基于改进PSO优化PID的机载灭火装置位置跟踪控制方法

郏建鲁; 张小栋; 诸伟; 陶庆

doi:10.12404/j.issn.1671-1815.2502243

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3849-3858 DOI: 10.12404/j.issn.1671-1815.2502243

自动化技术、计算机技术

基于改进PSO优化PID的机载灭火装置位置跟踪控制方法

郏建鲁 ¹ ,
张小栋 ¹^,²^,^* ,
诸伟 ³ ,
陶庆 ¹

作者信息 +

Position Tracking Control Method of Airborne Fire Extinguishing Device Based on Improved PSO Optimization PID

JIA Jian-lu ¹ ,
ZHANG Xiao-dong ¹^,²^,^* ,
ZHU Wei ³ ,
TAO Qing ¹

Author information +

文章历史 +

摘要

针对森林灭火无人机机载灭火装置在复杂环境下对目标点进行位置跟踪控制中,传统控制方法响应速度慢、位置控制精度不理想的问题,提出一种基于Bernoulli混沌映射初始化粒子和动态调整权值的改进粒子群算法(BWPSO)优化比例-积分-微分(proportion-integration-differentiation,PID)的控制方法。通过Bernoulli混沌映射和自适应惯性权值策略,改进粒子位置更新公式,建立控制系统的数学模型并计算其传递函数,以该被控模型为研究对象,对其进行仿真验证。结果表明,BWPSO-PID算法较标准PSO-PID算法,在目标位置给定与附加扰动工况下,其调节时间缩短了76.3%、72.8%(扰动1)和72.4%(扰动2),响应快速且无超调,稳态误差降低82.3%、67.2%(扰动1)和75.5%(扰动2)。证明了BWPSO-PID在不同工况下的动态响应品质与鲁棒性能,满足复杂环境下快响应、高精度的复合控制需求。

Abstract

Aiming at the problems of slow response speed and unsatisfactory position control accuracy of traditional control methods in the position tracking control of target points in complex environments for forest firefighting unmanned aerial vehicles, an improved particle swarm optimization algorithm based on Bernoulli chaotic mapping initialization particles and dynamic adjustment of weights (BWPSO) was proposed to optimize the proportion integration differentiation (PID) control method. By using Bernoulli chaotic mapping and adaptive inertia weight strategy, the particle position update formula was improved, and a mathematical model of the control system was established and its transfer function was calculated. The controlled model was taken as the research object and simulated for verification. The results show that compared with the traditional PSO-PID algorithm, under the given target position and additional disturbance conditions, the regulation time of the BWPSO-PID algorithm is shortened by 76.3%, 72.8%(Disturbance 1), and 72.4%(Disturbance 2), respectively. It has a fast response and no overshoot. The steady-state error is reduced by 82.3%, 67.2%(Disturbance 1), and 75.5%(Disturbance 2). It has been proved that the dynamic response quality and robust performance of BWPSO-PID under different working conditions meet the compound control requirements of fast response and high precision in complex environments.

Graphical abstract

关键词

机载灭火装置 / 位置跟踪控制 / BWPSO-PID / 混沌映射 / 惯性权值

Key words

airborne fire extinguishing device / position tracking control / BWPSO-PID / chaotic mapping / inertia weight

引用本文

引用格式 ▾

郏建鲁, 张小栋, 诸伟, 陶庆. 基于改进PSO优化PID的机载灭火装置位置跟踪控制方法[J]. 科学技术与工程, 2026, 26(9): 3849-3858 DOI:10.12404/j.issn.1671-1815.2502243

JIA Jian-lu, ZHANG Xiao-dong, ZHU Wei, TAO Qing. Position Tracking Control Method of Airborne Fire Extinguishing Device Based on Improved PSO Optimization PID[J]. Science Technology and Engineering, 2026, 26(9): 3849-3858 DOI:10.12404/j.issn.1671-1815.2502243

登录浏览全文

4963

注册一个新账户忘记密码

近年来森林火灾频发对生态系统和人民生命安全构成严重威胁,而传统灭火方式在复杂地形中面临响应迟滞、效率低、风险高等挑战,难以满足灭火的时效性与安全性要求。而无人机灭火技术因响应快、风险低等优势在现代消防系统中的应用日益广泛。此外,中共中央办公厅、国务院办公厅于2022年10月印发的《关于全面加强新形势下森林草原防灭火工作的意见》明确提出,要加强科技赋能,加快智能无人灭火装备研发应用,推进“空天地”一体化监测预警体系建设,提升航空消防能力^[1]。而机载灭火装置作为航空消防的关键装备,其位置跟踪精度直接决定灭火剂投送效能。但现有装置多采用固定喷头喷洒灭火剂或投掷灭火弹的方式,这使得灭火范围较为宽泛,造成灭火剂的浪费,尤其面对峡谷风、多火点等复杂林火场景时,难以动态锁定火源核心区进行灭火。为满足森林火灾“打早、打小”等需求并实现“精准灭火、高效用剂”的消防目标,亟须设计可实时调控喷射角度的机载装置并研究高性能的位置跟踪控制方法,实现快速、精准、可靠的灭火剂投送,对响应国家政策、提升灭火效率和应急响应能力具有重要的战略意义。

