基于改进的遗传算法的有刷直流电机PID参数整定

doi:10.11772/j.issn.1001-9081.2021050745

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (5): 1634-1641.DOI: 10.11772/j.issn.1001-9081.2021050745

基于改进的遗传算法的有刷直流电机PID参数整定

刘延飞(), 彭征, 王艺辉, 王忠

火箭军工程大学基础部，西安 710025

收稿日期:2021-05-10 修回日期:2021-09-12 接受日期:2021-12-21 发布日期:2022-03-08 出版日期:2022-05-10
通讯作者: 刘延飞
作者简介:刘延飞（1975—），男，陕西咸阳人，教授，博士，主要研究方向：最优控制、嵌入式系统 bbmcu@126.com
彭征（1998—），男，湖南平江人，硕士研究生，主要研究方向：最优控制、嵌入式系统
王艺辉（1996—），男，福建泉州人，硕士，主要研究方向：多智能体协同、嵌入式系统、目标合围
王忠（1986—），男，重庆人，副教授，硕士，主要研究方向：多智能体协同、目标合围。
基金资助:
国家自然科学基金资助项目(61834004)

PID parameter tuning of brushed direct-current motor based on improved genetic algorithm

Yanfei LIU(), Zheng PENG, Yihui WANG, Zhong WANG

Department of Basic Sciences，Rocket Force University of Engineering，Xi’an Shaanxi 710025，China

Received:2021-05-10 Revised:2021-09-12 Accepted:2021-12-21 Online:2022-03-08 Published:2022-05-10
Contact: Yanfei LIU
About author:LIU Yanfei， born in 1975， Ph. D.， professor. His researchinterests include optimum control，embedded system.
PENG Zheng， born in 1998， M. S. candidate. His researchinterests include optimum control，embedded system.
WANG Yihui， born in 1996，M. S. His research interests includemulti-agent collaboration，embedded system，target enclosing.
WANG Zhong， born in 1986，M. S.，associate professor. Hisresearch interests include multi-agent collaboration，target enclosing.
Supported by:
National Natural Science Foundation of China(61834004)

摘要/Abstract

摘要：

针对有刷直流（DC）电机的比例积分微分（PID）参数整定工作复杂耗时的问题，提出了一种基于改进型遗传算法（GA）的PID参数整定方法。首先，提出了适应度增强淘汰法则，改进了传统GA的选择过程；然后，提出了基因感染交叉方法，保证了进化过程中平均适应度值的增加；最后，删除了传统GA中不必要的复制操作，提升了算法的运行速度。通过电机传递函数进行建模和仿真分析。实验结果表明，与常规整定方法相比，所提改进型GA能够显著提升PID参数整定效果，且改进型GA相较于传统GA，达到同样进化效果所需的进化代数减少了79%，算法运行速度提升了4.1%。所提出的改进型GA从选择和交叉两个关键操作步骤对GA进行了改进，并应用于PID参数整定使得上升时间更少、稳定时间更短、过冲更小。

关键词: 比例积分微分参数整定, 遗传算法, 基因感染交叉, 适应度函数, 传递函数建模

Abstract:

Aiming at the complicated and time-consuming problems of brushed Direct-Current （DC） motor Proportion Integral Differential （PID） parameter tuning， a PID parameter tuning method based on improved Genetic Algorithm （GA） was proposed. Firstly， a fitness enhanced elimination through selection rule was proposed， which improved the selection process of traditional GA. Then， a gene infection crossover method was proposed to ensure the increase of the average fitness value in the evolution process. Finally， the unnecessary copy operation in traditional GA was deleted to improve the running speed of the algorithm. Modeling and simulation analysis were carried out through the motor transfer function. Experimental results show that， compared with conventional tuning methods， the proposed improved GA can significantly improve the PID parameter tuning effect. At the same time， compared with the traditional GA， the improved GA reduces the evolutionary generation number required to achieve the same evolutionary effect by 79%， and increases the running speed of the algorithm by 4.1%. The proposed improved GA improves GA from the two key operation steps of selection and crossover， and is applied to PID parameter tuning to make the rise time less， the stability time shorter， and the overshoot smaller.

