Simulazione di prototipazione rapida di controllo dell'ottimizzazione dello sciame di particelle - Controllo di tracciamento con passo indietro calibrato per un pendolo rotante rovesciato

Sommario

Questo protocollo stabilisce una procedura standardizzata di prototipazione rapida di controllo per valutare il controllo di backstepping ottimizzato per l'ottimizzazione di particelle all'interno di un ambiente di simulazione in tempo reale a passaggi fissi.

Abstract

L'obiettivo principale di questo protocollo è fornire un framework di simulazione a passi fissi riproducibile per la valutazione della regolazione del guadagno basata su Particle Swarm Optimization (PSO) nei sistemi di controllo non lineari. L'implementazione inizia con la formulazione di un modello pendolo di tipo Furuta, seguito dall'integrazione di un controller di backstepping all'interno di un ambiente di esecuzione a passi fissi di 2 ms. La metodologia prevede un processo sistematico in quattro fasi: caratterizzare i vincoli di implementazione non ideali, definire uno spazio di ricerca multi-obiettivo per l'Ottimizzazione a Sciame di Particelle, eseguire una sintonia offline automatizzata e valutare i parametri risultanti attraverso una suite standardizzata di scenari di tracciamento della traiettoria e di rigetto di disturbo. Questa configurazione, che utilizza workstation industriali ad alte prestazioni e interfacce di segnale standardizzate, supporta confronti coerenti di tentativi ripetuti all'interno della stessa architettura di controllo. Il progetto confronta un controller di backstep regolato manualmente di base con una variante ottimizzata per PSO che condivide esattamente la stessa struttura di controllo, isolando così l'impatto della selezione del guadagno. Le prestazioni del controllore vengono valutate in tre scenari operativi distinti: tracciamento a passi, tracciamento sinusoidale a frequenza mista e rifiuto di disturbi. L'analisi statistica di 10 prove ripetute ha mostrato che l'ottimizzazione basata sul PSO ha ridotto il RMSE a passo da 0,065 a 0,050 rad e ha attenuato le escursioni di picco del pendolo del 33,1%. Questi miglioramenti sono stati raggiunti insieme a una riduzione del 22,1% dello sforzo di controllo RMS, indicando che i parametri ottimizzati hanno facilitato una distribuzione dell'energia più efficiente all'interno del quadro basato su Lyapunov. In definitiva, questa metodologia fornisce un quadro di simulazione strutturato per valutare strategie di controllo non lineari prima di qualsiasi successiva implementazione hardware fisica.

Introduzione

Il pendolo rotativo invertito di tipo Furuta rappresenta un punto di riferimento fondamentale per la validazione degli algoritmi di controllo non lineari a causa della sua instabilità ad anello aperto e della dinamica complessa^{sotto-attivata 1,2,3}. Prima che si possa considerare una valutazione orientata all'implementazione, questi progetti teorici richiedono rigorosi test intermedi basati su simulazione. Pertanto, questo protocollo stabilisce un framework standardizzato e rapido di prototipazione di prototipazione di controllo per valutare sistematicamente i cambiamenti di prestazioni indotti dall'ottimizzazione a sciame di particelle (PSO) sui controllori di tracciamento con backstep in un ambiente simulato a passaggi fissi.

Nella letteratura più ampia, numerosi studi hanno esplorato modifiche strutturali e accordatura dei parametri per migliorare il controllo dei pendoli rotanti invertiti. I design basati sull'ottimizzazione sono diffusi; ad esempio, PSO è stato utilizzato per selezionare i parametri del controller ed è stato integrato nelle architetture di controllo fuzzy-hybrid ^4,5. Rispetto ad altre metaeuristiche bio-ispirate, PSO è specificamente selezionata per questo quadro a causa della sua rapida convergenza negli spazi di ricerca continua a bassa dimensione e dei suoi requisiti minimi di accordatura degli iperparametri. La letteratura recente evidenzia sempre più la necessità di algoritmi di ottimizzazione intelligenti in scenari di controllo diversi e complessi. Ad esempio, tecniche avanzate di ottimizzazione sono state efficacemente combinate con il controllo adattivo di riferimento dei modelli (MRAC) e i framework a ordine frazionale per migliorare la precisione di tracciamento degli impianti servo non^{lineari 6,7}. Inoltre, la messa a punto basata sull'ottimizzazione si è dimostrata altamente vantaggiosa nella gestione della dinamica accoppiata e dei vincoli intrinseci dei complessi sistemi^{elettromeccanici 8,9}.

Studi recenti confermano che il PSO e le sue varianti ibride migliorano significativamente l'efficacia del tracciamento massimo dei punti di potenza negli array fotovoltaici, dimostrando un'identificazione robusta dei parametri in condizioni di ombreggiatura^{parziale 10}. Nella robotica, il PSO è stato utilizzato con successo per ottimizzare i progetti di controllo a derivate proporzionali aumentate, lineari e non lineari, per manipolatori paralleli, minimizzando gli errori di tracciamento^{della traiettoria 11}. Inoltre, l'integrazione del PSO con il controllo adattivo della modalità scorrevole con retromarcia si è rivelata fondamentale per sopprimere le vibrazioni nelle masse sospese pneumatiche azionate da^{muscoli artificiali 12}. Oltre alla selezione fondamentale dei parametri, l'integrazione di strategie moderne di elaborazione del segnale e ottimizzazione robusta è fondamentale per mantenere la stabilità ad anello chiuso in condizioni fisiche realistiche e^{rumorose 13,14}.

Gli sforzi recenti si sono inoltre concentrati sul tracciamento simultaneo dell'angolo articolare e sulla stabilizzazione del pendolo in condizioni incerte utilizzando l'inversione dinamica generalizzata^{robusta 15}, oltre alla stima neurale^{adattativa 16}. Inoltre, le architetture di controllo del backstep sono state ampiamente evolute per gestire disturbi complessi in vari sistemi meccanici, come l'incorporazione di progetti a modalità scorrevole per la soppressione delle vibrazioni costruttive, l'utilizzo di osservatori quasi-scorrevoli per valvole elettroniche a farfalla e l'integrazione di osservatori di disturbo non lineari per la regolazione della velocità dei motori DC ad alta^precisione 17,18,19 . Queste diverse applicazioni sottolineano la versatilità dei progetti di backstep quando abbinati a strategie robuste di stima o ottimizzazione.