目前已经广泛应用的控制方法有可编程逻辑控制器(programmable logic controller,PLC)^[2]、比例-积分-微分(proportion-integration-differentiation,PID)控制^[3]、滑膜控制^[4]、模糊控制^[5]、神经网络控制^[6]等,其中PID控制因其原理简单、控制参数少、易于实现等优点,被广泛应用于机械控制领域^[7-8]。然而,传统PID控制在处理复杂控制任务时存在一定局限性。首先,其控制参数调整主要依赖人工经验,难以实现跨工况性能优化;此外,面对外部环境或负载变化引发的系统参数不确定性时,其自适应机制缺失易导致超调、振荡等不稳定现象^[9]。

近几年国内外研究中,为解决传统PID面临的难题,将模糊理论、神经网络、群智能算法等应用于PID参数的整定优化。章盼梅^[10]将模糊PID应用于水下机器人控制领域,提高水下工作时的灵敏度和稳定性;Wang等^[11]设计了自校正模糊PID,用于控制静液压中心架油膜厚度,得到了更优的动态响应特性;郑瑞等^[12]采用反向传播(back propagation,BP)神经网络优化PID控制环,实现对PID参数的实时整定,以及对转速、转矩的精确控制,提升了控制系统动态性能。周鹏等^[13]采用鲸鱼优化算法对机械臂PID控制器进行参数整定,提升了系统稳定性和控制精度。卢宁等^[14]提出基于PSO-PID的控制策略,用于提高升降机驱动装置的运动精度和响应速度。这些方法在参数优化方面取得了显著进展,但模糊PID依赖经验规则库,动态适应性弱;神经网络PID需消耗较高计算资源,机载算力负担大;而群智能算法(鲸鱼算法、PSO等)无需构建复杂规则库或深度网络,但在工程应用中常因计算成本约束限制迭代深度致易陷入局部最优解,导致优化结果失稳,此外,在复杂工况中的搜索效率和收敛速度存在不足,因此需针对性地改进算法结构,以应对环境和负载的实时变化。

为此,针对上述问题,现设计一种可调式机载灭火装置,并结合智能算法与经典控制的优势,提出基于Bernoulli混沌映射初始化粒子和动态调整权值的改进粒子群算法优化PID的控制策略(BWPSO-PID),对PSO初始化机制和惯性权值进行重构改进,以提升搜索能力与收敛速度,并采用测试函数验证算法改进的有效性。通过MATLAB平台构建多工况灭火仿真实验,对比BWPSO-PID与PSO-PID等的调节时间、稳态误差、超调量及抗扰性能,来验证该策略在位置跟踪控制方面的快速性、精确性及自适应性和鲁棒性,以期提升机载灭火系统的控制性能。

1 灭火装置位置跟踪控制系统建模

1.1 灭火装置工作原理

设计的无人机机载灭火装置的机械结构示意图如图1所示。

该装置工作原理如下:使用时通过装拆接口1搭载安装在无人机的底部,出现火情后,无人机带动该装置飞至指定位置,通过火源识别传感器9与位置传感器10的配合,对火源位置进行定位;启动第二步进电机7控制喷射管11以第X轴为轴心俯仰转动、启动第一步进电机6控制喷射管11以电磁阀4的底端管道为轴心绕Z轴旋转转动(图2),控制喷射管11端部的喷头对准起火位置;然后启动水泵3打开电磁阀4,使灭火剂储存箱2内部灭火剂通过喷射管11喷出,实现灭火作业。

1.2 控制系统的传递函数

根据所述灭火装置的工作原理,可得其控制系统基本结构图如图3所示。为尽量消除系统控制误差,将系统采用闭环控制的方式,并通过改进粒子群算法优化PID控制器以获得更加精准的位置控制。整个控制系统主要包括控制器、电机驱动器、步进电机、负载、位置传感器等部分。

则由图3的基本结构图可得该控制系统方框图为如图4所示。

(1)$G\left(s\right)=\frac{{G}_{\mathrm{c}}\left(s\right){G}_{\mathrm{d}}\left(s\right){G}_{\mathrm{m}}\left(s\right)}{1+{G}_{\mathrm{c}}\left(s\right){G}_{\mathrm{d}}\left(s\right){G}_{\mathrm{m}}\left(s\right)H\left(s\right)}$

1.2.1 PID控制器的传递函数

PID控制器的传递函数G_c(s)为

(2)${G}_{\mathrm{c}}\left(s\right)={K}_{\mathrm{p}}+{K}_{\mathrm{i}}\frac{1}{s}+{K}_{\mathrm{d}s}={K}_{\mathrm{p}}\mathrm{ }\left(1+\frac{1}{T}\frac{1}{s}+\tau s\right)$

