Snelle besturingsprototypingsimulatie van deeltjeszwermoptimalisatie met backstepping tracking control voor een roterende omgekeerde slinger

Samenvatting

Dit protocol stelt een gestandaardiseerde rapid control prototypingprocedure op om Particle Swarm Optimization-getuned backstepping tracking control te evalueren binnen een fixed-step realtime simulatieomgeving.

Samenvatting

Het primaire doel van dit protocol is het bieden van een reproduceerbaar fixed-step simulatiekader voor het evalueren van Particle Swarm Optimization (PSO)-gebaseerde gain tuning in niet-lineaire besturingssystemen. De implementatie begint met de formulering van een Furuta-type slingermodel, gevolgd door de integratie van een backstepping-controller binnen een 2 ms vaste stap uitvoeringsomgeving. De methodologie omvat een systematisch proces in vier fasen: het karakteriseren van niet-ideale implementatiebeperkingen, het definiëren van een multi-doelstelling Particle Swarm Optimization zoekruimte, het uitvoeren van geautomatiseerde offline tuning en het evalueren van de resulterende parameters via een gestandaardiseerde reeks trajectvolg- en verstoringsafwijzingsscenario's. Deze opstelling, die gebruikmaakt van high-performance industriële werkstations en gestandaardiseerde signaalinterfaces, ondersteunt consistente vergelijkingen van herhaalde proef binnen dezelfde besturingsarchitectuur. Het ontwerp vergelijkt een handmatig afgestelde backstepping-controller met een PSO-geoptimaliseerde variant die exact dezelfde besturingsstructuur deelt, waardoor de impact van de versterkingsselectie wordt geïsoleerd. De prestaties van de controller worden beoordeeld in drie verschillende operationele scenario's: stap-traject volgen, mixed-frequency sinusvormige tracking en verstoringsafstoting. Statistische analyse van 10 herhaalde proeven toonde aan dat PSO-gebaseerde optimalisatie de staptracking RMSE verlaagde van 0,065 naar 0,050 rad en de piekpendulumuitslagen met 33,1% verminderde. Deze verbeteringen werden bereikt naast een vermindering van 22,1% in RMS-controle-inspanning, wat aangeeft dat de geoptimaliseerde parameters een efficiëntere energiedistributie binnen het op Lyapunov gebaseerde kader mogelijk maakten. Uiteindelijk biedt deze methodologie een gestructureerd simulatiekader om niet-lineaire besturingsstrategieën te evalueren voordat er een verdere fysieke hardware-implementatie plaatsvindt.

Inleiding

De Furuta-type roterende omgekeerde slinger vormt een fundamentele maatstaf voor het valideren van niet-lineaire regelalgoritmen vanwege zijn open-loop instabiliteit en complexe ondergeactiveerde dynamica ^1,2,3. Voordat implementatiegerichte evaluatie kan worden overwogen, vereisen deze theoretische ontwerpen rigoureuze simulatiegebaseerde tussenliggende tests. Daarom stelt dit protocol een gestandaardiseerd, snel controleprototyping-simulatiekader op om systematisch de prestatieveranderingen te evalueren die door Particle Swarm Optimization (PSO) worden veroorzaakt op backstepping trackingcontrollers in een vaste-stap gesimuleerde omgeving.

In de bredere literatuur hebben talrijke studies structurele aanpassingen en parameterafstemming onderzocht om de controle van roterende omgekeerde slingers te verbeteren. Optimalisatie-gebaseerde ontwerpen zijn veelvoorkomend; bijvoorbeeld PSO is gebruikt om controllerparameters te selecteren en is geïntegreerd in fuzzy-hybride besturingsarchitecturen ^4,5. In vergelijking met andere bio-geïnspireerde metaheuristieken is PSO specifiek geselecteerd voor dit kader vanwege de snelle convergentie in laagdimensionale continue zoekruimtes en de minimale hyperparameter-afstemmingsvereisten. Recente literatuur benadrukt steeds meer de noodzaak van intelligente optimalisatie-algoritmen in diverse en complexe controlescenario's. Zo zijn geavanceerde optimalisatietechnieken effectief gecombineerd met modelreferentie-adaptieve controle (MRAC) en fractional-order frameworks om de trackingprecisie van niet-lineaire servoinstallaties^{te verbeteren 6,7}. Bovendien is optimalisatie-gebaseerde afstemming zeer voordelig gebleken bij het beheren van de gekoppelde dynamiek en inherente beperkingen van complexe elektromechanische systemen ^8,9.

Recente studies bevestigen dat PSO en zijn gehybridiseerde varianten de effectiviteit van maximale power point-tracking in fotovoltaïsche arrays aanzienlijk verbeteren, wat robuuste parameteridentificatie onder gedeeltelijke schaduwcondities¹⁰ aantoont. In de robotica is PSO met succes ingezet om augmented lineaire en niet-lineaire proportioneel-afgeleide besturingsontwerpen voor parallelle manipulators te optimaliseren, waardoor trajectorie-tracking fouten^worden geminimaliseerd. Daarnaast is de integratie van PSO met adaptieve backstepping sliding mode control cruciaal gebleken voor het onderdrukken van trillingen in pneumatische kunstmatige spier-aangedreven hangmassa's¹². Naast fundamentele parameterselectie is de integratie van moderne signaalverwerking en robuuste optimalisatiestrategieën cruciaal om gesloten lusstabiliteit te behouden onder realistische, ruisachtige fysieke omstandigheden^13,14.

Recente inspanningen hebben zich ook gericht op gelijktijdige gewrichtshoektracking en slingerstabilisatie onder onzekere omstandigheden met behulp van robuuste gegeneraliseerde dynamische inversie¹⁵, evenals adaptieve neurale schatting¹⁶. Bovendien zijn backstepping-regelarchitecturen op grote schaal geëvolueerd om complexe verstoringen in diverse mechanische systemen aan te kunnen, zoals het integreren van sliding mode-ontwerpen voor trillingsonderdrukking van gebouwen, het gebruik van quasi-sliding waarnemers voor elektronische gaskleppen, en het integreren van niet-lineaire storingswaarnemers voor hoogprecisie DC-motorsnelheidsregeling 17,18,19 . Deze diverse toepassingen benadrukken de veelzijdigheid van backstepping-ontwerpen wanneer ze worden gecombineerd met robuuste schattings- of optimalisatiestrategieën.