Key words: Proportion Integral Differential (PID) parameter tuning, Genetic Algorithm (GA), gene infection crossover, fitness function, transfer function modeling

中图分类号:

TM383.4

刘延飞, 彭征, 王艺辉, 王忠. 基于改进的遗传算法的有刷直流电机PID参数整定[J]. 计算机应用, 2022, 42(5): 1634-1641.

Yanfei LIU, Zheng PENG, Yihui WANG, Zhong WANG. PID parameter tuning of brushed direct-current motor based on improved genetic algorithm[J]. Journal of Computer Applications, 2022, 42(5): 1634-1641.

图/表 17

图1 PID控制器

Fig. 1 PID controller

图2 遗传算法流程

Fig. 2 Flow chart of genetic algorithm

图3 电机参数估计

Fig. 3 Motor parameter estimation

图4 函数y=xkk=0.3,0.5,1.0,2.0,3.0曲线

Fig. 4 Curves for function y=xkk=0.3,0.5,1.0,2.0,3.0

图5 基因感染交叉操作

Fig. 5 Gene infection crossover operation

图6 增强感染遗传算法流程

Fig. 6 Flow chart of enhanced infection genetic algorithm

图7 基于EIGA的PID控制器

Fig. 7 PID controller based on EIGA

表1 直流电机的参数

Tab. 1 Parameters of DC motor

参数	值
电阻 $R a$ /Ω	0.476
电驱电感 $L a$ /mH	0.200
转矩常数 $K r$ /（N·m·A^-1）	3.87 $× 10 - 3$
阻尼系数 $B$ /（N·m·s· $r a d - 1$ ）	4.16 $× 10 - 5$
反电动势系数 $K e$ /（V·s· $r a d - 1$ ）	4.00 $× 10 - 3$
系统转动惯量 $J$ /（kg·m²）	4.40 $× 10 - 5$

表1 直流电机的参数

Tab. 1 Parameters of DC motor

参数	值
电阻 $R a$ /Ω	0.476
电驱电感 $L a$ /mH	0.200
转矩常数 $K r$ /（N·m·A^-1）	3.87 $× 10 - 3$
阻尼系数 $B$ /（N·m·s· $r a d - 1$ ）	4.16 $× 10 - 5$
反电动势系数 $K e$ /（V·s· $r a d - 1$ ）	4.00 $× 10 - 3$
系统转动惯量 $J$ /（kg·m²）	4.40 $× 10 - 5$

表2 GA 和 EIGA的参数

Tab. 2 Parameters of GA and EIGA

参数	值
种群大小	220
进化代数	70
交叉率	0.5
变异率	0.005
$K p$ 的范围	（0，5）
$K i$ 的范围	（0，4）
$K d$ 的范围	（0，6）

表2 GA 和 EIGA的参数

Tab. 2 Parameters of GA and EIGA

参数	值
种群大小	220
进化代数	70
交叉率	0.5
变异率	0.005
$K p$ 的范围	（0，5）
$K i$ 的范围	（0，4）
$K d$ 的范围	（0，6）

图8 不同方法的阶跃响应

Fig. 8 Step response of different methods

图9 GA与EIGA的阶跃响应

Fig. 9 Step response of GA and EIGA

表3 不同方法下的系统响应性能

Tab. 3 System response performance under different methods

方法	上升时间/s	稳定时间/s	过冲/%
AC	0.176 5	1.818 2	0.408 6
ZN	2.240 9	4.033 6	0.067 8× $10 - 4$
CC	0.515 0	2.188 8	0.231 5
IMC	0.666 7	4.111 1	0.078 2
GA	0.012 4	0.008 0	8.769 4× $10 - 7$
EIGA	0.008 9	0.005 2	2.426 2× $10 - 7$