Una debolezza critica prevalente nella letteratura contemporanea è la confusione tra modifiche ai regolatori strutturali e benefici di accordatura parametrica. Molti studi comparativi confrontano architetture di controllo completamente distinte, rendendo impossibile discernere se i miglioramenti di prestazioni derivino dall'algoritmo fondamentale o semplicemente da una selezione superiore^{del guadagno 20,21}. Inoltre, gli studi di simulazione esistenti spesso assumono condizioni operative ideali e si concentrano esclusivamente sulla stabilizzazione di base. Spesso non riescono a risolvere il degrado delle prestazioni causato da vincoli di implementazione realistici. Questa metodologia affronta direttamente queste lacune. Introducendo ritardi simulati nel campionamento, rumore dei sensori e disadattamento di smorzamento all'interno di un paradigma dinamico di tracciamento della traiettoria, il protocollo proposto valuta l'effetto di ottimizzazione della PSO su una struttura di controllo fissa.

A differenza dell'integrazione numerica convenzionale, questo protocollo si differenzia disaccoppiando l'efficacia della regolazione parametrica dalle variazioni del regolatore strutturale, imponendo al contempo vincoli di temporizzazione a passi fissi. Invece di introdurre una nuova architettura di controllo, questo metodo valuta un singolo controller di tracciamento del backstep all'interno di un ambiente di simulazione in tempo reale a passaggi fissi. Confrontando una base regolata manualmente con una variante ottimizzata per PSO dello stesso identico controllore, il protocollo è progettato per attribuire differenze osservate nel step-tracking, sinusoidale e rigetto di disturbi al processo di ottimizzazione del guadagno. Il contributo principale di questo studio è lo sviluppo di un protocollo di simulazione in tempo reale orientato a benchmark che isola l'impatto della selezione del guadagno basata su PSO dalle variazioni del controller strutturale.

In particolare, questo lavoro: (1) stabilisce un ambiente di esecuzione a passi fissi di 2 ms per emulare i vincoli di implementazione; (2) integra una suite di valutazione multifaccettata che include scenari di disturbo a grado, sinusoidale a frequenza mista e turbolenza a impulsi di coppia; e (3) fornisce un punto di riferimento quantitativo per confrontare gli effetti di guadagno in condizioni simulate non ideali standardizzate. Questa metodologia è specificamente progettata per ricercatori di controllo e ingegneri di sistema che necessitano di una fase intermedia di simulazione-valutazione per leggi di controllo non lineari sotto vincoli di tempistica a passi fissi, rumore di misura, ritardo, disadattamento di smorzamento e saturazione. È particolarmente applicabile a sistemi elettromeccanici sottoattuati, dove la precisione di tracciamento e la stabilità dello stato interno devono essere bilanciate sotto ritardi realistici di misurazione di rumore e comunicazione.

Protocollo

Questo protocollo non coinvolge soggetti umani, test sugli animali o campioni clinici. Le procedure vengono eseguite interamente all'interno di un ambiente di simulazione a passaggi fissi che rappresenta un sistema di controllo elettromeccanico non lineare. In questo studio non è stato eseguito alcun esperimento fisico con pendolo rotante invertito, validazione hardware fisico nel ciclo o test di implementazione fisica.

1. Costruzione di impianti e istituzione delle convention di segnalazione

1. Costruire un modello di simulazione ad alta fedeltà di un pendolo rotante rovesciato di tipo Furuta. Definire due coordinate generalizzate per il sistema: l'angolo del braccio rotante, θ, e l'angolo di deviazione del pendolo dalla verticale verticale, α.
2. Definisci il vettore di stato del sistema come x = [θ, α, θ̇, α̇]T, designando α = 0 come equilibrio instabile in retta. Formulare il modello matematico vegetale usando le equazioni di Euler-Lagrange per definire esplicitamente la matrice d'inerzia non lineare, le forze di Coriolis e i vettori gravitazionali che accoppiano il braccio rotante attivo e il pendolo^{passivo 22}.
3. Definire θ positivo e α positivo utilizzando costantemente la stessa polarità dell'encoder all'impianto, al controller e agli script di post-elaborazione.
4. Stabilire il risolutore di simulazione a tempo reale a passo fisso utilizzando rigorosamente i parametri meccanici ed elettromeccanici nominali descritti nella Tabella 1. Configurare il sistema a circuito chiuso all'interno dell'ambiente di esecuzione in tempo reale designato come specificato nella Tabella dei Materiali. Imposta il periodo di aggiornamento del controller a 2 ms e assicurati che l'intervallo di registrazione dati sia fisso a 20 ms.
5. Incorporare tre effetti non ideali specifici nel modello vegetale per emulare limitazioni realistiche di implementazione. Iniettare rumore di misurazione a media zero del bianco con deviazioni standard di 0,003 rad e 0,004 radi rispettivamente nei canali di feedback del braccio e del pendolo.
6. Introdurre un ritardo di trasporto di 4 ms nel segnale del pendolo misurato. Contemporaneamente, aumentare i coefficienti simulati di smorzamento dell'impianto dell'8% rispetto ai valori nominali utilizzati nella progettazione del controller per simulare il disallineamento della modellazione.
7. Limita l'uscita dei comandi motori strettamente a ±10 V.
   ATTENZIONE: Configurare stop di sicurezza a livello software per terminare immediatamente l'esecuzione della prova se |θ| supera 0,70 rad o se |α| supera 0,35 rad. Inoltre, implementa un timer watchdog per attivare un reset di sistema se il comando di controllo rimane al limite di saturazione di ±10 V per più di 100 ms.

2. Stipulazione dello stato iniziale e preposizionamento

1. Inizializzare il sistema in uno stato di riposo verso il basso prima di ogni test.
2. Esegui un compito di preposizionamento per far oscillare il pendolo verso l'alto fino alla posizione invertita e attivare il controller stabilizzante. Escludere questa fase di preposizionamento dalla valutazione formale delle prestazioni.
3. Iniziare la raccolta formale dei dati solo dopo aver verificato che la deviazione del pendolo sia rimasta costantemente entro ±0,05 rad dall'equilibrio verticale per almeno 1,0 s, mantenendo così le condizioni iniziali dinamiche praticamente comparabili in tutti gli studi valutati.
4. Resetta il tempo di prova a 0,0 s dopo aver soddisfatto questa condizione e inizia immediatamente a eseguire il profilo di setpoint designato. Assicurati che tutti i controller utilizzino questa procedura di preposizionamento identica e rispettino gli stessi standard di accettazione.