Een cruciale zwakte in de hedendaagse literatuur is de verwarring van structurele controller-aanpassingen met parameter-afstemmingsvoordeel. Veel vergelijkende studies contrasteren volledig verschillende regelarchitecturen, waardoor het onmogelijk is te bepalen of prestatiewinst voortkomt uit het fundamentele algoritme of slechts uit superieure versterkingsselectie^20,21. Bovendien gaan bestaande simulatiestudies vaak uit van ideale bedrijfsomstandigheden en richten ze zich uitsluitend op basisstabilisatie. Ze slagen er vaak niet in om prestatieverlies veroorzaakt door realistische implementatiebeperkingen aan te pakken. Deze methodologie pakt deze hiaten direct aan. Door gesimuleerde bemonsteringsvertragingen, sensorruis en dempingsmismatch binnen een dynamisch trajectvolgingsparadigma te introduceren, evalueert het voorgestelde protocol het optimalisatie-effect van PSO op een vaste besturingsstructuur.

In tegenstelling tot conventionele numerieke integratie onderscheidt dit protocol zich door de effectiviteit van parameterafstemming los te koppelen van variaties in structurele regelaars terwijl vaste-stap timingbeperkingen worden gehandhaafd. In plaats van een nieuwe besturingsarchitectuur te introduceren, evalueert deze methode een enkele backstepping tracking controller binnen een vaste-stap realtime simulatieomgeving. Door een handmatig afgestemde baseline te vergelijken met een PSO-geoptimaliseerde variant van exact dezelfde controller, is het protocol ontworpen om waargenomen verschillen in steptracking, sinusvormige tracking en verstoringsonderdrukking toe te schrijven aan het gain-optimalisatieproces. De belangrijkste bijdrage van deze studie is de ontwikkeling van een benchmark-georiënteerd real-time simulatieprotocol dat de impact van PSO-gebaseerde versterkingsselectie isoleert van variaties in structurele regelaars.

Specifiek is dit werk: (1) het opzetten van een 2 ms vaste stap uitvoeringsomgeving om implementatiebeperkingen te emuleren; (2) integreert een veelzijdig evaluatiepakket met trap-, mix-frequentie sinusvormige en koppelpulsverstoringsscenario's; en (3) biedt een kwantitatieve benchmark voor het vergelijken van gain-tuning-effecten onder gestandaardiseerde gesimuleerde niet-ideale omstandigheden. Deze methodologie is specifiek ontworpen voor regelonderzoekers en systeemingenieurs die een tussenfase van simulatie-evaluatie nodig hebben voor niet-lineaire regelwetten onder vaste staptiming, meetruis, vertraging, dempingsmismatch en verzadigingsbeperkingen. Het is vooral toepasbaar op ondergeactuatiseerde elektromechanische systemen, waar de volgprecisie en interne toestandstabiliteit in balans moeten zijn onder realistische meetruis en communicatievertragingen.

Protocol

Dit protocol omvat geen menselijke proefpersonen, dierproeven of klinische monsters. De procedures worden volledig uitgevoerd binnen een vaste-stap simulatieomgeving die een niet-lineair elektromechanisch besturingssysteem vertegenwoordigt. In deze studie werd geen fysiek experiment met roterende omgekeerde slinger, fysieke hardware-in-the-loop validatie of fysieke uitroltest uitgevoerd.

1. Installatie van installaties en vaststelling van signaalconventies

1. Bouw een high-fidelity simulatiemodel van een Furuta-type roterende omgekeerde slinger. Definieer twee gegeneraliseerde coördinaten voor het systeem: de hoek van de roterende arm, θ, en de slingerafwijkingshoek ten opzichte van de rechtopstaande verticale hoek α.
2. Definieer de systeemtoestandsvector als x = [θ, α, θ̇, α̇]T, waarbij α = 0 wordt aangeduid als het onstabiele rechtopstaande evenwicht. Formuleer het wiskundige plantmodel met behulp van de Euler-Lagrange-vergelijkingen om expliciet de niet-lineaire traagheidsmatrix, Corioliskrachten en zwaartekrachtsvectoren te definiëren die de actieve roterende arm en de passieve slinger²² koppelen.
3. Definieer positieve θ en positieve α consequent dezelfde encoderpolariteit over de installatie, de controller en de nabewerkingsscripts.
4. Stel de vaste-stap realtime simulatie-oplosser vast waarbij strikt de nominale mechanische en elektromechanische parameters in Tabel 1 worden gebruikt. Configureer het gesloten-lus systeem binnen de aangewezen realtime uitvoeringsomgeving zoals gespecificeerd in de Table of Materials. Stel de updateperiode van de controller in op 2 ms en zorg ervoor dat het datalogging-interval vastligt op 20 ms.
5. Verwerk drie specifieke niet-ideale effecten in het plantmodel om realistische implementatiebeperkingen na te bootsen. Injecteer nulgemiddelde witte meetruis met standaardafwijkingen van 0,003 rad en 0,004 rad in respectievelijk de arm- en pendulumfeedbackkanalen.
6. Introduceer een transportvertraging van 4 ms in het gemeten pendulumsignaal. Tegelijkertijd verhoog je de gesimuleerde dempingscoëfficiënten van de installatie met 8% ten opzichte van de nominale waarden die in het controllerontwerp zijn gebruikt om modelleermismatch te simuleren.
7. Beperk de uitgang van de motorcommando's strikt tot ±10 V.
   VOORZICHTIG: Configureer software-niveau veiligheidsstops om de proefuitvoering onmiddellijk te beëindigen als |θ| overschrijdt 0,70 rad of als |α| overschrijdt 0,35 rad. Implementeer daarnaast een watchdog-timer om een systeemreset te activeren als het besturingscommando langer dan 100 ms op de verzadigingsgrens van ±10 V blijft.

