基于黑鸢算法优化人工神经网络的直流电机PID参数估计及速度控制研究

《Biomimetics》:Artificial Neural Network-Based PID Parameter Estimation Using Black Kite Algorithm Hyperparameter Optimization for DC Motor Speed Control Y?lmaz Seryar Ar?ku?u

【字体: 大 中 小 】 时间:2026年04月06日 来源:Biomimetics 3.9

编辑推荐:

  本文针对直流电机速度控制中PID参数整定困难、传统方法易陷局部最优等问题,提出了一种基于黑鸢算法(BKA)优化人工神经网络(ANN)超参数的新方法(BKA-ANN),用于自适应估计PID控制器参数。研究通过大规模MATLAB仿真构建了10万样本数据集,并系统评估了控制器在瞬态响应、频域分析、参数鲁棒性及抗负载扰动等方面的性能。结果表明,BKA-ANN方法在九种对比算法中表现出最低的上升/调节时间、最小的振荡以及较低的控制能耗,为复杂工业环境下的电机智能控制提供了更优解决方案。

  
在现代工业自动化与机器人技术的核心,直流电机扮演着至关重要的角色,从精密的机械臂到高速的传送带,其速度控制的稳定性、快速性与准确性直接决定了整个系统的性能。然而,为这类电机“驾驭”速度的传统舵手——比例-积分-微分(PID)控制器,其参数整定却是一项令人头疼的挑战。工程师们常常依赖于经验或经典的齐格勒-尼科尔斯等方法进行试错,但这些方法在应对系统非线性、外部负载扰动以及电机参数变化时,往往显得力不从心,难以在动态性能与系统稳定性之间取得最佳平衡,更遑论避免陷入局部最优的陷阱。另一方面,随着人工智能浪潮的兴起,利用人工神经网络(ANN)等机器学习方法进行智能控制成为研究热点。但ANN本身的训练,尤其是其超参数(如权重、偏置)的设定,同样严重影响着最终模型的性能,常规的反向传播训练法同样受困于局部最小值和收敛缓慢的问题。那么,能否找到一种方法,既能发挥神经网络强大的非线性映射和学习能力,又能有效避免其训练过程中的固有缺陷,从而为直流电机设计出一个既“聪明”又“稳健”的速度控制器呢?
发表在《Biomimetics》上的这项研究,正是为了回答上述问题而生。研究团队巧妙地从大自然中汲取灵感,将一种模拟黑鸢捕食与迁徙行为的元启发式优化算法——黑鸢算法(Black Kite Algorithm, BKA),引入到ANN的训练过程中,用以优化其超参数。他们将这个结合体称为BKA-ANN模型,并赋予其一项核心任务:根据直流电机的运行状态(参考速度和负载转矩),自动估计出最优的PID控制器参数(Kp, Ki, Kd)。为了验证这一创新方法的有效性,研究人员进行了一系列严谨的仿真实验,并将BKA-ANN与包括灰狼优化(GWO)、正弦余弦算法(SCA)、哈里斯鹰优化(HHO)在内的九种先进或基准算法进行了全方位比拼。结果表明,这项基于仿生学思想的智能控制策略,在速度跟踪精度、响应速度、抗干扰能力以及能效方面均展现出了显著优势,为解决复杂工业环境下的电机控制难题提供了新的思路。
为了开展这项研究,作者主要应用了以下几个关键技术方法:首先,基于电路和力学方程建立了直流电机的精确数学模型,作为所有仿真与控制的基础。其次,利用MATLAB/Simulink仿真平台,通过随机变化参考速度和负载转矩,生成了一个包含10万组样本的大规模数据集,其中每组数据对应的最优PID参数均通过最小化ITAE(时间乘绝对误差积分)性能指标获得。然后,研究提出了核心的BKA-ANN方法,即使用黑鸢算法来优化人工神经网络的结构超参数和初始权重,以训练出一个能够从运行条件映射到最优PID参数的神经网络模型。最后,研究设计了一套完整的性能评估体系,包括时域分析(上升时间、调节时间、超调量)、频域分析(相位裕度、带宽)、参数鲁棒性测试(电枢电阻和转矩常数变化)以及外部负载抗扰动测试,并对比了不同算法的控制能耗。