3. Implementazione base del controller backstepping

1. Definire l'errore di tracciamento eθ(t) secondo il riferimento dell'angolo del braccio comandato θr(t) usando Equazione
   eθ(t) = θr(t) − θ(t) (1)
2. Costruire la superficie di scorrimento composita, s(t), secondo l'Equazione 2. All'interno di questa formulazione, si definisce λ come il coefficiente di pendenza della superficie di errore strettamente positivo.
   s(t) = ėθ(t) + λeθ(t) (2)
3. Formulare il controllore di backstepping di riferimento integrando un termine di compensazione nominale basato su modelli con un termine proporzionale stabilizzante degli errori. Definire matematicamente le variabili di errore di tracciamento come z1 = eθ(t) e z2 = s(t).
4. Effettuare un'analisi della stabilità di Lyapunov per valutare la convergenza degli errori di tracciamento. Differenziare la funzione di controllo di Lyapunov scelta V = 1/2z1² + 1/2z2² rispetto al tempo per ottenere V̇ = z1ż1 + z2ż2. Sostituisci la legge di controllo formulata in questa derivata per verificare che V̇ ≤ −k1z1² − k2z2² ≤ 0. Questa condizione negativa-semidefinita garantisce teoricamente che gli errori del sistema ad anello chiuso convergano verso l'origine.
5. Limitare l'algoritmo PSO successivo a esplorare lo spazio dei parametri multidimensionale all'interno dei confini selezionati per preservare questa condizione di stabilità basata su Lyapunov.
6. Sostituire la funzione segno discontinuo con una funzione di saturazione continua, sat(x/φ), per mitigare il chiacchiericcio ad alta frequenza vicino all'equilibrio, seguendo la pratica standard di backstep dello strato^{confine 23}. Definisci φ come la larghezza dello strato di confine utilizzata per smussare le transizioni di controllo all'interno dell'Equazione 3.
   sat(x/φ) = 1 per x/φ > 1; sat(x/φ) = x/φ per |x/φ| ≤ 1; sat(x/φ) = −1 per x/φ < −1 (3)
7. Stimare le velocità angolari dalle misurazioni di posizione applicando un algoritmo di differenza all'indietro filtrato di primo ordine con frequenza di taglio di 25 Hz.
8. Applicare i guadagni di base fissi elencati nella Tabella 2 (k1 = 3,60, k2 = 1,95, λ = 2,10 e φ = 0,12). Non ricalibrare questi valori una volta iniziati i test formali.

4. Ottimizzazione del guadagno di backstep tramite ottimizzazione a sciame di particelle (PSO)

1. Esegui la messa a punto offline prima della valutazione in tempo reale. Ottimizzare i quattro parametri del controller (k1, k2, λ e φ) utilizzando PSO configurato con 20 particelle e limitare rigorosamente l'esecuzione a 35^{iterazioni 24}. Terminare l'ottimizzazione a questa soglia per evitare overhead computazionali inutili, poiché la sintonizzazione empirica offline ha indicato che lo sciame è costantemente convergente verso un valore di fitness globale stabile nelle prime 20 iterazioni.
2. Inizializzare le particelle uniformemente entro i confini di ricerca designati: k1 ∈ [2,5, 5,5], k2 ∈ [1,2, 3,0], λ ∈ [1,2, 2,8] e φ ∈ [0,05, 1,20].
3. Valuta ogni particella utilizzando uno scenario di addestramento offline da 20 secondi. Assicurarsi che questo ambiente di valutazione replichi rigorosamente i limiti di saturazione, il rumore del sensore, i ritardi e il disallineamento di smorzamento stabiliti per le prove formali in tempo reale.
4. Formula la funzione obiettivo di minimizzazione come J = 0,55RMSE + 0,25max|α| + 0,20RMSU.
5. Normalizzare queste tre componenti obiettivo utilizzando valori di riferimento di base fissi, calcolati come media di cinque corse iniziali di base eseguite prima di avviare la ricerca di sciame. Mantenere rigidamente queste costanti di normalizzazione durante tutto il processo di ottimizzazione.
6. Diminuisci linearmente il peso dell'inerzia da 0,90 a 0,40 durante la run di ottimizzazione. Fissa entrambi i coefficienti di accelerazione a 1,50.
7. Assegnare un costo penale predeterminato a qualsiasi configurazione di particelle che attivi un arresto di sicurezza durante la fase di valutazione.
8. Estrai la soluzione globale migliore direttamente dopo aver completato l'iterazione finale e designala come controller ottimizzato.
9. Implementare i guadagni ottimizzati dettagliati nella Tabella 2 per tutte le prove formali in tempo reale ottimizzate per PSO (k1 = 4,19, k2 = 2,44, λ = 1,83 e φ = 0,92).

5. Configurazione della piattaforma di esecuzione in tempo reale

1. Eseguire simultaneamente la logica di controllo e i modelli matematici di pianta all'interno di un ambiente di simulazione a stadi fissi a fase reale a fase rapida (RCP). Utilizzare una workstation industriale ad alte prestazioni con sufficiente capacità computazionale da fungere da macchina target in tempo reale. Interfaccia gli algoritmi di controllo con la dinamica simulata dell'impianto tramite canali di ingresso analogici virtuali e encoder per emulare i vincoli di segnale a livello di implementazione.
2. Applicare un intervallo rigoroso di 2 ms per la dimensione del passo in tempo reale. Consulta la Tabella 3 per un riassunto completo delle impostazioni hardware e di esecuzione.
3. Resetta tutti gli stati del controller prima di avviare ogni prova.
4. Imposta il valore di riferimento a zero e raccogli un segmento di dati di base di 2,0 s in posizione verticale. Ispezionare questa finestra per confermare l'assenza di eventi di saturazione anomali o di deriva del sensore prima di lanciare il profilo di tracciamento designato.
5. Rigenerare la realizzazione del rumore di misura utilizzando un seme distinto selezionato da un array predefinito di semi per ogni nuovo tentativo.