式(2)中:K_p、K_i、K_d分别为比例、积分、微分系数;T、τ分别为积分、微分时间常数。在初始阶段,将控制器看作成一比例环节,设K_p=1,则

(3)${{G}_{c}}(s)=1$

1.2.2 驱动器的传递函数

驱动器驱动电机运动的原理是将输入的脉冲信号转换为电流信号输出到电机使之运动。其本质是一个数字信号处理系统,实现数字信号和模拟信号的转换。由于驱动器的惯性很小,可将该部分看作是一个比例环节。在本文研究中,驱动器的控制方式采用双极式控制,又因其常采用H桥电路,因此其控制电压发生改变时,输出的平均电压会按照线性规律变化,在该过程中,其响应会有一定延迟,并且时间延迟最大为一个开关周期T^[15],因此驱动器可看成一个滞后环节。则驱动器的传递函数G_d(s)为

(4)${G}_{\mathrm{d}}\left(s\right)={K}_{\mathrm{s}}{e}^{-{T}_{\mathrm{s}}s}$

式中:K_s为驱动器的放大系数,其值取5;T_s为驱动器的延迟时间,T_s≪T,其值取0.01。即

(5)${{G}_{d}}(s)=5{{e}^{-0.01s}}$

1.2.3 步进电机的传递函数

由于所研究的灭火装置选用了二相混合式步进电机作为执行机构,而该电机系统具有较强的非线性特征。为了便于控制系统的分析与设计,并为后续推导系统的近似传递函数模型提供理论依据,故对其非线性特性进行适当处理。在忽略电机转动回路中的漏磁和磁路饱和等影响的情况下,其数学模型主要考虑电磁转矩方程、电压电流方程以及机械运动方程^[16-17],如式(6)~式(9)所示。

矩角特性为

(6)$ \begin{aligned} T_{\mathrm{e}}= & N_{\mathrm{r}}\left[L_{1} \sin (2 \theta) i_{\mathrm{A}}^{2} i_{\mathrm{B}}^{2}+2 i_{\mathrm{A}} i_{\mathrm{B}} \cos (2 \theta)\right]+ \\ & N_{\mathrm{r}} I_{\mathrm{m}} M_{\mathrm{sr}}\left(i_{\mathrm{B}} \cos \theta+i_{\mathrm{A}} \sin \theta\right) \end{aligned} $

式(6)中:T_e为电机的电磁转矩;N_r为转子齿数;L₁为电机定子绕组自感的基波分量;θ为转子所处位置;i_A、i_B为电机A、B两相的电流;I_m为永磁体等效的转子励磁电流;M_sr为定转子之间的互感系数。

电压方程为

(7)$\left\{\begin{array}{l}{U}_{\mathrm{A}}={R}_{\mathrm{A}}{i}_{\mathrm{A}}+[{L}_{0}-{L}_{1}\mathrm{c}\mathrm{o}\mathrm{s}(2\theta \left)\right]\frac{\mathrm{d}{i}_{\mathrm{A}}}{\mathrm{d}t}-{L}_{1}\mathrm{s}\mathrm{i}\mathrm{n}\left(2\theta \right)\times \\ 　　\frac{\mathrm{d}{i}_{\mathrm{B}}}{\mathrm{d}t}+2{L}_{1}[{i}_{\mathrm{A}}sin2\theta -{i}_{\mathrm{B}}cos(2\theta \left)\right]-{k}_{\mathrm{e}}{\omega }_{\mathrm{r}}sin\theta \\ {U}_{\mathrm{B}}={R}_{\mathrm{B}}{i}_{\mathrm{B}}+[{L}_{0}+{L}_{1}\mathrm{c}\mathrm{o}\mathrm{s}(2\theta \left)\right]\frac{\mathrm{d}{i}_{\mathrm{B}}}{\mathrm{d}t}-{L}_{1}\mathrm{s}\mathrm{i}\mathrm{n}\left(2\theta \right)\times \\ 　　\frac{\mathrm{d}{i}_{\mathrm{A}}}{\mathrm{d}t}-2{L}_{1}\left[{i}_{\mathrm{A}}sin\right(2\theta )+{i}_{\mathrm{B}}cos(2\theta \left)\right]+{k}_{\mathrm{e}}{\omega }_{\mathrm{r}}cos\theta \end{array}\right.$

式(7)中:U_A、U_B为定子A、B两相绕组的端电压;R_A、R_B为电机定子绕组A、B的内阻;L₀为电机定子绕组自感的平均分量;k_e为电机的反电动势系数;ω_r为转子实际速度。

机械运动方程为

(8)${T}_{\mathrm{e}}=J\frac{\mathrm{d}{\omega }_{\mathrm{r}}}{\mathrm{d}t}+B{\omega }_{\mathrm{r}}+{T}_{\mathrm{L}}$