2. Initiële staatbepaling en prepositionering

1. Initialiseer het systeem in een neerwaartse rusttoestand vóór elke test.
2. Voer een prepositioneringstaak uit om de slinger omhoog te zwaaien naar de omgekeerde positie en de stabilisatiecontroller in te schakelen. Sluit deze prepositioneringsfase uit van de formele prestatiebeoordeling.
3. Begin met formele gegevensverzameling pas nadat je hebt gecontroleerd dat de slingerafwijking onafgebroken binnen ±0,05 rad van het rechtopstaande evenwicht is gebleven gedurende minstens 1,0 seconden, zodat de dynamische beginvoorwaarden praktisch vergelijkbaar blijven tussen alle geëvalueerde onderzoeken.
4. Reset de proeftijd naar 0,0 s zodra aan deze voorwaarde is voldaan en begin onmiddellijk met het uitvoeren van het aangewezen setpointprofiel. Zorg ervoor dat alle controllers deze identieke prepositioneringsprocedure gebruiken en aan exact dezelfde acceptatienormen voldoen.

3. Baseline implementatie van backsteppingcontrollers

1. Definieer de volgfout eθ(t) volgens de gecommandeerde armhoekreferentie θr(t) met behulp van de vergelijking
   eθ(t) = θr(t) − θ(t) (1)
2. Construeer het samengestelde schuifoppervlak, s(t), volgens Vergelijking 2. Binnen deze formulering definieert λ als de strikt positieve fout-oppervlak hellingscoëfficiënt.
   s(t) = ėθ(t) + λeθ(t) (2)
3. Formuleer de referentie-backstepping-controller door een nominale, modelgebaseerde compensatieterm te integreren met een foutstabiliserende proportionele term. Definieer de tracking error variabelen wiskundig als z1 = eθ(t) en z2 = s(t).
4. Voer een Lyapunov-stabiliteitsanalyse uit om de convergentie van tracking error te beoordelen. Differentieer de gekozen regelfunctie Lyapunov-functie V = 1/2z1² + 1/2z2² ten opzichte van de tijd om V̇ = z1ż1 + z2ż2 te verkrijgen. Vervang de geformuleerde regelwet in deze afgeleide om te verifiëren dat V̇ ≤ −k1z1² − k2z2² ≤ 0. Deze negatief-semidefiniete voorwaarde zorgt er theoretisch voor dat de gesloten-lus systeemfouten convergeren naar de oorsprong.
5. Beperk het daaropvolgende PSO-algoritme om de multidimensionale parameterruimte binnen grenzen te verkennen die zijn geselecteerd om deze op Lyapunov gebaseerde stabiliteitsvoorwaarde te behouden.
6. Vervang de discontinue tekenfunctie door een continue verzadigingsfunctie, sat(x/φ), om hoogfrequente chattering nabij het evenwicht te beperken, volgens standaard backsteppraktijk²³ voor grenslaag. Definieer φ als de breedte van de grenslaag die wordt gebruikt om de besturingsovergangen binnen Vergelijking 3 glad te strijken.
   sat(x/φ) = 1 voor x/φ > 1; sat(x/φ) = x/φ voor |x/φ| ≤ 1; sat(x/φ) = −1 voor x/φ < −1 (3)
7. Schat de hoeksnelheden uit positiemetingen door een eerste-orde gefilterd achterwaarts verschil-algoritme toe te passen met een cutofffrequentie van 25 Hz.
8. Pas de vaste basiswinsten toe die in Tabel 2 zijn vermeld (k1 = 3,60, k2 = 1,95, λ = 2,10 en φ = 0,12). Stel deze waarden niet opnieuw af zodra de formele toetsing begint.

4. Backstepping gain optimalisatie via particle swarm optimization (PSO)

1. Voer offline afstemming uit vóór de realtime evaluatie. Optimaliseer de vier controllerparameters (k1, k2, λ en φ) met behulp van PSO geconfigureerd met 20 deeltjes en beperk de uitvoering strikt tot 35 iteraties,²⁴. Beëindig de optimalisatie bij deze drempel om onnodige rekenkundige overhead te voorkomen, aangezien empirische offline afstemming aantoonde dat de zwerm consequent convergeerde naar een stabiele wereldwijde beste fitheidswaarde binnen de eerste 20 iteraties.
2. Initialiseer de deeltjes uniform binnen de aangewezen zoekgrenzen: k1 ∈ [2.5, 5.5], k2 ∈ [1.2, 3.0], λ ∈ [1.2, 2.8], en φ ∈ [0.05, 1.20].
3. Evalueer elk deeltje met een offline trainingsscenario van 20 seconden. Zorg ervoor dat deze evaluatieomgeving strikt de verzadigingslimieten, sensorruis, vertraging en dempingsmismatch nabootst die zijn vastgesteld voor de formele real-time proeven.
4. Formuleer de minimalisatie-doelstelling als J = 0,55RMSE + 0,25max|α| + 0,20 RMSU.
5. Normaliseer deze drie objectieve componenten met vaste referentiewaarden van de basislijn, berekend als het gemiddelde van vijf initiële basislijnruns die zijn uitgevoerd voordat de zwermzoektocht wordt gestart. Houd deze normalisatieconstanten rigide vast gedurende het hele optimalisatieproces.
6. Verlaag het traagheidsgewicht lineair van 0,90 naar 0,40 gedurende de optimalisatierun. Zet beide acceleratiecoëfficiënten vast op 1,50.
7. Ken een vooraf bepaalde strafkosten toe aan elke deeltjesconfiguratie die tijdens de evaluatiefase een veiligheidsstop activeert.
8. Haal direct na voltooiing van de laatste iteratie de global-best oplossing uit en wijs deze aan als de geoptimaliseerde controller.
9. Implementeer de geoptimaliseerde winsten zoals beschreven in Tabel 2 voor alle formele PSO-geoptimaliseerde real-time proeven (k1 = 4,19, k2 = 2,44, λ = 1,83 en φ = 0,92).

5. Realtime uitvoeringsplatformconfiguratie

1. Voer de regellogica en de wiskundige plantmodellen gelijktijdig uit binnen een rapid control prototyping (RCP) vaste-stap realtime simulatieomgeving. Maak gebruik van een high-performance industrieel werkstation met voldoende rekenkracht om als realtime doelmachine te dienen. Koppel de besturingsalgoritmen aan de gesimuleerde installatiedynamiek via virtuele analoge uitgangs- en encoder-ingangskanalen om implementatieniveau-signaalbeperkingen te emuleren.
2. Handhaaf een strikt interval van 2 ms voor de realtime stapgrootte. Zie Tabel 3 voor een uitgebreide samenvatting van de hardware en uitvoeringsinstellingen.
3. Reset alle controller-toestanden voordat je elke proef start.
4. Stel de referentiewaarde op nul en verzamel een 2,0 s baseline datasegment in de rechtopstaande positie. Inspecteer dit venster om te bevestigen dat er geen abnormale verzadigingsgebeurtenissen of sensordrift zijn voordat het aangewezen trackingprofiel wordt gelanceerd.
5. Regenereer de realisatie van de meetruis met een apart zaadje geselecteerd uit een vooraf gedefinieerde array zaden voor elke nieuwe proef.

