Szybkie prototypowanie kontroli Symulacja optymalizacji roju cząstek – dostrajanie kontroli śledzenia Backstepping dla obrotowego wahadła odwróconego

Podsumowanie

Ten protokół ustanawia zstandaryzowaną procedurę szybkiego prototypowania kontroli w celu oceny sterowania śledzenia z optymalizacją rojem cząstek dostosowaną do metody backstepping w środowisku symulacji czasu rzeczywistego o stałym kroku.

Streszczenie

Głównym celem tego protokołu jest zapewnienie powtarzalnego struktury symulacji z fiksowanymi krokami do oceny dostrajania zysku opartego na Optymalizacji Roju Cząstek (PSO) w nieliniowych systemach sterowania. Implementacja zaczyna się od sformułowania modelu wahadła typu Furuta, następnie integracja kontrolera backstepping w środowisku wykonywania z fiksowanymi krokami 2 ms. Metodologia obejmuje systematyczny czterostopniowy proces: charakteryzowanie ograniczenia implementacji nieidealnych, definiowanie przestrzeni wyszukiwania wielokryterialnej Optymalizacji Roju Cząstek, wykonywanie zautomatyzowanego dostrajania offline oraz ocena wynikowych parametrów poprzez standaryzowany zestaw scenariuszy śledzenia trajektorii i odrzucania zakłóceń. To ustawienie, wykorzystujące wysokowydajne stacje robocze przemysłowe i standaryzowane interfejsy sygnałowe, wspiera konsekwentne porównania powtarzanych prób w ramach tej samej architektury sterowania. Projekt porównuje bazową ręcznie dostosowaną kontrolę backstepping z wariantem zoptymalizowanym przez PSO, który dzieli dokładnie tę samą strukturę sterowania, izolując tym samym wpływ doboru zysku. Wydajność kontrolera jest ocenianą w trzech różnych scenariuszach operacyjnych: naśladowanie trajektorii krokowej, śledzenie sinusoidalne mieszanej częstotliwości oraz odrzucanie zakłóceń. Analiza statystyczna 10 powtórzonych prób wykazała, że optymalizacja oparta na PSO zmniejszyła RMSE śledzenia krokowego z 0,065 do 0,050 rad i zmniejszyła szczytowe wychylenia wahadła o 33,1%. Te poprawki osiągnięto wraz z 22,1% redukcją RMS wysiłku sterowania, wskazując, że zoptymalizowane parametry umożliwiły efektywniejsze rozdzielenie energii w ramach frameworku opartego na Lyapunovie. Ostatecznie, ta metodologia zapewnia strukturalną ramę symulacji do oceny nieliniowych strategii sterowania przed jakąkolwiek późniejszą implementacją sprzętową.

Wprowadzenie

Obrotowa inwertowana wahadłówka typu Furuta stanowi podstawowy punkt odniesienia dla walidacji algorytmów sterowania nieliniowego ze względu na niestabilność pętli otwartej i złożoną dynamikę podsterowania^1,2,3. Zanim można uznać za implementacyjną ocenę, te teoretyczne projekty wymagają rygorystycznych testów pośrednich opartych na symulacji. Dlatego ten protokół ustanawia znormalizowany, szybki szybkobieżny framework symulacji prototypowania sterowania, aby systematycznie ocenić zmiany wydajności wywołane przez Optymalizację Rojem Cząstek (PSO) w sterownikach backstepping tracking w środowisku symulowanym o stałym kroku.

W szerszej literaturze liczne badania zwracały uwagę na modyfikacje strukturalne i dostrajanie parametrów w celu poprawy sterowania obrotowymi inwertowanymi wahadłówkami. Projekty oparte na optymalizacji są powszechne; na przykład, PSO zostało wykorzystane do wybierania parametrów kontrolera i zintegrowano je z hybrydowymi architekturami sterowania fuzzy^4,5. W porównaniu z innymi bio-inspirowanymi metaheurystykami, PSO zostało specjalnie wybrane dla tego frameworka ze względu na jego szybką konwergencję w niskowymiarowych ciągłych przestrzeniach wyszukiwania i minimalne wymagania dotyczące dostrajania hiperparametrów. Ostatnia literatura coraz częściej podkreśla konieczność inteligentnych algorytmów optymalizacji w różnorodnych i złożonych scenariuszach sterowania. Na przykład zaawansowane techniki optymalizacji zostały skutecznie połączone z sterowaniem adaptacyjnym opartym na modelu (MRAC) i ramami ułamkowymi, aby zwiększyć precyzję śledzenia nieliniowych serwonapędów^6,7. Ponadto, dostrajanie oparte na optymalizacji okazało się bardzo korzystne w zarządzaniu sprzężoną dynamiką i uwarunkowańami właściwymi złożonym systemom elektromechanicznym^8,9.