式(8)中:J为电机的转动惯量;B为电机的黏滞摩擦系数;T_L为负载转矩。

进一步得到转子力矩平衡方程为

(9)$ \begin{aligned} T_{\mathrm{e}} & =J \frac{\mathrm{~d} \omega_{\mathrm{r}}}{\mathrm{~d} t}+B \omega_{\mathrm{r}}+T_{\mathrm{L}} \\ & =-k_{\mathrm{e}} i_{\mathrm{A}} \sin \left(N_{\mathrm{r}} \theta\right)+k_{\mathrm{e}} i_{\mathrm{B}} \cos \left(N_{\mathrm{r}} \theta\right) \end{aligned} $

由于步进电机的运行方式是通过脉冲信号来控制其运动。每输入一个电脉冲信号,电机就会转动一个步距角的位置,令给定期望输入转动位置为θ₁,则转子实际转过的角度(即输出角度)为θ₂,而θ₂是在围绕新的平衡点震荡。电机在单相励磁的工作方式下,由式(9)可得电机的运动方程为

(10)$J\frac{{\mathrm{d}}^{2}\theta }{\mathrm{d}{t}^{2}}+B\mathrm{ }\frac{\mathrm{d}\theta }{\mathrm{d}t}-\frac{{N}_{\mathrm{r}}L{i}_{\mathrm{A}}^{2}}{2}\mathrm{s}\mathrm{i}\mathrm{n}\left({N}_{\mathrm{r}}\theta \right)=0$

假设t=0时,转子处于平衡位置,振荡过程i_A不变,由式(10)得其增量方程为

(11)$J\frac{{\mathrm{d}}^{2}\left(\delta \theta \right)}{\mathrm{d}{t}^{2}}+B\mathrm{ }\frac{\mathrm{d}\left(\delta \theta \right)}{\mathrm{d}t}-\frac{{N}_{\mathrm{r}}L{i}_{\mathrm{A}}^{2}}{2}\mathrm{s}\mathrm{i}\mathrm{n}\left({N}_{\mathrm{r}}\delta \theta \right)=0$

因δθ值较小,且δθ=θ₂-θ₁,由式(11)可得

(12)$J\frac{{\mathrm{d}}^{2}{\theta }_{2}}{\mathrm{d}{t}^{2}}+B\mathrm{ }\frac{\mathrm{d}{\theta }_{2}}{\mathrm{d}t}+\frac{{N}_{\mathrm{r}}^{2}L{i}_{\mathrm{A}}^{2}{\theta }_{2}}{2}=\frac{{N}_{\mathrm{r}}^{2}L{i}_{\mathrm{A}}^{2}{\theta }_{1}}{2}$

对式(12)做拉普拉斯变换,代入初值0,得

(13)$\left( J{{s}^{2}}+Bs+\frac{N_{\text{r}}^{2}Li_{\text{A}}^{2}}{2} \right){{\theta }_{2}}\left( s \right)=\text{ }\!\!~\!\!\text{ }\frac{N_{\text{r}}^{2}Li_{\text{A}}^{2}}{2}{{\theta }_{1}}\left( s \right)$

综上可得,步进电机的传递函数G_m(s)为

(14)${G}_{\mathrm{m}}\left(s\right)=\frac{{\theta }_{2}\left(s\right)}{{\theta }_{1}\left(s\right)}=\frac{\frac{{N}_{\mathrm{r}}^{2}L{i}_{\mathrm{A}}^{2}}{2J}}{{s}^{2}+\frac{Bs}{J}+\frac{{N}_{\mathrm{r}}^{2}L{i}_{\mathrm{A}}^{2}}{2J}}$

根据研究需求,所选用的电机参数如表1所示。

根据表1参数,代入式(14)中,可得

(15)${G}_{\mathrm{m}}\left(s\right)=\frac{108.04}{{s}^{2}+0.029s+108.04}$

1.2.4 光电编码器的传递函数

机载灭火装置控制系统中的位置转动反馈环节通过光电编码器完成,通过光电编码角度检测传感器将输出的机械角位移量转换成脉冲形式的数字信号输出^[18],在该控制系统中可以看作一个滞后环节,因此该环节的传递函数为

(16)$ H(s)={{e}^{-}}^{\tau s}={{e}^{-0.1s}}$

综上,将各环节的传递函数代入式(1)中,可得控制系统的传递函数为

(17)$\begin{aligned} G(s) & =\frac{G_{\mathrm{c}}(s) G_{\mathrm{d}}(s) G_{\mathrm{m}}(s)}{1+G_{\mathrm{c}}(s) G_{\mathrm{d}}(s) G_{\mathrm{m}}(s) H(s)} \\ & =\frac{1 \times 5 \mathrm{e}^{-0.01 s} \times \frac{108.04}{s^{2}+0.029 s+108.04}}{1+1 \times 5 \mathrm{e}^{-0.01 s} \times \frac{108.04}{s^{2}+0.029 s+108.04} \times \mathrm{e}^{-0.1 s}} \\ & =\frac{540.2 \mathrm{e}^{-0.01 s}}{s^{2}+0.029 s+108.04+540.2 \mathrm{e}^{-0.11 s}} \end{aligned}$