6. Esecuzione dei test a passo di passaggio

1. Si applica una sequenza a passi a tratti di 20 s definita come θr = 0 rad da 0,0 s a 2,0 s, θr = 0,50 rad da 2,0 s a 10,0 s, e θr = 0,20 rad da 10,0 s a 20,0 s.
2. Effettuare 10 prove valide per il controller di base e 10 prove valide per il controller ottimizzato per PSO.
3. Registrare continuamente il tempo trascorso, l'angolo di riferimento, l'angolo del braccio misurato, l'errore di tracciamento, la deviazione del pendolo e la tensione di controllo in modo continuo durante ogni prova.
4. Valutare la performance transitoria specificamente seguendo l'ingresso a passo radiato di 0,50 che si verifica a t = 2,0 s.
5. Calcola il tempo di salita, definito come la durata necessaria affinché la risposta dell'angolo del braccio misurata passi dal 10% al 90% del punto di impostazione target.
6. Calcola il overshoot come la percentuale in cui la deviazione angolare di picco supera il target radiale di 0,50.
7. Calcola il tempo di assestamento, determinato come prima istanza dopo la quale la risposta rimane limitata entro ±2% dell'obiettivo di 0,50 radiazione per un minimo di 1,0 s.
8. Segna come irrisolta qualsiasi prova che non soddisfi questa condizione di assestamento prima dei 10,0 s. Escludilo strettamente dai calcoli della media del tempo di decantazione mantenendolo per tutte le altre metriche.
9. Calcola l'errore in stato stazionario facendo la media dell'errore di tracciamento sulla finestra temporale che si estende da 9,0 s a 10,0 s.

7. Esecuzione di test di tracciamento sinusoidale

1. Iniettare una traiettoria di riferimento sinusoidale a frequenza mista di 20 s governata dall'Equazione 4.
   θr(t) = 0,26 seno(2π·0,10t) + 0,12 seno(2π·0,30t + 0,40) radiato (4)
2. Completare 10 prove valide per ciascuna configurazione di controller.
3. Estrai l'RMSE di tracciamento completo della prova, l'errore massimo assoluto di tracciamento, la tensione RMS di controllo, la deviazione massima assoluta del pendolo e il ritardo di fase per ogni singolo tentativo.
4. Stima il ritardo di fase effettuando una correlazione incrociata tra la traiettoria misurata dell'angolo del braccio e il riferimento comandato entro una finestra di ricerca specificata di ±0,50 s. Registra il ritardo come valore positivo quando l'uscita misurata segue temporalmente il segnale di riferimento.

8. Esecuzione del test di rifiuto di disturbo

1. Mantieni il riferimento dell'angolo del braccio rigorosamente a 0 radiazione per tutta la durata di 20 secondi.
2. Inietta un impulso di coppia additivo lato motore esattamente a 6,0 s e applica un secondo impulso identico a 12,2 s.
3. Configurare l'ampiezza della perturbazione a 0,030 N·m e impostare la larghezza dell'impulso a 0,12 s per entrambi gli eventi di iniezione. Completa 10 prove valide per ogni controller.
4. Calcola l'errore di tracciamento assoluto massimo esclusivamente entro la finestra di 0,50 s immediatamente successiva all'inizio di ogni impulso. Identificare e mantenere il valore più grande dei due come errore di picco rappresentativo post-disturbo per quella sperimentazione.
5. Calcolare il tempo di recupero, definito come la durata trascorsa dall'inizio dell'impulso fino al primo istante di campionamento registrato dove |eθ| ≤ 0,010 rad. Non interpolare i tempi di recupero dei sottocampioni, poiché la registrazione dei dati avviene rigorosamente a intervalli di 20 ms.
6. Integrare l'errore assoluto di tracciamento e calcolare cumulativamente la tensione RMS di controllo durante l'intera prova di 20 secondi.

9. Esportazione dei dati e sintesi statistiche

1. Esporta i set di dati grezzi nel dominio temporale dai test a passo, sinusoidali e di disturbo in file dati separati.
2. Organizzare le metriche dei tentativi ripetuti in un formato matriciale strutturato, assegnando una riga per ogni tentativo e una colonna designata per ogni metrica valutata.
3. Escludere rigorosamente qualsiasi prova contrassegnata come incompleta o terminata da fermate di sicurezza. Sostituire ogni esecuzione esclusa conducendo una prova aggiuntiva in condizioni identiche per garantire un dataset finale composto esattamente da 10 prove valide per ogni controller per ogni scenario di test.
4. Riporta i risultati aggregati dei tentativi ripetuti come media ± deviazione standard.
5. Valutare la normalità della distribuzione delle metriche estratte utilizzando il test di^{Shapiro-Wilk 25}.
6. Analizzare le differenze statistiche tra i controllori di base e quelli ottimizzati utilizzando test t a campione indipendente a due code per dati normalmente distribuiti. Applicare il test U di Mann-Whitney per qualsiasi parametro che presenti distribuzioni non normali.
7. Stabilire la soglia di significatività statistica a p < 0,05.

Risultati

L'algoritmo di ottimizzazione dello sciamme di particelle (PSO) ha dimostrato una rapida riduzione iniziale della funzione obiettivo composita, seguita da un periodo di convergenza graduale. In particolare, il valore ottimale di fitness è diminuito a 1,8757 nel primo ciclo computazionale, mentre la fitness media-sciame è scesa da 2,0573 a 1,2518 alla 35ª iterazione. La maggior parte di questa convergenza avvenne durante le prime 15-20 iterazioni. Oltre questa fase, la traiettoria della soluzione global-best convergeva, indicando che lo sciame aveva raggiunto una regione stabile all'interno dello spazio di ricerca predefinito piuttosto che vagare casualmente. L'insieme finale di guadagno derivato dal PSO manteneva l'integrità strutturale della legge di retromarcia di base, ma ridistribuiva il peso relativo tra i termini stabilizzanti (Tabella 2). Come illustrato nella Figura 1, l'algoritmo di ottimizzazione ha facilitato un rapido decadimento della funzione di fitness, passando da una fase iniziale di esplorazione a una soluzione stabile e globalmente migliore in 35 iterazioni. Rispetto alla base regolata manualmente, il controller ottimizzato adottava valori maggiori per k1 e k2, una pendenza di errore superficiale λ ridotta e una φ dello strato limite più ampia.