Ostatnie badania potwierdzają, że PSO i jego hybrydowe warianty znacznie poprawiają efektywność śledzenia punktu maksymalnej mocy w instalacjach fotowoltaicznych, wykazując solidne identyfikowanie parametrów w warunkach częściowego zacienienia¹⁰. W robotyce, PSO zostało z powodzeniem wykorzystane do optymalizacji wzmacnianych liniowych i nieliniowych projektów sterowania proporcjonalno-całkującego dla manipulatorów równoległych, minimalizując błędy śledzenia trajektorii¹¹. Dodatkowo, integracja PSO z adaptacyjnym sterowaniem backstepping sliding mode okazała się kluczowa dla tłumienia drgań w zawieszanych masach napędzanych pneumatycznymi sztucznymi mięśniami¹². Poza podstawowym wyborem parametrów, integracja nowoczesnych strategii przetwarzania sygnałów i solidnych strategii optymalizacji jest kluczowa dla utrzymania stabilności pętli zamkniętej w realnych, zakłóconych warunkach fizycznych^13,14.

Ostatnie wysiłki skupiają się również na jednoczesnym śledzeniu kątów stawów i stabilizacji wahadłowca w warunkach niepewnych przy użyciu robustnej uogólnionej inwersji dynamicznej¹⁵, a także adaptacyjnej estymacji neuronowej¹⁶. Ponadto, architektury sterowania backstepping były rozwijane w celu radzenia sobie z złożonymi zaburzeniami w różnych systemach mechanicznych, takich jak włączenie projektów trybu ślizgowego do tłumienia wibracji budynków, wykorzystanie quasi-ślizgowych obserwatorów dla elektronicznych zaworów przepustnicy oraz integracja nieliniowych obserwatorów zakłóceń dla regulacji prędkości silników prądu stałego o wysokiej precyzji^17,18,19. Te różnorodne zastosowania podkreślają wszechstronność projektów backstepping połączonych z robustnymi strategiami estymacji lub optymalizacji.

Krytyczną słabością panującą we współczesnej literaturze jest mieszanie modyfikacji strukturalnych kontrolera z zaletami dostrajania parametrów. Wiele porównawczych badań kontrastuje zupełnie odrębne architektury sterowania, uniemożliwiając rozróżnienie, czy zyski w wydajności wynikają z fundamentalnego algorytmu czy jedynie z lepszego doboru wzmocnienia^20,21. Co więcej, istniejące badania symulacyjne często zakładają idealne warunki pracy i koncentrują się wyłącznie na stabilizacji podstawowej. Często nie uwzględniają one degradacji wydajności wywołanej realnymi ograniczeniami implementacyjnymi. Ta metodologia bezpośrednio atakuje te luki. Wprowadzając symulowane opóźnienia próbkowania, szum czujników i brak dopasowania tłumienia w paradygmacie dynamicznego śledzenia trajektorii, zaproponowany protokół ocenia efekt optymalizacji PSO na stałej strukturze sterowania.

W przeciwieństwie do konwencjonalnej integracji numerycznej, ten protokół wyróżnia się tym, że odseparował efektywność dostrajania parametrów od zmian strukturalnych kontrolera przy jednoczesnym narzuceniu ograniczeń czasowych o stałym kroku. Zamiast wprowadzać nową architekturę sterowania, ta metoda ocenia pojedynczy sterowniczy backstepping tracking w środowisku symulacji czasu rzeczywistego o

Protokół

Niniejszy protokół nie obejmuje badań na ludziach, testów na zwierzętach ani próbek klinicznych. Procedury są realizowane w całości w symulowanym środowisku z fiksowanym krokom wzorcującym, reprezentującym nieliniowy układ sterowania elektromechanicznego. W niniejszym badaniu nie wykonano fizycznego doświadczenia obrotowego odwróconego wahadła, fizycznej walidacji sprzętu w pętli zamkniętej ani fizycznego testu wdrożenia.

1. Budowa zakładu i ustanawianie konwencji sygnałowej

1. Skonstruuj wysokiej wierności model symulacji wahadła Furuta-type obrotowego odwróconego. Zdefiniuj dwie uogólnione współrzędne dla układu: kąt ramiona obrotowego, θ, i kąt odchylenia wahadła od pionu, α.
2. Zdefiniuj wektor stanu układu jako x = [θ, α, θ̇, α̇]T, przyjmując α = 0 jako niestabilną równowagę pionową. Sformułuj matematyczny model zakładu za pomocą równań Eulera-Lagrange'a, aby wyraźnie zdefiniować nieliniową macierz bezwładności, siły Coriolioisa oraz wektory grawitacji łączące aktywne ramię obrotowe i pasywne wahadło²².
3. Zdefiniuj dodatnie θ i dodatnie α spójnie, używając tej samej biegunowości enkodera w zakładzie, kontrolerze i skryptach pozaklasyfikacyjnych.
4. Ustaw rozwiązanie symulacji czasu rzeczywistego z fiksowanym krokiem, ściśle wykorzystując nominalne parametry mechaniczne i elektromechaniczne szczegółowo wymienione w Tabeli 1. Skonfiguruj układ zamkniętej pętli w wyznaczonym środowisku czasu rzeczywistego zgodnie z Tabelą materiałów. Ustaw okres aktualizacji kontrolera na 2 ms i upewnij się, że przedział rejestracji danych jest fiksowany na 20 ms.
5. Włącz trzy specyficzne efekty nieidealne do modelu zakładu, aby naśladować realistyczne ograniczenia implementacji. Wprowadź zero-średnią biały szum pomiaru o odchyleniach standardowych 0,003 rad i 0,004 rad do kanałów zwrotnego sprzężenia ramienia i wahadła, odpowiednio.
6. Wprowadź 4 ms opóźnienie transportu do zmierzonego sygnału wahadła. Jednocześnie zwiększ symulowane współczynniki tłumienia zakładu o 8% względem wartości nominalnych użytych w projekcie kontrolera, aby symulować niedopasowane modelowanie.
7. Ogranicz moc wyjściową silnika ściśle do ±10 V.
   OSTROŻNIE: Skonfiguruj bezpieczne zatrzymania na poziomie oprogramowania, aby natychmiast zakończyć próbę, jeśli |θ| przekroczy 0,70 rad lub jeśli |α| przekroczy 0,35 rad. Dodatkowo, zaimplementuj timera strażackiego, aby wywołać reset systemu, jeśli polecenie sterowania pozostaje na ograniczeniu ±10 V przez ponad 100 ms.