2 改进粒子群优化算法

为优化控制模型中PID控制器参数,基于PSO算法,提出了使用混沌映射初始化粒子和动态调整权值的改进粒子群算法(BWPSO)。

2.1 PSO优化算法

PSO的核心理念是通过群体中个体之间的信息共享,使得整个群体在搜索空间中经历从无序到有序的演化过程,最终找到问题的可行解^[19]。具体来说,PSO是通过随机初始化一组粒子,进行迭代寻找最优解。在每次迭代中,粒子根据个体极值和全局极值来更新位置,也可使用部分邻居粒子的最优解作为局部极值。更新公式如式(18)、式(19)所示。

(18)${{v}_{id}}=\omega {{v}_{id}}+{{c}_{1}}{{r}_{1}}({{p}_{id}}-{{x}_{id}})+{{c}_{2}}{{r}_{2}}({{g}_{id}}-{{x}_{id}})$

(19)${{x}_{id}}={{x}_{id}}+{{v}_{id}} $

式中:ω为惯性权重;c₁、c₂分别为个人、社会学习因子;r₁、r₂为[0,1]范围内的随机数;v_id、x_id为第i个粒子的第d次迭代时的速度、位置;p_id为第i个粒子迭代到d次的个体最优位置;g_id为粒子群迭代到d次的全局最优位置。

2.2 BWPSO优化算法

对PSO算法进行如下改进来提高控制系统的性能。

2.2.1 Bernoulli混沌映射初始化粒子

在种群粒子初始化阶段,将随机初始化更新为Bernoulli混沌映射初始化粒子。其映射表达式为

(20)${x}_{i+1}=\left\{\begin{array}{ll}\frac{{x}_{i}}{1-a},& {x}_{k}\in (\mathrm{0,1}-a]\\ \frac{{x}_{i}-1+a}{a},& {x}_{k}\in (1-a,1]\end{array}\right.$

式(20)中:a为控制参数。其混沌轨道状态值范围为(0,1)。Bernoulli混沌映射通过利用混沌系统的性质,可以产生更均匀、广泛分布的初始粒子。粒子分布效果如图5所示。

为进一步验证该策略对粒子初始化的影响,建立其与随机初始化的频率分布对比图,如图6所示。

通过对比两种方法初始化粒子的效果,可以看出,采用Bernoulli混沌映射能够获得更均匀的粒子分布,从而确保粒子初始化的均匀性和稳定性。进而增强粒子群的初始多样性、降低陷入局部最优解的风险、提高全局搜索能力和收敛速度。

2.2.2 动态调整惯性权值

惯性权值(ω)主要用于控制粒子在搜索空间中的运动方式。它决定了粒子在当前位置的惯性大小,即粒子过去的速度对当前速度的影响程度。而该值并不是越大或越小越好,具体的选择要根据实际问题和算法的收敛速度、搜索精度等方面来综合考虑。较大的ω可使粒子更多地保留之前的运动惯性,这有助于在全局范围内进行广泛搜索,防止陷入局部最优解。然而,如果ω过大,粒子的速度更新可能过于依赖过去的状态,导致搜索的效率低下,甚至无法有效收敛。而较小的ω使得粒子更多地依赖个体最佳位置和全局最佳位置,从而加快收敛速度,更容易找到最优解,但同时也可能使得算法容易陷入局部最优解,尤其在搜索空间较大时。

因此为平衡全局和局部搜索,采用动态调整的惯性权值策略,用于改进更新公式[式(18)和式(19)]。在迭代初期选用较大的惯性权值,后随着迭代次数的增加而逐渐减小,从而实现在初期更好地进行全局搜索,在后期更好地进行局部精细搜索。改进策略如式(21)所示。

(21)$\omega =\mathrm{ }({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}{)}^{\frac{c\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}{\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}}$

式中:ω_max、ω_min分别为权值调整的上下限;c为常值;Iter为当前迭代次数;maxIter为最大迭代次数。

为充分展示权值随迭代次数的变化规律,将所提出的权值策略与现有的线性权值[式(22)]和非线性权值[式(23)]策略进行对比,结果如图7所示。

(22)$\omega ={\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}})\frac{\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}{\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}$

(23)$\omega ={\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-({\omega }_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\omega }_{\mathrm{m}\mathrm{i}\mathrm{n}}){\left(\frac{\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}{\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{I}\mathrm{t}\mathrm{e}\mathrm{r}}\right)}^{2}$

2.3 性能测试

为验证上述改进措施对提升算法优化能力的有效性,通过采取不同测试函数,将BWPSO算法与PSO算法、BPSO(Bernoulli混沌映射粒子群)、WPSO(改进动态权值优化粒子群)、LWPSO(线性权值优化粒子群)、NWPSO(非线性权值优化粒子群)等6种算法进行对比。

