CN102279564A - 应用智能pid控制器的飞行仿真转台控制系统及方法 - Google Patents

Abstract

本发明公开一种智能PID控制器，包括第一、二、三控制器。本发明还公开一种应用前述智能PID控制器的飞行仿真转台控制系统，包括智能PID控制器和飞行仿真转台系统，其中，智能PID控制器的输出端连接飞行仿真转台系统的输入端。此种控制系统可通过在线调节整定PID控制器参数，克服转台伺服系统中机械摩擦、机械谐振、传感器精度以及机械工艺水平等诸多非线性、不确定性干扰因素对跟踪控制的不良影响，以提高伺服跟踪精度，从而提高飞行控制半物理仿真系统的置信度，从而提高飞行器控制系统和制导系统的研制精度或性能。本发明还公开一种飞行仿真转台控制方法。

Description

应用智能PID控制器的飞行仿真转台控制系统及方法

技术领域

本发明属于智能控制或伺服控制领域，特别涉及一种飞行仿真转台系统的伺服控制方法。

背景技术

飞行仿真转台是用于研究飞行器动力学特性的伺服系统装置，在含实物半物理仿真实验中，它将来自仿真计算机的飞行姿态的电信号或数字信号，准确地变换为飞行器在空中的俯仰、横滚、偏航的姿态角，被安装在转台上的陀螺仪或导引头等检测装置所感受，并转换成转台内、中、外三轴的姿态运动，从而实现飞行器控制的地面仿真试验。作为航空仿真试验中的重要设备，转台的研制水平代表着国家的飞行器控制与制导技术的水平。

飞行仿真转台是飞行器控制系统和制导系统研制中的关键设备，它是典型的高精度位置、速度伺服系统(可参见段海滨，王道波，尧放哉.一种大负载三轴电动仿真测试转台设计与实现.南京航空航天大学学报，2004，36(3)，358-363)。转台控制系统性能受到机械摩擦、机械谐振、传感器精度以及机械工艺水平等诸多非线性、不确定性干扰因素的影响，常规控制方法如PI控制难以满足高精度控制的要求。智能控制技术的发展，为解决上述非线性问题提供了有效的手段，其中神经网络具有很强的非线性映射、自组织、自学习等能力，而模糊控制善于利用经验知识、推理能力强等特点，均已应用于转台伺服系统的控制中(可参见李军伟，赵克定，吴盛林，一种基于模糊补偿的自适应控制在液压转台中的应用，航空学报，2003，24(1)，72-74；郦小敏，王卫红，王宗学，基于RBFN的伺服系统前馈控制器设计和仿真研究，航空学报，2003，24(3)，266-268；刘媛，王卫红，基于CMAC的伺服系统控制研究，航空学报，2006，27(3)，515-519)。然而，一般智能控制技术仍存在计算量大、学习收敛速度慢等缺陷而在实时控制要求较高的应用中受到限制。

发明内容

本发明所要解决的技术问题，是针对前述背景技术中的缺陷和不足，提供一种智能PID控制器及应用其的飞行仿真转台控制系统及方法，其可通过在线调节整定PID控制器参数，克服转台伺服系统中机械摩擦、机械谐振、传感器精度以及机械工艺水平等诸多非线性、不确定性干扰因素对跟踪控制的不良影响，以提高伺服跟踪精度，从而提高飞行控制半物理仿真系统的置信度，从而提高飞行器控制系统和制导系统的研制精度或性能。

本发明为解决以上技术问题，所采用的技术方案是：

一种智能PID控制器，包括第一、二、三控制器，其中，第一控制器的控制律以及控制参数的智能学习律为

$u_A\left(s\right)=k_{\mathrm{PA}}e\left(s\right)+\frac{k_{\mathrm{IA}}e\left(s\right)}{s}+k_{\mathrm{DA}}\mathrm{se}\left(s\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PA}}=A_{P}e\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{IA}}=A_I\frac{e^2\left(s\right)}{s}\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{DA}}=A_D{\mathrm{se}}^2\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\end{array}\right.;$