2. Warunek początkowy i poprzedzające pozycjonowanie

1. Inicjuj układ w stanie spoczynku skierowanym w dół przed każdym testem.
2. Wykonaj zadanie poprzedzające, aby zarzucić wahadło do góry do pozycji odwróconej i włączyć stabilizującego kontrolera. Wyklucz tę fazę poprzedzającą z formalnej oceny wydajności.
3. Rozpocznij formalne zbieranie danych dopiero po potwierdzeniu, że odchylenie wahadła nieprzerwanie pozostawało w granicach ±0,05 rad od pionowej równowagi przez co najmniej 1,0 s, utrzymując w ten sposób początkowe warunki dynamiczne praktycznie porównywalne we wszystkich ocenianych próbach.
4. Zresetuj czas próby do 0,0 s po spełnieniu tego warunku i natychmiast rozpocznij wykonywanie wyznaczonego profilu punktu ustawionego. Upewnij się, że wszystkie kontrolery korzystają z tej identycznej procedury poprzedzającej i spełniają dokładnie te same standardy akceptacji.

3. Wdrożenie bazowego kontrolera backstepping

1. Zdefiniuj błąd śledzenia eθ(t) zgodnie z poleceniem referencyjnym kąta ramienia θr(t) przy użyciu równania
   eθ(t) = θr(t) - θ(t) (1)
2. Skonstruuj złożoną powierzchnię ślizgu, s(t), zgodnie z Równaniem 2. W tym uformowaniu zdefiniuj λ jako ściśle dodatni współczynnik nachylenia powierzchni błędów.
   s(t) = ėθ(t) + λeθ(t) (2)
3. Sformułuj referencyjny kontroler backstepping poprzez zintegrowanie nominalnego terminu kompensacji opartego na modelu z ujemnym terminem proporcjonalnym stabilizującym błąd. Zdefiniuj zmienne błędów śledzenia matematycznie jako z1 = eθ(t) i z2 = s(t).
4. Przeprowadź analizę stabilności Lyapunova, aby ocenić zbieżność błędu śledzenia. Zróżnicuj wybraną funkcję Lyapunova V = 1/2z1² + 1/2z2² względem czasu, aby uzyskać V̇ = z1ż1 + z2ż2. Podstawiając sformułowane prawo sterowania do tej pochodnej, zweryfikuj, że VM

Wyniki

Algorytm optymalizacji rojem cząstek (PSO) wykazał szybką początkową redukcję złożonej funkcji celu, po której nastąpił okres stopniowej zbieżności. W szczególności optymalna wartość funkcji dopasowania spadła do 1,8757 w ciągu pierwszego cyklu obliczeniowego, podczas gdy średnia wartość dopasowania roju spadła z 2,0573 do 1,2518 do 35. iteracji. Większość tej zbieżności nastąpiła podczas pierwszych 15 do 20 iteracji. Po tym etapie trajektoria rozwiązania globalnie najlepszego uległa zbieżności, co wskazuje, że rój osiągnął stabilny obszar w zdefiniowanej przestrzeni poszukiwań, zamiast błądzić w sposób losowy. Końcowy zestaw wzmocnień wyznaczony przez PSO zachował spójność strukturalną bazowego prawa backsteppingu, ale zmienił rozkład względnych wag pomiędzy członami stabilizującymi (Tabela 2). Jak pokazano na Rysunku 1, algorytm optymalizacji umożliwił szybki spadek funkcji dopasowania, przechodząc z początkowej fazy eksploracji do stabilnego rozwiązania globalnie najlepszego w ciągu 35 iteracji. W porównaniu z ręcznie dostrojonym wariantem bazowym, zoptymalizowany kontroler przyjął większe wartości dla k1 i k2, zmniejszone nachylenie powierzchni błędu λ oraz szerszą warstwę przygraniczną ϕ.