通过对比以上优化算法在多个测试函数上的实验结果可知:经多次迭代后,BWPSO算法在收敛速度与搜索能力上均表现最优,其目标函数值最小且更快趋于稳定,最终收敛至全局最优解或近似最优解,显著优于PSO与BPSO、WPSO等单一改进策略,相较于标准PSO算法,收敛速度和适应度值分别提升34.5%和91.3%。

综上,改进策略不仅优化了粒子群的初始化过程,还能在后续的迭代过程中保持良好的搜索能力,达到更好的优化效果,从而有效避免算法过早收敛到局部最优解,实现全局搜索与局部搜索的平衡,从而提高了算法的整体优化性能。

2.4 基于BWPSO算法的PID控制器参数优化方法

利用改进的粒子群算法对PID控制器的参数进行优化整定,其过程如图9所示。

图9中,BWPSO算法与Simulink仿真模型间是通过处理后的粒子对PID控制器的参数进行赋值和输出误差积分指标(integral of time-weighted absolute error,ITAE)作为两者的连接桥梁,其中ITAE是通过时间加权机制来实现对控制精度和响应速度的平衡,其数学表达式如式(24)所示。

(24)$\mathrm{I}\mathrm{T}\mathrm{A}\mathrm{E}={\int }_{0}^{T}t\mathrm{ }\left|e\left(t\right)\right|\mathrm{d}t$

式(24)中:t为系统响应时间;e(t)为输出与期望值的实时误差;T为积分时间上限。

具体过程为:算法初始化产生粒子群,通过Bernoulli混沌映射对粒子群进行初始化,将处理后的粒子赋值给PID的控制参数K_p、K_i、K_d,后运行控制系统的Simulink仿真模型,输出控制参数对应的性能指标,将该指标返回到控制算法中作为适应值进行判断,直到迭代出符合条件的参数,退出循环迭代。

3 仿真实验

通过建立控制系统仿真模型,采用ITAE作为系统整定的性能指标。结合图9,可得BWPSO-PID控制转动位置参数的原理如图10所示。

具体控制流程如下。

(1)将目标位置作为PID控制器的输入。

(2)计算目标位置与实际位置之间的误差输入PID控制器。

(3)BWPSO算法根据返回的ITAE性能指标更新粒子速度和位置,以ITAE最小化为目标,获取当前PID控制器的最优控制参数。

(4)重复步骤(3),直至迭代出PID控制器的最佳控制参数,从而实现步进电机拖动负载至目标位置的精准调控。

3.1 仿真模型搭建

根据第1节、第2节研究内容,通过Simulink搭建的控制系统总体模型如图11所示。其中控制算法模块使用BWPSO算法优化PID控制器,并采用ITAE误差积分指标作为系统整定参数的性能指标;通过PWM脉冲波形调节转动角度;通过H桥电路控制各相的通电顺序和方向,进而控制电机的旋转方向等。通过各个模块间的配合,仿真模拟装置精确转动到指定位置的跟踪控制过程。

3.2 算法验证

采用某山区林火数据进行实例验证。该灭火过程存在以下工况:目标火源位于灭火装置初始位置30°方向,需驱动装置在最短时间内将喷射口旋转30°对准火源核心,并保持稳定喷射;随着灭火剂的消耗,装置负载发生动态变化;火场环境存在阵风,需克服随机阵风冲击导致的控制干扰。

3.2.1 稳态性能分析

为验证BWPSO算法对PID控制器的影响,在静风环境转动位置给定30°的工况下进行仿真,在同等条件下,与PID控制、PSO-PID、BPSO-PID、LWPSO-PID、NLWPSO-PID、WPSO-PID等6种控制器的控制效果进行对比,其控制系统响应曲线如图12所示。

通过观察图12可见,与其他6种控制策略相比,所提出的BWPSO-PID能够最先达到稳定状态,且无明显超调。为进一步验证其控制效果,对各算法的动态性能指标进行测量,其值如表2所示。

通过分析表2数据可知,提出的BWPSO-PID优于其他6种算法,能够以最短时间达到目标角度,转动位置调节时间仅为126 ms,相较于PID、PSO-PID缩短了92.7%和76.3%,且转动调节过程中无超调量。此外,该算法稳态误差最小,相较于PID、PSO-PID降低了87.2%和82.3%,表明该控制策略不仅响应快速且在稳态性能方面表现优异。

3.2.2 鲁棒性能分析

在执行森林火灾灭火作业时,其控制精度会受到多种复杂干扰因素的影响,包括风场干扰、载荷动态变化等,这要求控制器的强抗扰性。因此,为进一步验证BWPSO算法的整定效果,分析多种工况下的鲁棒性,在Simulink仿真过程中,对系统不同调节阶段构建扰动测试,即分别在0.5 s和1 s处对控制系统施加强度为0.8的突发混合干扰,分别考察上述整定方法对外部扰动(阵风冲击)与负载动态变化等因素的适应能力,其响应曲线如图13所示,相关性能指标如表3所示。

