверка физического оборудования в цикле или тест физического развертывания.

1. Строительство станций и создание сигнальной конвенции

1. Постройте высокоточную модель моделирования вращающегося инвертированного маятника типа Фурута. Определим две обобщённые координаты системы: угол вращающегося рычага, θ, и угол отклонения маятника от вертикальной вертикали α.
2. Определим вектор состояния системы как x = [θ, α, θ̇, α̇]T, обозначая α = 0 как нестабильное вертикальное равновесие. Сформулировать математическую модель растения с использованием уравнений Эйлера-Лагранжа для явного определения нелинейной инерционной матрицы, сил Кориолиса и гравитационных векторов, связывающих активный вращательный рычаг и пассивный^{маятник 22}.
3. Определите, что положительные θ и положительные α последовательно используют одинаковую полярность энкодера между установкой, контроллером и скриптами постобработки.
4. Установите решатель моделирования в реальном времени с фиксированным шагом, строго используя номинальные механические и электромеханические параметры, описанные в таблице 1. Настройте систему замкнутого цикла в назначенной среде выполнения в реальном времени, как указано в Таблице материалов. Установите период обновления контроллера на 2 мс и убедитесь, что интервал логирования данных фиксирован на уровне 20 мс.
5. Включить в модель растения три конкретных неидеальных эффекта для имитации реалистичных ограничений реализации. Ввести шум измерения белого при нулевом среднем уровне с отклонениями 0,003 рад и 0,004 рад в каналы обратной связи рычага и маятника соответственно.
6. Введите задержку транспорта 4 мс в измеренный маятниковый сигнал. Одновременно увеличить имитируемые коэффициенты демпфирования установки на 8% по сравнению с номинальными значениями, используемыми в проектировании контроллера, чтобы имитировать несоответствие моделирования.
7. Ограничите выход команд мотора строго ±10 В.
   ВНИМАНИЕ: Настройте программные остановки безопасности для немедленного завершения испытания, если |θ| превышает 0,70 рад или если |α| Превышает 0,35 рад. Кроме того, реализуйте таймер watchdog для запуска сброса системы, если команда управления остаётся на пределе насыщения ±10 В более 100 мс.

2. Начальное условие состояния и предлог

1. Инициализируйте систему в нисходящем состоянии покоя перед каждым тестом.
2. Выполните задачу предпозиционирования, чтобы поднять маятник в перевёрнутое положение и включить стабилизирующий контроллер. Исключить эту фазу предпозиционирования из формальной оценки производительности.
3. Формальный сбор данных начинается только после подтверждения того, что отклонение маятника постоянно оставалось в пределах ±0,05 рад от вертикального равновесия не менее 1,0 с, сохраняя таким образом динамические начальные условия практически сопоставимыми во всех оценённых исследованиях.
4. Сбросьте пробное время до 0.0 с после выполнения этого условия и сразу начинайте выполнение назначенного профиля заданной точки. Убедитесь, что все контроллеры используют одинаковую процедуру предварительного размещения и соответствуют одинаковым стандартам приёмки.