6. Step-tracking testuitvoering

1. Pas een stapvolgorde van 20 s toe die per stuk wordt gedefinieerd als θr = 0 rad van 0,0 s tot 2,0 s, θr = 0,50 rad van 2,0 s tot 10,0 s, en θr = 0,20 rad van 10,0 s tot 20,0 s.
2. Voer 10 geldige proeven uit voor de basislijnregelaar en 10 geldige proeven voor de PSO-geoptimaliseerde regelaar.
3. Noteer de verstreken tijd, referentiehoek, gemeten armhoek, trackingfout, slingerafwijking en regelspanning continu tijdens elke proef.
4. Beoordeel de transiënte prestatie specifiek na de 0,50 rad-stap input die plaatsvindt bij t = 2,0 s.
5. Bereken de stijgtijd, gedefinieerd als de duur die nodig is voor de gemeten arm-hoekrespons om te overgaan van 10% naar 90% van het doelsetpoint.
6. Bereken overshoot als het percentage waarmee de piekhoekafwijking het 0,50 rad-doel overschrijdt.
7. Bereken de bezinkingstijd, bepaald als eerste moment waarna de respons beperkt blijft binnen ±2% van het 0,50 rad-doel voor minimaal 1,0 seconden.
8. Markeer elke proef die niet aan deze vestigingsvoorwaarde voldoet vóór de 10,0 s-markering als onopgelost. Sluit het strikt uit van de berekeningen van het settling-tijdgemiddelde en behoud het voor alle andere meetpunten.
9. Bereken de stationaire fout door de trackingfout over het temporele venster te middelen, uitstrekkend van 9,0 s tot 10,0 s.

7. Sinusvormige tracking testuitvoering

1. Injecteer een 20 s gemengde frequentie sinusvormige referentiebaan die wordt bepaald door Vergelijking 4.
   θr(t) = 0,26sin(2π·0,10T) + 0,12sin(2π·0,30T + 0,40) Rad(4)
2. Voltooi 10 geldige proefruns voor elke respectievelijke controllerconfiguratie.
3. Haal de volledige trial tracking RMSE, maximale absolute tracking error, control RMS-spanning, maximale absolute slingerafwijking en fasevertraging voor elke individuele trial uit.
4. Schat de fasevertraging door een kruiscorrelatie uit te voeren tussen de gemeten armhoekbaan en de gecommandeerde referentie binnen een gespecificeerd zoekvenster van ±0,50 s. Noteer de vertraging als een positieve waarde wanneer de gemeten uitgang tijdelijk het referentiesignaal volgt.

8. Uitvoering van de test voor verstoring

1. Houd de armhoekreferentie gedurende de hele 20 seconden strikt op 0 rad.
2. Injecteer een additieve koppelpuls aan de motorzijde bij precies 6,0 s, en pas een tweede identieke puls toe bij 12,2 s.
3. Stel de verstoringsamplitude in op 0,030 N·m en stel de pulsbreedte in op 0,12 s voor beide injectiegebeurtenissen. Voltooi 10 geldige proeven per controller.
4. Bereken de piek van de absolute trackingfout uitsluitend binnen het 0,50 s venster direct na elke pulsaanvang. Identificeer en behoud de grotere van de twee waarden als de representatieve piekfout na de verstoring voor die proef.
5. Bereken de hersteltijd, gedefinieerd als de verstreken duur van het begin van de puls tot het eerste geregistreerde bemonsteringsmoment waar |eθ| ≤ 0,010 rad. Interpoleer geen hersteltijden van subsamples, aangezien de datalogging strikt met intervallen van 20 ms plaatsvindt.
6. Integreer de absolute trackingfout en bereken de RMS-spanning van de controle cumulatief over de volledige proefrun van 20 seconden.

9. Data-export en statistische samenvatting

1. Exporteer de ruwe tijddomeindatasets van de stap-, sinus- en verstoringstests naar aparte databestanden.
2. Organiseer de meetmethoden voor herhaalde onderzoeken in een gestructureerd matrixformaat, waarbij je per proef één rij en één aangewezen kolom per geëvalueerde metriek toewijst.
3. Sluit strikt alle proeven uit die als onvolledig zijn gemarkeerd of door veiligheidsstops zijn beëindigd. Vervang elke uitgesloten uitvoering door een extra proef uit te voeren onder identieke omstandigheden om een definitieve dataset te garanderen die precies 10 geldige proeven per controller voor elk testscenario bevat.
4. Rapporteer de geaggregeerde resultaten van herhaalde onderzoeken als het gemiddelde ± standaarddeviatie.
5. Evalueer de verdelingsnormaliteit van de geëxtraheerde metrieken met behulp van de Shapiro-Wilk test²⁵.
6. Analyseer de statistische verschillen tussen de basislijn- en geoptimaliseerde controllers met tweezijdige onafhankelijke steekproef t-tests voor normaal verdeelde gegevens. Pas de Mann-Whitney U-test toe op alle parameters die niet-normale verdelingen vertonen.
7. Stel de drempel voor statistische significantie vast op p < 0,05.

Resultaten

Het particle swarm optimization (PSO)-algoritme toonde een snelle initiële vermindering van de samengestelde doelfunctie, gevolgd door een periode van geleidelijke convergentie. Specifiek daalde de optimale fitnesswaarde tot 1,8757 binnen de eerste computationele cyclus, terwijl de gemiddelde zwermfitness daalde van 2,0573 naar 1,2518 bij de 35e iteratie. Het merendeel van deze convergentie vond plaats tijdens de eerste 15 tot 20 iteraties. Na deze fase convergeerde het traject van de global-best oplossing, wat aangaf dat de zwerm een stabiel gebied binnen de vooraf gedefinieerde zoekruimte had bereikt in plaats van willekeurig te dwalen. De uiteindelijke PSO-afgeleide gainset behield de structurele integriteit van de basislijn backsteppingwet, maar herverdeelde de relatieve weging over de stabiliserende termen (Tabel 2). Zoals geïllustreerd in Figuur 1, faciliteerde het optimalisatie-algoritme een snelle afname van de fitnessfunctie, waarbij binnen 35 iteraties van een initiële exploratiefase naar een stabiele globale beste oplossing werd overgegaan. In vergelijking met de handmatig afgestemde baseline nam de geoptimaliseerde regelaar grotere waarden aan voor k1 en k2, een verminderde foutvlaktehelling λ en een bredere grenslaag φ.