表3 不同方法下的系统响应性能

Tab. 3 System response performance under different methods

方法	上升时间/s	稳定时间/s	过冲/%
AC	0.176 5	1.818 2	0.408 6
ZN	2.240 9	4.033 6	0.067 8× $10 - 4$
CC	0.515 0	2.188 8	0.231 5
IMC	0.666 7	4.111 1	0.078 2
GA	0.012 4	0.008 0	8.769 4× $10 - 7$
EIGA	0.008 9	0.005 2	2.426 2× $10 - 7$

表4 不同方法整定的PID参数

Tab. 4 PID parameters tuned by different methods

方法	$K p$	$K i$	$K d$
AC	0.158 8	0.636 9	0.013 2
ZN	0.002 8	0.009 0	1.067 9 $× 10 - 4$
CC	0.034 1	0.063 4	0.003 7
IMC	0.031 0	0.019 0	0.001 2
GA	3.565 5	3.981 4	1.086 9
EIGA	4.824 8	3.995 0	1.686 8

表4 不同方法整定的PID参数

Tab. 4 PID parameters tuned by different methods

方法	$K p$	$K i$	$K d$
AC	0.158 8	0.636 9	0.013 2
ZN	0.002 8	0.009 0	1.067 9 $× 10 - 4$
CC	0.034 1	0.063 4	0.003 7
IMC	0.031 0	0.019 0	0.001 2
GA	3.565 5	3.981 4	1.086 9
EIGA	4.824 8	3.995 0	1.686 8