Prestazioni di tracciamento a passo

Un'analisi comparativa rivela differenze di prestazioni distinte tra i due controllori durante l'esperimento di step-tracking, illustrando gli esiti positivi e subottimali attesi di questo protocollo. Il controllo di base del backstep rappresenta un tipico risultato subottimale; Pur mantenendo la stabilità generale dopo il comando RAD 0,50 iniettato a 2,0 s, mostrava un rapido tasso di salita iniziale che deviava prematuramente dalla traiettoria del bersaglio, causando oscillazioni residue persistenti e richiedendo una lunga durata per convergere. Al contrario, il controller ottimizzato per PSO dimostra un risultato positivo rappresentativo, caratterizzato da un approccio rapido e smorzato al setpoint senza attivare la saturazione dei comandi. In dieci prove consecutive, il controller ottimizzato ha ridotto il RMSE di tracciamento a passo da 0,065 ± 0,002 rad a 0,050 ± 0,002 rad (Welch t-test, p < 0,001, Tabella 4). Anche le metriche transitorie sono migliorate: il overshoot è diminuito da 4,644 ± 0,604% a 3,627 ± 0,620% (Mann–Whitney U, p = 0,009), e il tempo di salita è stato ridotto da 0,788 ± 0,025 s a 0,548 ± 0,025 s (Mann–Whitney U, p < 0,001). Queste differenze di prestazioni sono mostrate nella Figura 2 e nella Figura 3, dove la risposta ottimizzata mostra un miglioramento degli smorzamenti e una convergenza dei setpoint più rapida. Questa precisione migliorata fu ottenuta insieme a una riduzione del 22,1% della tensione di controllo quadrata media radice (da 0,669 ± 0,004 V a 0,521 ± 0,003 V). Contemporaneamente, l'oscillazione massima del pendolo è stata attenuata del 33,1%, scendendo da 5,812° a 3,889° (Tabella 4). Inoltre, sebbene nessuna prova di base abbia soddisfatto il criterio di assestamento di 1,0 s entro la finestra di 10,0 s, il controllore ottimizzato ha ottenuto un stabilizzazione efficace nel 70% delle prove, registrando un tempo medio di assestamento di 1,057 ± 0,348 s.

Prestazioni di tracciamento sinusoidale

Entrambe le strategie di controllo hanno mantenuto un tracciamento limitato sotto il riferimento sinusoidale a frequenza mista per tutta la durata del test di 20 s. Sebbene il divario di prestazioni fosse visivamente meno marcato rispetto ai test a passo di risposta, i risultati statistici attraverso i ripetuti studi hanno indicato un miglioramento delle prestazioni con l'approccio ottimizzato. Il segnale di controllo di base mostrava un inviluppo di errore di tracciamento più ampio e risultava visibilmente indietro rispetto alla forma d'onda bersaglio. Al contrario, il controller ottimizzato seguiva il setpoint più da vicino sia durante le variazioni a bassa che ad alta frequenza, ottenendo una distribuzione più stretta degli errori di picco lungo la traiettoria di riferimento. Di conseguenza, la RMSE di prova completa fu ridotta da 0,061 ± 0,003 rad a 0,040 ± 0,003 rad dopo l'ottimizzazione. Come dettagliato nella Tabella 5, il controller ottimizzato ha anche facilitato una riduzione della tensione RMS di controllo (da 0,557 ± 0,002 V a 0,402 ± 0,002 V) e ha limitato lo spostamento massimo del pendolo da 2,156 ± 0,079° a 1,464 ± 0,061°, indicando un migliorato sincronizzazione di fase e efficienza energetica (p < 0,001, Tabella 5; Figura 4).

Rigetto di disturbi e robustezza tra scenari

L'iniezione di impulsi di coppia additivi a 6,0 s e 12,2 s ha indotto deviazioni di angolo del braccio maggiori e escursioni di pendolo più ampie nella risposta del controllore di base. Sebbene anche il controllore ottimizzato registrasse immediatamente le perturbazioni, le sue escursioni post-disturbo erano inferiori. Il processo di recupero verso l'equilibrio di riferimento zero ha mostrato una tendenza qualitativamente più rapida (da 0,014 s a 0,000 s); Tuttavia, questa metrica specifica non ha raggiunto la significanza statistica (P = 0,078), principalmente perché la risoluzione di data logging di 20 ms induceva un effetto minimo misurabile. Durante ripetuti tentativi positivi, la parametrizzazione ottimizzata ha ridotto l'errore di picco post-disturbo. L'integrale dell'errore assoluto (IAE) calcolato durante la durata di 20 secondi fu ridotto da 0,377 ± 0,012 a 0,248 ± 0,015, insieme a una corrispondente diminuzione della tensione RMS di controllo da 0,656 ± 0,003 V a 0,508 ± 0,005 V. L'ampiezza massima dell'oscillazione del pendolo è stata attenuata in modo simile da 11,456 ± 0,117° a 7,561 ± 0,063° (Tabella 6). La classifica dei controllori è rimasta coerente in tutti e tre i profili di test. La strategia di backstepping ottimizzata per PSO ha prodotto errori transitori inferiori, ridotta le imprecisioni in regime stazionario e minimizzazione delle escursioni passive del pendolo (p < 0,001, Tabella 6; Figura 5) senza richiedere un aumento dello sforzo complessivo degli attuatori. Le distribuzioni cross-trial degli indicatori principali di performance sono riassunte nella Figura 6.

DISPONIBILITÀ DEI DATI:

Il dataset di supporto utilizzato per generare le figure e le tabelle, inclusi dati rappresentativi, metriche a livello di trial, semi casuali predefiniti e record di ottimizzazione PSO, è stato depositato in Zenodo ed è pubblicamente disponibile sotto DOI 10.5281/zenodo.20395966.