Staptrackingprestaties

Een vergelijkende analyse onthult duidelijke prestatieverschillen tussen de twee controllers tijdens het steptracking-experiment, wat de verwachte positieve en suboptimale uitkomsten van dit protocol illustreert. De baseline backstepping-controle vertegenwoordigt een typisch suboptimaal resultaat; Hoewel het de algehele stabiliteit behield na het 0,50 rad-commando dat bij 2,0 s werd geïnjecteerd, vertoonde het een snelle initiële stijgsnelheid die voortijdig afweek van het doeltraject, wat resulteerde in aanhoudende residuele oscillaties en een langdurige periode nodig om te convergeren. Omgekeerd vertoont de PSO-geoptimaliseerde controller een representatief positief resultaat, gekenmerkt door een snelle, gedempte benadering van het setpoint zonder commandosaturatie te activeren. Over tien opeenvolgende proeven verlaagde de geoptimaliseerde controller de staptracking RMSE van 0,065 ± 0,002 rad naar 0,050 ± 0,002 rad (Welch t-test, p< 0,001, Tabel 4). Ook de tijdelijke metrics verbeterden: de overshoot daalde van 4,644 ± 0,604% naar 3,627 ± 0,620% (Mann–Whitney U, p = 0,009), en de stijgtijd werd verkort van 0,788 ± 0,025 s naar 0,548 ± 0,025 s (Mann–Whitney U, p < 0,001). Deze prestatieverschillen worden weergegeven in Figuur 2 en Figuur 3, waar de geoptimaliseerde respons verbeterde demping en snellere setpointconvergentie vertoont. Deze verbeterde precisie werd bereikt naast een vermindering van 22,1% in de root-mean-square-regelspanning (van 0,669 ± 0,004 V naar 0,521 ± 0,003 V). Tegelijkertijd werd de maximale slingerbeweging afgezwakt met 33,1%, en daalde van 5,812° naar 3,889° (Tabel 4). Bovendien, hoewel geen enkele basislijn proeven voldeed aan het 1,0 s afzettingscriterium binnen het 10,0 s-venster, behaalde de geoptimaliseerde controller een succesvolle vestiging in 70% van de proeven, met een gemiddelde afzettingstijd van 1,057 ± 0,348 s.

Sinusvormige trackingprestaties

Beide controlestrategieën hielden begrensde tracking aan onder de mixed-frequency sinusvormige referentie gedurende de 20 seconden testduur. Hoewel het prestatieverschil visueel minder uitgesproken was dan bij de step-response tests, gaven statistische resultaten over herhaalde proeven een verbeterde prestatie aan met de geoptimaliseerde aanpak. Het baseline-besturingssignaal vertoonde een bredere tracking error envelope en liep merkbaar achter op de doelgolfvorm. Daarentegen volgde de geoptimaliseerde regelaar het setpoint nauwkeuriger tijdens zowel lage- als hoogfrequente variaties, wat resulteerde in een nauwere verdeling van piekfouten langs de referentietraject. Daardoor werd de volledige proef RMSE verlaagd van 0,061 ± 0,003 rad naar 0,040 ± 0,003 rad na optimalisatie. Zoals beschreven in Tabel 5, faciliteerde de geoptimaliseerde regelaar ook een verlaging van de regel-RMS-spanning (van 0,557 ± 0,002 V naar 0,402 ± 0,002 V) en beperkte de maximale pendulumverplaatsing van 2,156 ± 0,079° naar 1,464 ± 0,061°, wat wijst op verbeterde fasesynchronisatie en energie-efficiëntie (p < 0,001, Tabel 5; Figuur 4).

Verstoringsonderdrukking en robuustheid over verschillende scenario's heen

De injectie van additieve koppelpulsen bij 6,0 s en 12,2 s induceerde grotere armhoekafwijkingen en bredere pendeluitslagen in de respons van de basisregelaar. Hoewel de geoptimaliseerde controller de verstoringen ook direct registreerde, waren de uitslagen na verstoring lager. Het herstelproces richting het nulreferentie-evenwicht vertoonde een kwalitatief snellere trend (van 0,014 s naar 0,000 s); Deze specifieke maatstaf bereikte echter geen statistische significantie (p = 0,078), voornamelijk omdat de 20 ms dataloggingresolutie een meetbaar floor-effect veroorzaakte. Over herhaalde pogingen verminderde de geoptimaliseerde parametrisatie de piekfout na de verstoring. De integraal van absolute fout (IAE) berekend over de 20 seconden durende periode werd verlaagd van 0,377 ± 0,012 naar 0,248 ± 0,015, samen met een overeenkomstige daling van de regel-RMS-spanning van 0,656 ± 0,003 V naar 0,508 ± 0,005 V. De maximale amplitude van de slingeroscillatie werd eveneens verzwakt van 11,456 ± 0,117° naar 7,561 ± 0,063° (Tabel 6). De rangschikking van de controllers bleef consistent over alle drie de testprofielen. De PSO-geoptimaliseerde backsteppingstrategie leverde lagere transiënte fouten op, verminderde stationaire onnauwkeurigheden en minimaliseerde passieve pendulumuitslagen (p < 0,001, Tabel 6; Figuur 5) zonder een toename van de totale actuatorkracht te eisen. De kruisverdelingen van de primaire prestatie-indicatoren worden samengevat in Figuur 6.

BESCHIKBAARHEID GEGEVENS:

De ondersteunende dataset die wordt gebruikt om de cijfers en tabellen te genereren, inclusief representatieve gegevens, trial-niveau metrics, vooraf gedefinieerde willekeurige zaden en PSO-tuningrecords, is gedeponeerd in Zenodo en openbaar beschikbaar onder DOI 10.5281/zenodo.20395966.