Wydajność śledzenia kroków

Analiza porównawcza wykazuje wyraźne różnice w działaniu obu kontrolerów podczas eksperymentu śledzenia skoku, ilustrując oczekiwane wyniki pozytywne oraz suboptymalne dla tego protokołu. Bazowe sterowanie metodą backsteppingu reprezentuje typowy wynik suboptymalny; choć zachowało ogólną stabilność po wprowadzeniu sygnału sterującego 0,50 rad w czasie 2,0 s, wykazało szybką początkową szybkość narastania, która przedwcześnie odchyliła się od trajektorii docelowej, co doprowadziło do trwałych oscylacji resztkowych i wymagało dłuższego czasu na zbieżność. W przeciwieństwie do niego, kontroler optymalizowany metodą PSO wykazuje reprezentatywny wynik pozytywny, charakteryzujący się szybkim, tłumionym zbliżeniem do wartości zadanej bez wywoływania nasycenia sygnału sterującego. W ciągu dziesięciu kolejnych prób kontroler zoptymalizowany zredukował RMSE śledzenia skoku z 0,065 ± 0,002 rad do 0,050 ± 0,002 rad (test t Welcha, p < 0,001, Tabela 4). Poprawiono również parametry stanu przejściowego: przeregulowanie spadło z 4,644 ± 0,604% do 3,627 ± 0,620% (U Manna-Whitneya, p = 0,009), a czas narastania skrócił się z 0,788 ± 0,025 s do 0,548 ± 0,025 s (U Manna-Whitneya, p < 0,001). Różnice w działaniu przedstawiono na Rysunku 2 oraz Rysunku 3, gdzie odpowiedź zoptymalizowana wykazuje lepsze tłumienie i szybszą zbieżność do wartości zadanej. Tę zwiększoną precyzję osiągnięto przy jednoczesnej redukcji średniokwadratowego napięcia sterującego o 22,1% (z 0,669 ± 0,004 V do 0,521 ± 0,003 V). Równocześnie maksymalne wychylenie wahadła zostało zmniejszone o 33,1%, spadając z 5,812° do 3,889° (Tabela 4). Co więcej, podczas gdy żadna z prób bazowych nie spełniła kryterium czasu ustalania 1,0 s w oknie 10,0 s, kontroler zoptymalizowany osiągnął skuteczne ustalenie w 70% prób, odnotowując średni czas ustalania 1,057 ± 0,348 s.

Wydajność śledzenia sinusoidalnego

Obie strategie sterowania utrzymały ograniczone śledzenie sygnału odniesienia w postaci sinusoidy o mieszanych częstotliwościach przez cały 20 s czas trwania testu. Chociaż różnica w wydajności była wizualnie mniej wyraźna niż w testach odpowiedzi skokowej, wyniki statystyczne z powtórzonych prób wskazały na poprawę działania w przypadku podejścia zoptymalizowanego. Sygnał sterujący w wariancie bazowym wykazywał szerszą obwiednię błędu śledzenia i zauważalnie spóźniał się względem przebiegu docelowego. W przeciwieństwie do niego, kontroler zoptymalizowany dokładniej śledził wartość zadaną zarówno podczas zmian niskich, jak i wysokich częstotliwości, co przełożyło się na ciaśniejszy rozkład błędów szczytowych wzdłuż trajektorii odniesienia. W rezultacie całkowity RMSE dla próby uległ zmniejszeniu z 0,061 ± 0,003 rad do 0,040 ± 0,003 rad po optymalizacji. Jak szczegółowo opisano w Tabeli 5, kontroler zoptymalizowany umożliwił również redukcję wartości RMS napięcia sterującego (z 0,557 ± 0,002 V do 0,402 ± 0,002 V) oraz ograniczył maksymalne wychylenie wahadła z 2,156 ± 0,079° do 1,464 ± 0,061°, co wskazuje na poprawę synchronizacji fazowej i efektywności energetycznej (p < 0,001, Tabela 5; Rycina 4).

Tłumienie zakłóceń i odporność w różnych scenariuszach

Wprowadzenie dodatkowych impulsów momentu obrotowego w 6,0 s i 12,2 s wywołało większe odchylenia kąta ramienia i szersze wychylenia wahadła w odpowiedzi kontrolera bazowego. Chociaż kontroler zoptymalizowany również zarejestrował perturbacje natychmiastowo, jego wychylenia po zakłóceniu były mniejsze. Proces powrotu do stanu równowagi względem punktu odniesienia zero wykazywał jakościowo szybszą tendencję (od 0,014 s do 0,000 s); jednak ta konkretna metryka nie osiągnęła istotności statystycznej (p = 0,078), głównie dlatego, że 20 ms rozdzielczości rejestrowania danych spowodowało mierzalny efekt progowy. W powtarzanych próbach zoptymalizowana parametryzacja zredukowała maksymalny błąd po zakłóceniu. Całka błędu bezwzględnego (IAE) obliczona dla czasu trwania 20 s została zredukowana z 0,377 ± 0,012 do 0,248 ± 0,015, wraz z odpowiadającym temu spadkiem średniokwadratowego napięcia sterującego (RMS) z 0,656 ± 0,003 V do 0,508 ± 0,005 V. Maksymalna amplituda oscylacji wahadła została w podobny sposób zmniejszona z 11,456 ± 0,117° do 7,561 ± 0,063° (Tabela 6). Ranking kontrolerów pozostał spójny we wszystkich trzech profilach testowych. Strategia backsteppingu zoptymalizowana metodą PSO zapewniła niższe błędy przejściowe, zredukowane niedokładności stanu ustalonego oraz zminimalizowane pasywne wychylenia wahadła (p < 0,001, Tabela 6; Rysunek 5) bez wymagania zwiększenia całkowitego wysiłku siłownika. Rozkłady głównych wskaźników wydajności z wielu prób podsumowano na Rysunku 6.