3. Реализация базового контроллера обратного шага

1. Определите ошибку отслеживания eθ(t) согласно командной ссылке на угол руки θr(t) с помощью уравнения
   eθ(t) = θr(t) − θ(t) (1)
2. Постройте составную скользящую поверхность s(t) согласно уравнению 2. В рамках этой формулировки определим λ как строго положительный коэффициент наклона поверхности с отрицательной ошибкой.
   s(t) = ėθ(t) + λeθ(t) (2)
3. Сформулируйте референсный регулятор обратного степа путём интеграции номинального компенсирующего члена на основе модели с пропорциональным членом, стабилизирующим ошибки. Определите переменные ошибки отслеживания математически как z1 = eθ(t) и z2 = s(t).
4. Проведите анализ устойчивости Ляпунова для оценки сходимости ошибок отслеживания. Дифференцировать выбранную функцию Ляпунова V = 1/2z1² + 1/2z2² по времени, чтобы получить V̇ = z1ż1 + z2ż2. Подставим сформулированный управляющий закон в эту производную, чтобы проверить, что V̇ ≤ −k1z1² − k2z2² ≤ 0. Это отрицательно-полуопределённое условие теоретически гарантирует, что ошибки замкнутых систем сходятся в начало координат.
5. Ограничить последующий алгоритм PSO на исследование многомерного пространства параметров в пределах границ, выбранных для сохранения этого условия устойчивости на основе Ляпунова.
6. Замените прерывистую функцию знаков непрерывной функцией насыщения sat(x/φ), чтобы смягчить высокочастотные щебетания в равновесии, следуя стандартной практике обратного шага по^{пограничному слою 23}. Определите φ как ширину пограничного слоя, используемую для сглаживания переходов управления в уравнении 3.
   sat(x/φ) = 1 для x/φ > 1; sat(x/φ) = x/φ для |x/φ| ≤ 1; sat(x/φ) = −1 для x/φ < −1 (3)
7. Оцените угловые скорости по измерениям положения, применяя алгоритм фильтрации обратной разности первого порядка с частотой среза 25 Гц.
8. Применим фиксированные базовые коэффициенты усиления, указанные в таблице 2 (k1 = 3,60, k2 = 1,95, λ = 2,10 и φ = 0,12). Не меняйте эти значения после начала официального тестирования.

4. Оптимизация усиления с помощью возвратного шага с помощью оптимизации роя частиц (PSO)

1. Выполните офлайн-тюнинг перед оценкой в реальном времени. Оптимизировать четыре параметра контроллера (k1, k2, λ и φ) с использованием PSO, настроенного на 20 частиц, и строго ограничить выполнение до 35^{итераций 24}. Завершить оптимизацию на этом пороге, чтобы избежать ненужных вычислительных накладных расходов, поскольку эмпирическая офлайн-настройка показала, что рой стабильно сходится к стабильному глобальному наилучшему значению приспособленности в первые 20 итераций.
2. Инициализировать частицы равномерно в пределах определённых границ поиска: k1 ∈ [2.5, 5.5], k2 ∈ [1.2, 3.0], λ ∈ [1.2, 2.8] и φ ∈ [0.05, 1.20].
3. Оценивайте каждую частицу с помощью 20-секундного офлайн-тренировочного сценария. Убедитесь, что эта среда оценки строго воспроизводит пределы насыщения, шум датчиков, задержки и несоответствия демпфирования, установленные для формальных испытаний в реальном времени.
4. Сформулируйте целевой функцию минимизации как J = 0.55RMSE + 0.25max|α| + 0,20 RMSU.
5. Нормализуйте эти три целевых компонента с помощью фиксированных базовых эталонных значений, вычисленных как среднее пяти начальных базовых запусков, выполненных перед началом поиска роя. Поддерживайте эти нормируемые константы жёстко на протяжении всего процесса оптимизации.
6. Линейно уменьшайте вес инерции с 0,90 до 0,40 в ходе оптимизации. Зафиксируйте оба коэффициента ускорения на уровне 1,50.
7. Назначать заранее определённую штрафную стоимость любой конфигурации частиц, которая запускает остановку безопасности во время её оценки.
8. Извлеките лучшее глобальное решение сразу после завершения финальной итерации и назначите его как оптимизированный контроллер.
9. Реализуйте оптимизированные усиления, описанные в Таблице 2 , для всех формальных PSO-оптимизированных испытаний в реальном времени (k1 = 4,19, k2 = 2,44, λ = 1,83 и φ = 0,92).