Figuur 1: Convergentie van de optimalisatie van deeltjeszwermen bij het afstellen van de controller. (A) De beste fitnesswaarden van de zwerm over 35 iteraties; (B) Gemiddelde fitnesswaarden voor elk tijdspunt. Het samengestelde objectief verviel snel in de initiële exploratiefase, maar vertraagde geleidelijk naarmate het convergeerde naar een stabiel gebied van de PSO-geoptimaliseerde backstepping-regelwet. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Vertegenwoordigende steptracking-responsen van de baseline- en PSO-geoptimaliseerde backsteppingcontroller. (A) Bevel om armhoekreferentie en gemeten armhoekrespons voor een volledige stapreeks van 20 seconden; (B) Vergrote weergave van de respons direct na een 0,50 rad-stap toegepast bij 2,0 s; (C) Vergrote weergave van de respons na het tweede 0,20 rad-commandosegment begint bij 10,0 s. Na optimalisatie toonde de PSO-geoptimaliseerde controller een snellere stijgtijd, lagere piekfout en betere demping vergeleken met de basisregelaar. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Armhoekvolgfout en besturingsgedrag onder de twee controllers. (A) Armhoekvolgfout tijdens de volledige stapvolgtest; (B) Stuurspanningssignaal voor dezelfde proef; (C) Pendulumafwijkingshoek tijdens de staprespons. De geoptimaliseerde controller liet kleinere foutuitslagen, een smaller oscillatiebereik en relatief vloeiendere beweging zien onder een lager RMS-commandoniveau. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Vertegenwoordigende sinusvormige trackingprestaties onder een mixed-frequency referentie. (A) Opdracht gegeven om sinusvormige referentie te geven en arm-hoekresponsen te meten binnen het 20 seconden tracking-experiment; (B) Tracking error binnen hetzelfde tijdsbereik; (C) Pendulumafwijkingshoek tijdens het sinusvormige trackingproces. De PSO-geoptimaliseerde controller volgde het composite-commando nauwkeuriger dan de basisregelaar, wat minder fasevertraging en een kleiner foutbereik in opeenvolgende cycli liet zien. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Representatieve verstorings-afwijzingsresponsen onder nulreferentieregulatie. (A) Armhoekvolgfout tijdens de verstorings-onderdrukkingstest, inclusief torque-puls storingen bij 6,0 s en 12,2 s; (B) Pendulumafwijkingshoek tijdens dezelfde proef; (C) Beheersspanning signaal tijdens verstoringsafwijzing. Vergeleken met de basisregelaar liet de PSO-geoptimaliseerde regeling een lagere maximale afwijking na verstoring zien en een snellere herstelsnelheid richting het ingestelde punt. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6: Cross-trial verdeling van de primaire prestatie-indicatoren in alle drie testsituaties. (A) Step-tracking RMSE; (B) Stapvolgingsstijgtijd; (C) Sinusvormige tracking RMSE; (D) Sinusvormige fasevertraging; (E) Piek tracking error na verstoring; (F) Maximale pendulumverplaatsing onder de verstoringsafstotingsconditie. Elk paneel toont de verdeling van 10 geldige proeven onder elke controllerconditie. De centrale tendens en verspreiding van de basislijn- en PSO-geoptimaliseerde backstepping-controlesystemen worden direct vergeleken. Klik hier om een grotere versie van deze figuur te bekijken.

Parameter	Symbool	Waarde	Eenheid
Draaiarmlengte	Lr	0.215	m
Lengte van het zwaartepunt van de slinger	Lp	0.168	m
Massa van de roterende arm	MR	0.254	kg
Pendulummassa	MP	0.097	kg
Viskeuze demping van de arm	br	0.0031	N·m·s/rad
Pendulum-viskeuze demping	bp	0.0018	N·m·s/rad
Motorkoppelconstante	Kt	0.053	N·m/A
Encoderresolutie	Nenc	4096	Tellingen/Rev
Controller-updateperiode	Ts	0.002	s

Tabel 1: Nominale systeemparameters van het niet-lineaire roterende omgekeerde slingermodel. De nominale lijst met geometrische, inertiële, dempings-, actuatie- en sensorparameters voor de realtime niet-lineaire plantmodel en besturingssysteemontwikkeling. De dempingsmismatch die bij formele testtoepassing wordt toegevoegd, is onafhankelijk en uitgesloten van deze nominale cijfers.

Controller	Gain	Waarde	Beschrijving
Baseline backstepping	k1	3.6	Handgestemde initiële stabilisatieversterking
Baseline backstepping	k2	1.95	Handgetunede virtuele besturingsversterking
Baseline backstepping	λ	2.1	Foutvlakhelling
Baseline backstepping	φ	0.12	Breedte van de grenslaag
PSO-geoptimaliseerd backstepping	k1	4.19	Globaal-beste deeltje na 35 iteraties
PSO-geoptimaliseerd backstepping	k2	2.44	Globaal-beste deeltje na 35 iteraties
PSO-geoptimaliseerd backstepping	λ	1.83	Globaal-beste deeltje na 35 iteraties
PSO-geoptimaliseerd backstepping	φ	0.92	Globaal-beste deeltje na 35 iteraties

Tabel 2: Basisniveau backstepping controllerwinsten en PSO-geoptimaliseerde backstepping controllerwinsten. De tabel toont de versterkingscombinaties voor de bedrijfsstanden van beide controllers. De basiswaarden werden vastgesteld tijdens handmatige afstelling; PSO-geoptimaliseerde winsten verwijzen naar het uiteindelijke wereldwijde beste deeltje dat behouden blijft na 35 optimalisatie-iteraties.