DOSTĘPNOŚĆ DANYCH:

Zbiór danych pomocniczych wykorzystany do wygenerowania rycin i tabel, obejmujący dane reprezentatywne, metryki na poziomie prób, zdefiniowane ziarna liczb pseudolosowych oraz zapisy strojenia PSO, został zdeponowany w Zenodo i jest publicznie dostępny pod adresem DOI 10.5281/zenodo.20395966.

Rysunek 1: Zbieżność optymalizacji rojem cząsteczek w strojeniu regulatora. (A) Najlepsze wartości funkcji dopasowania roju w ciągu 35 iteracji; (B) Średnie wartości funkcji dopasowania dla każdego punktu czasowego. Złożona funkcja celu malała szybko w początkowej fazie eksploracji, a następnie stopniowo zwalniała w miarę zbiegania się do stabilnego obszaru prawa sterowania backstepping optymalizowanego metodą PSO. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Rycina 2: Reprezentatywne odpowiedzi na skokowe zmiany sygnału dla kontrolera backstepping bazowego oraz zoptymalizowanego metodą PSO. (A) Zadaną wartość kąta ramienia oraz zmierzoną odpowiedź kąta ramienia dla pełnej 20 s sekwencji skokowej; (B) Powiększony widok odpowiedzi bezpośrednio po przyłożeniu skoku 0,50 rad w 2,0 s; (C) Powiększony widok odpowiedzi po rozpoczęciu drugiego segmentu polecenia 0,20 rad w 10,0 s. Po optymalizacji kontroler zoptymalizowany metodą PSO wykazał krótszy czas narastania, niższy błąd szczytowy i lepsze tłumienie w porównaniu z kontrolerem bazowym. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 3: Błąd śledzenia kąta ramienia oraz charakterystyka sterowania dla dwóch regulatorów. (A) Błąd śledzenia kąta ramienia podczas pełnego testu śledzenia skoku; (B) Sygnał napięcia sterującego dla tej samej próby; (C) Kąt odchylenia wahadła podczas odpowiedzi skokowej. Zoptymalizowany regulator wykazał mniejsze wychylenia błędu, węższy zakres oscylacji i względnie płynniejszy ruch przy niższym poziomie RMS sygnału sterującego. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Rycina 4: Reprezentatywna charakterystyka śledzenia sygnału sinusoidalnego przy referencji o mieszanej częstotliwości. (A) Zadana referencja sinusoidalna oraz zmierzone odpowiedzi kąta ramienia w trakcie 20 s eksperymentu śledzenia; (B>) Błąd śledzenia w tym samym przedziale czasowym; (C>) Kąt odchylenia wahadła podczas procesu śledzenia sinusoidalnego. Kontroler zoptymalizowany metodą PSO śledził złożone polecenie dokładniej niż kontroler bazowy, wykazując zredukowane opóźnienie fazowe i zmniejszony zakres błędów w kolejnych cyklach. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 5: Reprezentatywne odpowiedzi na odrzucenie zakłóceń podczas regulacji przy zerowym punkcie odniesienia. (A) Błąd śledzenia kąta ramienia podczas testu odrzucania zakłóceń, obejmującego zakłócenia w postaci impulsów momentu obrotowego w 6,0 s i 12,2 s; (B) Kąt odchylenia wahadła podczas tego samego badania; (C) Sygnał napięcia sterującego podczas odrzucania zakłóceń. W porównaniu z kontrolerem bazowym, sterowanie zoptymalizowane metodą PSO wykazało mniejsze maksymalne odchylenie po zakłóceniu oraz szybszy powrót do wartości zadanej. Aby zobaczyć powiększoną wersję tego rysunku, kliknij tutaj.

Rysunek 6: Rozkład międzypróbkowy głównych wskaźników wydajności we wszystkich trzech sytuacjach testowych. (A) RMSE śledzenia schodkowego; (B) czas narastania śledzenia schodkowego; (C) RMSE śledzenia sinusoidalnego; (D) opóźnienie fazowe sinusoidalne; (E) szczytowy błąd śledzenia po zakłóceniu; (F) maksymalne wychylenie wahadła w warunkach tłumienia zakłóceń. Każdy panel przedstawia rozkład 10 poprawnych prób dla każdego stanu kontrolera. Bezpośrednio porównano tendencję centralną i dyspersję systemów sterowania backstepping w wersji bazowej oraz zoptymalizowanej algorytmem PSO. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Parametr	Symbol	Wartość	Jednostka
Długość ramienia obrotowego	LProszę podać tekst źródłowy do tłumaczenia.	0.215	m
Długość wahadła do środka masy	Lp	0.168	m
Masa ramienia obrotowego	mr	0.254	kg
Masa wahadła	mp	0.097	kg
Lepkość tłumienia ramienia	br	0.0031	N·m·s/rad
Lepkość tłumienia wahadła	Bp	0.0018	N·m·s/rad
Stała momentu obrotowego silnika	Kt	0.053	N·m/A
Rozdzielczość encodera	Nenc	4096	liczba zliczeń/obrót
Okres aktualizacji kontrolera	Ts	0.002	s

Tabela 1: Nominalne parametry systemu modelu nieliniowego obrotowego wahadła odwróconego.Lista nominalnych parametrów geometrycznych, bezwładnościowych, tłumienia, sterowania i czujników dla modelu nieliniowego obiektu w czasie rzeczywistym oraz opracowania systemu sterowania. Niedopasowanie tłumienia dodane w momencie formalnego zastosowania testu jest niezależne i wykluczone z tych wartości nominalnych.