第二控制器的控制律以及控制参数的智能学习律为

$u_B\left(s\right)=k_{\mathrm{PB}}e\left(s\right)+\frac{k_{\mathrm{IB}}e\left(s\right)}{s}+k_{\mathrm{DB}}\mathrm{se}\left(s\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PB}}=B_{P}e\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{IB}}=B_I\frac{e^2\left(s\right)}{s}(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{DB}}=B_D{\mathrm{se}}^2\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\end{array}\right.;$

第三控制器的控制律以及控制参数的智能学习律为

$u_C\left(s\right)=k_C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}$

$\mathrm{\Δ}{k}_C=C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}\·\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\};$

式中，A_P，A_I，A_D，B_P，B_I，B_D为常系数，k_PA，k_IA，k_DA分别表示第一控制器的控制参数，k_PB，k_IB，k_DB分别表示第二控制器的控制参数，k_CW₁，k_CW₂，k_CW₃分别表示第三控制器的控制参数，e为跟踪误差信号，u为智能PID控制器的输出信号；

智能PID控制器的控制律为

u(s)＝u_A(s)-u_B(s)+u_C(s)；

参考控制律u^*(s)为

$u^{*}\left(s\right)={k_P}^{*}e\left(s\right)+\frac{{k_I}^{*}e\left(s\right)}{s}+{k_D}^{*}\mathrm{se}\left(s\right)+{k_U}^{*}u\left(s\right);$

式中，k_P ^*，k_I ^*，k_D ^*，k_U ^*为常系数。

一种应用前述智能PID控制器的飞行仿真转台控制系统，包括智能PID控制器和飞行仿真转台系统，其中，智能PID控制器的输出端连接飞行仿真转台系统的输入端。

一种应用于前述飞行仿真转台控制系统的控制方法，包括如下步骤：

(1)设置智能PID控制器的初始参数：k_PA0＝k_IA0＝k_DA0＝k_PB0＝k_IB0＝k_DB0＝k_C0＝0，确定常系数A_P，A_I，A_D，B_P，B_I，B_D，k_P ^*，k_I ^*，k_D ^*，k_U ^*，W₁，W₂，W₃，C，初始运行时刻k＝0；

(2)置k＝k+1；

(3)根据系统的角位置误差e，根据下式分别计算参考控制律u^*、PID-A控制器输出u_A、PID-B控制器输出u_B、PID-C控制器输出u_C，并根据u(s)＝u_A(s)-u_B(s)+u_C(s)计算智能PID控制器的控制输出u；

$u_A\left(s\right)=k_{\mathrm{PA}}e\left(s\right)+\frac{k_{\mathrm{IA}}e\left(s\right)}{s}+k_{\mathrm{DA}}\mathrm{se}\left(s\right)$

$u_B\left(s\right)=k_{\mathrm{PB}}e\left(s\right)+\frac{k_{\mathrm{IB}}e\left(s\right)}{s}+k_{\mathrm{DB}}\mathrm{se}\left(s\right)$

$u_C\left(s\right)=k_C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}$

(4)将控制信号u加入转台系统中，运行系统，将转台系统角位置信号反馈至控制系统，更新角位置跟踪误差e；

(5)根据下式描述的智能学习律，分别计算PID-A控制器参数的调节步长Δk_PA，Δk_IA，Δk_DA、PID-B控制器参数的调节步长Δk_PB，Δk_IB，Δk_DB、PID-C控制器参数的调节步长Δk_C，并更新对应控制器的控制参数；

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PA}}=A_{P}e\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{IA}}=A_I\frac{e^2\left(s\right)}{s}\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{DA}}=A_D{\mathrm{se}}^2\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PB}}=B_{P}e\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{IB}}=B_I\frac{e^2\left(s\right)}{s}(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{DB}}=B_D{\mathrm{se}}^2\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\end{array}\right.$

$\mathrm{\Δ}{k}_C=C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}\·\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}$

(6)判断是否满足终止条件，若是则停止运行；否则，继续返回步骤(2)，继续运行系统，实现转台系统的智能控制。

采用上述方案后，本发明具有以下优点：

(1)智能PID控制器的控制结构仍然是比例(P)、积分(I)、微分(D)形式，具有经典PID控制所具有的结构简单、性能稳定可靠的优点；

(2)经典PID控制器的控制参数通常需要利用线性系统分析方法来获取，或者根据调试经验来选取，一经确定之后，控制参数往往一成不变，难以满足系统对鲁棒性和精确性控制的高要求。智能PID控制器引入了大脑情感学习的生物机理，学习算法简单有效，对控制器参数能够实现在线自适应整定，能够克服经典PID控制器的控制参数难以选择确定的问题，同时能够克服各种非线性、不确定性干扰因素的不良影响，提高控制系统的自适应性和鲁棒性；