5. Конфигурация платформы исполнения в реальном времени

1. Выполнять логику управления и математические модели завода одновременно в среде быстрого прототипирования управления (RCP) с фиксированным шагом в реальном времени. Используйте высокопроизводительную промышленную рабочую станцию с достаточной вычислительной мощностью, чтобы служить целевой машиной в реальном времени. Взаимодействовать алгоритмы управления с имитируемой динамикой завода через виртуальные аналоговые выходные каналы и входные каналы энкодера для имитации ограничений сигнала на уровне реализации.
2. Назначить строгий интервал в 2 мс для размера шага в реальном времени. См. таблицу 3 для подробного обзора аппаратного обеспечения и настроек выполнения.
3. Сбросьте все состояния контроллера перед запуском каждого испытания.
4. Установите эталонное значение на ноль и соберите исходный сегмент данных 2.0 с в вертикальном положении. Проверьте это окно, чтобы убедиться в отсутствии аномальных событий насыщения или дрейфа датчика перед запуском назначенного профиля отслеживания.
5. Регенерируйте реализацию шума измерения с помощью отдельного семя, выбранного из заранее определённого массива семян для каждого нового испытания.

6. Выполнение тестов с отслеживанием шагов

1. Примените последовательность шагов по кусочкам в 20 с, определённую как θr = 0 рад от 0,0 с до 2,0 с, θr = 0,50 рад от 2,0 с до 10,0 с и θr = 0,20 рад от 10,0 с до 20,0 с.
2. Проведите 10 валидных испытаний для базового контроллера и 10 действительных испытаний для контроллера, оптимизированного для PSO.
3. Записывайте прошедшее время, опорный угол, измеренный угол рычага, ошибку отслеживания, отклонение маятника и управляющее напряжение непрерывно в каждом испытании.
4. Оценивайте переходные характеристики непосредственно после входа 0,50 радиационного шага, возникающего при t = 2,0 с.
5. Рассчитайте время роста, определяемое как длительность, необходимая для перехода измеренного отклика угла руки с 10% до 90% от целевого значения.
6. Вычислите перестрелку как процент, на который пиковое угловое отклонение превышает цель 0,50 радиации.
7. Рассчитайте время осаждения, определяемое как первый случай, после которого ответ остаётся ограниченным в пределах ±2% от цели 0,50 рад минимум 1,0 с.
8. Отмечайте любое судебное разбирательство, которое не соответствует этому условию до отметки 10,0 секунд, как нерешённое. Исключите его строго из расчётов среднего времени осядения, сохраняя при этом для всех остальных метрик.
9. Вычислите ошибку в стационарном состоянии, усредняя ошибку отслеживания за временное окно от 9,0 до 10,0 с.

7. Выполнение синусоидального теста отслеживания

1. Введём 20-секундную смешанную синусоидальную эталонную траекторию, регулируемую уравнением 4.
   θr(t) = 0.26sin(2π·0.10t) + 0.12sin(2π·0.30t + 0.40) rad (4)
2. Выполните 10 действительных пробных запусков для каждой конфигурации контроллера.
3. Извлеките RMSE по полному испытанию, максимальную абсолютную ошибку отслеживания, управляющее RMS-напряжение, максимальное абсолютное отклонение маятника и фазовую задержку для каждого отдельного испытания.
4. Оцените фазовую задержку, выполняя перекрестную корреляцию между измеренной траекторией угла руки и командной ссылкой в заданном окне поиска ±0,50 с. Зафиксируйте задержку как положительное значение, когда измеренный выход временно следует за эталонным сигналом.

8. Выполнение теста отклонения возмущения

1. Держите эталонный угол руки строго на уровне 0 радиационного значения на протяжении всех 20 секунд.
2. Введите аддитивный импульс крутящего момента со стороны мотора ровно на 6,0 с и подайте второй идентичный импульс на 12,2 с.
3. Настройте амплитуду возмущения на 0,030 Н·м и установите ширину импульса на 0,12 с для обоих событий инъекции. Выполните 10 действительных пробных процессов на каждый контроллер.
4. Вычислите максимальную абсолютную ошибку отслеживания исключительно в окне 0,50 с сразу после каждого начала импульса. Определите и удержите более крупное из двух значений как репрезентативную пиковая ошибка после возмущения для этого испытания.
5. Вычислите время восстановления, определяемое как прошедшая длительность от начала импульса до первого записанного момента дискретизации, где |eθ| ≤ 0,010 радиация. Не интерполируйте время восстановления субвыборок, так как логирование данных происходит строго с интервалом в 20 мс.
6. Интегрируйте абсолютную ошибку отслеживания и рассчитайте управляющее RMS-напряжение кумулятивно за весь пробный запуск в течение 20 секунд.