Item	Specificatie
Realtime doelcomputer	Industriële pc, Intel i7-klasse CPU, 16 GB RAM
Uitvoeringsmodus	Vaste-stap realtime simulatie
Controller-updateperiode	2 ms
Signaalexportinterval	20 ms
Signaalinterface	Encoder-ingang en analoge uitgang, ±10 V
Configuratie van de fabriek	Niet-lineair Furuta-type roterend omgekeerd slingermodel
Geïnjecteerde niet-ideale effecten	Meetruis, pendulum-kanaalvertraging en dempingsmismatch
Meetruis	0,003 rad op armhoek 0,004 rad op pendulumhoek
Pendulumkanaalvertraging	4 ms
Dempingsmismatch van de plant	+8% ten opzichte van het nominale regelaarmodel
Commando-verzadiging	±10 V
Veiligheidsstopcriteria	|θ| > 0,70 rad, |α| > 0,35 rad, of verzadiging > 100 ms
Pre-positionering acceptatie	|α| ≤ 0,05 rad gedurende minstens 1,0 seconden voordat de proef begint
Stapreferentieprofiel	0 rad (0,0-2,0 s), 0,50 rad (2,0-10,0 s), 0,20 rad (10,0-20,0 s)
Sinusvormig referentieprofiel	0.26 sin(2π·0.20t) + 0.12 sin(2π·0.30t + 0.40) rad
Verstoringsprotocol	Twee additieve koppelpulsen bij 6,0 s en 12,2 s
Amplitude en breedte van verstoring	0,030 N·m, 0,12 s
Geldige proeven per controller en scenario	10

Tabel 3: Realtime simulatieomgeving, signaalinstellingen en kwalificatieregels voor de proef. Samenvatting van het uitvoeringsplatform, controllerverversingssnelheid, signaalexportintervallen, injectie van niet-ideale effecten, veiligheidsstopvoorwaarden, referentietrajecten, verstoringsinstellingen en geldige proefcriteria.

Metriek	Baseline backstep n=10	PSO-geoptimaliseerde backstepping n=10	p-waarde	Statistische test
RMSE (rad) volgen	0,065 ± 0,002	0,050 ± 0,002	<0,001	Welch t-test
Stationaire fout, 9,0–10,0 s (rad)	-0,007 ± 0,001	-0,004 ± 0,001	<0,001	Mann–Whitney U
Overshoot (%)	4,644 ± 0,604	3,627 ± 0,620	0.009	Mann–Whitney U
Opstijgtijd (s)	0,788 ± 0,025	0,548 ± 0,025	<0,001	Mann–Whitney U
Vestigingstijd (s)	Geen geldige gesloten processen (0/10)	1,057 ± 0,348 (7/10 geldige vaste processen)	NA	Niet vergeleken
Besturings-RMS (V)	0,669 ± 0,004	0,521 ± 0,003	<0,001	Welch t-test
Maximale slingerafwijking (deg)	5.812 ± 0.156	3,889 ± 0,109	<0,001	Welch t-test

Tabel 4: Staptracking van prestatie-metrics over 10 geldige proeven per controller. Deze tabel presenteert de samenvattende statistieken van het stapvolgingsexperiment, waaronder het volgen van RMSE, stationaire fout, overshoot, stijgtijd, setpoint convergentiesnelheid, regel-RMS-spanning en maximale slingerafwijking. Waarden worden gerapporteerd als gemiddelde ± standaarddeviaties tenzij anders vermeld.

PSO-geoptimaliseerde backstepping n=10	p-waarde	Statistische test
0,040 ± 0,003	<0,001	Welch t-test
0,088 ± 0,006	<0,001	Welch t-test
0,232 ± 0,019	<0,001	Welch t-test
0,402 ± 0,002	<0,001	Welch t-test
1,464 ± 0,061	<0,001	Welch t-test

Tabel 5: Sinusvormige prestatiemetrics over 10 geldige proeven per controller. Deze tabel toont de samenvattingen van herhaalde proeven, waaronder de volledige proef wortel-gemiddelde-kwadraat fout (RMSE), maximale absolute volgfout, fasevertraging en de RMS-spanning van de besturing. De grootste slingerafwijking is ook aanwezig. Een positieve fasevertraging geeft aan dat de gemeten uitgang achter het setpoint aanloopt.

p-waarde	Statistische test
<0,001	Welch t-test
0.078	Mann–Whitney U
<0,001	Welch t-test
<0,001	Welch t-test
<0,001	Welch t-test

Tabel 6: Prestatie-metrics voor verstoringsonderdrukking over 10 geldige proeven per controller. Herhaalde proefgegevens uit de verstorings-afwijzingsexperimenten omvatten piek tracking error na verstoring, hersteltijd, integraal van absolute fout (IAE), regel-RMS-spanning en maximale slingerafwijking. Zoals bepaald door de signaalexportinstellingen, is de meetbare hersteltijd beperkt door de 20 ms logperiode.

Discussie

Het primaire doel van deze studie is niet alleen om de ene controller onder geïsoleerde omstandigheden superieur te verklaren ten opzichte van een andere, maar om aan te tonen dat het PSO-gebaseerde versterkingsoptimalisatiekader dat hier wordt geëvalueerd de prestaties van een backstepping controller kan verbeteren over gedefinieerde gesimuleerde niet-ideale scenario's. De roterende omgekeerde slinger dient als een uitstekende benchmark voor deze evaluatie vanwege de sterk niet-lineaire, niet-minimale fase en ondergeactiveerde eigenschappen²⁶. Naast prestatiemetrieken hangt de technische integriteit van dit protocol af van de bewuste karakterisering van de realtime simulatieomgeving. Een cruciale implementatiestap omvat de gecontroleerde injectie van de 8% dempingsmismatch en 4 ms sensorvertraging, aangezien deze specifieke niet-ideale effecten het PSO-algoritme in staat stellen de winsten te optimaliseren onder dezelfde verstoringen die in de formele evaluatie worden gebruikt, in plaats van alleen onder geïdealiseerde omstandigheden.

Door de controlestrategieën te testen via staptracking, sinusvormige tracking en verstoringsafwijzingsprotocollen onder een uniforme vaste-stap uitvoeringsinstelling, lieten de simulatieresultaten een consistente prestatietrend zien. Opmerkelijk is dat de verbeteringen die werden waargenomen in zowel stap- als sinusresponsen—specifiek verminderde trackingfouten, minimale overshoot en verminderde fasevertraging—werden bereikt naast een meetbare daling van de RMS-besturingsspanning. Dit geeft aan dat het optimalisatieproces niet simpelweg de nauwkeurigheid van de tracking verbeterde door de aandrijfunit te verzadigen; in plaats daarvan herverdeelde het de controle-inspanningen binnen het bestaande op Lyapunov gebaseerde backstepping-framework. De consistentie van deze parameterherverdeling wordt sterk beïnvloed door de prepositioneringsacceptatiecriteria gedefinieerd in protocol Stap 2.4. Het is essentieel om strikt te waarborgen dat de slinger gedurende een langere periode binnen het aangewezen evenwichtsvenster blijft; anders kunnen grillige initiële transiënten leiden tot voortijdige kosten-functiestagnatie of niet-convergente zwermgedrag tijdens de daaropvolgende offline afstemmingsfase. Voor ondergeactiveerde mechanische systemen is deze herverdeling belangrijk omdat deze bepaalt hoe de regelinspanning wordt toegewezen om de koppeling tussen de actieve coördinaat (roterende arm) en de passieve coördinaat (pendule^{) te} beheren.