(3)基于智能PID控制的飞行仿真转台系统，较之于常规PID控制的飞行仿真转台系统，具有更高的伺服跟踪精度，从而提高了半物理仿真实验的精度和置信度；

(4)与其他智能控制方法相比较，本发明的智能PID控制器结构简单、学习速度快、计算量小等优点，经过实验证明，完全能够满足实时系统的要求。

附图说明

图1是飞行仿真伺服系统的总体结构原理图；

图2是本发明所提供智能PID控制器的工作原理示意图；

图3是基于智能PID控制器的飞行仿真转台控制系统结构示意图；

图4是基于智能PID控制器的转台系统角位置方波跟踪响应示意图；

图5是本发明所提供智能PID控制器的基本结构示意图。

具体实施方式

以下将对本发明的技术方案进行详细说明。

1飞行仿真转台伺服系统的组成结构及工作原理

飞行仿真伺服系统是飞行器角运动的模拟装置，主要由台体(包括框架和负载、伺服电机、传感器)、控制部分(包括控制计算机、速度和电流模拟控制电路)和功放部分(包括功率放大器和直流电源)组成，其总体控制结构的物理实现如图1所示。转台控制系统常用的控制方案是采用具有电流环、速度环和位置环的三回路控制，其中电流环采用无静差闭环调节，并利用电子最佳调节原理进行动态校正，以提高伺服电机的响应速度并拓宽系统频带，速度环采用模拟直流测速机作为速度反馈元件，通过模拟电路实现线性补偿控制规律，以提高系统刚度，增大系统的阻尼系数以抑制扰动，在动态响应方面也具有较宽的频带范围，而位置环为全数字环，采用光电编码器作为位置反馈元件，为实现复杂控制算法下的精确控制提供保障。转台系统的位置伺服回路采用大扭矩的低速力矩电机作为拖动动力装置，它具有响应迅速、伺服刚度高和平稳性好等优点。伺服电机的功率放大器是转台力矩电机电流控制和放大电路，一般采用脉宽调制(PWM)放大器，它具有损耗小、体积小、零漂小并能克服伺服电机静摩擦等优点。

2基于大脑情感学习模型的智能PID控制器设计

杏仁体是哺乳动物大脑里中央颞脑叶(Medial Temporal Lobe)中的微小组织，是中性(Neutral)和情感刺激(Emotionally ChargedStimulus)之间进行学习联结的主要场所，而眶额皮质是依靠菌髓(Context)等来抑制这种联结表达的场所。杏仁体与小脑(Cerebellum)的条件作用机理不同，前者基于感官-情感的联结关系(Sensory-Emotional Association)，后者基于刺激-反应的学习过程(Stimulus-Response Learning)。伊朗学者Moren和Balkenius根据大脑中杏仁体组织和眶额皮质组织之间的信息传递方式，提出了大脑情感学习的计算模型，该模型主要包括杏仁体和眶额皮质两部分。大脑情感的学习主要发生在杏仁体内，而眶额皮质对杏仁体内发生的情感学习过程起到监控作用，避免其出现过学习和欠学习。

2.1大脑情感学习计算模型及算法

BEL模型的组成结构包括：

(1)输入信号：包括感官输入(Sensory Input)信号SI、奖励(Reward)信号REW。

(2)丘脑：设感官输入信号含m个刺激信号，丘脑接收感官输入信号中的最大值，并只传输到杏仁体部分，即丘脑输出信号为

A_th＝max(SI)＝max(SI₁，SI₂，L SI_m)   (1)

(3)杏仁体：杏仁体的输出信号为

$A=\underset{i=1}{\overset{m+1}{\mathrm{\Σ}}}{A}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{SI}}_i\·V_i+A_{\mathrm{th}}\·V_{m+1}---\left(2\right)$