Regulator	Wzmocnienie	Wartość	Opis
Podstawowy backstepping	k1	3.6	Ręcznie dostrojone początkowe wzmocnienie stabilizujące
Podstawowy backstepping	k2	1.95	Ręcznie dostrojone wzmocnienie sterowania wirtualnego
Podstawowy backstepping	λ	2.1	Nachylenie powierzchni błędu
Podstawowy backstepping	φ	0.12	Szerokość warstwy przygranicznej
Backstepping optymalizowany metodą PSO	k1	4.19	Cząstka o najlepszym wyniku globalnym po 35 iteracjach
Backstepping optymalizowany metodą PSO	k2	2.44	Cząstka o najlepszym wyniku globalnym po 35 iteracjach
Backstepping optymalizowany metodą PSO	λ	1.83	Cząstka o najlepszym wyniku globalnym po 35 iteracjach
Backstepping optymalizowany metodą PSO	φ	0.92	Cząstka o najlepszym wyniku globalnym po 35 iteracjach

Tabela 2: Wzmocnienia bazowego kontrolera backstepping oraz wzmocnienia kontrolera backstepping zoptymalizowane metodą PSO.Tabela przedstawia kombinacje wzmocnień dla stanów pracy obu kontrolerów. Wartości bazowe zostały ustalone podczas ręcznego strojenia; wzmocnienia zoptymalizowane metodą PSO odnoszą się do końcowej cząstki o najlepszym wyniku globalnym zachowanej po 35 iteracjach optymalizacji.

Element	Specyfikacja
Komputer docelowy czasu rzeczywistego	Komputer przemysłowy, procesor klasy Intel i7, 16 GB RAM
Tryb wykonywania	Symulacja czasu rzeczywistego z ustalonym krokiem czasowym
Okres aktualizacji sterownika	2 ms
Interwał eksportu sygnału	20 ms
Interfejs sygnałowy	Wejście enkodera i wyjście analogowe, ±10 V
Konfiguracja rośliny	Nieliniowy model obrotowego wahadła odwróconego typu Furuty
Wprowadzone efekty nieidealne	Szum pomiarowy, opóźnienie kanału wahadła oraz niedopasowanie tłumienia
Szum pomiarowy	0,003 rad kąta ramienia; 0,004 rad kąta wahadła
Opóźnienie kanału wahadłowego	4 ms
Niedopasowanie tłumienia rośliny	+8% względem nominalnego modelu kontrolera
Nasycenie poleceń	±10 V
Kryteria bezpiecznego przerwania badania	|θ| > 0,70 rad, |α| > 0,35 rad lub nasycenie > 100 ms
Akceptacja wstępnego pozycjonowania	|α| ≤ 0,05 rad przez co najmniej 1,0 s przed rozpoczęciem próby
Profil referencyjny kroku	0 rad (0,0–2,0 s), 0,50 rad (2,0–10,0 s), 0,20 rad (10,0–20,0 s)
Sinusoidalny profil odniesienia	0,26 sin(2π·0,20t) + 0,12 sin(2π·0,30t + 0,40) rad
Protokół zaburzeń	Dwa addytywne impulsy momentu obrotowego w 6,0 s i 12,2 s
Amplituda i szerokość zaburzenia	0,030 N·m, 0,12 s
Liczba poprawnych prób na kontroler i scenariusz	10

Tabela 3: Środowisko symulacji w czasie rzeczywistym, ustawienia sygnałów i zasady kwalifikacji prób. Podsumowanie platformy wykonawczej, częstotliwości odświeżania kontrolera, interwałów eksportu sygnałów, wprowadzania efektów nieidealnych, warunków zatrzymania awaryjnego, trajektorii odniesienia, ustawień zakłóceń oraz kryteriów poprawności próby.