研究结果
  • •
    数据集构建与模型优化:通过详细的数学建模和MATLAB仿真,成功构建了包含10万组样本的高保真PID参数数据集,为神经控制器的训练提供了坚实基础。同时,成功应用BKA对ANN进行超参数优化,形成了BKA-ANN模型。
  • •
    瞬态响应性能对比:在名义工况下的仿真结果表明,提出的BKA-ANN控制器在众多对比算法中取得了最佳的动态性能。具体而言,它实现了最短的上升时间(0.0993秒)和调节时间(0.1477秒),同时保持了极低的超调量(0.10%)。相比之下,标准的ANN(使用传统反向传播训练)的调节时间为0.7862秒,超调达11.70%;而随机分形搜索(SFS)算法的调节时间最慢,为1.4709秒。这证明了BKA在优化ANN权重、避免局部最小值方面的有效性。
  • •
    频率域与鲁棒性分析:在频率域,BKA-ANN设计了高达65.38°的相位裕度,显著高于对比算法(如HHO的48.17°),表明其具有更强的稳定性和鲁棒性。在参数鲁棒性测试中,当电枢电阻(Ra)和转矩常数(Kt)同时发生±20%的变化时,BKA-ANN控制下的速度响应仍然保持了低超调(<1.5%)和良好的调节特性,其性能下降幅度远小于GWO、SCA等算法,展现了优异的模型不确定容忍能力。
  • •
    负载扰动抑制能力:在模拟外部负载转矩(TL)阶跃扰动的测试中,BKA-ANN控制下的系统恢复速度最快,且稳态误差最小。与HHO、ASO等算法相比,BKA-ANN在遭受扰动后能更迅速、更平稳地使速度回归设定值,突显了其强大的抗干扰和动态恢复能力。
  • •
    控制能耗评估:除了控制性能,研究还关注了控制器的能耗效率。分析显示,BKA-ANN在实现优异控制效果的同时,其控制努力(控制信号的能量)和总体能量消耗均低于OBL/HGSO和ASO等算法,表明该方法在节能方面也具有潜在优势。
研究结论与意义
本研究成功开发并验证了一种基于黑鸢算法优化的人工神经网络(BKA-ANN),用于直流电机速度控制中的PID参数自适应整定。该方法的核心贡献在于,通过仿生优化的BKA有效解决了ANN训练中的局部极小和收敛问题,从而充分发挥了ANN在建模复杂非线性系统关系方面的优势。
研究得出的主要结论是:BKA-ANN控制器在动态跟踪性能、鲁棒稳定性和抗负载扰动能力方面,均显著优于包括多种先进元启发式算法及其混合变体在内的九种对比方法。它不仅实现了更快的响应和更精确的稳态跟踪,而且在电机参数发生变化或受到外部干扰时,表现出更强的适应性和稳定性。同时,该方法还具有较低的控制能耗。
这项研究的重要意义体现在多个层面:在理论上,它将一种新兴的仿生元启发式算法(BKA)与ANN相结合,为智能控制器的设计提供了一种新颖且有效的框架,丰富了混合智能优化与控制的理论体系。在方法上,研究证明了BKA在解决高维、非凸的ANN权重优化问题上的优越性,为其在其他领域的应用提供了参考。在实践上,所提出的BKA-ANN方法为工业直流电机,乃至更广泛的运动控制系统,提供了一种高性能、高鲁棒性且易于实现的智能PID整定解决方案,有助于提升自动化设备的精度、效率和可靠性。最终,这项源于自然启发的算法应用于工程问题的研究,也完美契合了《Biomimetics》(仿生学)期刊倡导的“向自然学习以解决技术挑战”的核心理念。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号