空間微重力模擬育種平臺系統的控制器設計論文

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，彌補迴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，研製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。這對於耗資巨大、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效能密切相關。傳統的PID 控制演算法是基於物件數學模型的控制演算法，尤其適用於可建立精確數學模型的確定性控制系統。但是，實際應用中由於系統引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;再加上由於系統本身所具有的機械慣性，使得單獨用PID 控制器來調整引數的實驗結果不理想。因此，本文提出結合RBF 神經網路的線上學習能力進行PID 引數調整，以此來實現恆張力控制目標，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)。由於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迴轉器，迴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)、剪下力和粒子碰撞等其他刺激因素的影響。嚴格地說，迴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，不能完全等同於空間微重力環境下的實驗，其模擬的只是微重力的效應，並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。據瞭解，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，其優點是建造週期短、成本低、精度高，易於實現及維護。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，還可以通過更換介面部件實現重複利用，可靠性、魯棒性調整，以此來實現恆張力控制目標，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)。由於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迴轉器，迴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)、剪下力和粒子碰撞等其他刺激因素的影響。嚴格地說，迴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，不能完全等同於空間微重力環境下的實驗，其模擬的只是微重力的效應，並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。據瞭解，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，其優點是建造週期短、成本低、精度高，易於實現及維護。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，還可以通過更換介面部件實現重複利用，可靠性、魯棒性本系統採用&“並聯&”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槓並聯，由被動法(低摩擦氣缸)補償模擬目標大部分重力，同時採用可控的驅動裝置( 電機滾珠絲槓機構) 補償剩餘的重力和干擾力。根據恆張力控制目標，在系統的並聯機構中，一方面採用直流電機直接控制滾珠絲槓系統的結構，克服了齒輪在執行中所帶來的齒隙和摩擦等問題;另一方面在氣缸和上模組( 育種平臺) 之間加一個壓力感測器，將壓力感測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 基於徑向基( RBF) 神經網路PID 控制器的引數整定

2. 1 模擬系統RBF - PID 控制器結構

傳統的PID 控制器的傳遞函式中主要有3 個引數，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，但不能超過一定的範圍;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係;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，對於系統動態特性的改善有著顯著的作用。其傳遞函式的形式為G(s) = Kp + Ki /s + Kd s其中，PID 控制器設計的關鍵在於增益的正確選擇。所以，從根本上來說，傳統的PID 控制器所整定的引數並不是最優的。因此，本文采用的基於RBF 神經網路PID 控制於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 神經網路對PID 增益進行實時調整，來實現對PID 引數的自動調整。首先，確定RBF 神經網路的輸入層結構( 輸入節點數目n、隱層數目p、隱節點中心向量cj 、基寬引數bj及權係數ωj的初值等引數)。然後，取樣得到y( k)、r( k) 並計算出PID 控制器的輸入變數，初始化PID 控制器的引數和RBF 神經網路的權值;再根據公式計算出RBF 神經網路的輸出和系統的實際輸出，同時送到RBF 神經網路進行辨識。最後，計算得到PID 控制器的輸出u( k) ，一方面將u(k)傳遞給被控物件進行實時線上的控制後得到系統的實際輸出yout;另一方面再將u ( k) 傳入到RBF 網路中產生控制物件的輸出資訊並進行Jacobian的下一步辨識，以此往復迴圈的方式進行線上學習控制，直到得出最優的系統引數指標。其中，RBF 神經網路線上整定PID 控制系統的結構框圖。

該控制器主要由3 個部分組成:傳統的PID 控制器部分採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，然後線上整定kp、ki和kd這3 個引數;RBF 神經網路的辨識部分是用來線上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 資訊的目的;而系統結構中的被控物件部分是為了調整其自身的權係數值，在PID 控制器已經整定完的3 個引數基礎之上，再利用RBF 神經網路提供的Jacobian 資訊實現對PID 控制器引數的進一步線上調整。其中，被控物件的輸出即為PID 控制器的3 個引數，從而達到系統引數的最優指標的目的。