Metryka	Podstawowa metoda backstepping n=10	Backstepping zoptymalizowany PSO  n=10	wartość p	Test statystyczny
RMSE śledzenia (rad)	0.065 ± 0.002	0.050 ± 0.002	<0.001	test t Welcha
Błąd stanu ustalonego, 9.0–10.0 s (rad)	-0.007 ± 0.001	-0.004 ± 0.001	<0.001	U Manna–Whitneya
Przeregulowanie (%)	4.644 ± 0.604	3.627 ± 0.620	0.009	U Manna–Whitneya
Czas narastania (s)	0.788 ± 0.025	0.548 ± 0.025	<0.001	U Manna–Whitneya
Czas ustalania (s)	Brak prawidłowych prób ustalenia (0/10)	1.057 ± 0.348 (7/10 prawidłowych prób ustalenia)	NA	Brak porównania
RMS sterowania (V)	0.669 ± 0.004	0.521 ± 0.003	<0.001	test t Welcha
Maksymalne odchylenie wahadła (deg)	5.812 ± 0.156	3.889 ± 0.109	<0.001	test t Welcha

Tabela 4: Metryki wydajności śledzenia kroków dla 10 poprawnych prób na każdy kontroler. Tabela ta przedstawia podsumowanie statystyczne powtórzonych prób eksperymentu śledzenia kroków, obejmujące RMSE śledzenia, błąd stanu ustalonego, przeregulowanie, czas narastania, prędkość zbieżności do wartości zadanej, wartość RMS napięcia sterującego oraz maksymalne odchylenie wahadła. Wartości podano jako średnie ± odchylenia standardowe, chyba że zaznaczono inaczej.

Backstepping z optymalizacją PSO   n=10	wartość p	Test statystyczny
0.040 ± 0.003	<0.001	test t Welcha
0.088 ± 0.006	<0.001	test t Welcha
0.232 ± 0.019	<0.001	test t Welcha
0.402 ± 0.002	<0.001	test t Welcha
1.464 ± 0.061	<0.001	test t Welcha

Tabela 5: Metryki wydajności śledzenia sinusoidalnego w 10 prawidłowych próbach dla każdego kontrolera.W tabeli przedstawiono podsumowania powtórzonych prób testu śledzenia sinusoidalnego, które obejmują błąd średniokwadratowy (RMSE) dla całego cyklu, maksymalny bezwzględny błąd śledzenia, opóźnienie fazowe oraz wartość RMS napięcia sterującego. Podano również maksymalne odchylenie wahadła. Dodatnie opóźnienie fazowe oznacza, że mierzony sygnał wyjściowy spóźnia się względem wartości zadanej.

wartość p	Test statystyczny
<0.001	Test t Welcha
0.078	Test U Manna–Whitheya
<0.001	Test t Welcha
<0.001	Test t Welcha
<0.001	Test t Welcha

Tabela 6: Metryki wydajności tłumienia zakłóceń w 10 poprawnych próbach dla każdego kontrolera. Dane z powtórzonych prób w eksperymentach dotyczących tłumienia zakłóceń obejmują szczytowy błąd śledzenia po zakłóceniu, czas regeneracji, całkę z błędu bezwzględnego (IAE), napięcie RMS sterowania oraz maksymalne odchylenie wahadła. Zgodnie z ustawieniami eksportu sygnału, mierzalny czas regeneracji jest ograniczony przez 20 ms okresu rejestrowania.

Dyskusja

Głównym celem niniejszego badania nie jest jedynie stwierdzenie, że jeden kontroler jest lepszy od drugiego w warunkach odizolowanych, ale aby wykazać, że oceniana tu struktura optymalizacji zysku opartej na PSO może poprawić wydajność kontrolera backstepping w określonych symulowanych scenariuszach nieidealnych. Odwrócony wahadło obrotowe służy jako doskonała ławka do tej oceny ze względu na swoje wysoce nieliniowe, nieminimalne fazowe i niedostrzegane cechy²⁶. Poza wskaźnikami wydajności, technicznej integralności tego protokołu decyduje o świadomej charakteryzacji środowiska symulacji czasu rzeczywistego. Krytycznym etapem wdrożenia jest kontrolowane wstrzyknięcie niedopasowania tłumienia 8% i opóźnienia czujnika 4 ms, ponieważ te konkretne efekty nieidealne pozwalają algorytmowi PSO na optymalizowanie zysków w tych samych zaburzeniach użytych w formalnej ocenie, a nie tylko w warunkach idealnych.

Testując strategie sterowania poprzez protokoły śledzenia kroków, śledzenia sinusoidalnego i odrzucania zakłóceń w jednolitym ustawieniu wykonywania kroków stałych, wyniki symulacji wykazały spójną tendencję wydajności. Warto zauważyć, że poprawy obserwowane zarówno w odpowiedziach kroków jak i sinusoidalnych—konkretnie, zmniejszenie błędów śledzenia, zminimalizowanie przeregulowania i osłabienie opóźnienia fazowego—uzyskano wraz z wymiaralnym spadkiem napięcia sterowania RMS. Oznacza to, że proces optymalizacji nie poprawił po prostu dokładności śledzenia poprzez nasycenie jednostki napędowej; raczej, przedystrybuował wysiłek sterowania w ramach istniejącej struktury backstepping opartej na Lyapunovie. Stałość tej redistrybucji parametrów jest znacząco wpływana przez kryteria akceptacji pozycjonowania wstępnego zdefiniowane w protokole Krok 2.4. Ściśle zapewnienie, że wahadło pozostaje w wyznaczonym oknie równowagi przez dłuższy czas, jest istotne; w przeciwnym razie, chaotyczne początkowe przejścia mogą prowadzić do przedwczesnego stagnacji funkcji kosztu lub niezbieżnego zachowania roju podczas następnej fazy dostrajania offline. Dla układów mechanicznych niedostrzeganych, ta redistrybucja jest ważna, ponieważ reguluje, jak wysiłek sterowania jest przydzielany do zarządzania sprzężeniem między aktywną współrzędną (obrotowym ramieniem) a pasywną współrzędną (wahadłem)²⁷.