通过图13中的响应曲线对比,结合表3中数据可知,基于BWPSO-PID的控制方法表现出更强的鲁棒性。在干扰1、2工况下,BWPSO-PID相较于PSO-PID重新恢复至稳态的调节时间分别缩短了72.8%、72.4%,响应快速且无超调,稳态误差分别降低了67.2%、75.5%,在扰动抑制方面表现出优越的鲁棒性能。这表明该方法在存在混合突变扰动时,仍能使系统快速恢复至稳态,并将稳态误差降至最低。进一步验证了所提出的BWPSO-PID控制方法在复杂环境下仍能保持优良的控制效果。

4 结论

针对森林火灾扑救中固定喷射装置适应性差、传统控制方法动态响应能力不足的核心问题,提出了基于改进PSO优化PID的控制策略,通过理论建模、算法改进与多维度验证,得到以下结论。

(1)设计了可实时调控喷射角度的机载灭火装置,避免宽泛灭火作业和灭火剂浪费,解决了现有固定喷射装置的工况适应性缺陷,为实现精准灭火、高效用剂的目标提供了硬件保障。

(2)提出了BWPSO算法,采用Bernoulli混沌映射初始化和自适应权值的复合改进策略,有效降低了PSO算法陷入早熟收敛的可能性,经测试函数验证,其搜索能力和收敛效率显著优于PSO和BPSO、WPSO等单一改进策略,相较于PSO,收敛速度和适应度值分别提升了34.5%和91.3%,为PID控制器的参数优化提供了更高效稳定的整定方法。

(3)结合林火灭火实例,构建了给定目标值跟踪、多时段混合突变扰动的典型工况并进行验证,结果表明,BWPSO-PID优于PID、PSO-PID等控制算法,相较于PSO-PID,在给定目标值跟踪工况下,调节时间和稳态误差降低了76.3%和82.3%;在存在干扰1、2的混合突变扰动工况下,重新恢复至稳态的时间和误差分别减少了72.8%、72.4%和67.2%、75.5%,证明了BWPSO-PID控制策略在机载灭火装置位置跟踪控制中的快速性、精准性和强鲁棒性。

所提出的控制方法有效满足了机载装置在复杂林火环境下的控制需求。未来研究可通过进一步提升机载装置的轻量化水平以增加灭火材料的有效载荷,并考虑更多扰动因素来实现多场景下的控制效果,使控制系统具备快速适配其他灭火任务的能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	中办国办印发《关于全面加强新形势下森林草原防灭火工作的意见》[N]. 人民日报, 2023-04-21( 001).

[2]	The General Office of the Central Committee of the Communist Party of China and The General Office of the State Council have issued the “Opinions on Comprehensively Strengthening Forest and Grassland Fire Prevention and Control under New Circumstances”[N]. People’s Daily, 2023-04-21( 001).

[3]	刘迪, 王成刚, 王晶, 等. 基于PLC和变频器控制电机转速的设计与分析[J]. 电子设计工程, 2022, 30(14): 165-169.

[4]	Liu Di, Wang Chenggang, Wang Jing, et al. Design and analysis of motor speed control based on PLC and inverter[J]. Electronic Design Engineering, 2022, 30(14): 165-169.

[5]	曲建华, 宋鹏飞. 基于PID控制算法的电机控制器调节设计[J]. 集成电路应用, 2024, 41(5): 16-17.

[6]	Qu Jianhua, Song Pengfei. Motor controller adjustment design based on PID control algorithm[J]. Applications of Integrated Circuits, 2024, 41(5): 16-17.

[7]	邵保领, 刘凌, 胡铭遥. 面向永磁同步电机负载转矩观测的自抗扰改进滑模控制[J]. 西安交通大学学报, 2024, 58(3): 204-211.

[8]	Shao Baoling, Liu Ling, Hu Mingyao. Active disturbance rejection improved sliding mode control for permanent magnet synchronous motor load torque observation[J]. Journal of Xi’an Jiaotong University, 2024, 58(3): 204-211.

[9]	哈彦梅. 基于模糊控制理论的永磁同步电机直接转矩控制研究[D]. 成都: 西南交通大学, 2022.

[10]	Ha Yanmei. Research on direct torque control of permanent magnet synchronous motor based on fuzzy control theory[D]. Chengdu: Southwest Jiaotong University, 2022.

[11]	鲁浩然, 张健, 吕传茂, 等. 无轴轮缘推进器电磁驱动结构优化设计[J]. 科学技术与工程, 2024, 24(8): 3236-3242.

[12]	Lu Haoran, Zhang Jian, Lü Chuanmao, et al. Optimal design of electromagnetic drive structure for shaftless flanged propeller[J]. Science Technology and Engineering, 2024, 24(8): 3236-3242.