2. 2 PID 引數的自整定原則

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)對於PID 控制器，採用增量式演算法，則系統的控制誤差e 為e(k) = r(k) - y(k)採用梯度下降法計算控制演算法的輸出為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)]使誤差效能函式值最小的RBF 神經網路PID 引數的整定指標為E(k) = 12e(k)2對kp、ki、kd也採用梯度下降法進行調整得Δ kp = - ηp礒 kp= ηpe(K) 祔Δux(1)Δ ki = - ηi礒 ki= ηie(K) 祔Δux (2)Δ kd = - ηd礒 kd= ηde(K) 祔Δux(3)其中，ηp、ηi、ηd分別為權向量Δ kp、Δ ki、Δ kd的學習速率，輸出的權值採用梯度下降法; 祔Δu代表物件的輸出對控制輸入的靈敏度，是被控物件Jacobian 的資訊。若RBF 神經網路線上學習得到中心隱層節點數為p 個，則祔(k)Δu(k) ≈  yp(k)Δu(k) =Σpj = 1ωj hjcji - Δu(k)b2j其中，cji為隱含層的中心; hj為隱層函式的輸出。Jacobian 的資訊可通過RBF 神經網路的辨識得到。

3 MatLab 中模擬實現

3. 1 引數設定

為了驗證本文所採用的RBF - PID 控制演算法在系統實現垂直方向上重力補償的有效性，利用MatLab 軟體中Simulink 模組對系統進行模擬研究。RBF 神經網路的結構為3 - 6 - 1，微重力模擬育種系統的RBF神經網路的3 個輸入變數分別為直流控制電機中的電流的變化量Δu(k) 、壓力感測器上一時刻的輸出偏差量yout( k - 1) 及壓力感測器在本時刻的輸出偏差量yout(k)。其中，RBF 的隱層結構採用RPCCL 演算法學習獲得。學習速率ηo = 0 . 31 ，慣性系數αo = 0 . 06、βo = 0. 034。RBF - PID 控制器的引數為:RBF 神經網路權值取[- 1，1]範圍內的隨機數，取樣時間為2s;PID 的3 個引數的初始值kp = 3、ki = 6、kd = 0，其的學習速率初始化後分別為:ηp = 0. 8、ηi = 1. 6、ηd = 1. 2。

3. 2 模擬結果與分析

依照上述PID 引數自整定和RBF 神經網路線上學習能力的規則和思想，進行了以下模擬研究。RBF 神經網路PID 控制在階躍響應整個過程中權向量Δ kp、Δ ki、Δkd的自適應調整曲線。

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 個引數可以快速得到調整使系統趨於穩定。為了實現系統的恆張力控制目標，在用RBF -PID 控制器控制電機的力矩輸出時，壓力感測器的響應輸出結果。

系統的動態響應能力比較快，穩定效能比較好。這主要是由於RBF 神經網路對於系統中所存在的氣缸的摩擦力、引數隨系統的執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，並且能夠及時調整PID 控制器的引數，以適應系統的變化。

本文所研究的三維空間微重力模擬系統中，壓力感測器的控制精度和響應速度是系統的重要指標。RBF - PID 控制器可使壓力感測器的輸出始終保持在± 1N 的波動範圍內，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，從而實現了使壓力感測器的輸出始終等於模擬目標的重力這一恆張力控制策略，達到了模擬三維微重力空間環境的控制目標。以上模擬研究結果表明:文中所使用的RBF 神經網路PID 控制演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效能等特點。

4 結論

針對目前廣泛使用的迴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，使其應用於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，並提出了基於氣浮法的微重力模擬育種平臺系統。針對此複雜的、非線性系統，利用RBF 網路作為辨識器，採用梯度下降演算法對PID 引數進行線上調整，實現系統在垂直地面方向上的重力補償。同時，通過MatLab / Simulink 模組的模擬結果可以得知:本文所採用的RBF 神經網路自適應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 引數的調整過程中可使得壓力感測器輸出始終保持在261. 1 ～ 262N 之間，系統具有較高的控制品質，適用於實時線上控制非線性系統。