图10 GA与EIGA的个体平均适应度

Fig. 10 Individual average fitness of GA and EIGA

表5 对应适应度值的进化代数

Tab. 5 Generation number corresponding to fitness value

方法	最高适应度值的比例
方法	60%	90%	95%	99%	100%
GA	7	75	86	—	—
EIGA	2	8	18	159	166

图11 直流电机控制系统

Fig. 11 DC motor control system

图12 不同方法的系统阶跃响应

Fig. 12 System step response of different methods

参考文献 26

1	YAN W B， WANG D D， JIA P F， et al. The PWM speed regulation of DC motor based on intelligent control ［J］. Systems Engineering Procedia， 2012， 3： 259-267. 10.1016/j.sepro.2011.11.028
2	DIMEAS I， PETRAS I， PSYCHALINOS C. New analog implementation technique for fractional-order controller： a DC motor control ［J］. AEU — International Journal of Electronics and Communications， 2017， 78： 192-200. 10.1016/j.aeue.2017.03.010
3	李昊伦.基于PLC的小型履带式农用动力底盘控制系统设计［D］.保定：河北农业大学，2021：19-20.
	LI H L. Design of small crawler type agricultural power chassis control system based on PLC ［D］. Baoding： Hebei Agricultural University， 2021： 19-20.
4	赵天才，余洪锋，郝向泽，等.基于PID算法的水稻直播机播量控制系统的设计与试验［J］.华南农业大学学报，2019，40（2）：118-125. 10.7671/j.issn.1001-411X.201805007
	ZHAO T C， YU H F， HAO X Z， et al. Design and experiment of sowing control system for rice direct seeder based on PID algorithm ［J］. Journal of South China Agricultural University， 2019， 40（2）：118-125 . 10.7671/j.issn.1001-411X.201805007
5	吕东阳，王显军.基于模糊PID控制的电机转台伺服系统［J］.计算机应用，2014，34（S1）：166-168，185.
	LYU D Y， WANG X J. Servo motor system based on fuzzy PID control ［J］. Journal of Computer Applications， 2014， 34（S1）：166-168， 185.
6	黄玉钏，曲道奎，徐方，等.伺服电机的预测控制与比例-积分-微分控制［J］.计算机应用，2012，32（10）：2944-2947. 10.3724/SP.J.1087.2012.02944
	HUANG Y C， QU D K， XU F， et al. Model predictive control and PID control on servo motor ［J］. Journal of Computer Applications， 2012， 32（10）： 2944-2947. 10.3724/SP.J.1087.2012.02944
7	CIVELEK Z， LÜY M， ÇAM E， et al. Control of pitch angle of wind turbine by fuzzy PID controller ［J］. Intelligent Automation and Soft Computing， 2016， 22（3）： 463-471. 10.1080/10798587.2015.1095417
8	MAMUR H. Design， application， and power performance analyses of a micro wind turbine ［J］. Turkish Journal of Electrical Engineering and Computer Sciences， 2015， 23（6）： 1619-1637. 10.3906/elk-1401-174
9	于国强，刘克天，胡尊民，等.基于Ziegler-Nichols优化算法的火电机组负荷频率PID控制研究［J］.热力发电，2021，50（9）：137-144.
	YU G Q， LIU K T， HU Z M， et al. PID control of load frequency of thermal power unit based on Ziegler-Nichols optimization algorithm ［J］. Thermal Power Generation， 2021， 50（9）： 137-144.
10	BRITO A G. On the misunderstanding of the Ziegler-Nicholsʼs formulae usage ［J］. IEEE/CAA Journal of Automatica Sinica， 2019， 6（1）： 142-147. 10.1109/jas.2019.1911336
11	FIŠER J， ZÍTEK P. PID controller tuning via dominant pole placement in comparison with Ziegler-Nichols tuning ［J］. IFAC-PapersOnLine， 2019， 52（18）： 43-48. 10.1016/j.ifacol.2019.12.204
12	ISDARYANI F， FERIYONIKA F， FERDIANSYAH R. Comparison of Ziegler-Nichols and Cohen Coon tuning method for magnetic levitation control system ［J］. Journal of Physics： Conference Series， 2020， 1450： Article No.012033. 10.1088/1742-6596/1450/1/012033
13	GAMASU R， JASTI V R B. Robust Cohen-Coon PID controller for flexibility of double link manipulator ［J］. International Journal of Control and Automation， 2014， 7（1）： 357-368. 10.14257/ijca.2014.7.1.32
14	盛锴，邱靖，周刚，等.基于IMC-PID的超临界火电机组AGC性能优化［J/OL］.控制工程.（2021-01-18）［2021-09-09］..
	SHENG K， QIU J， ZHOU G， et al. Performance optimization of supercritical thermal power unit’s automatic generation control based on IMC-PID ［J/OL］. Control Engineering of China. （2021-01-18）［2021-09-09］. .
15	SHAMSUZZOHA M. IMC based robust PID controller tuning for disturbance rejection ［J］. Journal of Central South University， 2016， 23（3）： 581-597. 10.1007/s11771-016-3105-1
16	BEGUM K G， RAO A S， RADHAKRISHNAN T K. Enhanced IMC based PID controller design for Non-Minimum Phase （NMP） integrating processes with time delays ［J］. ISA Transactions， 2017， 68： 223-234. 10.1016/j.isatra.2017.03.005
17	WANG W B， LIU D Y， YAO Y Q. Study of PID control algorithm based on the critical ratio method ［J］. Applied Mechanics and Materials， 2014， 494/495： 1246-1248. 10.4028/www.scientific.net/amm.494-495.1246
18	XIA C G， CAO C. Tuning of PID parameters and fuzzy adaptive PID control of the hydrostatic driving system ［J］. Advanced Materials Research， 2012， 403/404/405/406/407/408： 5112-5116. 10.4028/www.scientific.net/amr.403-408.5112
19	ANG K H， CHONG G， LI Y. PID control system analysis， design， and technology ［J］. IEEE Transactions on Control Systems Technology， 2005， 13（4）： 559-576.
20	黄书召，田军委，乔路，等.基于改进遗传算法的无人机路径规划［J］.计算机应用，2021，41（2）：390-397.
	HUANG S Z， TIAN J W， QIAO L， et al. Unmanned aerial vehicle path planning based on improved genetic algorithm ［J］. Journal of Computer Applications， 2021， 41（2）：390-397.
21	ZHONG S S， XIE X L， LIN L， et al. Genetic algorithm optimized double-reservoir echo state network for multi-regime time series prediction ［J］. Neurocomputing， 2017， 238： 191-204. 10.1016/j.neucom.2017.01.053
22	MOHAMAD E T， FARADONBEH R S， ARMAGHANI D J， et al. An optimized ANN model based on genetic algorithm for predicting ripping production ［J］. Neural Computing and Applications， 2017， 28（S1）： 393-406. 10.1007/s00521-016-2359-8
23	ZAHIR A A M， ALHADY S S N， OTHMAN W， et al. Genetic algorithm optimization of PID controller for brushed DC motor ［M］// HASSAN M H A. Intelligent Manufacturing & Mechatronics， LNME. Singapore： Springer， 2018： 427-437. 10.1007/978-981-10-8788-2_38
24	MOUSAKAZEMI S M H， AYOOBIAN N， ANSARIFAR G R. Control of the reactor core power in PWR using optimized PID controller with the real-coded GA ［J］. Annals of Nuclear Energy， 2018， 118： 107-121. 10.1016/j.anucene.2018.03.038
25	SAMAKWONG T， ASSAWINCHAICHOTE W. PID controller design for electro-hydraulic servo valve system with genetic algorithm ［J］. Procedia Computer Science， 2016， 86： 91-94. 10.1016/j.procs.2016.05.023
26	WANG C C， CHEN F， ZHANG G， et al. Design of genetic algorithm optimized PID controller for gas mixture system ［C］// Proceedings of the 2017 13th IEEE International Conference on Electronic Measurement and Instruments. Piscataway： IEEE， 2017： 6-9. 10.1109/icemi.2017.8265695