Figura 1: Convergenza dell'ottimizzazione degli sciami di particelle nella sintonia dei controller. (A) I migliori valori di fitness dello sciame su 35 iterazioni; (B) Valori medi di fitness per ogni momento temporale. L'obiettivo composito è rapidamente decaduto nella fase iniziale di esplorazione ma si è gradualmente rallentato convergendo verso una regione stabile secondo la legge di controllo del retropassaggio ottimizzato per PSO. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Risposte rappresentative di tracciamento a passo del controller di backstep ottimizzato per la linea di base e PSO. (A) Comando di riferimento all'angolo del braccio e risposta misurata per una sequenza completa di 20 secondi di passi; (B) Vista ingrandita della risposta immediatamente dopo un passo radiatore di 0,50 applicato a 2,0 s; (C) Vista ampliata della risposta dopo il secondo segmento di comando radiazione 0,20 inizia a 10,0 s. Dopo l'ottimizzazione, il controller ottimizzato per PSO ha mostrato tempi di salita più rapidi, errori di picco inferiori e un smorzamento migliore rispetto al controller base. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Errore di tracciamento dell'angolo del braccio e comportamento di controllo sotto i due controllori. (A) Errore nel tracciamento dell'angolo del braccio durante l'intero test di tracciamento del passo; (B) Segnale di tensione di controllo per la stessa prova; (C) Angolo di deviazione del pendolo durante la risposta a gradini. Il controller ottimizzato mostrava escursioni di errore più piccole, un intervallo di oscillazione più ristretto e un movimento relativamente più fluido sotto un livello di comando RMS più basso. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Performance rappresentativa di tracciamento sinusoidale sotto un riferimento a frequenza mista. (A) Comando di riferimento sinusoidale e misurato le risposte dell'angolo del braccio all'interno dell'esperimento di tracciamento dei 20 s; (B) Errore di tracciamento nello stesso intervallo di tempo; (C) Angolo di deviazione del pendolo durante il processo di tracciamento sinusoidale. Il controller ottimizzato per PSO tracciava il comando composite più da vicino rispetto al controller di base, dimostrando una riduzione del ritardo di fase e una minore gamma di errori in cicli consecutivi. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: Risposte rappresentative di disturbo-rifiuto sotto regolamentazione a zero riferimento. (A) Errore di tracciamento dell'angolo del braccio durante il test di rigetto di disturbo, inclusi disturbi dell'impulso di coppia a 6,0 s e 12,2 s; (B) Angolo di deviazione del pendolo durante la stessa prova; (C) Controllo del segnale di tensione durante il rigetto di disturbo. Rispetto al controller di base, il controllo ottimizzato per PSO mostrava una deviazione massima post-disturbo inferiore e un recupero più rapido verso il punto di regolazione. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6: Distribuzione cross-trial degli indicatori di performance principali in tutte e tre le situazioni di test. (A) Tracciamento a passi RMSE; (B) Tracciamento graduale del tempo di salita; (C) RMSE con tracciamento sinusoidale; (D) ritardo di fase sinusoidale; (E) Errore di tracciamento post-disturbo di picco; (F) Spostamento massimo del pendolo sotto la condizione di disturbo-rifiuto. Ogni pannello mostra la distribuzione di 10 prove valide sotto ogni condizione del controllore. La tendenza centrale e la dispersione dei sistemi di controllo del backstep ottimizzati per la base e PSO vengono confrontati direttamente. Clicca qui per visualizzare una versione più grande di questa figura.

Parametro	Simbolo	Valore	Unità
Lunghezza del braccio rotante	Lr	0.215	m
Lunghezza del centro di massa del pendolo	Lp	0.168	m
Massa del braccio rotante	mr	0.254	kg
Massa del pendolo	mp	0.097	kg
Ammortizzazione viscosa del braccio	br	0.0031	N·m·s/rad
Smorzamento viscoso a pendolo	bp	0.0018	N·m·s/rad
Costante di coppia del motore	Kt	0.053	N·m/A
Risoluzione del codificatore	Nenc	4096	Conteggi/Rev
Periodo di aggiornamento del controller	Ts	0.002	s

Tabella 1: Parametri nominali del sistema del modello a pendolo rotativo invertito non lineare. L'elenco nominale dei parametri geometrici, inerziali, di smorzamento, attuazione e sensori per lo sviluppo in tempo reale di modelli non lineari di impianti e sistemi di controllo. La discrepanza di smorzamento aggiunta al momento dell'applicazione formale del test è indipendente ed è esclusa da questi valori nominali.

Controller	Guadagno	Valore	Descrizione
Backstep di base	k1	3.6	Guadagno iniziale di stabilizzazione regolato a mano
Backstep di base	k2	1.95	Guadagno di controllo virtuale regolato a mano
Backstep di base	λ	2.1	Pennello di errore della superficie
Backstep di base	φ	0.12	Larghezza dello strato di confine
Backstep ottimizzato per PSO	k1	4.19	Particella globale migliore dopo 35 iterazioni
Backstep ottimizzato per PSO	k2	2.44	Particella globale migliore dopo 35 iterazioni
Backstep ottimizzato per PSO	λ	1.83	Particella globale migliore dopo 35 iterazioni
Backstep ottimizzato per PSO	φ	0.92	Particella globale migliore dopo 35 iterazioni

Tabella 2: Guadagni base del controller per backstep e guadagni ottimizzati per PSO per il backstep. La tabella presenta le combinazioni di guadagno per gli stati operativi di entrambi i controller. I valori di base venivano fissi durante la sintonia manuale; I guadagni ottimizzati per PSO si riferiscono alla particella globale finale conservata dopo 35 iterazioni di ottimizzazione.

Voce	Specifiche
Computer bersaglio in tempo reale	PC industriale, CPU Intel i7 classe, 16 GB di RAM
Modalità di esecuzione	Simulazione in tempo reale a passi fissi
Periodo di aggiornamento del controller	2 ms
Intervallo di esportazione del segnale	20 ms
Interfaccia segnale	Ingresso encoder e uscita analogica, ±10 V
Configurazione dell'impianto	Modello a pendolo rotativo non lineare di tipo Furuta invertito
Effetti non ideali iniettati	Rumore di misurazione, ritardo pendolo-canale e disallineamento di smorzamento
Rumore di misurazione	0,003 radiazione all'angolo del braccio; 0,004 radiazione sull'angolo del pendolo
Ritardo del canale pendolo	4 ms
Disadattamento nell'ammortizzazione delle piante	+8% rispetto al modello nominale del controller
Saturazione del comando	±10 V
Criteri di sicurezza per il fermo	|θ| > 0,70 rad, |α| > 0,35 rad, ovvero saturazione > 100 ms
Accettazione pre-posizionamento	|α| ≤ 0,05 radiatore per almeno 1,0 secondi prima dell'inizio della prova
Profilo di riferimento per i passaggi	0 radiatore (0,0-2,0 s), 0,50 radiazione (2,0-10,0 s), 0,20 radiazione (10,0-20,0 s)
Profilo di riferimento sinusoidale	0,26 sin(2π·0,20t) + 0,12 sin(2π·0,30t + 0,40) rad
Protocollo di disturbo	Due impulsi di coppia additiva a 6,0 s e 12,2 s
Ampiezza e larghezza della perturbazione	0,030 N·m, 0,12 s
Prove valide per controller e scenario	10