式中，V_i为对应节点A_i的权值，杏仁体内情感的学习过程是通过动态调节该权值来实现的，杏仁体的学习律可表示为

$\mathrm{\Δ}{V}_i=\left\{\begin{array}{c}{\mathrm{\α}}_a({\mathrm{SI}}_i\·\max (0,\mathrm{REW}-A)),i=1~m\\ {\mathrm{\α}}_a(A_{\mathrm{th}}\·\max (0,\mathrm{REW}-A)),i=m+1\end{array}\right.---\left(3\right)$

式中，α_a为学习率。从上式中可看出，ΔV_i始终与SI_i保持正负符号一致，即表示杏仁体内的情感刺激信号一经学习后，将被始终保持。

(4)眶额皮质：眶额皮质内对于每个刺激信号也有一个对应节点接收，眶额皮质的输出信号可表示为

$O=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{O}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{SI}}_i\·W_i---\left(4\right)$

式中，W_i为节点O_i的权值，眶额皮质内的情感学习是通过动态调节该权值实现的，它的学习律可由下式计算

ΔW_i＝α_o(SI_i(E′-REW))                  (5)

式中，α_o为学习率，E′为不含丘脑刺激信号下的杏仁体部分的输出，即表示为：

E′＝A-O-A_th·V_m+1                       (6)

从式(5)看出，学习速度ΔW_i可正负取值，即表示眶额皮质能够抑制与修正杏仁体的学习过程，通过消除奖励信号与杏仁体输出E′之间的差值，使杏仁体朝着期望值学习。

(5)输出信号：BEL计算模型的总输出信号为

E＝A-O                                   (7)

2.2智能PID控制器设计

基于2.1节描述的大脑情感学习模型的结构以及学习算法，建立如图5所示的智能PID控制器结构，该控制器由三部分组成：一是PID-A控制器，它模拟大脑情感学习模型中的杏仁体组织结构，PID控制参数的学习律是基于杏仁体内部权值的学习律设计的；二是PID-B控制器，它模拟大脑情感学习模型中的眶额皮质组织结构，PID控制参数的学习律是基于眶额皮质内部权值的学习律设计的；三是PID-C控制器，它模拟大脑情感学习模型中的丘脑组织结构，PID控制参数的学习律是基于杏仁体内部权值的学习律设计的。在该智能PID控制结构中，由PID-A控制器发挥主要作用，由PID-B控制器发挥辅助作用，由PID-C控制器发挥补偿作用。图中，k_PA，k_IA，k_DA分别表示PID-A控制器的控制参数，k_PB，k_IB，k_DB分别表示PID-B控制器的控制参数，k_CW₁，k_CW₂，k_CW₃分别表示PID-C控制器的控制参数，e为跟踪误差信号，u为智能PID控制器的输出信号，图中带箭头的虚线表示在线学习过程。

由图5中结构可得(同时配合图2所示)，智能PID控制器的总控制律表示为

u(s)＝u_A(s)-u_B(s)+u_C(s)              (8)

其中，PID-A控制器的控制律以及控制参数的智能学习律设计为

$u_A\left(s\right)=k_{\mathrm{PA}}e\left(s\right)+\frac{k_{\mathrm{IA}}e\left(s\right)}{s}+k_{\mathrm{DA}}\mathrm{se}\left(s\right)---\left(9\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PA}}=A_{P}e\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{IA}}=A_I\frac{e^2\left(s\right)}{s}\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{DA}}=A_D{\mathrm{se}}^2\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\end{array}\right.---\left(10\right)$

式中，A_P，A_I，A_D为常系数。

PID-B控制器的控制律以及控制参数的智能学习律设计为

$u_B\left(s\right)=k_{\mathrm{PB}}e\left(s\right)+\frac{k_{\mathrm{IB}}e\left(s\right)}{s}+k_{\mathrm{DB}}\mathrm{se}\left(s\right)---\left(11\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PB}}=B_{P}e\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{IB}}=B_I\frac{e^2\left(s\right)}{s}(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{DB}}=B_D{\mathrm{se}}^2\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\end{array}\right.---\left(12\right)$

式中，B_P，B_I，B_D为常系数。

PID-C控制器的控制律以及控制参数的智能学习律设计为

$u_C\left(s\right)=k_C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}---\left(13\right)$