[13]	Guo B, Zhuang Z, Pan J S, et al. Optimal design and simulation for PID controller using fractional-order fish migration optimization algorithm[J]. IEEE Access, 2021, 9: 8808-8819.

[14]	王子伟, 张志高, 蔡卫江, 等. 基于NSGA-Ⅲ和TOPSIS的水轮机调速器PID参数整定方法[J]. 科学技术与工程, 2024, 24(36): 15639-15645.

[15]	Wang Ziwei, Zhang Zhigao, Cai Weijiang, et al. PID parameter setting method of hydraulic turbine governor based on NSGA-Ⅲ and TOPSIS[J]. Science Technology and Engineering, 2024, 24(36): 15639-15645.

[16]	Kommula B N, Kota V R. Design of MFA-PSO based fractional order PID controller for effective torque controlled BLDC motor[J]. Sustainable Energy Technologies and Assessments, 2022, 49: 101644.

[17]	章盼梅. 模糊PID算法的水下机器人控制系统优化[J]. 机床与液压, 2024, 52(3): 72-77.

[18]	Zhang Panmei. Optimization of underwater robot control system based on fuzzy PID algorithm[J]. Machine Tool & Hydraulics, 2024, 52(3): 72-77.

[19]	Wang Z, Duan R, Liu Y, et al. Fuzzy PID composite control of hydrostatic center frame[J]. Integrated Ferroelectrics, 2024, 240(8/9): 1179-1194.

[20]	郑瑞, 张继祥, 董学松, 等. 永磁同步电机BP神经网络-智能PID滑模观测矢量控制算法[J]. 探测与控制学报, 2024, 46(5): 124-131.

[21]	Zheng Rui, Zhang Jixiang, Dong Xuesong, et al. BP neural networks-intelligent PID sliding mode observation vector control algorithm for permanent magnet synchronous motor[J]. Journal of Detection and Control, 2024, 46(5): 124-131.

[22]	周鹏, 陈通, 汪祝年, 等. 鲸鱼优化算法优化PID参数的机器人机械臂运动控制研究[J]. 机械设计与制造工程, 2024, 53(6): 72-76.

[23]	Zhou Peng, Chen Tong, Wang Zhunian, et al. Research on motion control of robot manipulator based on PID parameter optimization by whale optimization algorithm[J]. Mechanical Design and Manufacturing Engineering, 2024, 53(6): 72-76.

[24]	卢宁, 刘雪岩. 基于粒子群优化的升降机驱动装置控制策略[J]. 科学技术与工程, 2023, 23(26): 11202-11209.

[25]	Lu Ning, Liu Xueyan. Control strategy of elevator drive device based on particle swarm optimization[J]. Science Technology and Engineering, 2023, 23(26): 11202-11209.

[26]	黄志礼, 蔺红. 并网型退役动力电池储能系统优化控制策略[J]. 科学技术与工程, 2024, 24(25): 10815-10824.

[27]	Huang Zhili, Lin Hong. Optimization control strategy for grid-connected retired power battery energy storage system[J]. Science Technology and Engineering, 2024, 24(25): 10815-10824.

[28]	Hojati M, Baktash A, Mukhopadhyay S C. Investigation of torque and sensitivity analysis of a two-phase hybrid stepper motor[J]. International Journal on Smart Sensing and Intelligent Systems, 2024, 17(1): 1-21.

[29]	战家治, 崔皆凡. 基于改进ESO的两相混合式步进电机反步控制[J]. 组合机床与自动化加工技术, 2023(4): 104-107.

[30]	Zhan Jiazhi, Cui Jiefan. Backstepping control of two-phase hybrid stepping motor based on improved ESO[J]. Combined Machine Tool & Automated Machining Technology, 2023(4): 104-107.

[31]	杜玉康, 赵长海, 万秋华, 等. 小型光电编码器误差自动检测系统[J]. 仪表技术与传感器, 2024(4): 59-63, 70.

[32]	Du Yukang, Zhao Changhai, Wan Qiuhua, et al. Automatic error detection system for small photoelectric encoder[J]. Instrument Technology and Sensor, 2024(4): 59-63, 70.

[33]	乔建刚, 李硕, 刘怡美, 等. 改进PSO-LSTM算法预测高速公路交通量[J]. 科学技术与工程, 2024, 24(15): 6466-6472.

[34]	Qiao Jiangang, Li Shuo, Liu Yimei, et al. Improved PSO-LSTM algorithm for predicting expressway traffic volume[J]. Science Technology and Engineering, 2024, 24(15): 6466-6472.

基金资助

新疆维吾尔自治区“天山英才”科技创新领军人才项目(2023TSYCLJ0051)

北清通航科技(乌鲁木齐)

新疆大学合作的横向项目(202407140005)

北京安科智防科技有限公司

PDF (9341KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-01	2026-03-28	2025-07-27
Online Date
2026-06-02

摘要