9. Экспорт данных и статистическая сумма

1. Экспортируйте сырые наборы данных временной области из тестов шагового, синусоидального и дисмутенционного тестов в отдельные файлы данных.
2. Организуйте метрики повторных испытаний в структурированный матричный формат, присваивая одну строку на каждую пробу и одну выделенную колонку на каждую оцененную метрику.
3. Строго исключайте любые испытания, отмеченные как незавершённые или прерванные застраховочными остановками. Заменить каждый исключённый запуск проведением дополнительного испытания при идентичных условиях, чтобы гарантировать итоговый набор данных, состоящий ровно из 10 действительных испытаний на каждый контроллер для каждого тестового сценария.
4. Сообщите агрегированные результаты повторных испытаний как среднее ± стандартного отклонения.
5. Оцените нормальность распределения извлечённых метрик с помощью теста^{Шапиро-Уилка 25}.
6. Проанализируйте статистические различия между базовыми и оптимизированными контроллерами с помощью двухсторонних независимых t-тестов для нормально распределённых данных. Применим U-тест Манна–Уитни для любых параметров с ненормальными распределениями.
7. Установите порог статистической значимости на p < 0,05.

Результаты

Алгоритм оптимизации роя частиц (PSO) продемонстрировал быстрое начальное сокращение композитной целевой функции, за которым последовал период постепенной сходимости. В частности, оптимальное значение приспособленности снизилось до 1,8757 в первом вычислительном цикле, тогда как среднее значение приспособленности роя снизилось с 2,0573 до 1,2518 к 35-й итерации. Большая часть этой конвергенции происходила в первые 15–20 итераций. После этой стадии траектория лучшего решения по всему миру...

Обсуждение

Основная цель данного исследования — не просто объявить один контроллер превосходящим другой в изолированных условиях, но и показать, что оцененная здесь структура оптимизации усиления на основе PSO может повысить производительность контроллера обратного шага в определённых симулированных неидеальных сценариях. Вращающийся инвертированный маятник служит отличным ориентиром для этой оценки благодаря своему высоко нелинейному, неминимальному фазовому и недостаточно активируемым

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Высокопроизводительная рабочая станция (Windows 11 Pro)	Различные / Настраиваемый вариант	N/A	Хост-машина для симуляции в реальном времени с фиксированным шагом и последующей обработки.
MATLAB (Версия R2024a)	MathWorks	https://www.mathworks.com/products/matlab.html	Моделирование нелинейной установки, кодирование контроллера, экспорт данных и управление параметрами.
Simulink (Версия R2024a)	MathWorks	https://www.mathworks.com/products/simulink.html	Конструирование блочно-схемной модели для маятника типа Фурута и выполнение контроллера.
Simulink Desktop Real-Time (Версия R2024a)	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	Ядро реального времени с фиксированным шагом для выполнения модели управления на настольном компьютере.
Python (Версия 3.11)	Python Software Foundation	https://www.python.org/	Вторичная обработка данных, статистическая обработка и подготовка рисунков.
NumPy (Версия 1.26)	Разработчики NumPy	https://numpy.org/	Операции с числовыми массивами для экспортированных данных испытаний.
pandas (Версия 2.2)	Разработчики pandas	https://pandas.pydata.org/	Организация данных повторных испытаний и создание сводных таблиц.
SciPy (Версия 1.13)	Разработчики SciPy	https://scipy.org/	Статистическое тестирование и утилиты анализа сигналов.
Matplotlib (Версия 3.8)	Разработчики Matplotlib	https://matplotlib.org/	Создание графиков для сходимости, отслеживания и распределения.