$\mathrm{\Δ}{k}_C=C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}\·\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}---\left(14\right)$

由上述公式可知，本发明所提供的智能PID控制器虽然由三个PID控制器合成，但是控制结构仍然是PID形式。

参考控制律u^*(s)设计为

$u^{*}\left(s\right)={k_P}^{*}e\left(s\right)+\frac{{k_I}^{*}e\left(s\right)}{s}+{k_D}^{*}\mathrm{se}\left(s\right)+{k_U}^{*}u\left(s\right)---\left(15\right)$

式中，k_P ^*，k_I ^*，k_D ^*，k_U ^*为常系数。

3基于大脑情感学习模型的飞行仿真转台智能控制系统

建立基于智能PID控制器的飞行仿真转台控制系统结构，如图3所示。在图3中，θ^*为系统理想参考位置输入信号，θ为系统实际位置输出信号，e为位置跟踪误差信号，u为智能PID控制器的输出，即为控制量。

智能PID控制方法的具体实现步骤可描述如下：

步骤1：设置智能PID控制器的初始参数：k_PA0＝k_IA0＝k_DA0＝k_PB0＝k_IB0＝k_DB0＝k_C0＝0，确定常系数A_P，A_I，A_D，B_P，B_I，B_D，k_P ^*，k_I ^*，k_D ^*，k_U ^*，W₁，W₂，W₃，C，初始运行时刻k＝0；

步骤2：置k＝k+1；

步骤3：根据系统的角位置误差e，根据式(9)、(11)、(13)分别计算参考控制律u^*、PID-A控制器输出u_A、PID-B控制器输出u_B、PID-C控制器输出u_C，并根据式(8)计算智能PID控制器的控制输出u；

步骤4：将控制信号u加入转台系统中，运行系统，将转台系统角位置信号反馈给控制系统，更新角位置跟踪误差e；

步骤5：根据式(10)、(12)、(14)描述的智能学习律，分别计算PID-A控制器参数的调节步长Δk_PA，Δk_IA，Δk_DA、PID-B控制器参数的调节步长Δk_PB，Δk_IB，Δk_DB、PID-C控制器参数的调节步长Δk_C，并更新对应控制器的控制参数；

步骤6：判断是否满足终止条件，若是则停止运行；否则，继续返回步骤2，继续运行系统，实现转台系统的智能控制。

为验证智能PID控制器在实际飞行仿真转台系统中的性能，针对某型单轴仿真转台系统，设计如下实验：理想位置输入信号为方波信号，其中幅值为A＝1度，频率为f＝0.5赫兹。

智能PID控制器的参数设置如下：

A_P＝1，A_I＝4.5，A_D＝0，

B_P＝0.5，B_I＝2.25，B_D＝0，

k_P ^*＝1.1，k_I ^*＝5.5，k_D ^*＝0，k_U ^*＝0.001，

W₁＝1，W₂＝4.5，W₃＝0

从系统角位置跟踪响应的结果看出：智能PID控制器表现出较高的动态跟踪性能和稳态跟踪精度，各项指标满足设计要求，跟踪结果要优于经典PID控制方法。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (3)

1.一种智能PID控制器，其特征在于：包括第一、二、三控制器，其中，第一控制器的控制律以及控制参数的智能学习律为

$u_A\left(s\right)=k_{\mathrm{PA}}e\left(s\right)+\frac{k_{\mathrm{IA}}e\left(s\right)}{s}+k_{\mathrm{DA}}\mathrm{se}\left(s\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PA}}=A_{P}e\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{IA}}=A_I\frac{e^2\left(s\right)}{s}\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{DA}}=A_D{\mathrm{se}}^2\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\end{array}\right.;$

第二控制器的控制律以及控制参数的智能学习律为

$u_B\left(s\right)=k_{\mathrm{PB}}e\left(s\right)+\frac{k_{\mathrm{IB}}e\left(s\right)}{s}+k_{\mathrm{DB}}\mathrm{se}\left(s\right)$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PB}}=B_{P}e\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{IB}}=B_I\frac{e^2\left(s\right)}{s}(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{DB}}=B_D{\mathrm{se}}^2\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\end{array}\right.;$