Bovendien benadrukt de gelijktijdige vermindering van zowel de armhoekvolgfout als de interne pendulumuitslag een voordeel van het voorgestelde afstemmingsprotocol. Bij de besturing van ondergeactuatiseerde systemen wordt het bereiken van nauwkeurige coördinatentracking ten koste van vluchtige interne toestanden doorgaans als een suboptimaal of zelfs mislukt ontwerp beschouwd. De geoptimaliseerde regelwet verminderde de reactieamplitude van de niet-geactiveerde slinger met 33,1% en verbeterde tegelijkertijd de volgnauwkeurigheid. Deze gecombineerde verbetering suggereert dat het PSO-algoritme een versterkingscombinatie heeft geïdentificeerd die de niet-lineaire koppeling tussen de actieve en passieve coördinaten beter in balans bracht, in plaats van te vertrouwen op terugkoppeling met hoge versterking die parasitaire oscillaties kan versterken. Deze gebalanceerde prestatie is een informatievere indicator van de effectiviteit van de controle dan alleen het volgen van de trajectoren, omdat het aangeeft dat de interne toestandsdynamiek voldoende begrensd was tijdens de energieconversieprocessen²⁸. Evenzo ondersteunen de verstoringsafwijzingsresultaten de praktische robuustheid van de geoptimaliseerde winsten binnen de gesimuleerde testcondities. Hoewel het 20 ms loginterval een vloereffect induceerde dat precieze hersteltijden voor submonsters verduisterde, geven de gelijktijdige verminderingen van piekfout na verstoring, cumulatieve absolute fout en maximale pendulumverplaatsing aan dat de geoptimaliseerde parameters de mate van voortplanting van externe pulsinjecties door de systeemdynamica²⁹ beperkten.

Succesvolle uitvoering van dit protocol vereist het aanpakken van veelvoorkomende implementatieknelpunten. Als het zwermtraject bijvoorbeeld niet binnen 35 iteraties stabiliseert, moeten onderzoekers eerst controleren of de zoekgrenzen zoals vastgesteld in protocol Stap 4.2 voldoende de stabiele Lyapunov-regio omvatten. Bovendien, als de realtime doelmachine frequente veiligheidsstops activeert tijdens de verstoringsonderbrekingsfase, kan het verkorten van de updateperiode van de controller, indien ondersteund door het platform, of het verfijnen van de afsnijfrequentie van het achterwaartse verschilfilter, helpen om de integriteit van gesloten lus te behouden zonder de optimalisatielogica te compromitteren.

Ondanks deze veelbelovende resultaten blijft de methodologie begrensd door de abstracties die inherent zijn aan simulatieomgevingen. Het geïmplementeerde protocol hield rekening met bemonsteringsvertragingen, commandoverzadiging, dempingsmismatch en meetruis—factoren die vaak worden verwaarloosd bij pure offline numerieke integratie. De huidige studie omvatte echter geen experimenten met een roterende omgekeerde slinger, geen validatie van fysieke hardware-in-the-loop of fysieke uitroltests. Daarom moeten de bevindingen worden geïnterpreteerd als simulatie-gebaseerd bewijs van het prestatie-effect van PSO-gebaseerde versterkingsafstemming onder de gespecificeerde vaste-stap en niet-ideale simulatiecondities. Toekomstig werk kan de gemodelleerde onzekerheidsset uitbreiden door extra wrijving-, actuator-, compliance- en kwantisatie-effecten in de simulatie op te nemen voordat een afzonderlijke hardwaregerichte studie ^{wordt overwogen.}

Deze studie stelt een snel besturingsprototyping-simulatieprotocol vast om PSO-gebaseerde winstoptimalisatie voor backstepping-besturing te evalueren. Kwantitatieve resultaten van 10 herhaalde proeven tonen aan dat de geoptimaliseerde controller de staptracking RMSE verlaagt van 0,065 naar 0,050 rad en een vermindering van 22,1% in RMS-controle-inspanning behaalt ten opzichte van de handmatig getunede basislijn. De demping van 33,1% in pendulumuitslagen duidt op verbeterde interne toestandstabiliteit onder de gesimuleerde niet-ideale omstandigheden. Hoewel deze simulatieomgeving ruis, vertraging, dempingsmismatch en verzadiging bevat, repliceert het niet volledig de complexe Coulomb-wrijving, motordeadbands, structurele compliance of sensorkwantisatie die in fysieke systemen voorkomt. Toekomstig werk zal zich richten op het uitbreiden van het simulatiemodel met extra niet-ideale effecten en op het testen of hetzelfde rangschikkingspatroon stabiel blijft over bredere gesimuleerde onzekerheidscondities.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
High-performance Workstation (Windows 11 Pro)	Various / Custom Build	N/A	Host machine voor fixed-step real-time simulatie en post-processing.
MATLAB (Version R2024a)	MathWorks	https://www.mathworks.com/products/matlab.html	Nonlineaire plantmodellering, controller codering, gegevensexport en parameterbeheer.
Simulink (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink.html	Blokdiagrammodelconstructie voor het Furuta-type slinger en controlleruitvoering.
Simulink Desktop Real-Time (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	Fixed-step real-time kernel voor desktopuitvoering van het besturingsmodel.
Python (Version 3.11)	Python Software Foundation	https://www.python.org/	Secundaire gegevensverwerking, statistische behandeling en figuurvoorbereiding.
NumPy (Version 1.26)	NumPy Developers	https://numpy.org/	Numerieke arraybewerkingen voor geëxporteerde proefgegevens.
pandas (Version 2.2)	pandas Developers	https://pandas.pydata.org/	Organisatie van herhaalde proefgegevens en genereren van samenvattingstabellen.
SciPy (Version 1.13)	SciPy Developers	https://scipy.org/	Statistische testen en hulpmiddelen voor signaalanalyse.
Matplotlib (Version 3.8)	Matplotlib Developers	https://matplotlib.org/	Plotgeneratie voor convergentie-, tracking- en distributiefiguren.