Tabella 3: Ambiente di simulazione in tempo reale, impostazioni del segnale e regole di qualificazione per le prove. Riepilogo della piattaforma di esecuzione, frequenza di aggiornamento del controller, intervalli di esportazione del segnale, iniezione di effetti non ideali, condizioni di arresto di sicurezza, traiettorie di riferimento, impostazioni di disturbo e criteri validi di prova.

Metrica	Backstep di base n=10	Backstep ottimizzato per PSO n=10	Valore p	Test statistico
Tracciamento RMSE (rad)	0,065 ± 0,002	0,050 ± 0,002	<0.001	Test t di Welch
Errore in stato stazionario, 9,0–10,0 s (rad)	-0,007 ± 0,001	-0,004 ± 0,001	<0.001	Mann–Whitney U
Sovrapposizione (%)	4.644 ± 0.604	3.627 ± 0.620	0.009	Mann–Whitney U
Tempo di rilievo (s)	0,788 ± 0,025	0,548 ± 0,025	<0.001	Mann–Whitney U
Tempo di assestamento	Nessun processo valido e deciso (0/10)	1.057 ± 0.348 (7/10 processi validi e decisi)	NA	Non confrontata
Controllo RMS (V)	0,669 ± 0,004	0,521 ± 0,003	<0.001	Test t di Welch
Deviazione massima del pendolo (gradi)	5.812 ± 0.156	3.889 ± 0.109	<0.001	Test t di Welch

Tabella 4: Tracciamento dei passaggi delle metriche di performance su 10 prove valide per ogni controller. Questa tabella presenta le statistiche riassuntive dei tentativi ripetuti dell'esperimento di step-tracking, che includono il tracking RMSE, l'errore in stato stazionario, il sovrappasso, il tempo di salita, la velocità di convergenza del setpoint, la tensione RMS di controllo e la deviazione massima del pendolo. I valori sono riportati come medie ± deviazioni standard salvo diversa indicazione.

Backstep ottimizzato per PSO n=10	Valore p	Test statistico
0,040 ± 0,003	<0.001	Test t di Welch
0,088 ± 0,006	<0.001	Test t di Welch
0,232 ± 0,019	<0.001	Test t di Welch
0,402 ± 0,002	<0.001	Test t di Welch
1.464 ± 0.061	<0.001	Test t di Welch

Tabella 5: Metriche di performance per il monitoraggio sinusoidale su 10 prove valide per ogni controller. Questa tabella presenta i riassunti dei tentativi ripetuti del test di tracciamento sinusoidale, che includono l'errore quadratico medio della radice (RMSE) a prova completa, l'errore massimo assoluto di tracciamento, il ritardo di fase e la tensione RMS di controllo. Viene inoltre fornita la deviazione del pendolo più ampia. Un ritardo di fase positivo indica che l'output misurato è indietro rispetto al setpoint.

Valore p	Test statistico
<0.001	Test t di Welch
0.078	Mann–Whitney U
<0.001	Test t di Welch
<0.001	Test t di Welch
<0.001	Test t di Welch

Tabella 6: Metriche di performance di rifiuto di disturbo su 10 prove valide per ogni controller. I dati delle prove ripetute degli esperimenti di rigetto di disturbo includono l'errore di tracciamento massimo post-disturbo, il tempo di recupero, l'integrale dell'errore assoluto (IAE), la tensione RMS di controllo e la deviazione massima del pendolo. Come previsto dalle impostazioni di esportazione del segnale, il tempo di recupero misurabile è limitato dal periodo di logging di 20 ms.

Discussione

L'obiettivo principale di questo studio non è semplicemente dichiarare un controllore superiore a un altro in condizioni isolate, ma dimostrare che il framework di ottimizzazione del guadagno basato su PSO valutato qui può migliorare le prestazioni di un controller backstepping su scenari simulati non ideali definiti. Il pendolo rotativo rovesciato rappresenta un eccellente punto di riferimento per questa valutazione grazie alle sue caratteristiche altamente non lineari, non a fase minima e^{sottoattivazione 26}. Oltre alle metriche di prestazione, l'integrità tecnica di questo protocollo dipende dalla caratterizzazione deliberata dell'ambiente di simulazione in tempo reale. Un passaggio critico di implementazione prevede l'iniezione controllata del disadattamento dell'8% di smorzamento e del ritardo sensore di 4 ms, poiché questi effetti specifici non ideali permettono all'algoritmo PSO di ottimizzare i guadagni sotto le stesse perturbazioni usate nella valutazione formale piuttosto che solo in condizioni idealizzate.

Testando le strategie di controllo tramite protocolli di step-tracking, sinusoidale e disturbo-rejection, in un'impostazione unificata di esecuzione a passi fissi, i risultati della simulazione hanno mostrato una tendenza costante delle prestazioni. In particolare, i miglioramenti osservati sia nelle risposte a passo che in quelle sinusoidali — in particolare, riduzione degli errori di tracciamento, minimizzazione del superamento e attenuazione del ritardo di fase — sono stati raggiunti insieme a una diminuzione misurabile della tensione di controllo RMS. Ciò indica che il processo di ottimizzazione non ha semplicemente migliorato la precisione del tracciamento saturando l'unità di propulsione; piuttosto, ha redistribuito lo sforzo di controllo all'interno del framework di retromarcia basato su Lyapunov. La coerenza di questa ridistribuzione dei parametri è significativamente influenzata dai criteri di accettazione della preposizione definiti nello Step 2.4 del protocollo. È essenziale assicurarsi rigorosamente che il pendolo rimanga entro la finestra di equilibrio designata per un periodo prolungato; altrimenti, transitori iniziali irregolari possono portare a una stagnazione prematura della funzione costi o a un comportamento di sciame non convergente durante la successiva fase di sintonia offline. Per i sistemi meccanici sottoattuati, questa ridistribuzione è importante perché governa come lo sforzo di controllo viene allocato per gestire l'accoppiamento tra la coordinata attiva (braccio rotante) e la coordinata passiva (pendolo⁾²⁷.