第三控制器的控制律以及控制参数的智能学习律为

$u_C\left(s\right)=k_C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}$

$\mathrm{\Δ}{k}_C=C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}\·\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\};$

式中，A_P，A_I，A_D，B_P，B_I，B_D为常系数，k_PA，k_IA，k_DA分别表示第一控制器的控制参数，k_PB，k_IB，k_DB分别表示第二控制器的控制参数，k_CW₁，k_CW₂，k_CW₃分别表示第三控制器的控制参数，e为跟踪误差信号，u为智能PID控制器的输出信号；

智能PID控制器的控制律为

u(s)＝u_A(s)-u_B(s)+u_C(s)；

参考控制律u^*(s)为

$u^{*}\left(s\right)={k_P}^{*}e\left(s\right)+\frac{{k_I}^{*}e\left(s\right)}{s}+{k_D}^{*}\mathrm{se}\left(s\right)+{k_U}^{*}u\left(s\right);$

式中，k_P ^*，k_I ^*，k_D ^*，k_U ^*为常系数。

2.一种应用如权利要求1所述的智能PID控制器的飞行仿真转台控制系统，其特征在于：包括智能PID控制器和飞行仿真转台系统，其中，智能PID控制器的输出端连接飞行仿真转台系统的输入端。

3.一种应用于如权利要求2所述的飞行仿真转台控制系统的控制方法，其特征在于，包括如下步骤：

(1)设置智能PID控制器的初始参数：k_PA0＝k_IA0＝k_DA0＝k_PB0＝k_IB0＝k_DB0＝k_C0＝0，确定常系数A_P，A_I，A_D，B_P，B_I，B_D，k_P ^*，k_I ^*，k_D ^*，k_U ^*，W₁，W₂，W₃，C，初始运行时刻k＝0；

(2)置k＝k+1；

(3)根据系统的角位置误差e，根据下式分别计算参考控制律u^*、PID-A控制器输出u_A、PID-B控制器输出u_B、PID-C控制器输出u_C，并根据u(s)＝u_A(s)-u_B(s)+u_C(s)计算智能PID控制器的控制输出u；

$u_A\left(s\right)=k_{\mathrm{PA}}e\left(s\right)+\frac{k_{\mathrm{IA}}e\left(s\right)}{s}+k_{\mathrm{DA}}\mathrm{se}\left(s\right)$

$u_B\left(s\right)=k_{\mathrm{PB}}e\left(s\right)+\frac{k_{\mathrm{IB}}e\left(s\right)}{s}+k_{\mathrm{DB}}\mathrm{se}\left(s\right)$

$u_C\left(s\right)=k_C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}$

(4)将控制信号u加入转台系统中，运行系统，将转台系统角位置信号反馈至控制系统，更新角位置跟踪误差e；

(5)根据下式描述的智能学习律，分别计算PID-A控制器参数的调节步长Δk_PA，Δk_IA，Δk_DA、PID-B控制器参数的调节步长Δk_PB，Δk_IB，Δk_DB、PID-C控制器参数的调节步长Δk_C，并更新对应控制器的控制参数；

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PA}}=A_{P}e\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{IA}}=A_I\frac{e^2\left(s\right)}{s}\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\\ \mathrm{\Δ}{k}_{\mathrm{DA}}=A_D{\mathrm{se}}^2\left(s\right)\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\}\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_{\mathrm{PB}}=B_{P}e\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{IB}}=B_I\frac{e^2\left(s\right)}{s}(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\\ \mathrm{\Δ}{k}_{\mathrm{DB}}=B_D{\mathrm{se}}^2\left(s\right)(u_A\left(s\right)-u_B\left(s\right)-u^{*}\left(s\right))\end{array}\right.$

$\mathrm{\Δ}{k}_C=C\max \{W_{1}e\left(s\right),\frac{W_{2}e\left(s\right)}{s},W_3\mathrm{se}\left(s\right)\}\·\max \{0,u^{*}\left(s\right)-u_A\left(s\right)-u_C\left(s\right)\};$

(6)判断是否满足终止条件，若是则停止运行；否则，继续返回步骤(2)，继续运行系统，实现转台系统的智能控制。

Images