[1]	刘栋, 李晨航, 吴长茂, 茹法鑫, 夏媛媛. 基于可校正强化搜索遗传算法的光学系统自动设计[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2838-2847.
[2]	李炫锋, 刘晟材, 唐珂. 机会约束的多选择背包问题的遗传算法求解[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1378-1385.
[3]	高麟, 周宇, 邝得互. 进化双层自适应局部特征选择[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1408-1414.
[4]	佘维, 李阳, 钟李红, 孔德锋, 田钊. 基于改进实数编码遗传算法的神经网络超参数优化[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 671-676.
[5]	梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[6]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[7]	张敏, 韩晓龙. 多目标模糊机会约束规划的低碳多式联运路径优化[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 636-644.
[8]	薛海蓉, 韩晓龙. 基于改进NSGA-Ⅱ的考虑自动引导车充电策略的集成调度[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3848-3855.
[9]	邓辅秦, 黄焕钊, 谭朝恩, 付兰慧, 张建民, 林天麟. 结合遗传算法和滚动调度的多机器人任务分配算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3833-3839.
[10]	范厚明, 牟爽, 岳丽君. 考虑冲突和拥堵的自动导引车调度与路径规划协同优化[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2281-2291.
[11]	李晓寒, 贾华丁, 程雪, 李太勇. 基于改进遗传算法和图神经网络的股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1624-1633.
[12]	陈权, 李莉, 陈永乐, 段跃兴. 面向深度学习可解释性的对抗攻击算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 510-518.
[13]	刘忠慧, 王梓宥, 闵帆. 近似概念的遗传生成算法及其推荐应用[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 412-418.
[14]	张俊杰, 仇润鹤. 认知超密集网络用户关联与资源分配联合优化遗传算法[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3856-3862.
[15]	高银萍, 苌道方, 陈俊贤. 混堆模式下基于动态规则NSGA Ⅱ的自动堆垛起重机作业优化[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3259-3267.

基于改进的遗传算法的有刷直流电机PID参数整定

PID parameter tuning of brushed direct-current motor based on improved genetic algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 26

相关文章 15

编辑推荐

Metrics