Inoltre, la riduzione simultanea sia dell'errore di tracciamento dell'angolo del braccio sia dell'escursione interna del pendolo evidenzia un vantaggio del protocollo di accordatura proposto. Nel controllo di sistemi sottoattivati, ottenere un tracciamento preciso delle coordinate a scapito di stati interni volatili è generalmente considerato un progetto subottimale o addirittura fallito. La legge di controllo ottimizzata ridusse l'ampiezza di reazione del pendolo non attivato del 33,1%, migliorando contemporaneamente la fedeltà del tracciamento. Questo miglioramento combinato suggerisce che l'algoritmo PSO ha identificato una combinazione di guadagno che bilancia meglio l'accoppiamento non lineare tra coordinate attive e passive, invece di affidarsi a feedback ad alto guadagno che può amplificare oscillazioni parassite. Questa performance bilanciata è un indicatore più informativo dell'efficacia del controllo rispetto al semplice tracciamento della traiettoria, poiché indica che le dinamiche dello stato interno erano adeguatamente limitate durante i processi di conversione^{energetica 28}. Analogamente, i risultati di rigetto di disturbo supportano la robustezza pratica dei guadagni ottimizzati all'interno delle condizioni di test simulate. Sebbene l'intervallo di registrazione di 20 ms abbia indotto un effetto floor che oscurava i tempi precisi di recupero del sottocampione, le riduzioni concomitanti dell'errore di picco post-disturbo, dell'errore assoluto cumulativo e dello spostamento massimo del pendolo indicano che i parametri ottimizzati limitavano il grado in cui le iniezioni di impulsi esterni si propagavano attraverso la dinamica^{del sistema 29}.

L'esecuzione con successo di questo protocollo richiede di affrontare i colli di bottiglia comuni nell'implementazione. Ad esempio, se la traiettoria dello sciame non si stabilizza entro 35 iterazioni, i ricercatori dovrebbero prima verificare se i confini di ricerca previsti nello Passo 4.2 del protocollo comprendano adeguatamente la regione stabile di Lyapunov. Inoltre, se la macchina target in tempo reale attiva frequenti fermate di sicurezza durante la fase di rigetto della perturbazione, ridurre il periodo di aggiornamento del controller, se supportato dalla piattaforma, o affinare la frequenza di taglio del filtro a differenza inversa può aiutare a mantenere l'integrità del circuito chiuso senza compromettere la logica di ottimizzazione.

Nonostante questi risultati promettenti, la metodologia rimane limitata dalle astrazioni insite negli ambienti di simulazione. Il protocollo implementato teneva conto dei ritardi di campionamento, della saturazione dei comandi, delle disadatte di smorzamento e del rumore di misurazione—fattori spesso trascurati nell'integrazione numerica puramente offline. Tuttavia, il presente studio non ha incluso esperimenti fisici con pendolo rotante invertito, validazione hardware fisico nel ciclo o test di implementazione fisica. Pertanto, i risultati dovrebbero essere interpretati come prove basate su simulazioni dell'effetto sulle prestazioni della regolazione del guadagno basata su PSO nelle condizioni specificate di simulazione a passo fisso e non ideale. I lavori futuri potrebbero estendere l'insieme di incertezza modellata incorporando ulteriori effetti di attrito, attuatore, compliance e quantizzazione all'interno della simulazione prima che venga considerato qualsiasi studio hardware^separato 30,31,32.

Questo studio stabilisce un protocollo di simulazione di prototipazione rapida di controllo per valutare l'ottimizzazione del guadagno basata su PSO per il controllo del backstep. I risultati quantitativi di 10 prove ripetute dimostrano che il controllore ottimizzato riduce il RMSE di tracciamento a passo da 0,065 a 0,050 rad e ottiene una riduzione del 22,1% dello sforzo di controllo RMS rispetto alla base calibrata a mano. L'attenuazione del 33,1% nelle escursioni del pendolo indica un miglioramento della stabilità dello stato interno nelle condizioni simulate non ideali. Sebbene questo ambiente di simulazione incorpori rumore, ritardo, disadattamento di smorzamento e saturazione, non replica completamente l'attrito di Coulomb complesso, le bande morte dei motori, la conformità strutturale o la quantizzazione dei sensori riscontrati nei sistemi fisici. I lavori futuri si concentreranno sull'espansione del modello di simulazione includendo effetti non ideali aggiuntivi e sul test se lo stesso modello di classificazione rimanga stabile in condizioni di incertezza simulata più ampie.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
High-performance Workstation (Windows 11 Pro)	Vari / Costruzione personalizzata	N/A	Macchina host per simulazione in tempo reale a passo fisso e post-elaborazione.
MATLAB (Versione R2024a)	MathWorks	https://www.mathworks.com/products/matlab.html	Modellazione di impianto non lineare, codifica del controller, esportazione dati e gestione dei parametri.
Simulink (Versione R2024a)	MathWorks	https://www.mathworks.com/products/simulink.html	Costruzione del modello a blocchi diagrammatici per il pendolo di tipo Furuta ed esecuzione del controller.
Simulink Desktop Real-Time (Versione R2024a)	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	Kernel in tempo reale a passo fisso per l'esecuzione desktop del modello di controllo.
Python (Versione 3.11)	Python Software Foundation	https://www.python.org/	Elaborazione secondaria dei dati, gestione statistica e preparazione delle figure.
NumPy (Versione 1.26)	Sviluppatori NumPy	https://numpy.org/	Operazioni su array numerici per i dati di prova esportati.
pandas (Versione 2.2)	Sviluppatori pandas	https://pandas.pydata.org/	Organizzazione di dati di prove ripetute e generazione di tabelle riepilogative.
SciPy (Versione 1.13)	Sviluppatori SciPy	https://scipy.org/	Test statistici e utilità di analisi dei segnali.
Matplotlib (Versione 3.8)	Sviluppatori Matplotlib	https://matplotlib.org/	Generazione di grafici per convergenza, tracciamento e distribuzione.