Ponadto, jednoczesne zmniejszenie zarówno błędu śledzenia kąta ramienia, jak i wewnętrznej ekskursji wahadła podkreśla zaletę zaproponowanego protokołu dostrajania. W sterowaniu układami niedostrzeganymi, osiągnięcie precyzyjnego śledzenia współrzędnych kosztem niestabilnych stanów wewnętrznych jest ogólnie uważane za nieoptymalne lub nawet nieudane projektowanie. Zoptymalizowane prawo sterowania zmniejszyło amplitudę reakcji wahadła niedostrzeganego o 33,1%, jednocześnie poprawiając wierność śledzenia. Ta połączona poprawa sugeruje, że algorytm PSO zidentyfikował kombinację zysku, która lepiej zrównoważyła nieliniowe sprzężenie między współrzędnymi aktywnymi i pasywnymi, zamiast polegać na sprzężeniu zwrotnym o wysokim zysku, które może wzmacniać oscylacje pasożytnicze. Ta zrównoważona wydajność jest bardziej pouczającym wskaźnikiem efektywności sterowania niż sama śledząca trajektoria, ponieważ wskazuje, że dynamika stanu wewnętrznego była odpowiednio ograniczona podczas procesów przemiany energii²⁸. Podobnie, wyniki odrzucania zakłóceń potwierdzają praktyczną odporność zoptymalizowanych zysków w symulowanych warunkach testowych. Podczas gdy 20-ms przedział rejestracji wywołał efekt progowy, który zasłonił precyzyjne czasy odzysku pod-próbki, jednoczesne zmniejszenie szczytowego błędu po zakłóceniu, skumulowanego błędu bezwzględnego i maksymalnego przemieszczenia wahadła wskazuje, że zoptymalizowane parametry ograniczyły stopień, w jakim zewnętrzne wstrzyknięcia impulsów propagowały się przez dynamikę systemu²⁹.

Skuteczna realizacja tego protokołu wymaga rozwiązania typowych problemów implementacyjnych. Na przykład, jeśli trajektoria roju nie ustabilizuje się w ciągu 35 iteracji, naukowcy powinni najpierw zweryfikować, czy granice wyszukiwania określone w protokole Krok 4.2 odpowiednio obejmują stabilną region Lyapunova. Ponadto, jeśli rzeczywisty docelowy sprzęt w czasie rzeczywistym często wyzwala bezpieczne stopy podczas fazy odrzucania zakłóceń, zmniejszenie okresu aktualizacji kontrolera, jeśli jest to obsługiwane przez platformę, lub dopracowanie częstotliwości cięcia filtra różnic tyłowych może pomóc w utrzymaniu integralności pętli zamkniętej bez kompromisu dla logiki optymalizacji.

Mimo tych obiecujących wyników, metodologia pozostaje ograniczona przez abstrakcje nieodłączne dla środowisk symulacyjnych. Zaimplementowany protokół uwzględnił opóźnienia próbkowania, nasycenie poleceń, niedopasowanie tłumienia i szum pomiarowy—czynniki często zaniedbywane w czystym offline całkowaniu numerycznym. Jednak niniejsze badanie nie obejmowało fizycznych eksperymentów z odwróconym wahadłem obrotowym, walidacji sprzętu w pętli zamkniętej ani testowania wdrażania fizy

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
High-performance Workstation (Windows 11 Pro)	Various / Custom Build	N/A	Maszyna hosta do symulacji czasu rzeczywistego o stałym kroku i przetwarzania obrazów.
MATLAB (Version R2024a)	MathWorks	https://www.mathworks.com/products/matlab.html	Modelowanie nieliniowych instalacji, kodowanie kontrolera, eksport danych i zarządzanie parametrami.
Simulink (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink.html	Budowa modelu w postaci diagramu blokowego dla wahadła typu Furuta i wykonywanie kontrolera.
Simulink Desktop Real-Time (Version R2024a)	MathWorks	https://www.mathworks.com/products/simulink-desktop-real-time.html	Jądro czasu rzeczywistego o stałym kroku do wykonywania modelu sterowania na komputerze stacjonarnym.
Python (Version 3.11)	Python Software Foundation	https://www.python.org/	Przetwórstwo danych wtórnych, obsługa statystyczna i przygotowanie figur.
NumPy (Version 1.26)	NumPy Developers	https://numpy.org/	Operacje na tablicach liczbowych dla eksportowanych danych z prób.
pandas (Version 2.2)	pandas Developers	https://pandas.pydata.org/	Organizacja danych z powtórzeń i generowanie tabel podsumowań.
SciPy (Version 1.13)	SciPy Developers	https://scipy.org/	Narzędzia do testów statystycznych i analizy sygnałów.
Matplotlib (Version 3.8)	Matplotlib Developers	https://matplotlib.org/	Generowanie wykresów dla figur konwergencji, śledzenia i rozkładu.